Sztuczna inteligencja w edukacji: czy tutorzy AI naprawdę uczą? Dowody, ryzyka i rekomendacje

Od czterdziestu lat pedagodzy próbują odpowiedzieć na pytanie, jak upowszechnić korzyści płynące z indywidualnych korepetycji. Benjamin Bloom opisał w 1984 roku tzw. „problem dwóch sigm”: uczniowie uczeni indywidualnie, z zastosowaniem uczenia opanowania, osiągali wyniki wyższe o około dwa odchylenia standardowe niż uczniowie w tradycyjnej klasie [1]. Skoro nie stać nas na osobistego nauczyciela dla każdego dziecka, nadzieje coraz częściej wiąże się ze sztuczną inteligencją (AI), a zwłaszcza z generatywnymi modelami językowymi, które potrafią prowadzić rozmowę, zadawać pytania i udzielać informacji zwrotnej o każdej porze dnia.

Obraz wyłaniający się z badań jest jednak bardziej złożony niż hasła marketingowe. Najnowsze eksperymenty pokazują, że starannie zaprojektowany tutor AI może przynieść wyraźne korzyści, ale równie rzetelne badania dowodzą, że nieograniczony dostęp do czatbota może osłabiać uczenie się. Niniejszy artykuł przedstawia aktualny stan wiedzy, wskazuje ograniczenia dostępnych dowodów, omawia kontekst polski i europejski oraz formułuje praktyczne rekomendacje dla uczniów, nauczycieli, rodziców i szkół.

Czym właściwie jest „tutor AI”?

Pod tym pojęciem kryją się trzy różne rodzaje narzędzi, które w debacie publicznej bywają utożsamiane. Pierwszym są klasyczne inteligentne systemy tutoringowe (ITS), rozwijane od dekad: prowadzą ucznia krok po kroku przez zadanie, modelują jego wiedzę i dobierają podpowiedzi. Metaanaliza VanLehna wskazała, że takie systemy osiągały efekty zbliżone do tych, które uzyskują korepetytorzy-ludzie (około 0,76 odchylenia standardowego wobec 0,79) [2]. Późniejsza metaanaliza dotycząca nauczania matematyki w szkołach K-12 pokazała jednak znacznie skromniejsze średnie efekty, rzędu od 0,01 do 0,09 [3], co przypomina, że wyniki zależą od kontekstu, wieku uczniów i sposobu porównania.

Drugim rodzajem są chatboty ogólnego przeznaczenia, takie jak popularne asystenty konwersacyjne, które nie powstały z myślą o uczeniu się, lecz o udzielaniu pomocnych odpowiedzi. Trzecim są narzędzia edukacyjne oparte na modelach językowych, których zachowanie ograniczono pedagogicznie: nie podają gotowych rozwiązań, zadają pytania naprowadzające, odwołują się do sprawdzonych materiałów. Raport OECD z 2026 roku wyraźnie rozróżnia narzędzia ogólnego przeznaczenia od tych zaprojektowanych do nauki i podkreśla, że to rozróżnienie ma kluczowe znaczenie dla efektów [4]. Przegląd możliwości i wyzwań związanych z dużymi modelami językowymi w edukacji przedstawili także Kasneci i współautorzy [5].

Co pokazują badania: dowody na korzyści

Przegląd systematyczny w szkołach. Zespół Létourneau przeanalizował 28 badań obejmujących łącznie 4597 uczniów szkół K-12. Wnioski są ostrożne: wpływ ITS na uczenie się jest na ogół dodatni, lecz bywa słabszy przy porównaniu z nieinteligentnymi systemami tutoringowymi. Autorzy zwrócili uwagę, że badania opierały się głównie na układach quasi-eksperymentalnych, a potrzebne są dłuższe interwencje, bardziej zróżnicowane próby i analiza kwestii etycznych [6].

Eksperyment na uniwersytecie. W randomizowanym badaniu z udziałem 194 studentów fizyki na Uniwersytecie Harvarda porównano specjalnie zaprojektowanego tutora opartego na modelu GPT-4 z lekcją aktywizującą prowadzoną przez doświadczonych wykładowców. W układzie naprzemiennym (crossover) każdy student uczył się jednego tematu z tutorem w domu, a drugiego na zajęciach. Mediana wyniku po teście wyniosła 4,5 w grupie z tutorem wobec 3,5 w grupie z zajęć aktywizujących (przy wyniku wyjściowym 2,75), a mediana czasu pracy z tutorem to 49 minut wobec 60-minutowej lekcji. Autorzy podają, że uczący się z tutorem zyskali ponad dwukrotnie więcej oraz deklarowali wyższe zaangażowanie i motywację; wielkość efektu w regresji liniowej oszacowali na 0,63, wskazując, że jest to wartość zaniżona przez efekt sufitu [7]. Warto jednak pamiętać o kontekście: to jeden kurs, kilka dni nauki, studenci jednej z najbardziej selektywnych uczelni świata i narzędzie zbudowane według zasad aktywnego uczenia się, a nie zwykły czat.

Kraj o niskich dochodach. W badaniu Banku Światowego w stanie Edo w Nigerii około 800 uczniów pierwszej klasy szkoły średniej uczestniczyło przez sześć tygodni w popołudniowych zajęciach z języka angielskiego, podczas których nauczyciele prowadzili ich przez interakcje z asystentem Microsoft Copilot (GPT-4). Efekt na łącznym teście wyniósł 0,31 odchylenia standardowego, a na samej znajomości angielskiego 0,23; autorzy szacują, że w przeliczeniu na koszty odpowiada to zyskowi rzędu 1,5-2 lat typowej nauki w tamtejszym systemie. Największe efekty odnotowano u dziewcząt oraz u uczniów o wyższych wynikach początkowych [8]. To dokument roboczy, a nie publikacja po recenzji, i co istotne, interwencja była prowadzona przez nauczycieli, a nie pozostawiona uczniom.

Wydajność to nie uczenie się

Najważniejsze ostrzeżenie płynie z eksperymentu terenowego przeprowadzonego w tureckim liceum. Blisko tysiąc uczniów ćwiczyło matematykę w trzech warunkach: z podręcznikiem i notatkami (grupa kontrolna), z interfejsem przypominającym standardowy czat GPT-4 oraz z wersją „tutorską”, w której komunikaty systemowe chroniły proces uczenia się (podpowiedzi zamiast gotowych rozwiązań). Podczas ćwiczeń z AI wyniki uczniów rosły, w wersji podstawowej o około 48%. Gdy jednak dostęp do narzędzia odebrano, uczniowie z wersji podstawowej radzili sobie na egzaminie gorzej niż grupa kontrolna (spadek o około 17%). Wersja z zabezpieczeniami w dużej mierze zniwelowała ten negatywny efekt. Analiza zapisów rozmów wykazała, że uczniowie traktowali czatbota jak „kulę u nogi” zastępującą własne myślenie [9]. Autorzy zastrzegają, że badanie dotyczyło jednej szkoły i jednego przedmiotu w czasie, gdy takie narzędzia były jeszcze nowością.

Raport OECD Digital Education Outlook 2026, najobszerniejsza dotąd międzynarodowa synteza dowodów, formułuje to jednoznacznie: generatywna AI może wspierać uczenie się, jeśli kieruje nią jasna myśl dydaktyczna, natomiast „zlecanie” zadań AI bez takiego wsparcia podnosi wyniki zadań, nie przynosząc rzeczywistego postępu w nauce. Zadaniem decydentów jest więc dopilnowanie, aby AI była partnerem w uczeniu się, a nie drogą na skróty; w raporcie wskazano też na ryzyko pogłębienia nierówności cyfrowych i na potrzebę rozwijania narzędzi tworzonych z myślą o edukacji [4].

Ostrożnie z nagłówkami: czego nie należy przeceniać

Dyskusja o AI w szkole obfituje w głośne doniesienia, które nie zawsze wytrzymują próbę czasu. Dobrym przykładem jest metaanaliza z 2025 roku, która raportowała duży dodatni wpływ ChatGPT na wyniki uczniów (g = 0,867) i była szeroko cytowana. Wkrótce po publikacji pojawiły się krytyczne komentarze metodologiczne, a w kwietniu 2026 roku wydawca wycofał artykuł, powołując się na rozbieżności w przeprowadzonej metaanalizie [11]. Wniosek praktyczny: pojedyncza, nawet głośna praca przeglądowa nie jest dowodem rozstrzygającym, a wartość „g” nie mówi nic o jakości badań, z których pochodzi.

Po drugiej stronie sporu znajduje się szeroko komentowany preprint z MIT dotyczący „długu poznawczego” przy pisaniu esejów z pomocą czatbota. Badanie objęło 54 osoby (tylko 18 uczestniczyło w ostatniej sesji), nie przeszło recenzji, a sami autorzy zastrzegają, że wnioski należy traktować jako wstępne [12]. Pojawiły się również komentarze wskazujące na wątpliwości metodologiczne dotyczące analizy EEG i liczebności próby [13]. Zjawisko „odciążenia poznawczego” jest wiarygodną hipotezą, spójną z wynikiem eksperymentu tureckiego, ale zapis aktywności mózgu w kilkunastu osobach nie dowodzi trwałych zmian zdolności poznawczych.

Polski i europejski kontekst

Uczniowie w Polsce korzystają z AI szeroko i często bez przygotowania. Według polskiej edycji badania EU Kids Online 2026, obejmującej reprezentatywną próbę 1502 uczniów w wieku 10-16 lat, prawie 80% badanych miało kontakt z narzędziami generatywnej AI, głównie przy pisaniu tekstów i streszczaniu materiałów. Jednocześnie 62,9% uzyskało niski wynik w teście wiedzy o działaniu algorytmów i mechanizmów platform cyfrowych, a 65% nie potrafiło ocenić, jak AI wpłynie na ich życie [14]. To klasyczna luka między swobodą użytkowania a rozumieniem narzędzia.

Z perspektywy nauczycieli obraz jest zbliżony. Raport NASK oparty na reprezentatywnej próbie 995 nauczycieli klas 4-8 opisuje, jak nauczyciele widzą korzyści i zagrożenia generatywnej AI w pracy szkoły [15]; według omówienia raportu aż 81% nauczycieli szkół podstawowych obawia się, że uczniowie uzależnią się od generatywnej AI [16]. Systemowa odpowiedź zaczyna się dopiero kształtować: reforma „Kompas Jutra” wchodzi od 1 września 2026 roku do klas I i IV szkół podstawowych, a według informacji przedstawionej przez Ministerstwo Edukacji Narodowej Sejmowej Komisji Edukacji i Nauki podstawa programowa obejmuje elementy sztucznej inteligencji, algorytmiki i programowania [17].

Na poziomie europejskim istotne są przepisy rozporządzenia o sztucznej inteligencji (AI Act) [18]. Systemy używane w edukacji do rozstrzygania o dostępie do kształcenia, oceniania wyników nauki czy wykrywania niedozwolonych zachowań podczas egzaminów zaliczono do systemów wysokiego ryzyka. Na skutek tzw. omnibusa cyfrowego, czyli rozporządzenia (UE) 2026/1744 obowiązującego od 27 lipca 2026 roku, termin stosowania obowiązków dla samodzielnych systemów wysokiego ryzyka przesunięto z 2 sierpnia 2026 roku na 2 grudnia 2027 roku [19]. Z kolei wytyczne UNESCO z 2023 roku wskazują na konieczność regulacji, ochrony prywatności i rozważenia limitów wieku dla użytkowników generatywnej AI w szkołach [20].

Rekomendacje praktyczne

Poniższe zalecenia są wnioskami wyprowadzonymi z cytowanych badań i raportów. Nie wszystkie zostały bezpośrednio przetestowane w eksperymentach, dlatego należy traktować je jako rozsądną praktykę opartą na dostępnych dowodach, a nie gotowy przepis.

Dla uczniów i studentów:

• najpierw własna próba – zanim zapytasz AI, spróbuj rozwiązać zadanie samodzielnie, nawet jeśli nie dojdziesz do końca,
• proś o wskazówkę, nie o rozwiązanie – polecenia w rodzaju „podpowiedz pierwszy krok” lub „zadaj mi pytanie naprowadzające” zbliżają narzędzie do tutora zaprojektowanego pedagogicznie,
• sprawdzaj się bez AI – po nauce rozwiąż podobne zadanie bez wsparcia; tylko to pokazuje, czy rzeczywiście się nauczyłeś,
• weryfikuj odpowiedzi – modele językowe popełniają błędy i potrafią brzmieć przekonująco, gdy się mylą.

Dla nauczycieli:

• oceniaj to, co uczeń potrafi bez AI – część sprawdzianów i zadań powinna odbywać się w warunkach, w których wsparcie AI nie jest dostępne,
• używaj AI do wprowadzania materiału, a czas lekcji przeznaczaj na pracę, której narzędzie nie zastąpi – to rekomendacja autorów eksperymentu z Harvardu [7]: rozwiązywanie złożonych problemów, projekty i praca grupowa,
• wybieraj narzędzia edukacyjne z zabezpieczeniami – OECD zaleca preferowanie systemów zaprojektowanych do nauki [4],
• wymagaj śladu własnego myślenia – prośba o uzasadnienie, brudnopis czy krótką rozmowę o rozwiązaniu pozwala odróżnić zrozumienie od skopiowanej odpowiedzi.

Dla rodziców:

• rozmawiaj, jak dziecko używa AI – do wyjaśniania i ćwiczeń czy do odrabiania pracy za nie,
• proś o wytłumaczenie własnymi słowami – to najprostszy test zrozumienia,
• ucz, że AI jest narzędziem – nie zastępuje nauczyciela, rówieśników ani rozmowy z dorosłym.

Dla szkół i decydentów:

• jasne zasady użycia AI – kiedy jest pomocą, a kiedy narusza uczciwość pracy; zasady powinny obejmować także ochronę danych uczniów,
• kształcenie nauczycieli – wskazywane w raportach polskich i międzynarodowych jako warunek skutecznych wdrożeń [4][15],
• ewaluacja przed skalowaniem – pilotaże z grupą porównawczą i testem bez AI po pewnym czasie,
• równy dostęp – ryzyko pogłębienia nierówności jest realne, jeśli korzyści odniosą głównie uczniowie z zasobniejszych środowisk [4].

Ograniczenia obecnej wiedzy

Uczciwy przegląd musi wskazać luki. Większość eksperymentów trwała od kilku dni do kilku tygodni, więc nie wiemy, jak regularne korzystanie z AI wpływa na naukę w perspektywie lat. Dowody pochodzą głównie z matematyki, fizyki i nauki języków, a z polskich szkół praktycznie nie ma jeszcze badań z randomizacją. Narzędzia zmieniają się szybciej, niż publikuje się recenzowane prace, a efekt nowości może zawyżać początkowe wyniki. Część dokumentów powstaje przy udziale producentów technologii, co wymaga krytycznej lektury. Wreszcie, trzeba pamiętać, że wiele badań mierzy wiedzę z jednego testu, a nie trudniejsze do uchwycenia umiejętności, takie jak samodzielność, krytyczne myślenie czy wytrwałość.

Podsumowanie

Dostępne dowody nie uzasadniają ani entuzjazmu, ani paniki. Tutor AI zaprojektowany zgodnie z zasadami dydaktyki, wprowadzany świadomie i oceniany bez AI, może przyspieszać uczenie się, co pokazały eksperymenty w Harvardzie i Nigerii. Z kolei nieograniczony dostęp do czatbota, który podaje gotowe rozwiązania, potrafi podnieść wyniki podczas ćwiczeń i jednocześnie obniżyć wyniki w samodzielnym teście, co udokumentowano w badaniu w tureckim liceum. Różnicę robią projekt narzędzia, rola nauczyciela i sposób sprawdzania efektów, a nie sama obecność technologii.

Ta obserwacja jest zgodna z przekonaniem, które przyświeca Fundacji Lepszy Świat Jakuba Adamczyka: rozwój edukacji, kreatywności i samodzielności wymaga połączenia kilku działań jednocześnie:

• edukacji – budowania kompetencji cyfrowych i krytycznego myślenia u dzieci, młodzieży i dorosłych,
• równego dostępu – troski o to, aby nowe technologie nie pogłębiały różnic między ludźmi w trudniejszej i lepszej sytuacji,
• opierania decyzji na dowodach – rzetelnego sprawdzania, co naprawdę działa, zanim zostanie wdrożone na szeroką skalę,
• wsparcia dla nauczycieli i opiekunów – bo to ludzie, a nie narzędzia, decydują o jakości uczenia się.

Bibliografia i źródła naukowe

1. Bloom, B. S. (1984). The 2 sigma problem: The search for methods of group instruction as effective as one-to-one tutoring. Educational Researcher, 13(6), 4–16. DOI: https://doi.org/10.3102/0013189X013006004
2. VanLehn, K. (2011). The relative effectiveness of human tutoring, intelligent tutoring systems, and other tutoring systems. Educational Psychologist, 46(4), 197–221. DOI: https://doi.org/10.1080/00461520.2011.611369
3. Steenbergen-Hu, S., & Cooper, H. (2013). A meta-analysis of the effectiveness of intelligent tutoring systems on K–12 students’ mathematical learning. Journal of Educational Psychology, 105(4). DOI: https://doi.org/10.1037/a0032447
4. OECD (2026). OECD Digital Education Outlook 2026: Exploring Effective Uses of Generative AI in Education. Paris: OECD Publishing. https://www.oecd.org/en/publications/oecd-digital-education-outlook-2026_062a7394-en.html
5. Kasneci, E., Sessler, K., Küchemann, S. i in. (2023). ChatGPT for good? On opportunities and challenges of large language models for education. Learning and Individual Differences, 103, 102274. DOI: https://doi.org/10.1016/j.lindif.2023.102274
6. Létourneau, A., Deslandes Martineau, M., Charland, P., Karran, J. A., Boasen, J., & Léger, P.-M. (2025). A systematic review of AI-driven intelligent tutoring systems (ITS) in K-12 education. npj Science of Learning, 10, 29. DOI: https://doi.org/10.1038/s41539-025-00320-7
7. Kestin, G., Miller, K., Klales, A., Milbourne, T., & Ponti, G. (2025). AI tutoring outperforms in-class active learning: an RCT introducing a novel research-based design in an authentic educational setting. Scientific Reports, 15, 17458. DOI: https://doi.org/10.1038/s41598-025-97652-6
8. De Simone, M., Tiberti, F., Barron Rodriguez, M., Manolio, F., Mosuro, W., & Dikoru, E. J. (2025). From Chalkboards to Chatbots: Evaluating the Impact of Generative AI on Learning Outcomes in Nigeria. World Bank Policy Research Working Paper 11125. DOI: https://doi.org/10.1596/1813-9450-11125
9. Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26), e2422633122. DOI: https://doi.org/10.1073/pnas.2422633122
10. Soderstrom, N. C., & Bjork, R. A. (2015). Learning versus performance: An integrative review. Perspectives on Psychological Science, 10(2), 176–199. DOI: https://doi.org/10.1177/1745691615569000
11. Wang, J., & Fan, W. (2025). The effect of ChatGPT on students’ learning performance, learning perception, and higher-order thinking: insights from a meta-analysis. Humanities and Social Sciences Communications, 12 (artykuł wycofany 22 kwietnia 2026 r.). Informacja o wycofaniu: Center for Digital Education, Nature Retracts Oft-Cited Paper on Positive Impact of ChatGPT. https://www.govtech.com/education/nature-retracts-oft-cited-paper-on-positive-impact-of-chatgpt
12. Kosmyna, N., Hauptmann, E., Yuan, Y. T. i in. (2025). Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task. arXiv (preprint, bez recenzji): 2506.08872. https://arxiv.org/abs/2506.08872
13. Komentarz metodologiczny do pracy Kosmyna i in. „Your Brain on ChatGPT” (2026). arXiv (preprint): 2601.00856. https://arxiv.org/abs/2601.00856
14. Fundacja Orange, zespół badawczy UAM, UWr i UJ (koordynator: J. Pyżalski) (2026). EU Kids Online 2026. Polska edycja badania (N = 1502). Omówienie: PAP MediaRoom, 24.04.2026: https://www.pap.pl/mediaroom/raport-eu-kids-online-2026-polscy-uczniowie-cyfrowi-tubylcy-tylko-z-nazwy-nowe-dane Raport: https://fundacja.orange.pl/app/uploads/2026/04/raport-eu-kids-online-2026.pdf
15. Pyżalski, J. (red.) (2025). Generatywna sztuczna inteligencja w polskiej szkole. Przecieranie szlaków. Badania ilościowe i jakościowe nauczycieli klas 4–8 szkół podstawowych. Warszawa: NASK – Państwowy Instytut Badawczy. https://cyberprofilaktyka.pl/publikacje/Raport-generatywnaAI.pdf
16. Forsal.pl (17.06.2025). Uczniowie kontra AI: Jakie zagrożenia widzą nauczyciele w korzystaniu z AI? [RAPORT]. https://forsal.pl/lifestyle/edukacja/artykuly/9822541,uczniowie-kontra-ai-jakie-zagrozenia-widza-nauczyciele-w-korzystaniu.html
17. Sejm RP, Komisja Edukacji i Nauki (nr 87), 12 lutego 2026 r. – informacja na temat wykorzystania AI w edukacji i kompetencji cyfrowych uczniów i nauczycieli (zapis posiedzenia). https://api.sejm.gov.pl/sejm/term10/committees/ENM/sittings/87/html
18. Rozporządzenie Parlamentu Europejskiego i Rady (UE) 2024/1689 z dnia 13 czerwca 2024 r. w sprawie sztucznej inteligencji (akt w sprawie sztucznej inteligencji). Dz. U. UE L, 12.07.2024. http://data.europa.eu/eli/reg/2024/1689/oj
19. Rozporządzenie (UE) 2026/1744 (Digital Omnibus on AI), opublikowane 24.07.2026, obowiązujące od 27.07.2026. Omówienie: National Law Review, EU Digital Omnibus on AI Enters Into Force. https://natlawreview.com/article/eu-digital-omnibus-ai-enters-force
20. UNESCO (2023). Guidance for generative AI in education and research. Paris: UNESCO. DOI: https://doi.org/10.54675/EWZM9535

Artykuł ma charakter edukacyjny i nie stanowi porady pedagogicznej, prawnej ani psychologicznej. Przytoczone wyniki badań dotyczą określonych grup i warunków; przed wdrożeniem rozwiązań w szkole lub w domu warto skonsultować się z nauczycielem, pedagogiem lub specjalistą.

Artykuł powstał przy wsparciu narzędzi sztucznej inteligencji (AI) w zakresie opracowania szkicu oraz optymalizacji SEO. Całość została zweryfikowana, uzupełniona i zredagowana przez autora, aby zapewnić najwyższą wartość merytoryczną.