Nietypowy system uczący wywraca szkolnictwo wyższe do góry nogami: zamiast podawać gotowe odpowiedzi, bezlitośnie zadaje pytania – i zmienia sposób, w jaki studenci przyswajają wiedzę.
Podczas gdy zwykłe chatboty rozwiązują zadania domowe w kilka sekund, ten system działa dokładnie odwrotnie. Blokuje każdą bezpośrednią odpowiedź i za pomocą celnych pytań nakłania studentów do samodzielnego odtworzenia toku rozumowania. Twórcy mówią o cyfrowym eksperymencie, który ma pokazać, jak sztuczna inteligencja może wzmacniać zdolność myślenia, zamiast ją zastępować.
Starożytna filozofia spotyka nowoczesną AI
System nosi nazwę „Macro Buddy" i został opracowany na Uniwersytecie Wisconsin–La Crosse. Jego fundamentem nie jest żaden przełomowy model technologiczny, lecz stara jak świat idea filozoficzna: metoda sokratejska.
Zamiast „Oto rozwiązanie" ten tutor mówi: „Dlaczego sądzisz, że tak właśnie jest?" – raz po raz, bez wyjątku.
W starożytności Sokrates prowadził swoich uczniów przez łańcuch pytań do własnych wniosków. Dokładnie tak samo działa Macro Buddy. Kto na przykład zapyta, jak oblicza się stopę wzrostu produktu krajowego brutto, nie otrzyma gotowego wzoru. Zamiast tego AI odpowiada serią pytań, które krok po kroku naprowadzają na właściwe obliczenia.
Pod względem technicznym system opiera się na specjalnie wytrenowanym modelu językowym. Ekonomiści z uczelni zasilili go wyłącznie kompletnymi zapisami swoich wykładów z makroekonomii. Model nie ma dostępu do internetu, Wikipedii ani żadnych zewnętrznych serwerów.
Powód jest prosty: każda odpowiedź AI musi dać się wyprowadzić z oficjalnych materiałów dydaktycznych. Dzięki temu tutor idealnie pasuje do treści kursu, zamiast serwować ogólną wiedzę z sieci. W praktyce działa jak niezmordowany nauczyciel, który może mówić wyłącznie to, co wykładowcy wcześniej omówili na sali.
Błędy stają się szansą na naukę – bez gotowego rozwiązania
Najbardziej fascynująca część kryje się w tym, jak system radzi sobie z nieporozumieniami. Macro Buddy analizuje każde zapytanie i stara się wykryć błędy koncepcyjne. Jeśli ktoś myli realne i nominalne PKB, AI nie ucieka w stronę gotowego wyjaśnienia wzoru. Zamiast tego skupia uwagę studenta na zrozumieniu pojęcia poziomu cen.
Typowa sekwencja wyglądałaby mniej więcej tak:
- „Czego dotyczy różnica między realnym a nominalnym PKB?"
- „Jaką rolę odgrywa w tym ogólny poziom cen?"
- „Co w istocie opisuje indeks cen?"
AI zadaje pytania tak długo, aż student sam dostrzeże, gdzie tkwił błąd w jego rozumowaniu. Celem jest łączenie ze sobą zależności, a nie zapamiętywanie wzorcowych rozwiązań. Kto biernie czeka, aż „pojawi się właściwa odpowiedź", spotka się z Macro Buddy z rozczarowaniem.
Badanie ze 140 studentami: aktywna nauka przynosi dwucyfrowe wyniki
Aby sprawdzić skuteczność systemu, wiosną 2025 roku przeprowadzono eksperyment z udziałem 140 studentów makroekonomii. Uczestników podzielono na cztery grupy:
| Grupa | Scenariusz nauki |
|---|---|
| 1 | Samodzielna praca z Macro Buddy |
| 2 | Tradycyjna praca grupowa bez AI |
| 3 | Połączenie Macro Buddy z dyskusją grupową |
| 4 | Grupa kontrolna bez dodatkowego wsparcia |
Badaczy interesowała nie tyle bezwzględna ocena, co przede wszystkim zmiana wyników w porównaniu z grupą kontrolną podczas trzeciego terminu egzaminu.
Mieszana grupa łącząca AI z dyskusją poprawiła wyniki średnio o 12 punktów – to wyraźny skok w górę.
Najlepsze rezultaty osiągnęli ci, którzy najpierw pracowali z Macro Buddy, a następnie dyskutowali w grupie. W indywidualnej sesji z AI mogli zidentyfikować błędy w swoim myśleniu i do fazy zespołowej przystępowali już z dojrzalszymi przemyśleniami. W grupie dopracowywali argumenty, korygowali ostatnie nieporozumienia i głębiej utrwalali poznane pojęcia.
Zupełnie inaczej wyglądało to przy biernym korzystaniu z systemu. Studenci, którzy opierali się wyłącznie na gotowych odpowiedziach AI i nie angażowali własnego myślenia, zaliczali wyraźny spadek wyników. Analiza wykazała obniżkę o osiem punktów, gdy tylko cyfrowe wsparcie zostało odebrane.
Dlaczego pasywne korzystanie z AI może wręcz pogorszyć wiedzę
Liczby z badania stanowią sygnał ostrzegawczy dla uczelni na całym świecie. Jeśli AI jest używana wyłącznie jako skrót, może prowadzić do zanikania procesów myślowych. Kto regularnie „zleca" AI odrabianie zadań, nie buduje trwałych modeli mentalnych. Gdy pomoc znika – podczas egzaminu stacjonarnego, rozmowy kwalifikacyjnej czy pracy zawodowej – brakuje fundamentów.
Badacze mówią o „poznawczej kuli". Co prawda krótkoterminowo podtrzymuje, ale uniemożliwia budowanie siły mięśniowej. Kto wchodzi na egzamin wspierany taką kulą, czeka potem na bolesne przebudzenie.
Macro Buddy stara się odwrócić ten problem. AI zmusza studentów do używania mentalnego mięśnia, zamiast go unieruchamiać. Wspiera poprzez kierowanie uwagą, nie przez zastępowanie wysiłku intelektualnego.
Podobieństwa do adaptacyjnych tutorów AI na Harvardzie
Architektura systemu przypomina projekty testowane na Uniwersytecie Harvarda, gdzie sprawdzano działanie adaptacyjnych tutorów AI. Tam już wcześniej zaobserwowano: systemy uczące, które przede wszystkim zadają pytania, zapewniają trwalszą wiedzę niż narzędzia dostarczające jedynie informacji.
Macro Buddy zmierza w podobnym kierunku, jest jednak radykalniej ograniczony: brak internetu, brak odwołań do innych przedmiotów, tylko oficjalne materiały kursu. Kontrola pozostaje więc w rękach wykładowców, a ryzyko dezinformacji spada.
Szczególnie interesujący jest aspekt społeczny. Kiedy studenci po sesji z AI omawiają wyniki w grupach, zderzają się ze sobą różne drogi rozumowania. Połączenie indywidualnego maratonu pytań z kolektywną debatą wydaje się dostarczać właśnie tego miksu, którego wymagają wymagające przedmioty.
Czego polskie uczelnie mogłyby się z tego nauczyć
Przed polskimi i szerzej – europejskimi – uczelniami stoi teraz pytanie: czy chcą jedynie tolerować AI, czy aktywnie ją kształtować? Badanie z Wisconsin sugeruje, że jasne reguły i przemyślana koncepcja dydaktyczna mogą przynieść wymierne korzyści.
- AI nie powinna dostarczać rozwiązań, lecz pobudzać myślenie.
- Kursy powinny określać, do jakich materiałów tutor ma mieć dostęp.
- Praca grupowa może funkcjonować jako drugi etap po dialogu z AI.
- Wykładowcy potrzebują wglądu w typowe błędy koncepcyjne wykrywane przez system.
Zwłaszcza na takich kierunkach jak ekonomia, matematyka czy fizyka podobne podejście mogłoby pomóc w systematycznym eliminowaniu standardowych błędów. Jeśli AI regularnie sygnalizuje te same nieporozumienia, wykładowcy mogą dostosować swoje wyjaśnienia lub opracować ukierunkowane ćwiczenia.
Szanse, ryzyka i realistyczne spojrzenie na AI na sali wykładowej
Oczywiście koncepcja niesie ze sobą również ryzyko. Studenci mogą próbować oszukać AI, by jednak wyciągnąć od niej gotowe odpowiedzi. Wykładowcy mogą nadmiernie polegać na technologii i zaniedbywać własny styl wyjaśniania. Nie każdy kierunek studiów da się też łatwo sprowadzić do zestawu pytań.
Mimo to eksperyment pokazuje, że istnieje złoty środek między zakazem korzystania z AI a ślepym jej zawierzeniem. Inteligentne systemy tutorskie mogą celowo strukturyzować procesy uczenia się, ujawniać błędy i wzbogacać dyskusje na seminariach. Warunkiem jest jednak świadome ukierunkowanie technologii na aktywne myślenie.
Dla studentów płynie z tego praktyczna wskazówka: korzystając z AI do nauki, warto traktować ją raczej jak krytyczną korepetytor, nie jak ściągawkę. Dobre pytania są tu cenniejsze niż gotowe rozwiązania. Kto czuje irytację z powodu kolejnych pytań zwrotnych, jest prawdopodobnie dokładnie w tym miejscu, w którym nauka naprawdę się odbywa.
W dłuższej perspektywie takie systemy mogłyby nawet przyczynić się do uczynienia edukacji bardziej sprawiedliwą. Cyfrowy tutor nigdy się nie męczy, cierpliwie odpowiada na każde naiwne pytanie i dostosowuje się do tempa każdego użytkownika. Jeśli uczelnie połączą tę siłę z jasnymi wytycznymi, u progu stoi nowa forma studiowania – taka, w której AI nie jest skrótem, lecz impulsem do prawdziwego myślenia.
