Generatywna sztuczna inteligencja jako wsparcie zespołowego uczenia się i rozwoju kompetencji współpracy

Wprowadzenie

Uczenie się we współpracy w małych grupach jest uznawane za skuteczną strategię dydaktyczną, ponieważ sprzyja nie tylko nabywaniu wiedzy dziedzinowej, lecz także rozwijaniu umiejętności potrzebnych do uczenia się i działania w zespole. Jednocześnie liczne badania pokazują, że sama organizacja pracy grupowej nie gwarantuje uczenia się. Zespoły napotykają bariery poznawcze, społeczne i regulacyjne, które mogą osłabiać jakość interakcji, a tym samym ograniczać korzyści edukacyjne. Z tego względu w obszarze nauk o uczeniu się, szczególnie w nurcie CSCL (ang. Computer-Supported Collaborative Learning), czyli komputerowo wspomaganego uczenia się w grupie, od lat rozwija się projektowanie i testowanie rozwiązań wspierających współpracę.

W ostatnim okresie do tej tradycji dołączyły badania nad generatywną sztuczną inteligencją (GenAI), zwłaszcza nad dużymi modelami językowymi, które zaczęto wykorzystywać jako narzędzia wspierające dialog, analizę procesu współpracy oraz generowanie treści dydaktycznych. Krajobraz rozwiązań GenAI w CSCL jest jednak wciąż rozproszony, a wyniki badań nie tworzą jeszcze jednolitego obrazu. Dlatego celem niniejszego tekstu jest uporządkowanie aktualnych sposobów wykorzystania GenAI w uczeniu się zespołowym: wskazanie ról, jakie może pełnić, obszarów współpracy, które może wspierać, oraz tego, czy i w jakim zakresie wpływa na uczenie się wiedzy dziedzinowej oraz kompetencji współpracy. Ważnym kontekstem jest także tradycja adaptacyjnego wsparcia w CSCL, która pozwala porównywać GenAI z wcześniejszymi podejściami i rozpoznawać, co rzeczywiście wnosi nowa technologia, zwłaszcza w zakresie personalizacji.

Zespołowe uczenie się: współpracować, aby się uczyć, i uczyć się współpracować

Uczenie się zespołowe można rozumieć jako sytuację, w której co najmniej dwie osoby uczą się razem lub podejmują próbę wspólnego uczenia się. Jest to aktywność skoordynowana i synchroniczna, wynikająca z ciągłego wysiłku ukierunkowanego na konstruowanie i podtrzymywanie wspólnego rozumienia problemu. W takim ujęciu kluczowe jest, że interakcja między uczestnikami służy współkonstruowaniu wiedzy, a nie wyłącznie wytworzeniu produktu, takiego jak prezentacja, tekst czy kod. W praktyce granica między uczeniem się „współpracując” i „współdziałając” bywa płynna, jednak w wielu podejściach podkreśla się, że współpraca wymaga wzajemnego uzależnienia poznawczego, podczas gdy współdziałanie może przyjmować formę podziału zadań realizowanych w dużej mierze niezależnie.

Korzyści uczenia się w zespole zostały wielokrotnie potwierdzone zarówno w kontekście przyrostu wiedzy dziedzinowej i jej transferu, jak i w kontekście rozwoju umiejętności współpracy. Jednocześnie badania wskazują, że przydzielenie uczniów do grup i nadanie im zadania nie wystarcza, by uruchomić procesy prowadzące do uczenia się. Uczenie się zespołowe wymaga aktywnego współtworzenia znaczeń poprzez działania takie jak: wyjaśnianie, rozwijanie pomysłów, udzielanie informacji zwrotnej, zadawanie pytań pogłębiających, rozwiązywanie konfliktów pojęciowych czy modelowanie rozumowania. To właśnie wzorce interakcji stanowią rdzeń mechanizmów uczenia się we współpracy.

Warunkiem sprzyjającym produktywnym interakcjom jest współzależność społeczna, czyli sytuacja, w której każdy członek zespołu może osiągnąć swój cel tylko wtedy, gdy wspiera innych w osiąganiu ich celów. Równolegle z konstruowaniem wiedzy zespoły muszą realizować procesy podtrzymujące współpracę, takie jak utrzymywanie wspólnego rozumienia, aktywne uczestnictwo w dyskusji oraz regulowanie przebiegu współpracy. Złożoność tych zadań sprawia, że zespoły napotykają liczne pułapki, które mogą hamować uczenie się. Właśnie dlatego w naukach o uczeniu się rozwijano podejścia wspierające grupy w angażowaniu się w interakcje sprzyjające uczeniu się.

Komputerowe wsparcie uczenia się zespołowego: adaptacyjne rusztowanie

Idea dostarczania grupom wsparcia dostosowanego do potrzeb nie jest nowa. Już w latach 90. w CSCL badano rozwiązania wspierające współpracę, choć początkowo często były to formy nieadaptacyjne. Z czasem adaptacyjność stała się jednym z głównych wątków projektowania wsparcia, ponieważ grupy różnią się doświadczeniem, kompetencjami i sposobem organizacji pracy, a te różnice wpływają na to, czy dane wsparcie będzie pomocne. Koncepcyjną podstawą adaptacyjnego wsparcia jest scaffolding, czyli rusztowanie poznawcze, które umożliwia wykonanie zadań dotychczas nieosiągalnych, przy zachowaniu aktywnej roli uczącego się. Wsparcie powinno być tymczasowe, a jego intensywność powinna zmieniać się wraz z rozwojem kompetencji grupy.

W CSCL podkreślano, że wsparcie zbyt szczegółowe może szkodzić bardziej zaawansowanym uczestnikom, prowadząc do efektu odwrócenia ekspertyzy i nadmiernego „skryptowania” działań, podczas gdy wsparcie zbyt słabe może pozostawić mniej doświadczone grupy bez narzędzi potrzebnych do efektywnej współpracy. Projektowanie adaptacyjnego wsparcia wymaga więc modelu tego, jakie stany i procesy są pożądane w uczeniu się zespołowym oraz jak je rozpoznać w danych o współpracy. System wspierający musi zbierać informacje o współpracy, przetwarzać je w wskaźniki, diagnozować potrzebę wsparcia i uruchamiać adekwatne interwencje. Wczesne rozwiązania adaptacyjne często opierały się na regułach produkcyjnych typu IF–THEN (reguła if-then (jeśli-to) to podstawowa konstrukcja logiczna m.in. w programowaniu i logice, która wykonuje określoną akcję (then), pod warunkiem, że warunek wejściowy (if) jest prawdziwy), a automatyczna analiza dialogów wykorzystywała techniki klasyfikacji tekstu rozwijane w lingwistyce komputerowej. Jednak niezależnie od zastosowanych narzędzi, krytycznym wyzwaniem pozostawała trafność wskaźników i diagnoz oraz umiejętność uchwycenia złożonej dynamiki współpracy.

Podejścia do adaptacyjnego wspierania grup

Wśród ugruntowanych podejść do wspierania uczenia się zespołowego wskazuje się adaptacyjne skrypty współpracy, adaptacyjne systemy tutoringowe rozszerzane na sytuacje grupowe oraz wirtualnych agentów w postaci agentów konwersacyjnych i chatbotów. Celem tych rozwiązań jest wzmacnianie interakcji sprzyjających współkonstruowaniu wiedzy oraz ograniczanie wzorców niepożądanych. Istnieją także systemy wspierające nauczycieli w monitorowaniu i orkiestracji pracy zespołów, które generują diagnozy i rekomendacje na podstawie danych o aktywności uczniów.

Mimo licznych dowodów na skuteczność adaptacyjnego wsparcia, jego upowszechnienie było ograniczone. Jednym z powodów jest wysoki stopień złożoności warunków brzegowych efektywnej współpracy, które trzeba dobrze rozumieć, aby formułować reguły interwencji. Kolejną barierą jest trudność w automatycznej, rzetelnej ocenie stanu współpracy. W tym kontekście pojawienie się dużych modeli językowych wywołało nową falę oczekiwań, że adaptacyjne wsparcie stanie się bardziej elastyczne i łatwiejsze do wdrożenia.

Wspieranie uczenia się zespołowego z wykorzystaniem GenAI

Upowszechnienie platform opartych na dużych modelach językowych zainicjowało dyskusję o GenAI jako nowym typie rusztowania pedagogicznego. Wskazuje się, że modele te potrafią przetwarzać różne formy danych, utrzymywać kontekst rozmowy oraz generować spójne, zrozumiałe odpowiedzi, co może umożliwiać natychmiastowe, dopasowane wsparcie. W idealnym ujęciu GenAI mogłaby realizować etapy wykrywania, diagnozy i działania, czyli kluczowy łańcuch adaptacyjnego wsparcia. Potencjał ten jest jednak uzależniony od jakości diagnoz oraz trafności interwencji.

Jednym z obszarów, w którym GenAI może być użyteczna, jest automatyczne kodowanie i kategoryzowanie zdarzeń w dialogu zespołu, co stanowi podstawę dalszych decyzji o wsparciu. Badania pokazują, że modele językowe osiągają w tym zakresie wyniki od akceptowalnych do umiarkowanych, a ich skuteczność bywa zależna od rodzaju etykiet, schematu kodowania oraz jakości danych. Pojawiają się też sugestie, że łączenie wielu modalności, takich jak tekst i dźwięk, może poprawiać trafność automatycznej analizy współpracy. Jednocześnie ryzyko błędnej klasyfikacji oznacza ryzyko nieadekwatnego wsparcia, co w edukacji ma szczególne znaczenie.

Role GenAI w uczeniu się zespołowym

Analiza badań nad GenAI w kontekstach współpracy pozwala wyróżnić kilka sposobów integracji tej technologii w proces uczenia się zespołowego. Pierwszym z nich jest wykorzystanie GenAI jako repozytorium informacji, które zespół może odpytywać, traktując model podobnie jak wyszukiwarkę. W takiej roli narzędzie dostarcza zasobów i faktów potrzebnych do dalszej argumentacji i rozwiązywania problemów.

Drugim sposobem jest generowanie spersonalizowanych materiałów dydaktycznych na podstawie pracy zespołu. Model może tworzyć alternatywne rozwiązania, przykłady kontrastowe lub inne treści, które służą pogłębieniu rozumienia przez porównanie i dyskusję. W tym ujęciu GenAI staje się narzędziem projektującym bodźce do refleksji, często inicjowane przez scenariusz zaprojektowany przez badacza lub nauczyciela.

Trzecią rolą jest rola nauczyciela lub facylitatora, w której system monitoruje współpracę i podejmuje interwencje, na przykład zachęcając mniej aktywnych uczestników do włączenia się lub kierując rozmowę z powrotem na temat. Interwencje mogą być oparte na regułach albo inicjowane na żądanie zespołu, który prosi o podsumowanie lub informację zwrotną.

Czwartą rolą jest rola nauczyciela lub partnera dialogowego. W tym wariancie AI prowadzi rozmowę ukierunkowaną na rozwijanie rozumowania, stosując na przykład pytania sokratejskie i zachęcając do uzasadniania. Choć część takich zastosowań dotyczy bardziej interakcji jednostka–system, bywa ona traktowana jako analogiczna do procesów poznawczych wywoływanych w dyskusjach zespołowych, takich jak argumentowanie czy samowyjaśnianie.

Piątą rolą jest włączenie AI jako sztucznego członka zespołu, który uczestniczy w dyskusji, wnosi perspektywę ekspercką, zadaje pytania i odpowiada na wypowiedzi uczestników. Takie podejście jest szczególnie interesujące, ale zarazem rodzi pytania o to, czy i kiedy obecność sztucznego członka zespołu wzmacnia, a kiedy osłabia interakcję między ludźmi.

Cele wsparcia: co dokładnie może być wspierane

GenAI może wspierać współpracę na poziomie poznawczym, metapoznawczym, społecznym i behawioralnym oraz społeczno-emocjonalnym. W wymiarze poznawczym wsparcie polega na dostarczaniu wiedzy, wspieraniu elaboracji oraz inicjowaniu procesów współkonstruowania znaczeń. W wymiarze metapoznawczym narzędzia GenAI często służą do generowania informacji zwrotnej o jakości rozwiązania, wskazywania braków i proponowania kierunków poprawy. W tym obszarze pojawiają się również zastosowania związane z facylitacją informacji zwrotnej rówieśniczej, gdzie AI wspomaga tworzenie, ocenę lub ulepszanie feedbacku.

W wymiarze społecznym i behawioralnym systemy mogą monitorować udział uczestników, wykrywać rozmowy nie na temat oraz moderować przebieg pracy, prowadząc zespół przez etapy zadania i wspierając naprzemienność wypowiedzi. Natomiast wsparcie społeczno-emocjonalne, obejmujące motywowanie, regulację emocji czy wzmacnianie zaangażowania, jest w badaniach rzadziej projektowane jako główny cel, choć pewne dane sugerują, że takie interakcje spontanicznie pojawiają się w rozmowach użytkowników z systemami.

Wpływ wsparcia GenAI na uczenie się

Ocena wpływu GenAI na uczenie się zespołowe wymaga ostrożności, ponieważ nie istnieje jeden uniwersalny „efekt GenAI”. Skuteczność zależy od tego, jakie interakcje narzędzie wywołuje, jakie procesy poznawcze i społeczne uruchamia oraz w jaki sposób przekłada się to na wyniki uczenia się. To podejście jest spójne z klasyczną debatą media/metody, w której podkreśla się, że technologia działa poprzez mechanizmy dydaktyczne, a nie samą obecność narzędzia.

W badaniach eksperymentalnych dotyczących wiedzy dziedzinowej najczęściej analizowano kontekst programowania. Wyniki wskazują na niewielkie do umiarkowanych pozytywne efekty w zależności od sposobu zaprojektowania wsparcia. Istotnym wnioskiem jest także to, że wsparcie może działać różnie w zależności od poziomu wiedzy początkowej: rozwiązania generowane przez AI mogą bardziej pomagać osobom mniej zaawansowanym, podczas gdy osoby o większych kompetencjach mogą korzystać bardziej z aktywności wymagających samodzielnego generowania alternatyw i uzasadnień.

Badania nad rozwojem kompetencji współpracy są nieliczne, ale pojawiają się obiecujące wyniki dotyczące argumentacji oraz umiejętności współpracy w zadaniach projektowych, szczególnie gdy GenAI stanowi element środowiska pracy nad wspólnym wytworem. Jednocześnie brakuje systematycznych badań nad tym, czy wsparcie przekłada się na trwałe umiejętności współpracy, a nie tylko krótkoterminową poprawę wydajności w obecności narzędzia.

Racjonalność adaptacyjności: na jakiej podstawie systemy decydują o wsparciu

Projektowanie adaptacyjności w systemach GenAI przyjmuje różne formy. W części rozwiązań adaptacyjność jest w pewnym sensie „outsourcowana” do modelu językowego, który reaguje na treść zapytań i kontekst rozmowy, a jakość wsparcia zależy wówczas od jakości promptów użytkowników oraz właściwości samego modelu. W innych podejściach badacze i projektanci narzędzi precyzyjnie instruują model, określając rolę, kryteria oceny oraz pożądany styl odpowiedzi, tak aby generowane wsparcie było bliższe intencjom dydaktycznym.

Często spotykane są też podejścia oparte na regułach produkcyjnych, gdzie określone zdarzenia w przebiegu współpracy uruchamiają konkretne interwencje. Uzupełnieniem bywa dostarczanie systemowi dodatkowego kontekstu, na przykład materiałów kursowych, opisu zadania czy wymagań, co może poprawiać trafność odpowiedzi bez konieczności kosztownego dostrajania modelu. Fine-tuning pojawia się w literaturze jako opcja, ale opisy tego procesu bywają niepełne, co utrudnia ocenę jakości i powtarzalności wyników.

Podsumowanie

GenAI jest obecnie intensywnie testowana jako narzędzie wspierające uczenie się zespołowe, najczęściej w roli repozytorium informacji oraz nauczyciela, rzadziej jako pełnoprawny członek zespołu. Narzędzia te potrafią wspierać różne aspekty współpracy, od dostarczania wiedzy, przez inicjowanie refleksji, po regulowanie udziału uczestników. Jednocześnie wiele rozwiązań wciąż opiera się na ludzkiej inteligencji w projektowaniu kryteriów oceny i reguł działania, co sugeruje, że skuteczne wsparcie nie powstaje automatycznie „z samego modelu”, lecz wymaga dydaktycznego projektowania.

Autorzy analizowanych prac podkreślają, że przyszłość GenAI w CSCL powinna opierać się na integracji z ugruntowanymi rozwiązaniami wspierania współpracy, a nie na traktowaniu dużych modeli językowych (ang. Large Language Models – LLM) jako samowystarczalnego systemu pedagogicznego. Wskazuje się potencjał w wykorzystaniu GenAI do wzbogacania istniejących skryptów współpracy poprzez dopasowanie języka i kontekstu do grupy, wspieranie elastycznego dostosowywania wsparcia przez samych uczących się oraz ulepszanie analiz danych o współpracy w pipeline’ach diagnostycznych. Jednocześnie zwraca się uwagę na ryzyko błędów, uprzedzeń i stereotypów w generowanych treściach, a także na szersze koszty społeczne i środowiskowe związane z rozwojem i użyciem LLM.

W perspektywie badań konieczne jest bardziej systematyczne testowanie efektów, nie tylko w zakresie wiedzy dziedzinowej, ale również kompetencji współpracy, regulacji emocji, metapoznania i jakości relacji w grupie. Równie istotne jest badanie procesów zachodzących w grupie, ponieważ to one stanowią pomost między narzędziem a efektami uczenia się. Aby tworzyć solidne podstawy dla praktyki edukacyjnej, potrzebne są projekty badawcze o wysokiej rzetelności, z mocnymi warunkami kontrolnymi, kontrolą wdrożenia oraz porównaniami z istniejącymi formami wsparcia. W tym sensie rozwój GenAI w CSCL powinien być procesem „powolnej nauki”, w którym priorytetem jest wiarygodność dowodów i minimalizowanie ryzyka szkód, a nie szybkie wdrożenia oparte na nadziejach.

Źródło:

oecd.org