W jednej z sal wykładowych moskiewskiej uczelni studentka piątego roku, na pół godziny przed upływem terminu, wpisuje w oknie czatu prośbę o analizę przypadku z zakresu marketingu. Sztuczna inteligencja generuje uporządkowany tekst, opatrzony przykładami i źródłami. Dziewczyna koryguje sformułowania i wysyła gotową pracę.
Badanie opublikowane w czasopiśmie Frontiers in Education skupiło się właśnie na takich praktykach. Autorzy przeprowadzili ankietę wśród ponad tysiąca studentów z kilku krajów, analizując sposób, w jaki wykorzystują oni modele generatywne w codziennej nauce. Publikacja nie opisuje jedynie abstrakcyjnych trendów, lecz konkretne scenariusze: od przygotowań do seminariów po pisanie prac zaliczeniowych.
Cały mechanizm opiera się na prostym schemacie. Student formułuje zadanie, otrzymuje wersję roboczą, a następnie porównuje ją z własnymi notatkami i materiałami z wykładów. Kluczowym etapem nie jest kopiowanie, lecz redagowanie treści i weryfikacja faktów. Taki cykl pracy odciąża pamięć operacyjną i pozwala szybciej przejść do fazy analizy zamiast tracić czas na wyszukiwanie informacji. Analogia jest prosta: sieć neuronowa pełni rolę asystenta, który ustawia meble w pokoju, podczas gdy student decyduje, gdzie pozostawić wolną przestrzeń.
Z danych zawartych w badaniu wynika, że około 65% respondentów przynajmniej raz wykorzystało AI do celów akademickich. Pozytywne efekty widać w tempie przygotowań oraz lepszym zrozumieniu skomplikowanych zagadnień. Autorzy zwracają jednak uwagę na pewne ograniczenia: próba badawcza składała się głównie ze studentów kierunków technicznych i ekonomicznych, a dane zbierano tylko przez jeden semestr. Brakuje długofalowych obserwacji dotyczących tego, jak regularne korzystanie z modeli wpływa na głębię krytycznego myślenia.
W tym miejscu ujawnia się szerszy problem. W sytuacji, gdy narzędzie staje się łatwiej dostępne niż konsultacja z wykładowcą, rodzi się nierówność między tymi, którzy potrafią precyzyjnie formułować zapytania, a tymi, którzy traktują AI jako gotowe rozwiązanie. System szkolnictwa wyższego, oparty na weryfikacji samodzielnej pracy, zaczyna tracić punkt odniesienia: co właściwie powinno podlegać ocenie – końcowy rezultat czy proces jego powstawania.
Obecnie kluczowe pytanie nie brzmi, czy należy zezwalać na korzystanie z sieci neuronowych, lecz jak zreformować zadania, aby wymagały one tego, czego AI wciąż nie potrafi zastąpić: własnej opinii oraz odpowiedzialności za dobór argumentacji.
