Baza de cunoștințe AIEdAIEd KB
Pe această pagină

Citește această pagină în engleză

Concepte

Istoria IA în educație

Creat 2026-08-23 · Actualizat 2026-11-08

Traducere automată a acestei pagini în limba engleză, încă neverificată de un vorbitor nativ.

Istoria IA în educație — studiul modului în care inteligența artificială și educația au co-evoluat de la mijlocul secolului XX și al felului în care alegerile conceptuale, terminologice și de design din trecut continuă să modeleze dezbaterile de astăzi despre IA în învățare. În loc să trateze IA generativă ca pe o forță bruscă și fără precedent, o lentilă istorică dezvăluie tensiuni recurente — control versus agenție, standardizare versus creativitate, automatizare versus augmentare — care au structurat IA în educație încă de la originile ei.

Întrebări de reflecție

  • IA generativă de astăzi este adesea descrisă ca o revoluție fără precedent. Cum ar putea această încadrare („cronocentrismul”) să ne împiedice să vedem tiparele recurente de dedesubt?
  • Domeniul era pe punctul de a se numi „cibernetică” în loc de „inteligență artificială”. Cum ar fi putut această singură alegere de nume să modeleze dacă vedem mașinile ca inteligențe independente sau ca parte a unor sisteme interconectate de feedback?
  • Pagina încadrează istoria AIED ca o tensiune între control (tutorii cognitivi ai lui Anderson, care optimizează instruirea) și agenție (constructionismul lui Papert, care împuternicește cursanții). Unde se situează propriile tale alegeri de IA în educație pe acest spectru — și de ce?
  • Personalizarea, argumentează pagina, are două sensuri: variația traseului către același rezultat sau facilitarea unor rezultate diverse, dirijate de cursant. Ce fel de personalizare urmărește de fapt instituția ta și care crezi că ar trebui să urmărească?
  • Dacă dezbaterile actuale despre GenAI „oglindesc” aceste tensiuni istorice, ce greșeli din trecut s-ar putea să le repetăm — și ce am putea evita amintindu-ne de ele?
  • Pagina susține că alegerile de design tehnic încorporează judecăți de valoare despre scopul învățării. Poți identifica o decizie de design într-un instrument de educație cu IA pe care l-ai folosit, care a favorizat discret standardizarea în detrimentul agenției cursantului — sau invers?

Introducere

Istoria domeniului nu este o progresie liniară, ci o serie de decizii contingente ale căror efecte încă răsună. Înțelegerea acestei istorii ne ferește de „cronocentrism” (prejudecata de a trata dezvoltările actuale ca fiind unic revoluționare), ajută la evitarea repetării greșelilor din trecut și dezvăluie cum alegerile privind încadrarea și terminologia — nu doar tehnologia — dirijează traiectoria IA în educație.

Fire istorice principale

De la cibernetică la „inteligență artificială”. Când John McCarthy a planificat Proiectul de Cercetare de Vară de la Dartmouth din 1956, a ales deliberat termenul inteligență artificială în locul ciberneticii — în parte pentru a distanța domeniul de Norbert Wiener și de accentul său pe feedback analogic. Această decizie de numire a încadrat capacitățile mașinilor în comparație directă cu cogniția umană (încadrare antropomorfă), orientând prioritățile de cercetare, percepția publică și dezbaterea etică timp de decenii. Dacă domeniul ar fi păstrat încadrarea cibernetică, articolul își imaginează că am vorbi acum despre „sisteme cibernetice de învățare” care subliniază feedbackul și interconectarea, în loc de „tutori AI” care poziționează mașina ca sursă independentă de inteligență.

Revoluția cognitivă și rădăcinile ITS. Pionierii timpurii — Herbert Simon, Allen Newell, Marvin Minsky, John Anderson — nu doar modelau cogniția; ei investigau întrebări fundamentale despre învățare și instruire. Munca lor a produs modele de prelucrare a informației ale cogniției umane care au devenit fundamentale pentru psihologia educațională și au dus la Sistemele de Tutoriat Inteligent (ITS), înrădăcinate în paradigmele căutării euristice și ale sistemelor expert din IA anilor 1960–70. Aceste sisteme s-au aliniat natural cu structurile existente de evaluare și standardizare și, în cele din urmă, s-au contopit în comunitatea AIED.

Control versus agenție: Anderson și Papert. Au apărut două viziuni concurente, întruchipate în John Anderson și Seymour Papert. Tutorii cognitivi ai lui Anderson (teoria ACT/ACT-R) descompuneau cunoașterea în reguli de producție, ofereau feedback individualizat precis și întăreau structurile educaționale tradiționale — o viziune despre IA ca instrument de optimizare a instruirii. Constructionismul al lui Papert (Logo, „microlumi”, depanarea ca învățare) vedea calculatoarele ca medii în care copiii construiesc cunoaștere prin experimentare creativă — o viziune despre IA ca instrument de împuternicire intelectuală care contesta ierarhiile instituționale. Această „tensiune esențială” dintre control și agenție este firul continuu al istoriei domeniului.

Două forme de personalizare. Personalizarea are două interpretări distincte care se suprapun peste aceste viziuni. Prima menține rezultate uniforme, variind traseul (înrădăcinată în mașinile de predare ale lui Skinner; viziunea Khan Academy a tutoriatului până la stăpânire). A doua îmbrățișează rezultate diverse — cursanții urmărind interese și talente individuale, neconstrânși de granițele curriculumului standard (Zhao, 2024). Modelul ITS o susține pe prima; constructionismul, pe a doua.

Lecții pentru era GenAI. Dezbaterile de astăzi despre IA generativă oglindesc îndeaproape aceste tensiuni istorice. GenAI este adesea poziționată ca un tutore inteligent de generație următoare (extinzându-l pe Anderson), ceea ce ridică preocupări legate de supraveghere, colectarea de date și standardizare. Alternativ, poate fi un instrument pentru agenție creativă (extinzându-l pe Papert), ceea ce ne cere să regândim evaluarea și să acceptăm rezultate mai ambigue. După cum concluzionează Mishra et al., forțele instituționale favorizează în mod repetat abordările care întăresc structurile existente — iar limbajul și metaforele pe care le alegem vor modela posibilitățile viitoare. Cadrul AI×Ed al lui Rismanchian & Doroudi oferă acestei intuiții o fundamentare empirică: localizând lucrări din procedurile AIED (1985, 1993, 2021, 2024) și din IJAIED (2004, 2014, 2021) de-a lungul a două axe — rolul IA (instrument aplicat versus analogie a inteligenței umane) și utilizatorul final — ei urmăresc un domeniu care a trecut de la un amestec divers, incluzând o cercetare timpurie substanțială ce folosea IA ca analogie a inteligenței umane (modele computaționale ale învățării, microlumile lui Papert, modele bazate pe agenți ale achiziției de cunoaștere), spre o concentrare aproape exclusivă pe utilizări aplicate, instrumentale, până în anii 2000. Remarcabil, era IA generative pare să inverseze parțial această traiectorie: până la AIED 2024, trei dintre cele patru locuri din cadranul „IA ca analogie” erau construite pe LLM, iar unul dintre ele a primit un premiu pentru cea mai bună lucrare, pentru agenți predabili alimentați de LLM.

Registrul jurnalelor își schimbă direcția de două ori. Un model de subiecte structurale a 5.387 de articole din Computers & Education (1976–2026) a găsit IA în 390 de înregistrări (7,2%), în 17 din cele 18 subiecte ale revistei. Șansele anuale ca un articol să fie legat de IA au crescut cu 21,8% pe an până în 1989, au scăzut cu 3,7% anual până în 2018, apoi au urcat cu 40,1% anual până în 2025 (Wu et al., 2026). Cotitura din 2018 precede ChatGPT cu patru ani, așa că era generativă a accelerat o tendință deja în curs, în loc să o înceapă.

Impactul recent al IA generative

Sosirea IA generative — o familie largă care include modelele lingvistice mari (text), plus generatoare de imagini, audio și video — marchează punctul de inflexiune cu cele mai mari consecințe din istoria AIED de la fondarea domeniului. LLM-urile sunt membrul cel mai proeminent al acestei familii și motorul celei mai mari părți a impactului din clasă, dar IA generativă în ansamblu (capabilă să producă text, imagini, sunet și cod noi) este forța mai largă care remodelează educația. Ea se înțelege cel mai bine în raport cu istoria AIED, nu ca o ruptură curată. Câteva caracteristici fac era IA generative distinctă:

Scară și acoperire. Spre deosebire de tutorii cognitivi și ITS-urile din deceniile anterioare, care operau în medii controlate de laborator și de clasă, LLM-urile au ajuns la sute de milioane de cursanți și educatori în câteva luni de la lansare, intrând aproape imediat în scrierea, temele și instruirea de zi cu zi. Dezbaterea despre GenAI s-a mutat din jurnalele de specialitate în săli de clasă, consilii de administrație și legislații cu o viteză fără precedent.

Un nou tip de capacitate. Sistemele AIED anterioare modelau cogniția și livrau instruire structurată (tradiția Anderson). LLM-urile realizează generare deschisă — produc eseuri, explicații, cod și dialog — ceea ce pune în prim-plan agenția și creativitatea cursantului (tradiția Papert) în moduri pe care ITS-urile anterioare nu le puteau realiza. De aceea momentul actual reaprinde atât de acut tensiunea control–agenție: același instrument poate fi implementat ca tutore inteligent de generație următoare (controlând rezultatele) sau ca coautor creativ și partener de gândire (amplificând agenția).

O inversare a ecuației accesului. Istoric, tutoriatul personalizat era rar și scump; GenAI a făcut sprijinul adaptiv unu-la-unu aproape gratuit și universal — reducând dramatic barierele de accesibilitate și de cost care modelaseră AIED-ul anterior. Dar a introdus și riscuri noi: părtinire algoritmică, halucinație, supraveghere, colectare de date și pierderea competențelor educatorilor.

Îngrijorare reînnoită privind alfabetizarea în IA și utilizarea necorespunzătoare. Era IA generative a făcut alfabetizarea în IA urgentă și a reîncadrat dezbaterile despre integritatea academică (detectare versus dialog), reînviind totodată preocupări vechi despre automatizare, standardizare și dependență epistemică. Acestea sunt expresiile moderne ale tensiunilor originare ale domeniului.

Riscul cronocentrismului. După cum avertizează Mishra et al., entuziasmul din jurul IA generative trădează adesea lipsa de conștiință istorică, lăsând evangheliștii tehnologiei să domine conversația. Înțelegerea faptului că dezbaterile actuale despre GenAI rezonează cu diviziunea Anderson–Papert și cu decizia de numire din 1955 privind cibernetica ne ajută să facem alegeri deliberate, în loc să tratăm prezentul ca inevitabil. Întrebarea reală nu este ce pot face instrumentele de IA generativă, ci ce vrem să facă — o decizie modelată de unde am fost.

Implicații

  • Citiți hype-ul prin lentilă istorică. Recunoașteți că fiecare val nou de IA este încadrat ca revoluționar; conștiința istorică dezvăluie continuitatea și ajută la rezistența în fața dominării corporative a conversației.
  • Vedeți alegerile de design ca alegeri de valoare. Deciziile tehnice despre IA în educație încorporează poziții ideologice despre scopul învățării — scoateți-le la suprafață și interogați-le.
  • Cântăriți deliberat controlul față de agenție. Dacă IA ar trebui să optimizeze spre rezultate standard sau să permită rezultate diverse, dirijate de cursant, este o alegere autentică, cu consecințe instituționale și politice, nu un dat tehnic.
  • Păstrați agenția cursantului. Rezistența recurentă la standardizare și control în favoarea abordărilor deschise, centrate pe cursant, este un fir durabil care merită apărat.

Idei greșite frecvente

„IA în educație a început cu ChatGPT.” Nu a început atunci, iar convingerea este costisitoare pentru că face invizibilă fiecare lecție anterioară. Tutoriatul inteligent descinde din munca de căutare euristică și sisteme expert din anii 1960 și 70, iar comunitatea AIED s-a format în jurul ei cu decenii înainte de modelele lingvistice mari. Mishra et al. arată că dezbaterile actuale reproduc o diviziune deja explicită în tutorii cognitivi ai lui Anderson și în constructionismul lui Papert, așa că un cititor care datează domeniul în 2022 va rederiva argumente pe care domeniul le-a rezolvat, abandonat sau pierdut odată.

„Domeniul a abandonat constant IA-ca-analogie în favoarea instrumentelor aplicate, iar IA generativă continuă această tendință.” Aceasta este corecția cea mai instructivă de pe pagină, pentru că traiectoria este reală, dar nu monotonă. Analiza pozițională a lui Rismanchian și Doroudi asupra AIED 1985, 1993, 2021 și 2024 și a IJAIED 2004, 2014 și 2021 arată într-adevăr o derivă de la un domeniu mixt spre o instrumentalitate aplicată aproape exclusivă până în anii 2000. Dar la AIED 2024, trei dintre cele patru lucrări din cadranul IA-ca-analogie erau bazate pe LLM, inclusiv o lucrare distinsă cu premiu despre agenți predabili bazați pe LLM. IA generativă inversează parțial tendința, în loc să o extindă, motiv pentru care tratarea ei ca „următorul tutore inteligent” citește greșit locul în care s-a mutat de fapt frontiera cercetării.

„Personalizarea înseamnă adaptarea dificultății la fiecare cursant.” Acesta este doar unul dintre două sensuri incompatibile, iar confundarea lor ascunde o alegere politică. În primul sens, rezultatul este ținut fix și variază doar traseul, linia descendenței mergând de la mașinile de predare ale lui Skinner până la tutoriatul bazat pe stăpânire. În al doilea, rezultatele însele se diversifică, pe măsură ce cursanții urmăresc interese individuale neconstrânse de curriculumul standard (Zhao, 2024). Un ITS îl implementează pe primul; constructionismul, pe al doilea. Un instrument descris drept „personalizat” nu ți-a spus nimic până nu știi pe care dintre ele îl înseamnă.

„«Inteligența artificială» a fost pur și simplu numele evident al domeniului.” Termenul a fost o alegere deliberată. Când McCarthy a planificat proiectul Dartmouth din 1956, a preferat inteligența artificială în locul ciberneticii în parte pentru a distanța munca de tradiția feedbackului analogic a lui Wiener. Acea singură decizie a încadrat mașinile în comparație directă cu cogniția umană, iar încadrarea antropomorfă pe care a instalat-o modelează și astăzi prioritățile de cercetare, limbajul produselor și întrebările etice pe care le pune publicul.

Punerea în practică

Pentru instructori și designerii instrucționali

  • Numiți tradiția din care face parte instrumentul vostru înainte de a-l adopta. Întrebați dacă optimizează spre rezultate fixe sau deschide direcția cursantului, pentru că acel răspuns, nu lista de funcții, determină ce va face instrumentul cu designul evaluării vostru.
  • Interogați cuvântul „personalizat” din fiecare afirmație a unui furnizor și obțineți un răspuns în termenii celor două sensuri de mai sus. Un produs care variază ritmul spre un standard comun și unul care le permite studenților să divergă nu sunt substitute.
  • Când studenții prezintă GenAI ca fără precedent, istoria este conținut predabil în sine. Încadrarea Anderson–Papert le oferă un vocabular pentru a argumenta despre IA, nu doar pentru a o folosi.

Pentru dezvoltatori

  • Limbajul interfeței este o decizie de design cu o linie de descendență. Dacă numiți sistemul „tutor AI”, moșteniți încadrarea lui Anderson și așteptarea optimizării spre rezultate standard; dacă îl numiți „microlume” sau „mediu de învățare”, moșteniți încadrarea lui Papert. Niciuna nu este neutră, așa că alegeți deliberat.
  • Dacă construiți în tradiția analogiei (modele ale învățării, agenți predabili, simulări ale achiziției de cunoaștere), spuneți-o. Acel cadran a fost aproape gol timp de două decenii și se repopulează; poziționarea este un diferențiator, iar criteriile de evaluare sunt diferite.

Pentru cercetători

  • Folosiți corpusurile istorice ca linie de bază, în loc să tratați prezentul ca singura comparație disponibilă. Procedurile AIED pentru 1985, 1993, 2021 și 2024 și IJAIED pentru 2004, 2014 și 2021 sunt un eșantion longitudinal gata făcut al propriilor afirmații ale domeniului.
  • Citați linia de descendență când revendicați noutate. O afirmație că un sistem „personalizează învățarea” sau „modelează cursantul” este novatoare doar în raport cu o tradiție anterioară specifică, iar tradiția este documentată.

Concepte conectate

Articole conectate

Metadate

Învățarea și predareaConstructivism, Learning Theories
Tehnologii și tehniciGenerative AI, Intelligent Tutoring
Bazele AI în educațieAgentivitatea învățăcelului, Inteligența artificială în educație, Istoria IA în educație
SursăIstoricEditeazăChat

Încorporează această pagină

Copiază codul de mai jos pentru a încorpora această pagină într-un sistem de management al învățării sau pe alt site web. Versiunea încorporată arată doar conținutul paginii — ascunde antetul site-ului, navigația și subsolul.