Kako generativna umjetna inteligencija mijenja nastavu: tri stava profesora s Virginia Techa i šta to znači za obrazovanje i rad

Ključne stavke:

• Tri profesora sa Virginia Techa demonstriraju tri različita pristupa generativnoj AI u učionici: otvoreno integriranje i eksperimentisanje, stroge zabrane za završne zadatke te ograničena, nadzirana upotreba koja naglašava akademsku odgovornost.
• Brzi tehnološki napredak generativnih modela otvara nove mogućnosti za podučavanje i zamjenu izvora učenja, ali istovremeno stvara ozbiljne izazove vezane za autentičnost, lenjost učenika, vlasništvo nad informacijama i potencijalno zloupotrebljavanje u širem društvenom i ekonomskom kontekstu.
• Univerzitetske smjernice često ostavljaju veliku autonomiju profesorima; praktične mjere poput traženja chat-logova, jasno definisanih pravila u nastavnim planovima i evaluacije temeljem stvarnog razumijevanja mogu ublažiti rizike i iskoristiti koristi.

Uvod

Generativna umjetna inteligencija izazvala je intenzivnu debatu u akademskoj zajednici. U kratkom roku, modeli koji stvaraju tekst, slike i video postali su pristupačni studentima i nastavnicima, natjeravši visokoškolsku zajednicu da preispita tradicionalne metode podučavanja i provjere znanja. Različiti akademski profesionalci reagovali su na promjene na načine koji odražavaju njihove discipline, ciljeve učenja i stavove o obrazovnom integritetu. Analiza iskustava i argumenata trojice nastavnika sa istog univerziteta oslikava širu sliku — prednosti i opasnosti, praktične implikacije u nastavnim planovima i šira pitanja povjerenja, vlasništva i društvenog utjecaja. Sljedeći tekst sagledava te perspektive detaljno, preispitujući kako bi obrazovne institucije mogle oblikovati politike i prakse koje balansiraju inovaciju i odgovornost.

Tri različita stava iz jedne institucije

Univerzitetska sredina često pokazuje raznolike odgovore na isti izazov; to je slučaj i s generativnom AI na Virginia Techu. Prvi pristup karakterizira otvorenost i integracija. Profesor psihologije koji se bavi međupovezanošću umjetne inteligencije i radnog okruženja vidi AI kao tutor ili prijatelja koji može pomoći u razumijevanju gradiva, pod uvjetom da se primjena jasno regulira. On prepoznaje da tehnologija može objasniti koncepte i olakšati učenje, ali istodobno upozorava da može i kompletno izraditi zadatak umjesto studenta, pa primjenjuje pravila za primanje vanjske pomoći analogno drugim oblicima asistencije.

Drugi pristup dolazi od instruktora komunikacija koji strogo zabranjuje upotrebu modela poput ChatGPT-a za izradu zadataka i smatra je kršenjem akademskog kodeksa ukoliko se koristi kao zamjena za vlastiti rad. Ovaj pristup razdvaja asistenciju u organizaciji i uređivanju od kreiranja sadržaja: alati za uređivanje i organizaciju su prihvatljivi, dok generativno pisanje nije. Cilj je očuvati vještinu pisanja i osigurati da studenti razvijaju kompetencije koje tržište rada traži, bez posrednika koji obavlja zadatak umjesto njih.

Treći pristup odražava eksperimentalnu, pragmatičnu poziciju. Sociolog je dao dozvolu za ograničene zadatke uz obavezno navođenje AI izvora kako bi procijenio korisnost modela u procesu učenja, no ubrzo je uočio slabosti — generirani odgovori često su površni, bez osobnosti i lako ih je preuzeti bez stvarnog angažmana. Nakon tih iskustava smanjio je dozvoljenu upotrebu, oslanjajući se više na fokus na akademsku odgovornost i na to kako konkretno upotreba AI šteti razvoju vještina učenika.

Pedagoške prednosti i rizici generativne AI

Generativna AI nudi brojne pedagoške mogućnosti. Kao interaktivni alat, može pružiti odmah dostupne objašnjenja, prilagođene primjere i alternativne pristupe rješavanju problema. Kada se koristi promišljeno, može poslužiti kao dodatni resurs koji proširuje dostupnost instrukcija, omogućava individualizirano učenje i ubrzava pristup informacijama koje bi studentima inače bile teže dostupne. Kod specijaliziranih tema sa slabim resursima ili privremenim nedostatkom instruktora, AI može premostiti prazninu i omogućiti kontinuitet nastave.

Međutim, rizici su značajni. Generirani sadržaj često pokazuje tendenciju prema općenitosti i "bezličnosti": modeli biraju najsigurnije, najsrednje pozicionirane odgovore koji mogu ličiti na tzv. "bullet-point" rezime bez dubljeg uvida. To može dovesti do površnog učenja, gdje studenti prihvataju gotove odgovore bez kritičkog preispitivanja. Dalje, postoji etičko i praktično pitanje autentičnosti rada. Ako student preuzme AI generisani tekst bez vlastitog doprinosa, to narušava integritet procesa učenja. Teškoće u detekciji i dokazivanju ove vrste korištenja dodatno kompliciraju nastavni rad i ocjenjivanje.

Još jedan važan rizik je oslonac na model koji može sadržavati netačnosti i izmišljene reference. Generativni modeli ponekad daju uvjerljive, ali pogrešne informacije, a njihova "autoritativnost" može zavarati korisnike koji ne provjeravaju izvore. Zato je razvoj metoda za kritičku analizu outputs od ključnog značaja — studenti moraju naučiti provjeravati, vrednovati i koristiti AI rezultate kao polaznu točku, ne kao konačni autoritet.

Tehničke mogućnosti: dokumentacija, chat-logovi i zamjena izvora

Jedan od argumenata za integraciju AI u nastavu jest sposobnost dokumentiranja procesa u kojem je učenik koristio alat. Dok ljudsko pomagalo teško ostavlja opipljiv trag, interakcija s chat modelom može se arhivirati, čime nastavnici dobiju uvid u tok razumijevanja — kako je pitanje postavljeno, koje su korekcije napravljene i koliko je učenik zapravo intervenisao u konačnom proizvodu. Takav zapis može pomoći pri ocjenjivanju stvarnog razvoja učenika i identifikaciji metoda upotrebe AI koje vode do boljeg razumijevanja gradiva.

Osim toga, pilot projekti pokazuju da u određenim situacijama modeli mogu zamijeniti tradicionalne izvore informacija. Eksperiment u kojem su studenti učili polovinu tjednih ciljeva iz knjige, a polovinu isključivo preko modela kao što je ChatGPT, rezultirao je prolaznošću ispita povezanih s tim ciljevima. To ukazuje da modeli već sada mogu poslužiti kao dopuna ili u nekim slučajevima zamjena za učiteljski materijal, ali važna su ograničenja: ispitivanje razumijevanja, sposobnost primjene znanja u novim kontekstima i kritičko razmišljanje zahtijevaju više od reprodukcije odgovora modela.

Primjer primjene: kurs Structural Equation Modeling i njegova značenja

Specifičan primjer koji ilustrira praktičnu primjenu generativne AI u nastavi odnosi se na kurs koji obrađuje Structural Equation Modeling — kompleksnu statističku metodu koja zahtijeva duboko razumijevanje povezanosti višestrukih varijabli. Zbog odsustva instruktora na kratki rok, odrađen je pilot model u kojem su studenti dobivali tjedne ciljeve; pola tjedana su učili iz udžbenika, a pola ekskluzivno putem AI modela. Studenti su mogli položiti ispita koji su mjerili ishodne ciljeve, što implicira da model može efikasno izložiti konceptualnu supstancu predmeta.

Takav primjer otvara pitanje u kojoj mjeri će edukativni sadržaj ostati zavisan od ljudskih instruktora. Na jednoj strani, sposobnost modela da strukturira i predstavi specijalizirano znanje pruža šansu za pokrivanje predmeta koji su rijetko ponuđeni ili za hitno popunjavanje praznina. S druge strane, postoji rizik smanjenja interakcije koja razvija sposobnosti koje model ne može replicirati: mentorski odnos, vođenje kroz nejasne koncepte, poticanje istraživačkog duha i evaluacija kreativnih rješenja. Konačni zaključak nije jednostavan: modeli mogu unaprijediti pristup znanju, ali nemaju zamjenu za sve aspekte uloge nastavnika.

Upotreba AI u radnom okruženju i priprema studenata

Korištenje generativnih alata sve se više širi izvan akademske sfere i ulazi u svakodnevni radni život. Statistike iz različitih istraživanja pokazuju da znatan dio zaposlenih koristi AI barem povremeno, a velike tehnološke kompanije ulažu stotine miliona u infrastrukturu i razvoj modela. Takav trend postavlja pitanje koliko obrazovni programi trebaju pripremiti studente za korištenje tih alata u praksi: znanja o tome kako upravljati promptovima, kako vrednovati kvalitativne rezultate, kako integrirati AI u radnu produktivnost i kako održavati profesionalne standarde.

Priprema studenata zahtijeva dvojan pristup: razvoj tehničke pismenosti u radu s alatima i jačanje temeljnih vještina koje AI ne može jednostavno zamijeniti, poput kritičkog mišljenja, analitičkog rezonovanja i etičke prosudbe. Nastavnici koji dopuštaju upotrebu AI često naglašavaju potrebu za transparentnim navođenjem izvora i dokumentovanjem procesa kako bi studenti naučili odgovorno koristiti tehnologiju, umjesto da postanu pasivni korisnici.

Etičke dileme, vlasništvo i povjerenje u kompanije koje razvijaju AI

Razvoj i komercijalizacija AI pobuđuju duboka pitanja o tome ko kontrolira znanje i informacije koje dopiru do javnosti. Rasprave oko vlasništva nad ključnim platformama, pitanja profita i motivacije kompanija, kao i pouzdanost informacija koje modeli generišu, centralna su tema u stavovima nastavnika. Skepticizam prema privatnim korporacijama koje upravljaju modelima proizlazi iz straha da komercijalni interesi mogu narušiti kvalitet i neutralnost sadržaja te potaknuti nejednak pristup resursima.

Studije javnog mnijenja i istraživanja stručnjaka ukazuju na to da veliki dio akademske zajednice i javnosti nema visok nivo povjerenja u kompanije da će odgovorno razvijati AI. U tom svjetlu nastavnici i univerziteti traže strateške pristupe: transparentnost u izvorima podataka, mehanizmi odgovornosti i osiguranje da obrazovne institucije zadrže kontrolu nad etičkim standardima i metodologijom učenja.

Tehnološke prijetnje: deepfakeovi, dezinformacije i medijski pejzaž

Napredak generativnog videa i zvuka stvara stvarne prijetnje po javnu informiranost i medijski ekosistem. Primjeri iz prakse, poput viralnih testova koji demonstriraju sposobnost modela da realistično rekonstruiraju poznate ličnosti u potpuno izmišljenim scenarijima, pokazuju koliko brzo se granice između stvarnog i lažnog brišu. Takva tehnologija može imati širok utjecaj: od manipulacije javnim mnijenjem do ometanja pravnog procesa i narušavanja privatnosti.

U obrazovnom kontekstu to znači da studenti moraju steći medijsku pismenost koja uključuje sposobnost razlikovanja provjerenog sadržaja od potencijalno generisanog materijala. Nastavnici bi trebali integrisati vježbe kritičke procjene izvora, prepoznavanja signalnih indikatora lažnih medija i korištenja alata za verifikaciju autentičnosti multimedijalnih materijala. Samo kroz takvu kombinaciju tehničkog i kritičkog znanja moguće je ublažiti negativne posljedice takvog napretka.

Univerzitetska politika i autonomija nastavnika

Univerziteti često balansiraju između potrebe za jedinstvenom politikom i poštovanja akademske autonomije. Neki obrazovni centri nude smjernice umjesto obaveznih pravila, dajući profesorima diskreciono pravo da definišu specifične zahtjeve u svojim predmetima. To može biti prednost jer omogućava prilagodbu metodologije karakteru kolegija; s druge strane, neujednačen pristup može zbuniti studente i otežati provođenje jedinstvenog standarda akademskog integriteta.

Neki nastavnici primjenjuju čvrste zabrane upotrebe generativne AI za završne zadatke, stavljajući to u kontekst akademskog kodeksa, dok drugi dopuštaju asistenciju pod uvjetom transparentnog navođenja i dokumentacije. Rješenja koja kombiniraju jasne smjernice u programima, obavezu navođenja korištenih alata i zahtjev za pokazivanjem procesnog rada predstavljaju kompromis između inovacije i očuvanja standarda.

Lokalne i infrastrukturne kontroverze: data centri i utjecaj na zajednice

Širenje infrastrukture potrebne za rad i obuku velikih modela donosi lokalne izazove. Izgradnja data centara povezana je sa pitanjima potrošnje vode, potrošnje energije, zoniranja i utjecaja na lokalne resurse i zajednice. U jugozapadnoj regiji Virginije reakcije stanovnika na planirane projekte pokazuju koliko su tehnološke ambicije povezane s lokalnim interesima i brigama. Ove kontroverze ukazuju na potrebu strateškog planiranja koje uzima u obzir ekološke aspekte, transparentnu komunikaciju s javnošću i mehanizme za nadzor koji odgovaraju javnim interesima.

Šira rasprava o tome kako globalne tehnološke kompanije investiranjem u AI infrastrukturu utiču na lokalne ekosisteme važna je sastavnica šire strategije odgovornog razvoja. Akademske institucije, građani i lokalne vlasti moraju učestvovati u razgovorima o održivosti i pravednoj raspodjeli troškova i koristi.

Kako profesori mogu oblikovati praktična pravila i modeli integracije

Osmišljavanje jasnih, provodivih pravila u učionici zahtijeva kombinaciju tehničkog znanja, pedagoške svrhe i etičkih standarda. Neki od praktičnih koraka uključuju obavezu navođenja svih eksternih izvora, zahtjev za priloženim chat-logovima ili zapisima interakcije s modelom, te oblikovanje zadataka koji zahtijevaju jedinstvene, refleksivne ili projektno orijentisane odgovore koje se teže automatiziraju.

Evaluacija treba biti orijentisana na demonstraciju razumijevanja kroz primjenu koncepata u novim situacijama, a ne samo na reproduciranje činjenica. Aktivnosti poput oralnih prezentacija, reflektivnih eseja o procesu učenja i zadataka koji uključuju originalno istraživanje smanjuju mogućnost pasivnog oslanjanja na alat. Uvođenje modula koji podučavaju kako se kritički koristi AI, kako se provjeravaju podaci i kako se ocjenjuju rezultati također doprinosi formiranju profesionalne pismenosti studenata.

Budućnost nastave: ravnoteža inovacije i discipline

Postoji jasan konsenzus među ispitanicima: ignorisanje tehnologije nije rješenje, ali ni prihvatanje bez ograničenja nije razumno. Prihvatljiva putanja leži u promišljenoj integraciji koja prepoznaje potencijal alata, dok istovremeno štiti temeljne ciljeve obrazovanja. U tom smislu, obrazovne institucije trebaju ulagati u razvoj politika koje promiču transparentnost, odgovornost i praktično osposobljavanje, a istovremeno osiguravaju da temeljne akademske sposobnosti ostanu neizbrisive.

U konačnom obliku, obrazovanje će se prilagoditi tako da studenti budu sposobni koristiti generativnu AI kao sofisticirani alat, ali ne i kao zamjena za kritičko razmišljanje i integritet. Nastavnici će zadržati ključnu ulogu u vodstvu i ocjenjivanju, ali će također razvijati nove prakse i instrumente koji omogućuju mjerljivu evaluaciju u eri u kojoj su informacije i kreacije često generisane algoritamski.

Česta pitanja:

Pitanje: Da li je korištenje generativne AI uvijek varanje?

Odgovor: Korištenje nije uvijek varanje; razlikuje se ovisno o pravilima nastavnika i namjeni alata — upotreba za organizaciju i uređivanje često se smatra prihvatljivom, dok je preuzimanje generiranog teksta ili rješenja bez doprinosa i navođenja obično protivno akademskom kodeksu.

Pitanje: Kako profesori mogu prepoznati da li je student koristio AI za zadatak?

Odgovor: Otkrivanje je teško, ali kombinacija metoda — zahtijevanje procesne dokumentacije kao što su chat-logovi, zadaci koji traže refleksiju i primjenu znanja u novim kontekstima, te usmena provjera razumijevanja — može značajno pomoći u razlikovanju vlastitog rada od AI asistencije.

Pitanje: Mogu li modeli poput ChatGPT-a zamijeniti udžbenike ili instruktore?

Odgovor: U određenim slučajevima modeli mogu učinkovito izložiti koncepte i poslužiti kao dopuna udžbenicima, pa čak i premostiti privremeni nedostatak instruktora, no oni ne zamjenjuju mentorsku ulogu, podučavanje složenih vještina i stvaranje uvjeta za kritičko i kreativno razmišljanje.

Pitanje: Kako studenti trebaju dokumentovati upotrebu AI alata u radu?

Odgovor: Studenti bi trebali jasno navesti korištene alate, priložiti chat-logove ili sažetak interakcije i opisati kako su integrisali ili izmijenili dobiveni sadržaj, čime se pokazuje proces učenja i odgovornost u korištenju resursa.

Pitanje: Koje su najčešće slabosti generativnih modela u obrazovanju?

Odgovor: Najčešće slabosti uključuju sklonost prema općenitim, bezličnim odgovorima, mogućnost generisanja netačnih informacija, i rizik da učenici postanu pasivni korisnici bez dubljeg razumijevanja ili kritičke evaluacije rezultata.

Pitanje: Treba li univerzitet imati jedinstvenu politiku o AI?

Odgovor: Jedinstvena univerzitetska politika može pružiti jasna očekivanja, ali fleksibilnost i autonomija nastavnika omogućavaju prilagodbu strategija specifičnostima kolegija; optimalan pristup kombinira smjernice na institucijskom nivou s jasnim pravilima na nivou predmeta.

Pitanje: Kako se studentska spremnost za tržište rada povezuje s upotrebom AI?

Odgovor: Poznavanje rada s AI alatima postaje konkurentna prednost, ali poslodavci također traže temeljne vještine koje AI ne može replicirati; uspješna priprema uključuje učenje praktične upotrebe tehnologije i razvoj analitičkih, komunikacijskih i etičkih kompetencija.

Pitanje: Šta su najveće društvene ili ekonomske brige vezane za razvoj AI?

Odgovor: Glavne brige su koncentracija moći u rukama velikih kompanija, profitni motiv koji može narušiti kvalitetu i transparentnost, utjecaji na radna mjesta i neravnomjerna distribucija koristi, te ekološki i lokalni utjecaji izgradnje infrastrukture potrebne za treniranje i održavanje modela.