Czego powinni uczyć się studenci na potrzeby karier, w których AI jest powszechna?

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

Student pyta, dlaczego ma się uczyć czegoś, co chatbot już robi. Grupa doradcza programu mówi, że pracodawcy chcą absolwentów, którzy potrafią używać AI w pracy. Twój sylabus musi zadowolić obie te strony, a żadna z nich nie powiedziała, co absolwent powinien umieć samodzielnie.

Krótka odpowiedź do przekazania współpracownikowi: ucz całego zadania zawodowego, a nie obsługi narzędzia, i oceniaj zarówno produkt wspierany, jak i samodzielną zdolność studenta. Dowody wspierają traktowanie gotowości jako wiedzy dyscyplinowej plus osądu plus weryfikacji plus transferu, i nie wspierają żadnej listy umiejętności jako gwarancji zatrudnienia. Badanie ankietowe 500 wykładowców amerykańskich uczelni zestawione z panelem pracodawców wykazało, że obie grupy zgadzały się co do wagi dokładnie jednej z 26 umiejętności związanych z AI, ustalania realistycznych oczekiwań wobec pracy wspieranej przez AI; wykładowcy ważyli krytyczne i odpowiedzialne użycie, a pracodawcy przebieg pracy, automatyzację i współpracę człowiek-AI (Fried, 2026). To zgłoszone priorytety, a nie dowody o zatrudnianiu. Ostrzejsze ustalenie dla programu nauczania jest gdzie indziej: w badaniu 455 studentów ostatniego roku kompetencje w zakresie AI prowadziły do postrzeganej zatrudnialności głównie przez podniesienie adaptacyjności zawodowej, z efektem pośrednim β = 0,173 obok bezpośredniego β = 0,447 (Hendrawan i Lestari, 2026). Adaptacyjność jest zdolnością, której można nauczyć. Wskazówka o narzędziu nią nie jest.

W skrócie

1. Zapisz zdolność jako twierdzenie o tym, co absolwent potrafi samodzielnie, a potem dodaj obok wersję wspieraną.

2. Ucz kompletnego zadania w sześciu częściach: ujęcie, wiedza, delegowanie, weryfikacja, komunikacja, adaptacja.

3. Oceniaj produkt i osąd osobno, a samodzielne sprawdzenie czyń proporcjonalnym.

4. Zachowaj samodzielną praktykę tam, gdzie wykonuje pracę, i powiedz dlaczego w sylabusie.

5. Odróżniaj wyniki natychmiastowe od późniejszych, gdy ewaluujesz program.

6. Traktuj lęk o karierę jako realną troskę i odpowiadaj na niego badaniem, a nie przewidywaniami.

Co podkreślają pracodawcy, a co wykładowcy

Raport Ithaka S+R poprosił 500 wykładowców amerykańskich czteroletnich uczelni o ocenę 26 umiejętności z ram obejmujących siedem kategorii i porównał ich oceny z panelem pracodawców ankietowanych przez autorów ram. Rozbieżność jest systematyczna, a nie losowa: wykładowcy umieścili na górze ograniczenia AI, atrybucję i ludzką odpowiedzialność, a pracodawcy wyżej ocenili projektowanie przebiegu pracy, automatyzację i współpracę człowiek-AI.

Kuszące są dwa odczytania tej luki i oba są błędne. Pierwsze mówi, że wykładowcy zostali za rynkiem pracy. Drugie, że pracodawcy chcą posłuszeństwa. Użyteczniejsze odczytanie jest takie, że każda grupa opisuje inną połowę tej samej pracy, a absolwent, który potrafi tylko jedną połowę, jest nieprzygotowany do obu. Student, który nie umie wyjaśnić, dlaczego wynik jest błędny, jest bezużyteczny dla pracodawcy ufającego przebiegowi pracy; student, który potrafi tylko krytykować wynik AI, jest bezużyteczny dla pracodawcy, który potrzebuje wykonanego zadania.

Granice tych dowodów mają znaczenie. To zgłoszone priorytety z ankiet, a raport nie pokazuje, że jakikolwiek program nauczania daje lepsze zatrudnienie, lepsze wyniki czy lepsze zarobki. Daje ci za to obronny powód, by zapytać, czy twoi studenci kiedykolwiek ćwiczą wykonanie i sprawdzenie przebiegu pracy wspieranego przez AI, w odróżnieniu od rozmawiania o nim.

Ucz kompletnego zadania zawodowego

Pytanie programowe warte zapisania brzmi: co zdolny początkujący musiałby zrobić, wyjaśnić i zweryfikować w tej sytuacji? Potem zbuduj zadanie w sześciu częściach.

Ujmij problem. Wskaż cel, odbiorcę, ograniczenia, dostępne dowody i koszt błędu. Student, który nie rozpoznaje niedookreślonego zlecenia, przekaże je modelowi i przyjmie wszystko, co wróci.

Wnieś wiedzę dyscyplinową. Studenci potrzebują dość rozumienia, by zbadać wynik: zinterpretować przypadek, oszacować prawdopodobną odpowiedź, zauważyć mylące porównanie, dostrzec, czego brakuje. Zdefiniuj tę bazę wyraźnie, zamiast traktować całą samodzielną praktykę jako spadek po dawnych wymaganiach.

Deleguj świadomie. Zdecyduj, w których krokach AI może pomagać, a które wymagają samodzielnej pracy lub zawodowego upoważnienia, i umiej podać powód. Szkicowanie rutynowego sformułowania i decydowanie, co powinien mówić istotny zapis, to różne odpowiedzialności z różną rozliczalnością.

Weryfikuj wobec dowodów. Sprawdź obliczenia, twierdzenia, źródła, założenia i zgodność z wymaganiem. Ucz studentów zapisywania, jak sprawdzenie rozstrzygnęło pytanie. Pytanie tego samego modelu, czy jest pewien, niczego nie rozstrzyga, a ten punkt rozwija wprost praktyka weryfikacji.

Komunikuj i współpracuj. Wyjaśnij decyzję koledze, klientowi lub przełożonemu: co się zmieniło, co pozostaje niepewne, kiedy ktoś inny musi się włączyć. Praca wspierana przez AI nadal ma odbiorcę i łańcuch odpowiedzialności.

Adaptuj i przenoś. Powtórz porównywalne zadanie z innym narzędziem lub nowym ograniczeniem, a potem zapytaj, co zostało użyteczne, a co musiało się zmienić. To czyni adaptacyjność obserwowalną, a nie przymiotnikiem w opisie efektów absolwenta.

Wbuduj to w istniejącą pracę kursową

To adaptacje tematów badawczych, a nie przetestowane interwencje zatrudnieniowe.

Kompozycja i komunikacja biznesowa: pozwól studentom skrytykować i poprawić szkic odpowiedzi na skargę klienta napisany przez AI. Dowodem zdolności jest nazwanie niepopartych obietnic, wyjaśnienie wyborów wobec odbiorcy i obrona ostatecznego sformułowania.

Kurs ilościowy może zrobić to samo z oszacowaniem wyprodukowanym przez AI dla realistycznego problemu planistycznego, gdzie studenci budują własne oszacowanie, podają założenia i testują prawdopodobieństwo.

Na kursie arkuszy kalkulacyjnych lub informatyki rozdaj wygenerowaną formułę i dane syntetyczne, a potem poproś o przypadki testowe, wyjaśnienie odwołań i jeden warunek awarii.

Zawody zdrowotne: studenci oceniają wygenerowane wyjaśnienie fikcyjnego przypadku wobec zatwierdzonych źródeł, nazywają jego ograniczenia i mówią, kiedy musi decydować wykwalifikowany specjalista.

Eksploracja kariery ma własną wersję: porównaj skład zadań dwóch zawodów, korzystając z wiarygodnych informacji o zawodach, a potem zaplanuj jeden konkretny krok rozwoju umiejętności lub szukania pomocy.

Przy nauczaniu asynchronicznym proś o wstępną próbę, krótki zapis weryfikacji i dwuzdaniową notatkę o jednej istotnej decyzji. W laboratorium lub seminarium wyjaśnienie może się odbyć w rozmowie. Używaj materiałów syntetycznych lub upoważnionych, ilekroć alternatywą są poufne dane zakładu pracy lub studentów.

Oceniaj wykonanie wspierane i indywidualne rozumienie

Wypolerowany artefakt mówi ci, co wytworzono w dozwolonych warunkach. Nie mówi, co student potrafi. Dodaj proporcjonalne samodzielne sprawdzenie: wyjaśnienie decyzji, naprawę błędu, dostosowanie pracy do zmienionego warunku albo samodzielne wykonanie jednego podstawowego podzadania.

Wybieraj te wymagania, bo wspierają wskazaną zdolność, i mów, którą z nich mierzy każde ocenianie. Studenci przyjmują samodzielną praktykę, gdy jest powiązana z tym, do czego są przygotowywani; „będziesz tego potrzebować kiedyś” robi mniej niż pokazanie, jak to obliczenie pozwala później wychwycić błędne oszacowanie.

Strona wsparcia ma własne ryzyko. Shojaei i wsp. (2026) stwierdzili, że korzystanie z GenAI było dodatnio powiązane z zależnością od GenAI, a zależność ujemnie z zarówno krytycznym myśleniem, jak i zatrudnialnością w ich modelu ankietowym. To powiązanie, a nie twierdzenie przyczynowe, i wskazuje pytanie projektowe: kurs, który ocenia wyłącznie wykonanie wspierane, może trenować zależność, którą raportuje.

Do przeglądu programu oddziel miary. Wyniki kursu, wykazane kompetencje w zakresie AI, ocena opiekuna praktyki, status zatrudnienia i jakość pracy to różne wyniki o różnych horyzontach czasowych, a jedna interwencja nie może ustalić ich wszystkich. Strona dowodów o kompetencjach w zakresie AI to uczciwy inwentarz tego, co badania interwencyjne naprawdę wspierają.

Zajmij się lękiem o karierę, nie obiecując pewności

Studenci przychodzą z realnymi lękami, a literatura ankietowa o nich jest opisem lęków, a nie prognozą rynku pracy. Duan i wsp. (2026) stwierdzili, że lęk związany z AI bezpośrednio i ujemnie przewiduje decyzje zawodowe, co jest ustaleniem o paraliżu decyzyjnym, a nie o miejscach pracy. Obraz dobrostanu obejmuje szersze dowody.

Pomaga badanie w skali, na którą student może działać: jakie zadania naprawdę zawiera ta rola, jak wygląda tydzień, co musiałbym umieć, kto mi to powie. Służby kariery, absolwenci i personel odpowiedzialny za praktyki mają te informacje. Pokaz narzędzia, wrażenie wykładowcy czy prezentacja dostawcy nie są prognozą rynku pracy, a przedstawianie jednego z nich jako prognozy to sposób, w jaki programy tracą wiarygodność u studentów, którzy potem sprawdzają.

Co usłyszysz w odpowiedzi

„Studenci potrzebują tylko lepszego promptowania.” Promptowanie to jedno zdanie jednej z sześciu części. Dobrze określone zlecenie nie dostarcza wiedzy potrzebnej do rozpoznania złego wyniku, a pracodawcy z panelu Ithaka też nie stawiali rzemiosła promptowania na pierwszym miejscu.

„Jeśli miejsca pracy pozwalają na AI, prace kursowe też powinny.” Kurs buduje także zdolność, która czyni odpowiedzialne użycie możliwym. Powiedz, którą z tych dwóch rzeczy oceniasz w każdym zadaniu, a zarzut staje się pytaniem projektowym, a nie sprzecznością.

„Narzędzia zmieniają się zbyt szybko, by tego uczyć.” Ucz obsługi konkretnych narzędzi tam, gdzie pomaga, i oceniaj trwałe praktyki: ujmowanie, sprawdzanie, testowanie, dokumentowanie, komunikowanie, eskalowanie. Powyższe dowody dotyczą tych praktyk i żadne z nich nie zależy od tego, który model jest aktualny.

„Kurs kompetencji w zakresie AI poprawi ich perspektywy zawodowe.” Ostrożność jest tu w wyniku mediacji. Kompetencje w zakresie AI prowadziły do postrzeganej zatrudnialności bezpośrednio i przez adaptacyjność, a postrzegana zatrudnialność nie jest ofertą pracy, oceną wyników ani pensją. Projekt ankietowy nie może wykluczyć, że pewni siebie studenci oceniają siebie wyżej we wszystkim.

Co zrobić w tym tygodniu

1. Wybierz jedno zadanie, z którym absolwenci twojego programu naprawdę się zetkną, i zapisz dla niego sześć części w pięciu linijkach.

2. Zaznacz, które części obecne ocenianie naprawdę mierzy, a które zakłada.

3. Dodaj jedno samodzielne sprawdzenie do istniejącego zadania: wyjaśnioną decyzję, naprawiony błąd albo podzadanie wykonane bez pomocy.

4. Powiedz studentom w instrukcjach zadania, której zdolności dotyczy to sprawdzenie.

5. Sprawdź, czy jakiekolwiek zadanie w kursie ocenia tylko wykonanie wspierane, i zdecyduj, czy to zamierzone.

Dokąd dalej

Career Development and Readiness to strona pojęcia dla zatrudnialności, adaptacyjności i dowodów o rynku pracy, a Kompetencje w zakresie SI (AI literacy) obejmuje to, co znaczą kompetencje poza obsługą narzędzi. O wbudowaniu tego w konkretny kurs zobacz wprowadzanie kompetencji w zakresie AI i jakie kompetencje potrzebuje kadra akademicka.

O projekcie oceniania, który czyni wykonanie wspierane i samodzielne rozróżnialnymi, zobacz przeprojektowanie oceniania w erze AI i ocenianie przez AI. O tym, jak nie pozwolić, by wsparcie stało się zależnością, zobacz ograniczanie nadmiernej zależności.