Baza wiedzy AIEdAIEd KB
Na tej stronie

Przeczytaj tę stronę po angielsku

Pojęcia

Historia SI w edukacji

Utworzono 2026-08-23 · Zaktualizowano 2026-11-08

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

Historia SI w edukacji — badanie tego, jak sztuczna inteligencja i edukacja współewoluowały od połowy XX wieku i jak dawne decyzje pojęciowe, terminologiczne i projektowe nadal kształtują dzisiejsze debaty o SI w uczeniu się. Zamiast traktować generatywną SI jako nagłą, bezprecedensową siłę, spojrzenie historyczne ujawnia powracające napięcia — kontrola kontra sprawczość, standaryzacja kontra kreatywność, automatyzacja kontra augmentacja — które strukturyzują SI w edukacji od jej początków.

Pytania do rozważenia

  • Dzisiejsza generatywna SI bywa opisywana jako bezprecedensowa rewolucja. Jak takie ramowanie („chronocentryzm") może uniemożliwiać dostrzeżenie powracających wzorców pod nim?
  • Dziedzina niemal nazwała się „cybernetyką" zamiast „sztuczną inteligencją". Jak ten jeden wybór nazwy mógł ukształtować to, czy widzimy maszyny jako niezależne inteligencje, czy jako część połączonych systemów sprzężenia zwrotnego?
  • Strona ramuje historię AIED jako napięcie między kontrolą (korepetytory poznawcze Andersona optymalizujące nauczanie) a sprawczością (konstrukcjonizm Paperta upodmiotawiający uczniów). Gdzie w tym spektrum lokują się Twoje własne wybory dotyczące SI w edukacji — i dlaczego?
  • Personalizacja, jak argumentuje strona, ma dwa znaczenia: zmienianie ścieżki do tego samego wyniku albo umożliwianie zróżnicowanych, kierowanych przez uczącego się wyników. Który rodzaj personalizacji faktycznie realizuje Twoja instytucja, a który powinna?
  • Jeśli dzisiejsze debaty o GenAI „odzwierciedlają" te historyczne napięcia, jakie dawne błędy możemy powtarzać — i czego moglibyśmy uniknąć, pamiętając o nich?
  • Strona twierdzi, że techniczne decyzje projektowe wbudowują sądy wartościujące o celu uczenia się. Czy potrafisz wskazać decyzję projektową w narzędziu edukacyjnym opartym na SI, którego używałeś, która po cichu faworyzowała standaryzację ponad sprawczość uczącego się — albo odwrotnie?

Wprowadzenie

Historia tej dziedziny nie jest linearnym postępem, lecz ciągiem kontyngentnych decyzji, których skutki wciąż rezonują. Zrozumienie tej historii chroni przed „chronocentryzmem" (stronniczością traktowania obecnych zmian jako wyjątkowo rewolucyjnych), pomaga uniknąć powtarzania dawnych błędów i pokazuje, jak wybory dotyczące ramowania i terminologii — nie tylko technologii — sterują trajektorią SI w edukacji.

Kluczowe wątki historyczne

Od cybernetyki do „sztucznej inteligencji". Kiedy John McCarthy planował Dartmouth Summer Research Project w 1956 r., świadomie wybrał termin sztuczna inteligencja zamiast cybernetyki — częściowo po to, by zdystansować dziedzinę od Norberta Wienera i jego koncentracji na analogowym sprzężeniu zwrotnym. Ta decyzja nazewnicza ujęła zdolności maszyn w bezpośrednie porównanie z ludzkim poznaniem (ramowanie antropomorficzne), sterując priorytetami badawczymi, percepcją publiczną i debatą etyczną na dziesięciolecia. Gdyby dziedzina zachowała ramowanie cybernetyczne, artykuł wyobraża sobie, że mówilibyśmy dziś raczej o „cybernetycznych systemach uczenia się" podkreślających sprzężenie zwrotne i wzajemne połączenia niż o „korepetytorach SI" sytuujących maszynę jako niezależne źródło inteligencji.

Rewolucja poznawcza i korzenie ITS. Wcześni pionierzy — Herbert Simon, Allen Newell, Marvin Minsky, John Anderson — nie tylko modelowali poznanie; badali fundamentalne pytania o uczenie się i nauczanie. Ich praca wytworzyła modele przetwarzania informacji w ludzkim poznaniu, które stały się fundamentem psychologii edukacji, i doprowadziła do systemów korepetycji inteligentnej (ITS), zakorzenionych w paradygmatach przeszukiwania heurystycznego i systemów ekspertowych z lat 60. i 70. Systemy te naturalnie współgrały z istniejącymi strukturami oceniania i standaryzacji, a z czasem skrystalizowały się w społeczność AIED.

Kontrola kontra sprawczość: Anderson i Papert. Pojawiły się dwie konkurujące wizje, ucieleśnione w Johnie Andersonie i Seymourze Papercie. Korepetytory poznawcze Andersona (teoria ACT/ACT-R) rozkładały wiedzę na reguły produkcji, dostarczały precyzyjnej zindywidualizowanej informacji zwrotnej i wzmacniały tradycyjne struktury edukacyjne — wizja SI jako narzędzia optymalizacji nauczania. Konstrukcjonizm Paperta (Logo, „mikroświaty", debugowanie jako uczenie się) widział komputery jako środowiska, w których dzieci konstruują wiedzę przez twórczą eksperymentację — wizja SI jako instrumentu upodmiotowienia intelektualnego, który kwestionował hierarchie instytucjonalne. To „istotne napięcie" między kontrolą a sprawczością jest nicią przewodnią historii tej dziedziny.

Dwie formy personalizacji. Personalizacja ma dwie odrębne interpretacje, które mapują się na te wizje. Pierwsza utrzymuje jednolite wyniki, zmieniając ścieżkę (zakorzeniona w maszynach nauczających Skinnera; wizja Khan Academy korepetycji do mistrzostwa). Druga obejmuje zróżnicowane wyniki — uczący się realizują indywidualne zainteresowania i talenty, nieograniczeni standardowymi granicami programu nauczania (Zhao, 2024). Model ITS wspiera pierwszą; konstrukcjonizm drugą.

Lekcje dla ery GenAI. Dzisiejsze debaty o generatywnej SI ściśle odzwierciedlają te historyczne napięcia. GenAI bywa pozycjonowana jako korepetytor inteligentny następnej generacji (przedłużenie Andersona), co budzi obawy o nadzór, zbieranie danych i standaryzację. Alternatywnie może być narzędziem twórczej sprawczości (przedłużenie Paperta), wymagając od nas przemyślenia oceniania i akceptacji bardziej niejednoznacznych wyników. Jak konkludują Mishra i wsp., siły instytucjonalne wielokrotnie faworyzują podejścia wzmacniające istniejące struktury — a język i metafory, które wybieramy, ukształtują przyszłe możliwości. Rama AI×Ed Rismanchiana i Doroudi daje tej intuicji empiryczne ugruntowanie: lokując artykuły z materiałów AIED (1985, 1993, 2021, 2024) i IJAIED (2004, 2014, 2021) na dwóch osiach — roli SI (zastosowane narzędzie kontra analogia do ludzkiej inteligencji) i użytkownika końcowego — śledzą dziedzinę, która przeszła od zróżnicowanej mieszanki, obejmującej znaczące wczesne badania używające SI jako analogii do ludzkiej inteligencji (modele obliczeniowe uczenia się, mikroświaty Paperta, modele nabywania wiedzy oparte na agentach), do niemal wyłącznej koncentracji na zastosowaniach instrumentalnych w latach 2000. Co godne uwagi, era generatywnej SI zdaje się częściowo odwracać tę trajektorię: w AIED 2024 trzy z czterech miejsc w kwadrancie „SI jako analogia" zajmowały konstrukcje LLM, a jedno z nich otrzymało nagrodę za najlepszy artykuł za agentów nauczalnych opartych na LLM.

Zapis czasopiśmienniczy odwraca się dwukrotnie. Strukturalny model tematyczny 5,387 artykułów z Computers & Education (1976–2026) wykrył SI w 390 rekordach (7.2%), w 17 z 18 tematów czasopisma. Roczne szanse, że artykuł dotyczy SI, rosły o 21.8% rocznie do 1989 r., spadały o 3.7% rocznie do 2018 r., a następnie rosły o 40.1% rocznie do 2025 r. (Wu i wsp., 2026). Zwrot z 2018 r. poprzedza ChatGPT o cztery lata, więc era generatywna przyspieszyła trend już trwający, a nie zapoczątkowała nowy.

Niedawny wpływ generatywnej SI

Przyjście generatywnej SI — szerokiej rodziny obejmującej duże modele językowe (tekst) oraz generatory obrazu, dźwięku i wideo — wyznacza najdonioślejszy punkt zwrotny w historii AIED od założenia dziedziny. LLM-y są najwybitniejszym członkiem tej rodziny i motorem większości wpływu na klasy, ale generatywna SI jako całość (zdolna tworzyć nowy tekst, obrazy, dźwięk i kod) jest szerszą siłą przekształcającą edukację. Najlepiej rozumieć ją na tle historii AIED, a nie jako czyste zerwanie. Kilka cech czyni erę generatywnej SI wyjątkową:

Skala i zasięg. W przeciwieństwie do korepetytorów poznawczych i ITS z wcześniejszych dekad, które działały w kontrolowanych warunkach laboratoryjnych i klasowych, LLM-y dotarły do setek milionów uczniów i edukatorów w ciągu miesięcy od wydania, wchodząc niemal natychmiast do codziennego pisania, prac domowych i nauczania. Debata o GenAI przeniosła się ze specjalistycznych czasopism do klas, zarządów i legislatur z bezprecedensową szybkością.

Nowy rodzaj zdolności. Wcześniejsze systemy AIED modelowały poznanie i dostarczały ustrukturyzowaną instrukcję (tradycja Andersona). LLM-y realizują otwarte generowanie — tworzą eseje, wyjaśnienia, kod i dialog — co wysuwa na pierwszy plan sprawczość i kreatywność uczącego się (tradycja Paperta) w sposób, którego wcześniejsze ITS nie potrafiły. Dlatego obecny moment tak ostro rozpala napięcie między kontrolą a sprawczością: to samo narzędzie można wdrożyć jako korepetytor inteligentny następnej generacji (kontrolujący wyniki) albo jako twórczego współautora i partnera myślenia (wzmacniającego sprawczość).

Odwrócenie równania dostępu. Historycznie spersonalizowane korepetycje były rzadkie i drogie; GenAI uczyniła adaptacyjne wsparcie jeden na jeden niemal darmowym i powszechnym — dramatycznie obniżając bariery dostępności i kosztu, które kształtowały wcześniejszy AIED. Wprowadziła jednak też nowe ryzyka: stronniczość algorytmiczną, halucynacje, nadzór, zbieranie danych i utratę kompetencji przez edukatorów.

Odnowiona troska o kompetencje w zakresie SI i niewłaściwe korzystanie. Era generatywnej SI uczyniła kompetencje w zakresie SI pilnymi i przeformułowała debaty o uczciwości akademickiej (wykrywanie kontra dialog), ożywiając zarazem długotrwałe obawy o automatyzację, standaryzację i zależność epistemiczną. To współczesne wyrazy pierwotnych napięć dziedziny.

Ryzyko chronocentryzmu. Jak ostrzegają Mishra i wsp., hype wokół generatywnej SI często pozbawiony jest świadomości historycznej, pozwalając ewangelistom technologii zdominować rozmowę. Zrozumienie, że dzisiejsze debaty o GenAI odzwierciedlają podział Anderson–Papert i decyzję nazewniczą z 1955 r. dotyczącą cybernetyki, pomaga podejmować świadome wybory zamiast traktować teraźniejszość jako nieuniknioną. Prawdziwe pytanie nie brzmi, co potrafią narzędzia generatywnej SI, ale co chcemy, żeby robiły — a ta decyzja jest kształtowana przez to, gdzie byliśmy.

Implikacje

  • Czytaj hype historycznie. Rozpoznawaj, że każda nowa fala SI jest ramowana jako rewolucyjna; świadomość historyczna ujawnia ciągłość i pomaga przeciwstawić się korporacyjnej dominacji w rozmowie.
  • Widź wybory projektowe jako wybory wartości. Techniczne decyzje o SI w edukacji wbudowują stanowiska ideologiczne o celu uczenia się — wydobywaj je i poddawaj badaniu.
  • Świadomie ważyć kontrolę i sprawczość. To, czy SI powinna optymalizować ku standardowym wynikom, czy umożliwiać zróżnicowane, kierowane przez uczącego się wyniki, jest prawdziwym wyborem o konsekwencjach instytucjonalnych i politycznych, a nie daną techniczną.
  • Zachowaj sprawczość uczącego się. Powracający opór wobec standaryzacji i kontroli na rzecz otwartych, skoncentrowanych na uczniu podejść jest trwałą nicią wartą obrony.

Częste błędne wyobrażenia

„SI w edukacji zaczęła się od ChatGPT." Nie zaczęła się, a to przekonanie jest kosztowne, ponieważ czyni każdą wcześniejszą lekcję niewidoczną. Korepetycje inteligentne wywodzą się z prac nad przeszukiwaniem heurystycznym i systemami ekspertowymi z lat 60. i 70., a społeczność AIED uformowała się wokół nich dekady przed dużymi modelami językowymi. Mishra i wsp. pokazują, że obecne debaty odtwarzają podział już wyraźny w korepetytorach poznawczych Andersona i konstrukcjonizmie Paperta, więc czytelnik datujący dziedzinę na 2022 r. ponownie wyprowadzi argumenty, które dziedzina już raz rozstrzygnęła, porzuciła lub przegrała.

„Dziedzina systematycznie porzucała SI jako analogię na rzecz narzędzi stosowanych, a generatywna SI kontynuuje ten trend." To najbardziej pouczająca korekta na tej stronie, ponieważ trajektoria jest realna, ale nie monotoniczna. Analiza pozycyjna AIED 1985, 1993, 2021 i 2024 oraz IJAIED 2004, 2014 i 2021 autorstwa Rismanchiana i Doroudi rzeczywiście pokazuje dryf od mieszanej dziedziny ku niemal wyłącznej instrumentalności stosowanej w latach 2000. Ale na AIED 2024 trzy z czterech artykułów w kwadrancie SI jako analogia były oparte na LLM, w tym praca nagrodzona za najlepszy artykuł o agentach nauczalnych opartych na LLM. Generatywna SI częściowo odwraca ten trend, zamiast go przedłużać, dlatego traktowanie jej jako „następnego korepetytora inteligentnego" błędnie odczytuje to, gdzie faktycznie przesunął się front badań.

„Personalizacja oznacza dostosowanie trudności do każdego uczącego się." To tylko jedno z dwóch niezgodnych znaczeń, a ich stapianie ukrywa wybór polityczny. W pierwszym znaczeniu wynik jest ustalony, a zmienia się tylko ścieżka; linia wiedzie od maszyn nauczających Skinnera przez korepetycje oparte na mistrzostwie. W drugim różnicują się same wyniki, gdy uczący się realizują indywidualne zainteresowania nieograniczone standardowym programem (Zhao, 2024). ITS realizuje pierwsze; konstrukcjonizm drugie. Narzędzie opisane jako „spersonalizowane" nie powiedziało nic, dopóki nie wiesz, które z nich ma na myśli.

„Sztuczna inteligencja" była po prostu oczywistą nazwą dla tej dziedziny. Ten termin był świadomym wyborem. Kiedy McCarthy planował projekt w Dartmouth w 1956 r., preferował sztuczną inteligencję nad cybernetyką częściowo po to, by zdystansować pracę od tradycji analogowego sprzężenia zwrotnego Wienera. Ta jedna decyzja ujęła maszyny w bezpośrednie porównanie z ludzkim poznaniem, a ramowanie antropomorficzne, które zainstalowała, wciąż kształtuje priorytety badawcze, język produktów i pytania etyczne, które zadaje publiczność.

Wprowadzanie w praktykę

Dla instruktorów i projektantów nauczania

  • Nazwij tradycję, do której należy Twoje narzędzie, zanim je przyjmiesz. Zapytaj, czy optymalizuje ku ustalonym wynikom, czy otwiera kierunek uczącego się, ponieważ ta odpowiedź — a nie lista funkcji — determinuje, co zrobi z Twoim projektem oceniania.
  • Poddawaj badaniu słowo „spersonalizowane" w każdej deklaracji dostawcy i domagaj się odpowiedzi w kategoriach dwóch powyższych znaczeń. Produkt, który zmienia tempo ku wspólnemu standardowi, i taki, który pozwala studentom się rozchodzić, nie są substytutami.
  • Kiedy studenci przedstawiają GenAI jako bezprecedensową nowość, historia jest treścią nauczania samą w sobie. Ramowanie Anderson–Papert daje im słownik do argumentowania o SI, a nie tylko do jej używania.

Dla deweloperów

  • Język interfejsu jest decyzją projektową z rodowodem. Nazwanie systemu „korepetytorem SI" dziedziczy ramowanie Andersona i oczekiwanie optymalizacji ku standardowym wynikom; nazwanie go „mikroświatem" lub „środowiskiem uczenia się" dziedziczy ramowanie Paperta. Żadne nie jest neutralne, więc wybieraj świadomie.
  • Jeśli budujesz w tradycji analogii (modele uczenia się, agenci nauczalni, symulacje nabywania wiedzy), powiedz to. Ten kwadrant był przez dwie dekady niemal pusty i znów się zaludnia; pozycjonowanie jest wyróżnikiem, a kryteria ewaluacji są inne.

Dla badaczy

  • Używaj korpusów historycznych jako punktu odniesienia, zamiast traktować teraźniejszość jako jedyne dostępne porównanie. Materiały AIED z 1985, 1993, 2021 i 2024 oraz IJAIED z 2004, 2014 i 2021 są gotową próbą podłużną twierdzeń samej dziedziny.
  • Cytuj rodowód, gdy twierdzisz nowość. Twierdzenie, że system „personalizuje uczenie się" lub „modeluje uczącego się", jest nowe tylko względem konkretnej wcześniejszej tradycji, a ta tradycja jest udokumentowana.

Połączone koncepcje

Połączone artykuły

Metadane

Uczenie się i nauczanieConstructivism, Learning Theories
Technologie i technikiGenerative AI, Intelligent Tutoring
Podstawy AI w edukacjiSprawczość ucznia, AI w edukacji, Historia SI w edukacji
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.