Baza wiedzy AIEdAIEd KB
Na tej stronie

Przeczytaj tę stronę po angielsku

Pojęcia

Współpraca człowiek–SI

Utworzono 2026-05-29 · Zaktualizowano 2026-11-08

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

Współpraca człowiek–SI — podział pracy poznawczej między ludzi i modele — jest rdzeniowym motywem interakcji w tej bazie wiedzy: Human-AI collaboration in higher education: Exploring the impact of technology expectations and distrust, "It felt a bit eerie": Exploring humanlike interactions during collaborative writing with an artificial agent, Generative AI (GenAI) as a mindtool that supports generative learning (GL) i Balancing Teacher and Student Agency: Co-Orchestration Tool Design Supporting Real-Time Dynamic Pairing badają zaufanie, sprawczość i role komplementarne (Human-in-the-Loop, SI agentowa). Pytanie definiujące brzmi, czy partnerstwo zachowuje czy zastępuje własną pracę poznawczą uczącego się — ten sam układ może wspierać uczenie się albo je zastępować, w zależności od tego, jak rozdzielona jest odpowiedzialność.

Pytania do rozważenia

  • Pytanie definiujące we współpracy człowiek–SI brzmi, czy partnerstwo zachowuje czy zastępuje Twoją własną pracę poznawczą. Pomyśl o zadaniu, które oddałeś SI: generowałeś i decydowałeś, czy tylko przyjmowałeś?
  • Jedno z badań wykazało, że swobodna współpraca z ChatGPT dawała tylko przejściowe zyski, które załamały się w późniejszym zadaniu bez wsparcia, podczas gdy protokół „najpierw pomyśl, potem ChatGPT" przynosił trwałe uczenie się. Dlaczego to, kto generuje pomysły, może przewidywać, czy faktycznie się uczysz?
  • To samo narzędzie może wspierać uczenie się albo je zastępować, w zależności od tego, jak rozdzielona jest odpowiedzialność. Czy potrafisz wskazać układ, który utrzymywał Cię poznawczo produktywnym, i taki, który po cichu odciążył Twoje myślenie?
  • Jeden układ odwraca zwykłe role: zamiast modelu dostarczającego odpowiedzi student wyjaśnia treść, a model odgrywa stronę niewiedzącą, która prosi o wyjaśnienia, przykłady i kontrargument. Jeśli to SI pyta, co dzieje się z tym, ile myślenia zostaje po Twojej stronie?
  • Zaufanie jest opisane jako coś, co trzeba kalibrować, a nie zakładać — polegać na SI tam, gdzie to właściwe, i weryfikować tam, gdzie nie. Jak obecnie decydujesz, kiedy ufać wynikowi SI, a kiedy go weryfikować?
  • Badania wskazują tryby współpracy, które wymieniają efektywność na głębię Twojego samoregulacyjnego zaangażowania. Kiedy warto zaakceptować mniejszą efektywność, by zatrzymać więcej uczenia się we własnych rękach?
  • Jeśli współpraca jest wyborem pedagogicznym w nie mniejszym stopniu niż technicznym, jakie ruchy projektowe (prompty, przepływy pracy, struktury) ustawiłbyś, by zapewnić, że SI wzmacnia, a nie zastępuje myślenie Twoich uczniów?

Wprowadzenie

Współpraca człowiek–SI opisuje, jak uczący się, nauczyciele i systemy SI dzielą pracę poznawczą — kto co robi, kto decyduje i jak utrzymywane są zaufanie i sprawczość. Zamiast ramowania SI jako zamiennika albo pasywnego narzędzia, badania nad współpracą traktują SI jako partnera o komplementarnych mocnych stronach, którego wartość zależy od tego, jak odpowiedzialność jest rozdzielona i monitorowana. Na poziomie obserwowalnego zachowania interakcja student–SI ujmuje, jak uczący się realizują tę relację w praktyce — pytania, prompty i ruchy weryfikacyjne, które wykonują z SI z chwili na chwilę.

Podział pracy przebiega też przez ludzi, którzy projektują interakcję. W dwunastu wdrożeniach kursów edukacji nauczycieli kadra pozycjonowała SI jako partnera myślenia, generator krytyki lub narzędzie prób, podczas gdy kandydaci zachowywali odpowiedzialność za ocenę, adaptację i uzasadnianie decyzji — a jednak ten sam raport odnotowuje, że kandydaci dewaluowali informację zwrotną, którą już uznali za użyteczną, gdy ujawniono autorstwo SI; epizod, który nazywa efektem pękającego balonu. Analiza 1,378 tur interakcji projektant–chatbot wskazuje przeciwny kierunek w generowaniu: projektanci używali wbudowanego asystenta głównie do kontroli zgodności celów uczenia się i podejścia pedagogicznego, a nie do produkowania treści. W obu przypadkach to ludzki osąd wartościujący, a nie wynik modelu, dźwiga uczenie się.

Korzyści, ryzyka i implikacje projektowe

Dowody z bazy wiedzy pokazują, że współpraca człowiek–SI jest układem obosiecznym, którego wynik determinuje projekt, a nie sama SI:

  • Współpraca może wzmacniać uczenie się, gdy zachowuje zaangażowanie poznawcze. Badania nad GenAI jako narzędziem myślenia i współpracą kierowaną pokazują, że gdy podział pracy pozostawia uczącemu się generowanie, decydowanie i ocenianie, SI wzmacnia, a nie zastępuje myślenie — przynosząc trwałe zyski w uczeniu samoregulowanym i kreatywności. To, że uczący się zachowuje rolę decydującą, skaluje się na pisanie: Oppenheimer, Cash i Connell Pensky (2025) pokazują, że krytyki esejów argumentacyjnych studentów generowane przez LLM poprawiły pisanie w ciągu semestru, przy czym uczący się decydowali, czy przyjąć informację zwrotną modelu, czy ją odeprzeć (87.8% twierdzeń odpartych) — układ, który zachował pracę wartościującą uczącego się — a zyski pojawiły się nawet w esejach pisanych bez wsparcia LLM, co sugeruje trwałą umiejętność, a nie zależność od narzędzia.

  • Współpraca może zastępować uczenie się, gdy odciąża zbyt wiele. Trybem awarii jest nadmierne poleganie: gdy SI produkuje odpowiedź, rola uczącego się zapada się w pasywną akceptację, a natychmiastowy wynik zadania maskuje brak trwałego uczenia się. Badania nad wynikiem kontra uczeniem się i cykl szkód od substytucji do rusztowania (From Substitution to Scaffolding: Breaking the Self-Reinforcing Harm Cycle of AI in Education (and Beyond)) dokumentują to systematycznie.

  • Lepszy wynik sam w sobie nie jest dowodem, że współpraca czegokolwiek nauczyła. Pozostałe dowody na tej stronie ostrożnie czytają wynik wspierany, a randomizowany test rodzaju wsparcia pokazuje dlaczego. W badaniu laboratoryjnym Iqbala i wsp. (2026) 87 studentów EFL napisało esej bez pomocy, a następnie zrewidowało go z ChatGPT 4.0 (n = 29), z ludzkim instruktorem pisania (n = 28) lub bez wsparcia (n = 30). To, którą z czterech strategii rewizji wywiedzionych ze śladów wybrał student, było silnie związane z otrzymanym wsparciem (V Craméra = 0.668) i tylko umiarkowanie z jego wcześniejszą strategią pisania (V Craméra = 0.333); motywacja, umiejętność pisania i trafność sądu metapoznawczego nie wykazały ogólnego związku, a więź metapoznawcza ujawniła się tylko w warunku bez wsparcia (p = 0.0460). Co krytyczne, żadna strategia rewizji nie przewidywała zmiany wyniku (p = 0.273), choć typ wsparcia tak: grupa GenAI poprawiła się istotnie bardziej niż grupa z ekspertem i grupa kontrolna (H(2) = 16.591, p = 0.00025, η² = 0.174), a w obrębie tej samej strategii stopniowo malejącego poszukiwania pomocy studenci GenAI zyskali średnio około 4 punkty, podczas gdy studenci z ekspertem stracili 0.5. Autorzy czytają ten wzorzec jako wsparcie zewnętrzne omijające własny sąd metapoznawczy uczącego się i ostrzegają, że zyski mogą być optymalizacją specyficzną dla zadania, a nie trwałą zdolnością. To nie odwraca zasady kto generuje i decyduje (badanie zmieniało, kto dostarcza wsparcie, a nie kto generuje myślenie), ale zaostrza test, który instruktor powinien zastosować: zysk uzyskany pod wsparciem musi przetrwać zadanie bez wsparcia, zanim policzy się jako uczenie się, a dodanie eksperta do sali nie jest automatycznie bezpieczniejszym układem.

  • Dodanie rówieśników też nie jest automatycznie bezpieczniejszym układem. Chu, Dai i Zhai (2026) posadzili 87 studentów do pracy samodzielnej lub w parach z systemem wieloagentowym GenAI na osiem tygodni. Pary uzyskały najwyższe wyniki w złożonym zadaniu projektowym (M = 89.64, wobec 85.85 u studentów pracujących w parach bez systemu i 86.45 u pracujących z nim samodzielnie, p = 0.039), ale świadomość myślenia krytycznego wzrosła najbardziej u pracujących samodzielnie (M = 0.41) i nieznacznie spadła u par (M = −0.04, p = 0.039).

  • Zasada projektowa — zachowaj produktywną pracę uczącego się. W całych badaniach najostrzejszym predyktorem tego, czy współpraca pomaga, czy szkodzi, jest kto generuje i decyduje. Układy, które utrzymują człowieka poznawczo produktywnym (kierowane promptowanie, „najpierw pomyśl, potem konsultuj SI", kroki weryfikacji i ewaluacji), wspierają uczenie się; układy, które oddają całe zadanie modelowi, nie. Ruch komplementarny polega na zmianie tego, czym model ma być. W quasi-eksperymencie Wang i wsp. (2026) 68 przyszłych nauczycieli albo wyjaśniało koncepcję klasy odwróconej GAI nowicjuszowi zbudowanemu na ERNIE 3.5 (system ramowany jako dociekliwy i uznający, który prosił o wyjaśnienia, przykłady, rozumowanie weryfikacyjne i perspektywę przeciwną, sekwencjonowany w górę taksonomii Blooma), albo zadawało pytania GAI-nauczycielowi zbudowanemu na tym samym modelu. Studenci, którzy uczyli SI, wyjaśniali lepiej (definiowanie klasy odwróconej M = 4.18 vs 3.29; jej działania dydaktyczne M = 4.91 vs 3.06, oba p < 0.001) i generowali więcej oraz wyższej jakości pytań (M = 3.67 vs 2.14; M = 5.67 vs 3.07, oba p < 0.001), podczas gdy obiektywne przypominanie było statystycznie nierozróżnialne (M = 23.18 vs 21.57, p = 0.416), więc przewaga leżała w wyjaśnianiu i transferze, a nie w odtwarzaniu faktów. Studenci w warunku z SI-nauczycielem byli szczerzy co do wymiany: niektórzy przyznawali, że dawała „więcej trafnych i szczegółowych informacji", a jednak raportowali, że „po jej użyciu nie chciałem myśleć samodzielnie". Przydzielenie modelowi roli uczącego się do nauczenia czyni studenta jedynym źródłem pomysłów i usuwa wieloletnią trudność znalezienia odpowiedniego rówieśnika do nauczania. Towarzyszą temu dwa ograniczenia projektowe: planowanie i monitorowanie nie poprawiły się (M = 4.01 vs 3.78, p = 0.062), więc odwrócenie ról nie jest samo w sobie interwencją metapoznawczą, a autorzy wiążą ten wynik zerowy z projektem zadania, który utrzymywał studentów przy trafności treści. W klasie pisania ta zasada przybiera konkretną, nauczalną formę. W saudyjskim quasi-eksperymencie EFL Alshehriego i wsp. (2026) studenci realizowali pięcioczęściową rutynę — sformułuj problem i zaprojektuj prompty, pisz iteracyjnie, rewiduj, weryfikuj każde twierdzenie i cytowanie w bazach naukowych oraz reguluj własne przypisanie i poleganie — przy czym każde zadanie wymagało dziennika użycia SI z zapisem tego, co przyjęli, odrzucili i dlaczego. Pisanie i cyfrowe myślenie krytyczne rosły razem i poruszały się niemal w takt, a refleksje studentów wiązały rutyny weryfikacji i naprawy halucynacji konkretnie z zyskami w myśleniu krytycznym: te same nawyki przesłuchiwania wyników kształtowały ich decyzje kompozycyjne. Własne zastrzeżenie autorów jest koniecznym dopełnieniem zasady — przepływ pracy jest kontyngentny, a nie samowystarczalny, i może stać się kontrproduktywny przy cienkim rusztowaniu, niskiej gotowości krytyczno-myślącej lub metapoznawczej (gdy studentom brakuje zdolności wychwycenia złego wyniku), stopniowym delegowaniu decyzji kompozycyjnych albo niejasnej instytucjonalnej polityce użycia SI.

  • Ograniczony autorytet jest sam wzorcem projektowym dla współpracy wysokiego ryzyka. Nauczyciele w Reichercie i wsp. (2026) nie prototypowali otwartych asystentów, lecz systemy, których swoboda była ustalona z góry: każdy projekt ograniczał chatbota do konkretnej treści lekcji, a bezpieczeństwo warstwowano jako granice domenowe (zakres specyficzny dla lekcji plus „limit informacyjny" wymagający minimalnej liczby faktów lub problemów, zanim rozmowa postąpiła), filtrowanie treści ze standardowymi odmowami („Przepraszam, to nie należy do mojej bazy wiedzy"), które ostrzegały też nauczyciela, oraz nadpisanie nauczyciela w przypadkach niejednoznacznych — podanym przykładem było pytanie o ludzką reprodukcję, które było zasadne w obrębie swojej jednostki i powinno trafić do osoby, a nie zostać automatycznie odrzucone. Personalizacja formatu, gatunku, tempa i złożoności była mile widziana wewnątrz tych granic, a nadzór (pełne dzienniki rozmów, alerty w czasie rzeczywistym, nadpisanie) był ramowany jako odpowiedzialność zawodowa, a nie nieufność do modelu. Implikacja jest taka, że w warunkach wysokiego ryzyka podział pracy powinien być określony jako ograniczony, monitorowany i odwoływalny, a nie negocjowany tura po turze.

  • Automatyzacja i augmentacja nie są alternatywami. W czterech przypadkach skierowanych do nauczycieli zastąpienie pozostawało w obrębie ograniczonych podzadań analitycznych, a komplementarność pojawiała się wszędzie tam, gdzie nauczyciele interpretowali i walidowali wynik, więc augmentacja okazała się właściwością tego, co nauczyciel robi dalej, a nie samego narzędzia (Horvers i wsp. (2026)).

  • Zaufanie trzeba kalibrować, a nie zakładać. Produktywna współpraca zależy od trafnego kalibrowania przez uczących się, kiedy polegać na wyniku SI, a kiedy go weryfikować — łącząc się z kalibracją zaufania i ludzkim nadzorem, a nie ze ślepą akceptacją lub całkowitym odrzuceniem.

  • Alert afektywny jest wskazówką, którą nauczyciel interpretuje, a nie instrukcją do posłuchania. Na jednej lekcji geometrii w szkole średniej alerty emocjonalne systemu SI poprzedzały bardzo różne ruchy nauczyciela, a to ruch — przeramowanie zadania, krótkie potwierdzenie lub celowa nieinterwencja — zmieniał zaangażowanie, więc alert działał jako jedno z wejść obok tego, co nauczyciel mógł zaobserwować (Swidan (2026)).

  • Współpraca nauczyciel–SI jest obosieczna dla zaangażowania, nie tylko dla uczenia się. W trójfalowej ankiecie 468 nauczycieli akademickich współpraca podnosiła zaangażowanie w pracę przez dostępność psychologiczną (efekt pośredni 0.19), ale obniżała je przez wyobcowanie w pracy (efekt pośredni −0.03); kompetencje cyfrowe moderowały oba efekty, spłaszczając nachylenie wyobcowania z 0.38 do 0.17 (Sun i wsp. (2026)).

  • Podział pracy podąża za wiarygodnością, a nie za zdolnością. To, na czym zatrzymują się uczący się, jest zasadnym przydziałem: SI do natychmiastowej, szeroko stosowalnej informacji zwrotnej o języku, a instruktorzy do zindywidualizowanego, relacyjnego prowadzenia — przypisanie według postrzeganej wiarygodności każdego źródła, a nie jego trafności, ponieważ wiążącym ograniczeniem polegania była postrzegana troska, a nie kompetencja (Serpil i Mor, 2026).

  • Poleganie jest procesem populacyjnym, a nie tylko indywidualnym wyborem. W modelu opartym na agentach widoczny dowód społeczny dla niezweryfikowanego użycia załamał weryfikację z 0.29 do 0.002 i podniósł nadmierne poleganie z 0.30 do 0.52, podczas gdy widoczna weryfikacja rówieśnicza przywróciła niemal pełną weryfikację — zmiana tego, co uczący się widzą u innych, bije obniżanie kosztu sprawdzania (Biswas (2026)).

To czyni współpracę człowiek–SI konstruktem pedagogicznym w nie mniejszym stopniu niż technicznym: wartość partnerstwa kształtuje to, jak nauczyciele projektują interakcję, jak uczący się ją regulują i jak system zaprasza lub zniechęca do produktywnego zaangażowania.

Jak współpraca człowiek–SI przejawia się w badaniach

  • Zaufanie i oczekiwania: Oczekiwania wobec zaufania badają, jak oczekiwania uczących się wobec SI kształtują, czy współpraca jest produktywna, czy prowadzi do nadmiernego polegania.
  • Komplementarne role w pisaniu i myśleniu: Współautorstwo z SI przypominającą człowieka i GenAI jako narzędzie myślenia pokazują, jak SI może wzmacniać, a nie zastępować myślenie uczącego się, gdy podział pracy zachowuje jego zaangażowanie poznawcze.
  • Orkiestracja i sprawczość: Orkiestracja sprawczości nauczyciela i studenta oraz modele mentalne studentów dotyczące GenAI dotyczą tego, jak sprawczość jest negocjowana między ludźmi i SI, łącząc się z człowiekiem w pętli i SI agentową.
  • Wymiary metapoznawcze i zespołowe: Modele metapoznawcze SI skoncentrowane na człowieku i mediacja dyscyplinarna w zespołach studenckich rozciągają współpracę na metapoznanie i uczenie się zespołowe.
  • Kompetencja współpracy jako konfiguracja, a nie lista kontrolna — metapoznanie przejmuje integracyjną rolę TPACK. Dang, Hong, Doyle i Nguyen (2026) definiują kompetencję współpracy człowiek–SI jako dynamiczną konfigurację kompetencji domenowej, kompetencji w zakresie SI i kompetencji metapoznawczej wraz z ich przecięciami (Praca z SI, Agentowe uczenie się z SI, Agentowy rozwój osobisty i zawodowy oraz sama HACC), wyraźnie odrzucając addytywną listę umiejętności SI doklejoną do istniejącego programu nauczania. Ich ruch centralny przenosi pracę integracyjną, którą w TPACK wykonuje pedagogika: ponieważ SI jest adaptacyjnym uczestnikiem, którego wkład zmienia się w miarę rozwoju zadania, ciężar koordynacji spada na metapoznanie samego uczącego się — decydowanie, kiedy konsultować SI, jak ramować interakcję i kiedy ją nadpisać — więc to uczący się, a nie nauczyciel, trzyma mechanizm utrzymujący współpracę produktywną. Sprawczość uczącego się jest świadomie pominięta jako samodzielny węzeł; jest raczej emergentną jakością, którą uczący się wyrażają, koordynując trzy kompetencje, co czyni sprawczość właściwością konfiguracji, a nie umiejętnością do trenowania w izolacji. Badanie wywiadów z 24 nowozelandzkimi edukatorami wsparło wymiary opisowo, a poziom roli zmieniał akcent, a nie akceptację: sieci dyrektorów koncentrowały się na SI z powiązaniami do HACC i rozwoju zawodowego, różniąc się istotnie od starszych edukatorów (U = 10.00, p = .04) i edukatorów na wczesnym etapie kariery (U = 7.00, p = .01).
  • Odrębne tryby współpracy: badania empiryczne wskazują trzy tryby współpracy człowiek–SI w rozwiązywaniu problemów — Delegowane rozumowanie, Wspólną interpretację i Delegowane opracowanie — ujawniając kompromis między efektywnością rozproszonego systemu człowiek–SI a głębią samoregulacyjnego zaangażowania uczących się (delegowane rozumowanie wypada najlepiej, ale przy niższej samoregulacji).(Unpacking Interaction Profiles and Strategies in Human-AI Collaborative Problem Solving: A Cognitive Distribution and Regulation Perspective)
  • Ludzcy i SI-owi facylitatorzy mogą być percepcyjnie wymienni w ustrukturyzowanej dyskusji, ale ponowne użycie opiera się na innych powodach. Kuhail i wsp. (2026) zamienili ludzkiego moderatora na moderatora GPT-4 (i z powrotem) w 32 sesjach debat prowadzonych przez 32 studentów STEM i nie znaleźli istotnej statystycznie różnicy w skuteczności, przyjemności, satysfakcji, użyteczności ani intencji użycia (t od 0.23 do 1.30, p od 0.198 do 0.818). Różniło się to, dlaczego studenci wróciliby: pod moderacją SI intencję użycia napędzała postrzegana użyteczność (0.806, p = 0.004), podczas gdy satysfakcja napędzała ją tylko pod moderacją ludzką (0.556, p = 0.002). Autorzy czytają płaskie porównanie jako normalizację w zadaniach opartych na regułach, a nie jako dowód równoważności, i zalecają zachowanie ludzkiego nadzoru z powodów etycznych i relacyjnych, przy jednoczesnym czynieniu użyteczności działań moderowanych przez SI czytelną, zamiast opierania się na przyjemności. Ponieważ badanie mierzyło tylko percepcje, nie mówi nic o tym, czy studenci argumentowali lepiej.
  • Przydziel zadanie, zanim je delegujesz. Tsim i Gutoreva (2025) dodają czwartą strefę — to, co model już wie — do stref rozwoju uczącego się, otrzymując przydziały Zastąp, Uzupełnij, Wspomóż i Niepodlegające negocjacji, i argumentują, że tryby automatyzacji–augmentacji–współpracy różnią się umiejscowieniem kontroli i odpowiedzialności epistemicznej, a nie zaawansowaniem narzędzia.
  • Inżynieria promptów jako myślenie pedagogiczne, budowana przez lesson study. Robinson i wsp. (2026) śledzili pięciu edukatorów nauczycieli w jednej instytucji w ZEA przez dwa cykle lesson study obejmujące 36 przyszłych nauczycieli matematyki w szkole średniej i podstawowej, projektujących lekcje wspierane przez SI z ChatGPT (GPT-4o). Ruchem, który wykonał pracę, było sparowanie SI z ramą dyscyplinową: przyszli nauczyciele generowali zadanie, oceniali jego wymaganie poznawcze wobec zmodyfikowanej ramy analizy zadań matematycznych, a następnie przepisywali prompt, by podnieść głębię koncepcyjną, więc rewizja była zakotwiczona w matematyce, a nie w funkcjach narzędzia. Szesnaście z 26 analizowalnych promptów niosło koncepcyjne cechy zadania, a edukatorzy doszli do wniosku, że inżynieria promptów „nie jest umiejętnością techniczną; jest poznawczą". Deklarowane uczenie się wzrosło w zrewidowanej lekcji (5 z 7 przyszłych nauczycieli w pierwszym cyklu i 10 z 14 w drugim raportowało uczenie się rozróżniania zadań koncepcyjnych od proceduralnych), z zastrzeżeniem, że proszenie SI o bardziej koncepcyjne zadanie czasem dawało jedynie bardziej skomplikowane. Dla rozwoju kadry argument jest za trwałym wspólnotowym dociekaniem nad rzeczywistymi lekcjami, a nie samodzielnymi warsztatami z narzędzi.
  • Kierowanie decyduje o wyniku kontra uczeniu się: Wong i Qiu (2026) porównali swobodną i kierowaną współpracę człowiek–SI w zadaniu twórczym. Swobodna współpraca z ChatGPT dawała tylko przejściowy wynik, który załamał się w późniejszym zadaniu bez wsparcia, podczas gdy kierowany protokół „najpierw pomyśl, potem ChatGPT" — generowanie własnych pomysłów, a następnie użycie ChatGPT do ich ulepszenia, rozwinięcia i oceny — przynosił trwałe zyski w niezależnej kreatywności. Przewagę mediowały prompty współpracy nastawione na ulepszanie własnych pomysłów, co pokazuje, że kto generuje (podział pracy) przewiduje, czy współpraca daje uczenie się, czy substytucję.(Think First, ChatGPT Later: Guiding Human–AI Collaboration for Learning Gains in Independent Human Creativity)
  • SI jako mediator, a nie tylko partner: Niari rekonceptualizuje SI jako pedagogicznego mediatora, który orkiestruje interakcję, epistemiczne nadawanie sensu i procesy regulacyjne, redystrybuując sprawczość, autorytet i odpowiedzialność między aktorów ludzkich i nie-ludzkich, zamiast traktować SI jako korepetytora, rówieśnika lub narzędzie.
  • Współpraca nauczycieli z SI też jest wzorowana, a nie binarna. Kiedy nauczyciele projektują projekty lekcji z generatywną SI, ich interakcja przybiera empirycznie rozróżnialne formy. Choi i wsp. (2026) zidentyfikowali siedem wzorców interakcji nauczyciel–SI — od bezpośredniego przyjęcia i rozbudowanego przyjęcia wyniku SI po początkowe odrzucenie, zrewidowane przyjęcie, kierowane użycie następcze, złożone interakcje i obejście SI — gdzie doświadczenie dydaktyczne nauczyciela i biegłość w SI wspólnie kształtują, czy krytycznie ponownie promptują i adaptują SI do uczniów i kontekstu (komplementarny podział pracy w duchu poznania rozproszonego), czy pasywnie przyjmują sugestie (dystrybucja zdominowana przez SI).
  • Agent medacyjny jako hybrydowa forma uczestnictwa. Zamiast punktu środkowego między narzędziem a współpracownikiem, generatywna SI jest konceptualizowana jako agent medacyjny, który zapośrednicza działanie, generując zarazem kontyngentne, nieprzypisywalne wkłady — odrębną kategorię, która przekierowuje projektowanie od możliwości technologicznej ku nawykom uczestnictwa (sprawczość nadzorcza, czujność epistemiczna).(Generative AI as a Mediational Agent: Rethinking Learning in Sociocultural Theory)
  • Wspólnota i autorytet epistemiczny: uczenie się SI oparte na wspólnocie pokazuje, że współpraca jest też kwestią kto jest autorytatywny, zakotwiczając zaangażowanie z SI w przeżywanych epistemologiach uczących się.
  • Odkrywanie cech oparte na danych: Analiza cech głównych (PTA) automatyzuje wyprowadzanie „cech" interakcji z dużych korpusów rozmów z LLM-ami — inspirowany PCA, czteroetapowy pipeline, który wydobywa obserwacje zachowań, klastruje je w kandydatów na cechy, punktuje każdego współpracownika i wybiera cechy najbardziej rozróżniające. Oceniona na korpusie student–korepetytor SI i korpusie deweloper–agent kodujący, PTA znajduje cechy, które wyjaśniają i przewidują wyniki (np. głębokie zaangażowanie koncepcyjne dodatnio, delegowanie zadań ujemnie w kontekście edukacyjnym), a ponieważ nie generalizują się jeszcze między semestrami i kontekstami ani nie pokazują trajektorii krzywych uczenia się, autorzy argumentują, że cech nie można jeszcze interpretować jako „umiejętności". Oferuje to skalowalne, obiektywne dopełnienie ram kompetencji w zakresie SI i miar samoopisowych, bezpośrednio informując, jak edukatorzy uczą „umiejętności korzystania z SI".
  • Relacja człowiek–SI jako najtrwalsza troska we wszystkich generacjach CAI. Przegląd parasolowy agentów SI konwersacyjnej (Ganguly i wsp. 2025, 34 przeglądy) stwierdza, że obawy o relację człowiek–SI — nadmierne poleganie, izolacja społeczna, depersonalizacja, zależność emocjonalna, przejrzystość, rozliczalność — są najczęściej omawianą kwestią etyczną we wszystkich generacjach CAI, wyprzedzając GenAI. To sytuuje pytanie „zachować czy zastąpić" w samym centrum etyki CAI i wzmacnia twierdzenie, że wartość współpracy determinuje projekt (kto generuje, kto decyduje, jak rozdzielona jest odpowiedzialność).(Conversational AI agents in education: an umbrella review of current utilization, challenges, and future directions for ethical and responsible use)
  • SI skalująca ekspertyzę w czasie rzeczywistym do nowicjuszy — pierwsze randomizowane badanie korepetycji na żywo. Wang i wsp. (2024) w randomizowanym badaniu (900 korepetytorów, około 1,800 uczniów K-12 w społecznościach niedostatecznie obsłużonych) umieścili SI po stronie korepetytora, a nie studenta: Tutor CoPilot generował sugestie eksperckie w czasie rzeczywistym (zbudowane z myślenia na głos doświadczonych korepetytorów), które nowicjusze mogli edytować lub odrzucić. Studenci korepetytorów objętych interwencją mieli o 4 p.p. większą szansę na opanowanie tematów (p < 0.01), z zyskami 9 p.p. wśród studentów najniżej ocenianych korepetytorów — którzy dogonili wyniki kontrolne wyżej ocenianych korepetytorów — przy koszcie około 20 USD na korepetytora rocznie. To ustalenie jest mocną kotwicą empiryczną dla augmentacji nauczyciela i korepetytora jako sprawiedliwego trybu współpracy człowiek–SI: człowiek zachowuje osąd pedagogiczny i autonomię, podczas gdy SI dostarcza skalowalnej ekspertyzy.
  • Ograniczeni eksperci: jak nauczyciele dzielą autorytet z SI. Reichert, Briceno, Tabarsi i Barnes (2026) przeprowadzili badanie projektowania partycypacyjnego, w którym sześcioro nauczycieli szkół średnich prototypowało chatboty LLM dla własnych klas i analizowało, jak autorytet powinien być rozdzielony między nauczyciela i system. Nauczyciele konsekwentnie ramowali SI jako ograniczonego eksperta — wyspecjalizowaną zdolność zamkniętą w ściśle określonej domenie i działającą pod ludzkim nadzorem — i dzielili to ograniczenie na dwa wymiary: granice autorytetu, gdzie zawodowa i prawna odpowiedzialność za uczenie się i bezpieczeństwo uczniów nie może być delegowana, oraz granice ekspertyzy, gdzie systemowi brakuje kontekstowej wiedzy nauczyciela o poszczególnych uczniach, dynamice klasy i normach instytucjonalnych. Mapowanie prototypów na dziewięć zdarzeń nauczania Gagnégo pokazało, że delegacja była selektywna, a nie wszystko albo nic: nauczyciele przyjmowali SI do prezentowania treści, dostarczania zadań ćwiczeniowych, rusztowania i formującej informacji zwrotnej, ale odmawiali oddania informowania uczniów o celach lub sumującego oceniania. Odczyt projektowy jest taki, że interfejs współpracy powinien uwidaczniać, gdzie człowiek zachowuje rolę decydującą, a nie tylko gdzie model jest zdolny.
  • Rola musi się adaptować, a nie tylko być etykietowana. Liao (2026) pokazuje, że stały towarzysz SI w roli „rówieśnika" utrzymywał dłuższe interakcje wokół rozmowy o książce, ale zdominował wymianę (niższy udział słów i zdań studenta) i uderzył w afektywny sufit, argumentując, że współpraca wymaga logiki adaptacyjnej roli — przełączania między rówieśnikiem, asystentem i doradcą — a nie jednej statycznej persony.
  • Współprojektowanie po stronie nauczyciela i architektura ról to także współpraca. Poza partnerami skierowanymi do studentów nauczyciele współpracują z GenAI, projektując nauczanie. Wang i wsp. (2026) systematycznie przeglądają współprojektowanie zadań uczenia się przez nauczyciela i SI, mapując tryby współpracy i napięcia (sprawczość, autorytet epistemiczny, kontrola), które powstają, gdy nauczyciele i SI wspólnie tworzą projekty; Talebzadeh (2026) stwierdza, że o jakości projektowanych przez SI zróżnicowanych działań grupowych (bogactwo ról, synergia, dopasowanie poziomu) decyduje ekspertyza pedagogiczna nauczyciela — a nie biegłość w SI — sytuując nauczyciela jako „dwujęzycznego projektanta uczenia się".
  • GenAI jako agent i przestrzeń współpracy w grupach. Xu i wsp. (2026) obserwują małe zespoły w szkolnictwie wyższym i pokazują, że rola GenAI jest negocjowana i konfigurowalna — od podporządkowanego asystenta po kwestionowanego członka zespołu — a synchroniczne wspólne użycie utrzymuje wspólną płaszczyznę, podczas gdy asynchroniczne prywatne użycie fragmentaryzuje przejrzystość; proponują soczewkę współpracy wspieranej przez GenAI, która traktuje GenAI zarówno jako agenta, jak i interaktywną przestrzeń współpracy.
  • Komplementarne połowy współpracy klasowej. Dwa badania z 2026 r. mapują komplementarne połowy współpracy człowiek–SI w klasach. MeduAI-SP (Yang i wsp.) argumentuje za „komplementarnością funkcjonalną" w edukacji klinicznej: agenci SI obsługują powtarzalne odgrywanie ról, spójną symulację pacjenta, monitorowanie list kontrolnych, sokratejskie podpowiadanie i wstępną formującą informację zwrotną, podczas gdy kadra i ludzcy standaryzowani pacjenci zapewniają interpretację kontekstową, niuansową odpowiedź emocjonalną, zindywidualizowaną remediację, ocenę profesjonalizmu i sądy o gotowości — przy czym substytucja jest ograniczona konsekwencjami błędu, niepewnością zadania, wrażliwością relacyjną i dostępnym ludzkim przeglądem, a system SI jest wyraźnie wyłączony z autonomicznego ustalania kompetencji klinicznej. W przeciwnym kierunku 45-osobowa mieszana dyskusja etyczna z 3 ludźmi i 3 agentami (Seo i wsp., 2026) dokumentuje wzorzec obosieczny: agenci obniżyli bariery społeczne (uczestnicy mówili bardziej wprost, bo agenci nie mają emocji, i nie czuli obowiązku wypełniania ciszy), a jednak ta sama wygoda odwróciła interakcję od ludzi — 79.7% pytań trafiło do agentów wobec 60%, które przewiduje ich dostępność (p = .017). Co godne uwagi, obecność innych ludzi sprawiała, że uczestnicy traktowali SI z większym szacunkiem, co sugeruje, że ludzka współobecność jest sama w sobie afordancją kalibrowania zaangażowania z SI.
  • Komplementarność jest warunkowa, a nie domyślną właściwością zespołów. Tuo i wsp. (2026) stwierdzili, że zespoły człowiek–SI pobiły zarówno ludzi, jak i SI samodzielnie tylko w jednym z sześciu warunków — w trudnych przypadkach, gdy SI była mniej trafna niż ludzie — i nie raportowali spójnej przewagi zespołu gdzie indziej, więc dodanie partnera SI samo w sobie nie jest drogą do komplementarności wyników.
  • Programy zawodowe przekierowują szkolenie od rutynowej produkcji ku kompetencjom współpracy (protokół projektowy): Wang (2026) proponuje opartą na projektowaniu ramę edukacji tłumaczy zbudowaną wokół inwentarza wypierania zadań (18 podzadań ocenionych pod kątem prawdopodobieństwa wypierania przez SI ze znacznikami proweniencji [E]/[P]) i czterech przekierowanych kompetencji: wiedzy międzydyscyplinarnej, orkiestracji SI, osądu strategicznego i krytycznej ewaluacji SI. Rama jest prerejestrowanym protokołem bez danych empirycznych; jej wkładem jest metoda — audytowalna analiza wypierania oraz ścieżka współprojektowania reformy programu — która przenosi się na każdy program zawodowy, którego rutynowe zadania coraz częściej wykonują systemy agentowe.
  • Typy splątania różnią się tym, czego wymagają od studenta, i dlatego niektóre pozostają rzadkie. Sun, Dohn i Rehm (2026) klasyfikują 102 badania szkolnictwa wyższego według tego, jak praca epistemiczna jest dzielona między studenta i system (Asystent, Umożliwiający, Syntetyzator, Generator, Reimaginator) i stwierdzają, że dwie formy, które utrzymują kompetencję przypisywalną indywidualnemu studentowi, odpowiadają za 42.16% korpusu każda, podczas gdy formy rozdzielające autorstwo pozostają marginalne. Ich wyjaśnienie jest instytucjonalne, a nie techniczne: rzadkie typy proszą studentów o wzięcie odpowiedzialności epistemicznej za wyniki, których nie wytworzyli, przy jednoczesnym ocenianiu jako indywidualni autorzy, i to właśnie ta sprzeczność — a nie sam podział pracy — trzyma je poza praktyką. Odpowiedzią projektową jest uwidacznianie podziału pracy epistemicznej, sekwencjonowanie działań w całym spektrum i budowanie refleksji nad tym, jak dzielona była odpowiedzialność.
  • Posiadanie dzieła nie jest tym samym co jego autorstwo. Hong i wsp. (2026) nazywają deficyt legitymizacji autorstwa: osoba może doświadczać wyniku jako własnego, a mimo to nie móc uzasadnić roli autora, ponieważ psychologiczna własność, poczucie sprawczości i odpowiedzialność za publikację dzieła są odrębnymi drogami, które nie muszą się zgadzać. Ich nexus pracy autorstwa klasyfikuje wkłady rola po roli, więc jeden zapis może wspierać roszczenie redakcyjne i jednocześnie oblać roszczenie jedynego twórcy. Wywód jest analizą konceptualną bez danych i bez testowanego modelu, więc deficyt jest proponowanym konstruktem, którego przewidywania pozostają nieprzetestowane.
  • Kierowanie, a nie mówienie, potrzebuje własnego kryterium oceny agenta. Przypadek projektowy, który miał naśladować facylitację nauczyciela, wykazał, że agent wiedzy ograniczony do kuratorowanej bazy mógł być oceniany pod kątem trafności, podczas gdy agent mający prowadzić studentów do własnych odpowiedzi już nie (Humburg i wsp., 2025).
  • Partnerstwo rozciąga się na sam proces badawczy, nie tylko na uczenie się studentów — Potter i wsp. (2026) zlecili GPT-4o szkicowanie kodów i wstępnych tematów w bezpiecznej platformie RAG, podczas gdy trzech głównych badaczy i dwóch zewnętrznych walidatorów zachowało autorytet interpretacyjny, konsolidując cztery finalne tematy. Hybrydowy przepływ pracy redystrybuował pracę badaczy, a nie ją usunął.

Powiązania

Współpraca człowiek–SI łączy się z ludzkim nadzorem, autonomią, zmieniającą się pracą nauczycieli, rusztowaniem i metapoznaniem (jak współpraca wspiera uczenie się) oraz nadmiernym poleganiem (trybem awarii, gdy współpraca staje się substytucją). Jest rdzeniowym motywem w kompetencjach w zakresie SI, uczeniu samoregulowanym i doświadczeniu studenta.

Częste błędne wyobrażenia

  • „Współpraca oznacza, że SI wykonuje część pracy." Uczący się zachowuje rolę decydującą, a to skaluje się na pisanie: Oppenheimer, Cash i Connell Pensky (2025) pokazują, że utrzymuje się, gdy układ jest do tego zaprojektowany. Podział pracy nie jest współpracą, dopóki człowiek zachowuje osąd.
  • „W odwróconym układzie to SI wyjaśnia." Studenci, którzy uczyli SI, wyjaśniali lepiej — definiowanie klasy odwróconej przy M = 4.18 wobec 3.29, działania dydaktyczne przy M = 4.91 wobec 3.06, oba p < 0.001. Uczenie się przypadło wyjaśniającemu.
  • „Wkłady człowieka i SI są substytutami." Dwa badania z 2026 r. mapują komplementarne połowy współpracy klasowej, co ramuje problem projektowy jako alokację, a nie zastąpienie.

Połączone koncepcje

Połączone artykuły

Metadane

Uczenie się i nauczanieStudent-AI Interaction
Technologie i technikiGenerative AI, Large Language Models (LLMs)
Podstawy AI w edukacjiWspółpraca człowiek–SI, Kompetencje w zakresie SI (AI literacy)
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.