Baza wiedzy AIEdAIEd KB
Na tej stronie

Przeczytaj tę stronę po angielsku

Pojęcia

SI agentowa

Utworzono 2026-10-27 · Zaktualizowano 2026-10-27

Tłumaczenie automatyczne tej strony z języka angielskiego, jeszcze nie sprawdzone przez rodzimego użytkownika języka.

SI agentowa w edukacji - systemy SI, które autonomicznie planują, wykonują i dostosowują wieloetapowe przepływy pracy, aby osiągnąć cele uczenia się, wykraczając poza jednostrunną wymianę pytań i odpowiedzi i działając jako trwałe, celowe współpracowniki: tutory SI, które stosują rusztowanie przez rozciągnięte w czasie interakcje, systemy wieloagentowe, które orkiestrują projekty nauczania, oraz agenci, którzy współregulują uczenie się. To przesunięcie paradygmatu od narzędzia odpowiadającego na prompt do aktywnego współpracownika niesie zarówno obietnicę, jak i ryzyko: SI agentowa może personalizować i pogłębiać uczenie się, ale zagraża też sprawczości, wysiłkowi poznawczemu i kontroli. Artykuły bazy wiedzy: przegląd zakresowy, ramy niezależne od narzędzia oraz najlepsze praktyki pedagogiczne, badają to napięcie.

Pytania do rozważenia

  • SI agentowa nie tylko odpowiada na pytania - planuje, wykonuje i dostosowuje wieloetapowe przepływy pracy zmierzające do celu, działając jako trwały współpracownik. Czym różni się uczenie się z proaktywnym agentem od uczenia się z narzędziem, które trzeba wywołać promptem?
  • Dziedzina rysuje granicę między SI „konwersacyjną" a „agentową" (system kwalifikuje się tylko wtedy, gdy spełnia kilka kryteriów, takich jak planowanie, pamięć, autonomia i celowe działanie). Gdzie ta granica przebiega w praktyce - i czy nazywanie każdego chatbota „agentowym" ukrywa więcej, niż ujawnia?
  • Im więcej agent automatyzuje, tym mniej pracy poznawczej wykonuje uczeń. Gdzie przebiega granica między SI, która daje rusztowanie Twojemu uczeniu się, a taką, która uczy się za Ciebie?
  • Przegląd zakresowy wykazał, że tylko 29% badań nad SI agentową osadzało swoje systemy w teorii edukacyjnej. Jeśli większość systemów nie opiera się na teorii, co powinno wzbudzać Twoją sceptyczność przy ocenie „inteligentnego" agenta korepetytorskiego?
  • Systemy wieloagentowe orkiestrują wyspecjalizowanych agentów o odrębnych rolach. Gdy w klasie współpracuje kilku agentów, kto ponosi odpowiedzialność - i gdzie powinien interweniować człowiek?
  • Centralnym napięciem dziedziny jest personalizacja przeciwko sprawczości ucznia i wysiłkowi poznawczemu. Jeśli tutor staje się tak dobry w dostosowywaniu się, że nigdy nie musisz się zmagać, czego właściwie się uczysz?
  • Gdzie na spektrum od Copilota do Autopilota powinno sytuować się dane zadanie - i czy przeniesienie zadania z „agent proponuje, uczeń rozstrzyga" do „agent jest właścicielem zadania" kiedykolwiek służy uczeniu się, a nie tylko wydajności?
  • Hybrydowi agenci osadzeni w ustalonej teorii projektowania wypadli lepiej niż czyste promptowanie. Dlaczego system oparty na teorii może pobić surową inżynierię promptów - i co to mówi o tym, jak mierzy się „mądrość" agenta?

Wprowadzenie

SI agentowa odnosi się do systemów sztucznej inteligencji, które potrafią autonomicznie planować, wykonywać i dostosowywać wieloetapowe przepływy pracy, aby osiągać cele uczenia się - wykraczając poza jednostrunną wymianę pytań i odpowiedzi i działając w kontekstach edukacyjnych jako trwałe, celowe współpracowniki. W edukacji SI agentowa przejawia się jako tutory SI, które stosują rusztowanie przez rozciągnięte w czasie interakcje, systemy wieloagentowe, które orkiestrują złożone projekty nauczania, oraz autonomiczni agenci, którzy dostosowują swoje strategie pedagogiczne do potrzeb uczniów. Ten rodzący się paradygmat przesuwa SI od narzędzia reagującego na prompty do współpracownika, który aktywnie prowadzi, dostosowuje i współreguluje procesy uczenia się.

  • Oddzielenie specyfikacji od wykonania jest tym, co czyni przepływ agentowy niezawodnym. W DagFlow-AI agenci LLM definiują każdy element mechanizmu generującego dane - zmienne, skierowany graf acykliczny, rozkłady i formuły modelu - podczas gdy program pobiera obserwacje, a skrypt walidacyjny sprawdza wynik każdego agenta (Arthur i wsp., 2026). Żaden agent nie generuje danych ani nie pisze kodu generującego, co autorzy przedstawiają jako odpowiedź na niepoparte wyniki i dryf instrukcji.

Definiowanie i klasyfikowanie SI agentowej

Kostopoulos i wsp. (2025) dostarczają definicję operacyjną, której dziedzinie brakuje. Proponują listę sześciu kryteriów - system liczy się jako agentowy, jeśli spełnia co najmniej cztery: autonomia (działanie niezależne od ciągłej interwencji człowieka), rozumowanie/planowanie, pamięć/świadomość kontekstu, celowe działanie zmierzające do efektów uczenia się, adaptacyjność oraz dynamiczna współpraca/inicjatywa. Próg ≥4 celowo wyklucza chatboty reaktywne (statyczny bot FAQ bez planowania i trwałości się nie kwalifikuje), a jednocześnie mieści różnorodne architektury. Organizują też tę przestrzeń wzdłuż trzech osi: rola pedagogiczna (tutor, coach/mentor uczenia się, towarzysz, asystent nauczyciela, planista programu nauczania), poziom autonomii (reaktywny → adaptacyjny → proaktywny → współpracujący) oraz ucieleśnienie (tekstowe, awatar/graficzne, ucieleśnione/robotyczne). Ta taksonomia - zwłaszcza spektrum autonomii i wykluczenie narzędzi reaktywnych przez listę kryteriów - daje badaczom i projektantom wspólny słownik do klasyfikowania systemów agentowych i odróżniania SI rzeczywiście agentowej od wyłącznie konwersacyjnej.

Opracowany dyskryminator czyni tę granicę konkretną. Statyczny chatbot FAQ, który potrafi odpowiedzieć tylko na ustalony zestaw pytań, spełnia zero kryteriów (brak planowania, brak trwałości, brak inicjatywy) i wyraźnie nie jest agentowy. Konwersacyjny tutor, który pamięta bieżącą sesję, ale nigdy nie działa bez promptu, nie utrzymuje między sesjami modelu ucznia i nie potrafi wyznaczać podcelów, może spełniać tylko jedno lub dwa kryteria (pamięć, pewne rozumowanie) - jest konwersacyjny, nie agentowy. Natomiast tutor, który planuje wieloturowe lekcje, przechowuje postępy ucznia w trwałym profilu, proaktywnie podaje podpowiedź, gdy uczeń utknie, i na podstawie tego profilu planuje na nowo następny krok, spełnia planowanie, pamięć, autonomię i celową interakcję - co najmniej cztery kryteria, więc kwalifikuje się jako agentowy. Wartość tego testu nie jest pedanterią: etykietowanie każdego interfejsu czatu z LLM jako „agentowego" zaciera właśnie to pytanie projektowe - co system inicjuje, a co musi zainicjować uczeń - które decyduje o tym, czy daje rusztowanie, czy zastępuje uczenie się.

Ograniczona sprawczość jako stanowisko projektowe w edukacji. Ramy AGAI-HE Ilievej i wsp. (2026) przyjmują listę zdolności, którą opisują definicje takie jak lista sześciu kryteriów, a następnie celowo ją ograniczają: cele, role, źródła danych, narzędzia, punkty kontrolne, warunki zatrzymania i decyzje końcowe są definiowane lub zatwierdzane przez nauczycieli, a każda funkcja agentowa musi mieć odniesienie do wymogu uczenia się, celu oceniania lub mechanizmu zarządzania. Ramy rysują też granicę między orkiestracją agentową a zaawansowanym promptowaniem - przepływ agentowy zachowuje stan zadania, przydziela funkcje, sprawdza warunki ukończenia, wraca do wcześniejszych etapów, gdy dowody są niewystarczające, i zapisuje istotne decyzje. Warto zauważyć, że ich eksploracyjne badanie percepcji ze 130 studentami szkolnictwa wyższego nie wykazało istotnej różnicy między uczeniem się wspieranym przez agentów a wspieranym przez chatboty, co autorzy czytają jako dowód, że agentowa zdolność sama w sobie nie daje postrzeganej przewagi pedagogicznej (nadzór człowieka).

Dziedzina: szybka ekspansja i obecny kształt

Przegląd zakresowy bazy wiedzy - najobszerniejsza dotychczas synteza dziedziny, mapująca 474 badania (2020-2026) - dokumentuje dziedzinę, która gwałtownie rosła od 2025 r., ale której literatura nadal zdominowana jest przez referaty konferencyjne skupione w szkolnictwie wyższym, dyscyplinach STEM i scenariuszach korepetycji tekstowej. Przegląd analizuje charakterystyki publikacji, projekty badań, role agentów, modele i architektury SI, sześć wymiarów zdolności agentowej oraz zakres integracji teorii edukacyjnej, dając mapę drogową po granicach i lukach dziedziny. Warto zauważyć, że tylko 29% zrecenzowanych badań (138 z 474) wyraźnie osadziło swoje systemy w teorii edukacyjnej, co ujawnia podział dyscyplinarny między pracą zorientowaną technicznie a pracą zorientowaną pedagogicznie.

Mapa dziedziny oparta na rolach

Tam, gdzie przegląd zakresowy 474 badań i przegląd koncepcyjny Kostopoulosa i wsp. mapują szerokość badań i zdolności, Baradziej (2026) porządkuje SI agentową według roli, jaką odgrywa - ujęcie instytucjonalne służące decyzji, gdzie wdrażać te systemy i jak nimi zarządzać. W 48 badaniach szkolnictwa wyższego wyłania się sześć ról w kolejności ciężaru dowodowego: uczenie spersonalizowane i korepetycje adaptacyjne (18/48), ocena zautomatyzowana i informacje zwrotne (12), wspomaganie i wzmacnianie nauczania (11), wsparcie administracyjne i wsparcie studentów (8), projektowanie programu nauczania i dopasowanie do rynku pracy (5) oraz wsparcie badań i operacje akademickie (4). Soczewka ról wysuwa na pierwszy plan wybór projektowy, który powraca w każdym wdrożeniu: ile kontroli z chwili na chwilę zachowuje człowiek (relacja „Copilot"), a ile przejmuje agent (relacja „Autopilot") - oś autonomii, która decyduje o tym, czy agent daje rusztowanie uczeniu się, czy je zastępuje.

Projektowanie i ocena systemów agentowych

Badania w bazie wiedzy obejmują projektowanie i ocenę:

  • Hybrydowi agenci osadzeni w teorii biją czyste promptowanie: ISD-Agent-Bench, benchmark 25 795 scenariuszy projektowania nauczania, wskazuje, że najlepiej działa podejście łączące klasyczne ramy ISD (ADDIE, Dick & Carey, Rapid Prototyping) ze współczesnym rozumowaniem w stylu ReAct - hybryda (teoria + technika) > czysta teoria > sama technika. Osadzenie agentów LLM w ustalonej teorii projektowania edukacyjnego daje przewagę strukturalną, której surowe promptowanie nie odtworzy.
  • Ramy oceniania narzędzi agentowych: Ramy niezależne od narzędzia proponują nauczanie i ocenianie metod obliczeniowych w sposób niezależny od konkretnego narzędzia SI, kładąc nacisk na podstawy myślenia obliczeniowego, ocenianie autentyczne przez obronę ustną oraz weryfikację - co dotyczy obaw o nadmierne poleganie.
  • Skaler raportowania i zarządzania: ramy Autonomia-Nadzór-Dowody (AOE). Dey (2026) twierdzi, że termin SI agentowa stosuje się tak niespójnie, że dowodów i nadzoru nie da się porównać między badaniami - systemy, które planują, pamiętają, używają narzędzi lub koordynują wielu agentów, wrzuca się do jednego worka ze statycznymi interfejsami GenAI i konwencjonalnymi agentami pedagogicznymi. Jego krytyczny przegląd integracyjny piętnastu recenzowanych przeglądów wskazuje, że dowody są najmocniejsze dla wyników na poziomie artefaktu (trafność informacji zwrotnych, ograniczanie halucynacji), a najsłabsze dla trwałego uczenia się, równości, obciążenia pracą lub wyników instytucjonalnych, przy czym autentyczne wdrożenia są zwykle krótkie, jednoośrodkowe i słabo powiązane z nadzorem. Lekarstwem jest konkretna trójka raportowania - poziom autonomii A0-A4 (reaktywne generowanie → ograniczona orkiestracja → delegowana autonomia zadania → autonomia przepływu pracy → autonomia konsekwencyjna nad ocenianiem/rekrutacją/awansem), poziom nadzoru O0-O4 (nieokreślony → audyt retrospektywny → zatwierdzenie przed użyciem → kontrola z punktami kontrolnymi → ciągły ograniczony nadzór) oraz etap dojrzałości dowodowej M0-M5 (koncepcja → prototyp/benchmark → ewaluacja z uczestnikami → autentyczne wdrożenie → rozszerzone/wieloośrodkowe → zreplikowane/skala instytucjonalna) - plus reguła proporcjonalności: dopuszczalna autonomia nie powinna wyprzedzać ani dojrzałości dowodowej, ani siły nadzoru (np. system konsekwencyjny A4 wymaga dowodów M4-M5, walidacji prawnej i O4 z ostateczną władzą człowieka). Raportowanie A2-O3-M3 zamienia mgliste twierdzenia o „wdrożeniu agentowym" w porównywalne, testowalne specyfikacje i daje instytucjom gramatykę etapowego wdrażania, logowania i wycofywania - dopełnienie dowodowe spektrum od Copilota do Autopilota opisanego powyżej.
  • Testowanie odporności adwersaryjnej: Testowanie obciążeniowe wieloagentowe koordynuje agentów Przesłuchującego, Celu i Sędziego, aby ujawnić tryby awarii niewidoczne w testowaniu jedną strategią, obniżając wyniki odporności o 0,17-0,20 punktu - co jest krytyczne dla spójności persony i bezpiecznego wdrożenia z uczniami.
  • Zastosowania dziedzinowe: systemy agentowe pojawiają się w różnych dziedzinach, m.in. agenci uczenia adaptacyjnego, pedagogiczni agenci LLM, kierowane rusztowanie LLM, agenty gamifikowanego uczenia się cyberbezpieczeństwa oraz agenty symulacji klinicznej.
  • Agenci webowi jako ewaluatorzy doświadczenia uczenia się: pojedynczy autonomiczny agent webowy „opisujący", który nawiguje po lekcji online projektu nauczania jak student - Wang, Mitchell & Piech (2025) - tworzy opis wystarczająco bogaty, by przewidzieć rezygnację studenta i dać projektantowi wykonalne informacje zwrotne, zanim zaangażują się prawdziwi uczniowie, bijąc pełną symulowaną kohortę i wszystkie punkty odniesienia na globalnym kursie CS1. To sytuuje ocenę agentową (agent jako zastępczy krytyk doświadczenia uczenia się) jako odrębne, tanie zastosowanie SI agentowej obok agentów, którzy uczą lub projektują.

Systemy wieloagentowe

Rosnący i odrębny nurt SI agentowej obejmuje systemy wieloagentowe, które orkiestrują wielu wyspecjalizowanych agentów o odrębnych rolach. Baza wiedzy dokumentuje kilka architektur: CODE-GEN: A Human-in-the-Loop RAG-Based Agentic AI System for Multiple-Choice Question Generation łączy agenta generatora z agentem walidatorem do generowania pytań z człowiekiem w pętli; testowanie adwersaryjne koordynuje agentów Przesłuchującego/Celu/Sędziego; wieloagentowe klasy (np. MAIC z archetypami nauczyciela, asystenta i kolegi z klasy) tworzą zróżnicowaną dynamikę uczenia się od rówieśników; a wieloagentowe uczenie społeczne bada, jak współdziałający agenci kształtują uczenie się. Projektowanie wieloagentowe rodzi odrębne pytania o nadzór człowieka (który agent odpowiada i gdzie interweniuje człowiek?), koszty koordynacji oraz o to, jak różnicowanie ról wspiera lub komplikuje rusztowanie.

Dwa systemy z 2026 r. wyostrzają obraz tego, co daje specjalizacja ról - i gdzie przestaje się opłacać. MeduAI-SP (Yang i wsp., 2026) dzieli nauczanie wywiadu klinicznego między czterech agentów LLM - agenta pacjenta, agenta tutora sokratejskiego, ewaluatora na poziomie tury i ewaluatora końcowego - z których każdy pełni odrębną funkcję dydaktyczną. Architektura z założenia wstrzymuje odpowiedzi: tutorowi zabroniono ujawniania diagnozy lub odpowiedzi przypadku, a wyniki OSCE ewaluatora końcowego pozostawały ukryte podczas trwającego spotkania. To specjalizacja ról, a nie sama zdolność modelu, jest tym, czemu badanie przypisuje poprawę zachowań konsultacyjnych (71,8% wobec 55,6% na egzaminie końcowym), co daje konkretny szablon projektowania wieloagentowego zgodnego z pedagogiką. Drugie badanie wskazuje granice tego wzorca: w systemie dyskusji etycznej dla 45 studentów w 15 grupach (Seo i wsp., 2026) trzy persony LLM ucieleśniające etykę troski, deontologiczną i pragmatyczną nie różniły się istotnie między sobą, a wszystkie zostały ocenione niżej niż ludzcy rówieśnicy pod względem wkładu, różnorodności i wpływu (wszystkie p < 0,001 w teście Kruskala-Wallisa). Autorzy przypisują tę lukę sycophantycznemu potakiwaniu - agenci przyjmowali niemal każdy wkład, o ile nie był całkowicie błędny - oraz brakowi widocznego rozumowania, argumentując, że projektowanie agentów skoncentrowanych na zadaniu musi łączyć przejrzystość procesu z zabezpieczeniami (ramowanie jako omylny rówieśnik, wydzielona faza Pytań), aby uniknąć nadmiernego polegania.

Krokiem dalej niż orkiestracja kilku wyspecjalizowanych agentów jest pełny wieloagentowy ekosystem agentowy zaproponowany przez Sudarshana i wsp. (2026): ogólnouczelniana platforma koordynująca agentów uczenia się, nauczania i administracji przez międzyfunkcyjne pętle informacji zwrotnych i inteligencję rozproszoną. Jej wyróżniający ruch to potraktowanie inkluzji jako pierwszorzędnej kwestii architektonicznej - koordynowanie agentów dostępności, wsparcia poznawczego i dobrostanu tak, aby uczniowie ze specjalnymi potrzebami edukacyjnymi byli wspierani w wymiarze poznawczym, sensorycznym i emocjonalnym w czasie rzeczywistym, a nie obsługiwani przez odizolowane narzędzie wspomagające. Artykuł umieszcza to wewnątrz pętli współewolucji człowieka i SI (zachowania i decyzje ludzi kształtują adaptację SI, która z kolei wzmacnia zdolności ludzi), utrzymującej człowieka w pętli.

  • Agenci LLM dla konkretnych uczestników w kooperacyjnym rozwiązywaniu problemów. Fang (2026) dostraja indywidualnych agentów LLM na danych dialogowych rzeczywistych uczestników, aby reprezentowali każdego uczestnika w symulacjach kooperacyjnego rozwiązywania problemów, z probabilistycznym wyborem mówcy i kodów tematycznych oraz pamięcią okienkową i streszczoną. Zweryfikowane za pomocą Epistemicznej Analizy Sieciowej symulowane dialogi są statystycznie nieodróżnialne od prawdziwych (odległość ENA 0,17, permutacyjne p = 0,65) - demonstracja tego, że SI agentowa odtwarza autentyczny dyskurs kooperacyjny.
  • Społecznie inteligentne korepetycje wieloagentowe. Prototypy społecznie inteligentnych korepetycji wieloagentowych, takie jak ASTRA, badają, jak uczniowie koordynują się z SI w diadach, używając zróżnicowanych agentów Tutora i Facylitatora do pobudzania koordynacji i zrównoważonego uczestnictwa. Oparta na śladach ewaluacja tych ram umożliwia odtwarzalną analizę interakcji, równowagi uczestnictwa i weryfikacji w kursie wprowadzającym do programowania.

Centralne napięcie: automatyzacja a uczenie się

Praca nad najlepszymi praktykami pedagogicznymi formułuje definiujące napięcie dziedziny: gdy SI w edukacji przesuwa się od pasywnych chatbotów do proaktywnych agentów, którzy inicjują i realizują cele, personalizacja się poprawia, ale sprawczość ucznia i wysiłek poznawczy są zagrożone. Im więcej agent automatyzuje, tym mniej pracy poznawczej wykonuje uczeń. Odpowiedź projektowa - zamierzony opór, dynamiczne rusztowanie, nadzór z człowiekiem w pętli i przemyślane wykorzystanie SI - działa jako zasadnicza bariera ochronna. Łączy się to z pożądanymi trudnościami, uczeniem społeczno-kulturowym i ryzykiem nadmiernego polegania, a także z szerszym motywem zachowania sprawczości w uczeniu się zapośredniczonym przez SI.

Jedna weryfikacja empiryczna pochodzi z praktycznego raportu o programowaniu sterowanym specyfikacją na kursie PBL z oprogramowania (Tanaka i wsp. 2026): studenci korzystający z agentów SI na kolejnych etapach wytwarzania napisali więcej kodu, ale wykazali spadki rozumienia kodu, które odwróciły się dopiero po indywidualnych rozmowach z wykładowcą - konkretny dowód terenowy dla napięcia automatyzacja kontra uczenie się i dla monitorowania z człowiekiem w pętli jako środka zaradczego.

Literatura przeglądowa zamienia te zasady w mierzalne bariery ochronne projektowe, a nie mgliste intencje. W kwestii rusztowania Kostopoulos i wsp. (2025) zalecają protokoły wygaszania - stopniowe zmniejszanie częstości podpowiedzi po każdej udanej próbie - oraz docelowy stosunek poszukiwania pomocy (podpowiedzi inicjowane przez SI ÷ wszystkie działania studenta) poniżej 0,3, aby to nie agent napędzał większość interakcji. Łączą to z punktami refleksji (np. poprosić ucznia o wyjaśnienie rozumowania, zanim agent zaproponuje kolejną wskazówkę) oraz adaptacyjnymi krzywymi wygaszania, których prawdopodobieństwo interwencji spada wraz ze wzrostem biegłości. W kwestii przejrzystości agenci powinni udostępniać uzasadnienie „Dlaczego ta sugestia?" i prowadzić oznaczone czasem dzienniki identyfikowalności decyzji (uzasadnienie agenta, źródła danych, decyzje) dostępne do audytu dydaktycznego. W kwestii sprawiedliwości zalecają testowanie zróżnicowanego wpływu przed wdrożeniem w co najmniej trzech grupach demograficznych (np. płeć, język, położenie geograficzne) i angażowanie zróżnicowanych nauczycieli w projektowanie. Te metryki dają wykładowcy lub projektantowi dźwignię audytową: zamiast pytać „czy agent jest zbyt pomocny?", mierzyć, czy podpowiedzi wygasają, czy uczeń przejmuje inicjatywę i czy rozumowanie agenta jest inspekcjowalne.

Uzupełniający słownik do pytania o autonomię pochodzi z analogii lotniczej wydobytej w syntezie Baradzieja (2026): jak daleko wdrożenie leży na spektrum od Copilota do Autopilota - od agenta, który wspiera człowieka zachowującego kontrolę z chwili na chwilę, do takiego, który jest właścicielem całego zadania, a człowiek tylko nadzoruje. Ten sam bazowy system można skonfigurować ku obu krańcom, a wybór jest pedagogiczny, zanim jest techniczny. Konfiguracje typu Copilot (agent proponuje, uczeń rozstrzyga, człowiek zachowuje ostatnie słowo) zwykle zachowują sprawczość i wspierają wysiłkowe procesy, które budują uczenie się; konfiguracje typu Autopilot maksymalizują ukończenie zadania i wydajność, ale zdejmują obciążenie poznawcze z ucznia. Wybór pozycji na tym spektrum - dla każdego zadania, nie raz globalnie - jest konkretnym sposobem operacjonalizacji zasady „zamierzonego oporu" z tej dziedziny.

Pozytywne implikacje agentów SI dla edukacji

Dobrze zaprojektowana SI agentowa oferuje istotne korzyści:

  • Głębsza, bardziej adaptacyjna personalizacja. Trwali agenci mogą podtrzymywać rozmowę o uczeniu się przez wiele tur, śledząc, co uczeń wie, dostosowując trudność i sekwencjonując wieloetapowe rusztowanie - wykraczając poza jednorazowe odpowiedzi wcześniejszych chatbotów. Wspiera to uczenie się adaptacyjne i spersonalizowane na dużą skalę. W syntezie Baradzieja (2026) najsilniejsze dowody dla tej roli mówią o wzroście wyników akademickich o 15-25% i wzroście zaangażowania do +40%, ze szczególnym potencjałem dla uczniów historycznie słabo obsługiwanych przez nauczanie „jeden rozmiar dla wszystkich" (studenci pierwszej generacji, różnice w uczeniu się, osoby uczące się w drugim języku).
  • Odciążenie rutynowej pracy dydaktycznej. Agenci potrafią planować lekcje, generować i walidować pytania, szkicować informacje zwrotne i orkiestrować wyspecjalizowanych podagentów (np. generator + walidator przy tworzeniu pytań), uwalniając nauczycieli do interakcji o wyższej wartości. To obietnica wieloagentowych przepływów pracy dla nauczycieli. Agenci oceniający w szczególności raportują zgodność 90-95% z ludzkimi oceniającymi i skrócenie czasu oceniania o 50-70%, choć te same dowody wskazują na stronniczość i metapoznawczy koszt natychmiastowych, bezrefleksyjnych informacji zwrotnych.
  • Bogata, zróżnicowana interakcja. Wieloagentowe klasy i symulowani rówieśnicy tworzą różnorodną dynamikę interakcji (dyskurs podobny do rówieśniczego, konstruktywny spór, odgrywanie ról), której systemy jednoagentowe nie dają, wspierając naukę współpracującą, sokratejskie sondowanie i symulację.
  • Produktywny opór. Agenci zaprojektowani, by rzucać wyzwanie, a nie potakiwać, mogą popychać uczniów ku głębszemu przemyśleniu. Badania nad adwersaryjnymi agentami projektowymi pokazują, że agenci konstruktywnego konfliktu wywoływali istotnie więcej iteracji projektu, szerszą eksplorację i wyżej oceniane projekty końcowe (N=48) - forma pożądanej trudności.
  • Skalowalna praktyka i symulacja. Symulacje oparte na agentach (symulowani studenci, scenariusze kliniczne) pozwalają uczniom ćwiczyć w środowisku niskiego ryzyka przed zastosowaniem w realnym świecie, jak w symulacji klinicznej i symulowanych uczniach.
  • Rusztowanie świadome dowodów. Dobrze osadzeni agenci potrafią stosować teorie uczenia się i znaną pedagogikę w swoich interakcjach, a benchmarki pokazują, że agenci oparci na teorii biją surowe promptowanie.

Węższa, budowana przez wykładowców klasa agentów dostaje odrębny argument w propozycji trzeciej przestrzeni El Khoury'ego i Ma: niestandardowe GPT, Gems i agenci Copilot Studio projektowani przez wykładowców dla konkretnego celu pedagogicznego i wyraźnie nie będący systemami autonomicznymi. Ich deklarowaną wartością jest przestrzeń prób o niskiej stawce - symulator egzaminu ustnego, symulacja komunikacji klinicznej, awatar wymowy dla ESL - gdzie studenci ćwiczą przed oceną, a rola ewaluacyjna wykładowcy pozostaje nienaruszona, przy agencie poza hierarchiami społecznymi, w których studenci poruszają się z rówieśnikami i wykładowcami. Warto zauważyć dwie granice: autorzy z założenia wyłączają z zakresu ocenianie przez agentów i argumentują, że ocenianie musi pozostać relacyjne - roli wykładowcy nie da się zastąpić maszyną, choć można ją rozszerzyć i uczynić bardziej zrównoważoną dzięki starannemu projektowaniu.

Negatywne implikacje i ryzyka agentów SI dla edukacji

Ta sama autonomia, która umożliwia te korzyści, tworzy też istotne ryzyka:

  • Erozja sprawczości ucznia i wysiłku poznawczego. Im więcej agent automatyzuje, tym mniej pracy poznawczej wykonuje uczeń. Proaktywni agenci, którzy inicjują, planują i wykonują zadania, mogą zostawić uczniów jako pasywnych konsumentów, wydrążając wysiłkowe procesy - szkicowanie, przypominanie, poprawianie - które budują trwałe uczenie się. To podstawowa obawa o nadmierne poleganie i sprawczość. Efekt jest mierzalny: w syntezie Baradzieja (2026) pasywni uczniowie w środowiskach korepetycji agentowej wypadli o 8,7% gorzej niż studenci nauki aktywnej - dowód, że szkoda wynika z projektu wdrożenia (pozwolenia agentowi na wykonanie pracy poznawczej) bardziej niż z samej technologii.
  • Nadmierna automatyzacja procesu uczenia się. Jeśli agent optymalizuje ukończenie zadania, a nie uczenie się, może produkować „odpowiedzi", które omijają rozumienie - dokładnie to ryzyko, przed którym ostrzegają ramy niezależne od narzędzia, gdzie artefakt przestaje poświadczać ucznia.
  • Zmniejszone metapoznawcze i samoregulacyjne zaangażowanie. Gdy agenci zajmują się planowaniem i monitorowaniem, uczniowie mogą nie rozwijać metapoznania ani samoregulacji, które edukacja ma budować. Agentów trzeba projektować tak, by te procesy wywoływać, a nie zastępować.
  • Błędne zaufanie i luki w weryfikacji. Autonomiczni agenci mogą tworzyć wynik wyglądający wiarygodnie, ale niezweryfikowany; uczniowie i nauczyciele mogą mu nadmiernie ufać. Potrzeba solidnej weryfikacji i kompetencji w zakresie SI rośnie, gdy agenci przejmują więcej autonomii.
  • Nieprzejrzystość, koordynacja i odpowiedzialność. Systemy wieloagentowe komplikują nadzór człowieka: który agent odpowiada za błąd i gdzie interweniuje człowiek? Awarie koordynacji, dryf persony i zachowania emergentne mogą podważać niezawodność i bezpieczeństwo pedagogiczne.
  • Stronniczość i równość. Agenci trenowani na danych kodujących stronniczość mogą ją odtwarzać na skalę, a nierówny dostęp do zdolnych systemów agentowych może pogłębiać nierówność edukacyjną. Stronniczość działa na wielu poziomach - danych treningowych, architektury, kryteriów ewaluacji i populacji testowych - więc wymaga instytucjonalnego łagodzenia (audyty stronniczości, zróżnicowane zbiory danych, przejrzysta dokumentacja, udział interesariuszy), a nie jednorazowych kontroli. Subtelniejszą, kulturowo swoistą formą jest hegemonia epistemiczna: ponieważ większość systemów agentowych jest trenowana na danych angielskojęzycznych, zachodnich, wpisuje ona określone założenia o wiedzy, argumentacji i rejestrze akademickim. Dowody syntezy dokumentują narzędzia do nauki języków marginalizujące niezachodnie tradycje retoryczne i karzące cechy językowe nieangielskich kultur akademickich, a analizy Globalnego Południa pokazują, że pedagogiki agentowe odtwarzają nierówność, gdy ignorują różnorodność epistemologiczną i ograniczenia infrastrukturalne.
  • Uczciwość oceniania i erozja umiejętności. Gdy agenci mogą generować pracę na żądanie, ocena rzeczywistego uczenia się staje się trudniejsza, a nadmierne poleganie może erodować umiejętności podstawowe - problem „długu rozumienia" i poświadczania, na który wskazuje ta dziedzina.
  • Studenci-duchy i luka weryfikacyjna. Bozkurt, Crompton & Fell Kurban (2026) opisują „studenta-ducha" - cyfrowego zastępcę stworzonego przez połączenie LLM-ów („umysł") z agentowymi przeglądarkami SI („ciało"), który potrafi nawigować po systemach zarządzania uczeniem się, angażować się w treść i ukończać oceny z mimikrą podobną do ludzkiej, czyniąc obecność rzeczywistego ucznia opcjonalną. To tworzy lukę weryfikacyjną, której tradycyjne narzędzia nadzoru i wykrywania nie są w stanie strukturalnie zamknąć, i akumuluje dług poznawczy u pominiętego ucznia. Gdy SI przesuwa się od generatywnej do agentowej, to zagrożenie dla uczciwości i weryfikacji rośnie - ryzyko swoiste dla agentów, wykraczające poza jednostrunną generatywną SI.

Agenci SI a uczciwość akademicka

SI agentowa stwarza odrębne zagrożenia dla uczciwości, wykraczające poza jednostrunne przypadki generatywnej SI, z którymi dziedzina już się zmaga. Ponieważ agenci działają autonomicznie w długich horyzontach - i ponieważ „studenci-duchy" (LLM-owe „umysły" sprzęgnięte z agentowymi „ciałami" przeglądarek) potrafią nawigować po systemach zarządzania uczeniem się, angażować się w treść i ukończać oceny z mimikrą podobną do ludzkiej - czynią autentyczną obecność ucznia opcjonalną i tworzą lukę weryfikacyjną, której nadzór i wykrywanie nie zamkną. Wynika z tego kilka implikacji dla uczciwości:

  • Artefakt przestaje poświadczać ucznia. Gdy agent może wygenerować, zaplanować i wykonać całą pracę zaliczeniową, jakość produktu odzwierciedla zdolność agenta, a nie ucznia. To problem poświadczania z ram niezależnych od narzędzia w skrajnej postaci - tradycyjne ocenianie typu „oddaj pracę" traci wartość dowodową.
  • Weryfikacja, a nie wykrywanie, jest jedyną realną odpowiedzią. Oparte na wykrywaniu pilnowanie porządku jest strukturalnie niezdolne nadążyć za autonomicznymi agentami. Pytanie o uczciwość przesuwa się z „czy potrafimy złapać agentów SI?" na „czy potrafimy zweryfikować, co uczeń naprawdę umie?" - co sprzyja ocenianiu procesowemu, interaktywnemu i weryfikacji z człowiekiem w pętli.
  • Agentowe ukończenie ocenianej pracy jest już wykazane, i to porażka trafności, nie tylko uczciwości. Hadjisolomou & El-Haddad (2026) udokumentowali agentów (Claude for Chrome, Perplexity Comet, Claude Opus) logujących się na żywy kurs licencjacki w LMS i wykonujących rzeczywistą ocenianą pracę na podstawie jednej instrukcji - quiz z 10 pytań oceniony na 10/10 w niecałe 5 minut oraz post na forum dyskusyjnym, w którym agent po przeszukaniu wpisów rówieśników sfabrykował wiarygodną osobistą historię życiową. Stosując oparte na argumentacji ramy trafności Kane'a, umieszczają „założenie o ludzkim wytworzeniu" u podstaw inferencji punktowej: ukończenie przez agenta usuwa jego oparcie, więc każdy nienadzorowany wynik asynchroniczny - także uczciwie zdobyty - traci wsparcie interpretacyjne, bo autorstwo jest nieweryfikowalne. Ujmowanie problemu jako kwestii trafności, a nie uczciwości, ma znaczenie, ponieważ instytucja może ukarać przewinienie i nadal nie mieć podstaw dla raportowanych wyników, a te same artefakty zasilają łańcuchy dowodowe przeglądów programów i akredytacji. Ich remedium, zgodne z „weryfikacją ponad wykrywaniem" z tej strony, to przeprojektowanie oceniania na rzecz zweryfikowanej obecności człowieka (obecność ponad produkt, integracja ponad izolację, autentyczność ponad generyczność, praktyka o niskiej stawce / obecność przy wysokiej stawce) z zachowującym równość menu opcji zweryfikowanego momentu.
  • Odpowiedzialność jest rozproszona. W systemach wieloagentowych, gdy autonomiczny agent tworzy problematyczny wynik, nie jest jasne, kto odpowiada - uczeń, system czy instytucja. To zaciera przypisanie, na którym opierają się procesy uczciwości akademickiej.
  • Dług poznawczy kumuluje się po cichu. Studenci-duchy pozwalają uczniom omijać wysiłkowe procesy budujące rozumienie, gromadząc dług poznawczy, który ujawnia się dopiero, gdy wymagane jest samodzielne wykonanie. Uczciwość jest więc powiązana z rzeczywistym uczeniem się, a nie tylko z przestrzeganiem reguł.
  • Pogłębia luki równościowe. Uczniowie z dostępem do zdolniejszych systemów agentowych zyskują nieproporcjonalną przewagę, a zautomatyzowane wsparcie może erodować pomoc tym, którzy potrzebują jej najbardziej - wymiar równości w uczciwości.

To łączy dyskusję o SI agentowej z pokryciem uczciwości akademickiej w bazie wiedzy, które ramuje odpowiedź jako przeprojektowanie oceniania i kompetencje w zakresie SI, a nie samo wykrywanie.

Produktywny opór i interakcja społeczna

Nie każde zachowanie agentowe musi być gładką pomocą. Badania nad adwersaryjnymi agentami projektowymi pokazują, że agenci odgrywający konstruktywny konflikt wywoływali istotnie więcej iteracji projektu, szerszą eksplorację alternatyw i wyżej oceniane projekty końcowe wśród początkujących projektantów interakcji (N=48) - dynamika produktywnego oporu, w której agent konfliktu był frustrujący, ale ostatecznie pomocny. Łączy się to z sokratejskim pytaniem i myśleniem projektowym oraz pokazuje, jak SI agentowa może wspierać głębokie przemyślenie, a nie pasywną akceptację.

Badanie tego, jak SI agentowa dochodzi do efektów uczenia się przez ścieżki psychologiczne, a nie technologiczne, dostarcza brakującego kąta pomiaru. Pramod i Patil (2026) przebadali 398 studentów biznesu w Indiach i modelowali autonomię, kompetencję i więź obok interaktywności, dzielenia się informacją i postrzeganej obecności społecznej; autonomia była najsilniejszym motywatorem (β = 0,504), a interaktywność najsilniejszym czynnikiem społecznym (0,468), przy czym motywacja i obecność społeczna zasilały zaangażowanie z niemal tą samą siłą (0,533 i 0,493), zanim zaangażowanie przewidziało postrzegane wyniki uczenia się (0,671). Lekcja projektowa jest taka, że droga społeczna nie jest automatyczna: konstrukt środowiska współpracy przesunął postrzeganą obecność społeczną mniej niż zwykła responsywność i dzielenie się informacją, więc traktowanie agenta jako interfejsu czatu, a nie uczestnika, pozostawia większość tej ścieżki niewykorzystaną.

Implikacje dla wykładowców i projektantów nauczania

Dla nauczycieli, kadry akademickiej i projektantów nauczania SI agentowa zmienia zarówno to, co możliwe, jak i to, czego trzeba strzec:

  • Przeniesienie wysiłku na pracę o wyższej wartości. Agenci mogą przejąć planowanie lekcji, generowanie i walidację pytań, triage informacji zwrotnych i wyszukiwanie zasobów. Wykładowcy powinni traktować je jako automatyzowalne rusztowania, które uwalniają czas na to, czego agenci nie potrafią: nauczanie relacyjne, osąd kontekstowy i projektowanie doświadczeń uczenia się. Skierowane do nauczycieli wieloagentowe przepływy pracy to obiecujący model.
  • Utrzymanie pracy poznawczej ucznia w centrum. Centralne pytanie projektowe nie brzmi „co potrafi agent?", lecz „co musi zrobić uczeń?". Projektanci nauczania powinni konfigurować systemy agentowe tak, by dawały rusztowanie, a nie zastępowały planowanie, monitorowanie i wysiłek ucznia - używając dynamicznego rusztowania i zamierzonego oporu, aby chronić sprawczość i unikać nadmiernego polegania.
  • Projektowanie pod weryfikację i proces, nie tylko wynik. Gdy agenci mogą generować pracę na żądanie, artefakt przestaje poświadczać uczenie się. Wykładowcy powinni łączyć narzędzia agentowe z ocenianiem procesowym (obrona ustna, zadania niezależne od narzędzia, kontrole weryfikacyjne), aby mierzyć rozumienie - a nie tylko wytwarzanie.
  • Kuratorstwo i osadzanie agentów w pedagogice. Dowody benchmarkowe pokazują, że agenci oparci na teorii biją surowe promptowanie. Projektanci powinni osadzać zachowanie agenta w ustalonych ramach dydaktycznych (np. stopniowe uwalnianie odpowiedzialności, sokratejskie pytanie, teorie uczenia się), a nie poprzestawać na generycznym łańcuchowaniu narzędzi.
  • Zachowanie nadzoru i osądu człowieka. Systemy wieloagentowe i autonomiczne czynią projektowanie z człowiekiem w pętli niezbędnym: trzeba zdecydować, gdzie interweniuje człowiek, kto odpowiada i jak wyłapuje się awarie. Testowanie adwersaryjne pomaga ujawnić tryby awarii przed wdrożeniem.
  • Budowanie kompetencji w zakresie SI u wykładowców. Nauczyciele i projektanci potrzebują trafnych modeli mentalnych SI agentowej, aby konfigurować, monitorować i krytykować te systemy - oraz modelować odpowiedzialne korzystanie przed uczniami. Łączy się to z kompetencjami nauczycieli w zakresie SI i rozwojem kadry.
  • Uważność na równość. Narzędzia agentowe grożą pogłębieniem luk, jeśli dostęp jest nierówny lub jeśli automatyzacja eroduje wsparcie dla uczniów, którzy potrzebują go najbardziej; projektuj z myślą o równości.
  • Zbudowanie rusztowania instytucjonalnego przed skalowaniem. Pytanie o wdrożenie nie jest tylko kwestią projektu, ale i instytucji. Synteza Baradzieja (2026) kondensuje dowody zarządzania w trzy filary: rozwijać kompetencje w zakresie SI wśród studentów i pracowników; zbudować etyczną infrastrukturę (polityki ochrony danych, ramy odpowiedzialności algorytmicznej i uczciwości akademickiej) przed wdrożeniem na dużą skalę; oraz zapewnić oparte na kompetencjach szkolenie nauczycieli, które wykracza poza oswajanie z narzędziem ku ramom pedagogicznym chroniącym ludzką sprawczość. Biorąc pod uwagę, że w niektórych kontekstach krajowych tylko około 6,5% kadry deklaruje bezpośrednie korzystanie z SI, luka szkoleniowa jest wiążącym ograniczeniem odpowiedzialnej adopcji.

Techniki zapewniania uczciwości akademickiej z SI agentową

Ponieważ autonomiczni agenci czynią wykrywanie bezowocnym, wykładowcy powinni skupić się na technikach, które weryfikują uczenie się i czynią uczciwą pracę widoczną, a nie na pilnowaniu porządku:

  • Weryfikacja ponad wykrywanie. Zastąp lub uzupełnij „oddaj pracę" interakcjami wymagającymi od ucznia wykazania rozumienia, którego nie da się zlecić na zewnątrz: obrony ustne, zadania niezależne od narzędzia, na żywo rozwiązywanie problemów i ocenianie procesowe. Celem jest ustalenie, co uczeń potrafi samodzielnie, a nie złapanie agenta.
  • Ocenianie interaktywne i etapowe. Wymagaj etapowych zgłoszeń (szkice, poprawki, refleksje) i uzupełniających konwersacyjnych kontroli sprawdzających, czy studenci rozumieją oddaną pracę - podejścia „AI Viva" i powiernictwa poznawczego. Studenci-duchy nie utrzymają przesłuchania na żywo, którego nie wykonali.
  • Jasne oczekiwania wynikające z celu. Osadzaj oczekiwania uczciwości w celu kursu - jakie korzystanie z SI jest dozwolone, kiedy i dlaczego - a nie w abstrakcyjnych regułach. Przejrzystość polityki zgodna z pedagogiką zmniejsza niejednoznaczność, którą studenci wykorzystują, i błędne osądy dokumentowane w badaniach nad uczciwością.
  • Uczynienie korzystania z SI widocznym i zadeklarowanym. Ustrukturyzowane, zadaniowo swoiste deklaracje korzystania z SI (mapujące użycie na etapy poznawcze) wymuszają refleksję i normalizują uczciwe ujawnianie, przesuwając kulturę od ukrywania ku przejrzystości.
  • Budowanie kompetencji w zakresie SI jako edukacji o uczciwości. Ucz studentów odpowiedzialnego korzystania z agentów i krytycznej oceny wyników, ramując uczciwość jako rzeczywiste uczenie się, a nie przestrzeganie reguł. Obejmuje to kompetencje w zakresie SI, rozumienie, co agenci potrafią, a czego nie, oraz koszt uczenia się wynikający z omijania wysiłku.
  • Utrzymanie człowieka w pętli. Zachowaj nadzór człowieka nad decyzjami oceniającymi, weryfikuj prace o wysokiej stawce interaktywnie i projektuj narzędzia agentowe tak, aby wykładowca zawsze mógł interweniować.
  • Zamknięcie luki weryfikacyjnej interakcją. W kontekstach w pełni online lub asynchronicznych stosuj komponenty nadzorowane lub interaktywne wymagające obecności na żywo, adresując zagrożenie studentem-duchem bezpośrednio, zamiast zakładać, że wykrywanie je złapie.

Wyważony wniosek

SI agentowa nie jest ani panaceum, ani nieuniknioną szkodą: jej wartość zależy od projektu. Użyta do dawania rusztowania sprawczości ucznia, osadzona w pedagogice i utrzymująca człowieka w pętli, może personalizować i pogłębiać uczenie się; użyta do maksymalizacji automatyzacji i ukończenia zadań, może erodować właśnie ten wysiłek, który tworzy uczenie się. Powracająca zasada projektowa to intencjonalność - jawne zdecydowanie, co robi agent, a co celowo zostawia uczniowi.

Częste błędne wyobrażenia

„Każdy chatbot podłączony do narzędzi jest systemem agentowym." Rozróżnienie opiera się na strukturze zdolności, a nie na dostępie do narzędzi: system kwalifikuje się jako agentowy tylko wtedy, gdy spełnia kryteria takie jak planowanie, pamięć, autonomia i celowe działanie na przestrzeni kroków. Narzędzie typu prompt-odpowiedź, które potrafi wywołać kalkulator, pozostaje konwersacyjne. Rozróżnienie ma znaczenie, bo ryzyka i metody ewaluacji się różnią - autonomiczne wieloetapowe działanie rodzi tryby awarii, których pojedyncza wymiana nie ma.

„Lepsze modele bazowe są tym, co sprawia, że systemy agentowe działają w edukacji." W badaniu cytowanym na tej stronie to specjalizacja ról, a nie sama zdolność modelu jest tym, czemu przypisuje się poprawę zachowań konsultacyjnych (71,8% wobec grupy porównawczej). Architektura i podział pracy między agentami to decyzje projektowe o mierzalnych skutkach, co oznacza, że mocniejszy model wrzucony do niespecjalizowanego przepływu nie odtworzy tego wyniku.

„Systemy agentowe w edukacji są osadzone pedagogicznie, bo budują je badacze edukacji." Dowody mówią inaczej: przegląd zakresowy wykazał, że tylko 29% badań nad SI agentową (138 z 474) wyraźnie osadziło swoje systemy w teorii edukacyjnej. Podział dyscyplinarny między pracą zorientowaną technicznie a pedagogicznie jest warunkiem dziedziny, a nie przeoczeniem pojedynczego autora, więc demo, które działa, jest oczekiwanym wynikiem, a demo, które działa na rzecz uczenia się, jest przypadkiem mniejszościowym.

„Agent, który personalizuje i pogłębia uczenie się, to zysk netto wobec chatbota." Niesie ze sobą konkretny kompromis: systemy agentowe zagrażają sprawczości i zapraszają do odciążenia wysiłku poznawczego, od którego zależy uczenie się, a wykonując więcej kroków bez nadzoru, czynią to odciążenie trudniejszym do zauważenia. Napięcie automatyzacja kontra uczenie się jest centralnym problemem analitycznym tej kategorii, a nie zastrzeżeniem dopisanym do jej korzyści.

Połączone koncepcje

Połączone artykuły

Powiązane FAQ

Powiązane zasoby

  • DeepTutor
    The open-source release of the DeepTutor agentic tutoring framework: one workspace for tutoring, question generation, mastery practice, research and visualization, with inspectable learner memory.

Metadane

DziedzinaStem Education
PoziomHigher Ed, K 12
Docelowi odbiorcyLearners
Uczenie się i nauczanieScaffolding
Technologie i technikiGenerative AI, Human-in-the-Loop, Intelligent Tutoring, Large Language Models (LLMs)
Podstawy AI w edukacjiLearner Agency, SI agentowa, Kompetencje w zakresie SI (AI literacy), Odciążanie poznawcze
ŹródłoHistoriaEdytujCzat

Osadź tę stronę

Skopiuj poniższy kod, aby osadzić tę stronę w systemie zarządzania nauczaniem lub na innej witrynie. Wersja osadzona pokazuje tylko treść strony — ukrywa nagłówek witryny, nawigację i stopkę.