Czy AI może napisać pracę, zanim student stanie się badaczem?
SEMINARIUM HUMAN+AI · IALE · WARSZTAT BADACZA
Rozmowa Macieja Kaweckiego z prof. Maciejem Dunajskim skłania do namysłu nad przyszłością kształcenia akademickiego. Jeżeli sztuczna inteligencja coraz sprawniej uczestniczy w rozwiązywaniu problemów naukowych, musimy uważniej przyglądać się temu, czego podczas tej współpracy uczy się człowiek. Pytanie to dotyczy również seminariów dyplomowych i badań w penitencjarystyce.
PYTANIE PRZEWODNIE
Których doświadczeń badawczych student nie powinien omijać, jeśli ma rozwijać samodzielny osąd?
Gdy wynik wyprzedza rozumienie
Matematyka może wydawać się odległa od pedagogiki i penitencjarystyki. Jednak pytania o kształcenie młodych matematyków prowadzą do problemu, z którym mierzy się także promotor pracy licencjackiej lub magisterskiej: jak rozpoznać, że powstający tekst jest świadectwem rozwoju jego autora?
Rozmowa z Maciejem Dunajskim, odczytana przez pryzmat przygotowanej na jej podstawie notatki NotebookLM, zwróciła moją uwagę na znaczenie badawczego terminowania. Młody człowiek zdobywa wiedzę, próbując rozwiązać problem, popełniając błędy i sprawdzając, dlaczego wybrana droga nie prowadzi do celu. Uczy się wtedy czegoś więcej niż sposobu uzyskania odpowiedzi. Rozwija zdolność oceny własnego rozumowania.
Jeśli technologia skraca drogę do wyniku, powstaje ważne pytanie pedagogiczne: które doświadczenia możemy pominąć, a które są niezbędne, aby nauczyć się samodzielnie badać?
Przełom wymaga precyzji
Konkretnym tłem tej dyskusji są prace nad równaniami Naviera–Stokesa. We wrześniu 2026 roku OpenAI ogłosiło wynik dotyczący powstawania osobliwości w trójwymiarowym przepływie płynu przy działaniu gładkiej siły zewnętrznej. Firma udostępniła opis dowodu oraz jego formalizację w Lean. Według jej komunikatu poszukiwanie rozwiązania zajęło systemowi agentów około 88 godzin, a formalizacja i weryfikacja kolejne 17 godzin.[1]
Warto odróżnić ten komunikat od zakończenia procedury oceny osiągnięcia. Clay Mathematics Institute w oświadczeniu z 11 września przyjęło ogłoszenie z zainteresowaniem, podkreślając znaczenie dalszej analizy i spokojnego procesu oceny.[2] Nie należy też łączyć wszystkich prac OpenAI i badaczy korzystających z modeli Anthropic w jeden wspólny projekt: komunikat OpenAI rozróżnia ich wyniki dotyczące równań Naviera–Stokesa i Eulera.[1]
Lean jest asystentem dowodzenia umożliwiającym formalne sprawdzanie dowodów.[3] Taka weryfikacja ma ogromną wartość. Nadal pozostaje jednak zadanie wyjaśnienia znaczenia wyniku i jego związku z pytaniami danej dziedziny. Dla edukacji równie istotne jest to, czy uczący się człowiek rozumie argumentację i potrafi z niej korzystać.
Czego uczy nieudana próba?
Nie chcę bronić żmudnej pracy tylko dlatego, że dawniej była konieczna. Wiele czynności można przyspieszyć, a odzyskany czas przeznaczyć na głębsze pytania. Trzeba jednak rozpoznawać wysiłek, który buduje rozumienie.
Student może samodzielnie przeczytać tekst i zauważyć, że jego początkowa interpretacja była zbyt uproszczona. Może przygotować pytania do wywiadu, a następnie odkryć, że część z nich sugeruje respondentowi odpowiedź. Może również porównać własne wnioski z materiałem i zobaczyć, że dane nie uzasadniają tak mocnej tezy. Każde z tych doświadczeń rozwija warsztat badacza.
AI może pomóc dostrzec problem, zaproponować alternatywę i zakwestionować rozumowanie. Jeśli jednak student przyjmie gotową propozycję bez sprawdzenia jej podstaw, dobrze napisany fragment pracy może ukryć lukę w jego rozumieniu.
Sześć doświadczeń rozwijających osąd
Na potrzeby seminarium wskazałbym sześć doświadczeń, w których student podejmuje decyzję, sprawdza jej podstawy i rozważa konsekwencje:
- Sformułowanie i uzasadnienie problemu. Rozpoznanie, co warto zbadać i dlaczego.
- Bezpośredni kontakt ze źródłem lub materiałem. Odróżnienie treści materiału od jego interpretacji.
- Wybór metody i rozważenie alternatyw. Zrozumienie możliwości i ograniczeń wybranego sposobu badania.
- Nieudana próba i korekta rozumowania. Zmiana stanowiska pod wpływem dowodów i krytyki.
- Konfrontacja konkurencyjnych interpretacji. Ocena argumentów i praca z niepewnością.
- Obrona wniosków i określenie ich ograniczeń. Odpowiedzialność za własne twierdzenia.
AI może uczestniczyć w każdym z tych doświadczeń. Student powinien jednak zachować udział w rozstrzyganiu i potrafić wyjaśnić podstawy swojej decyzji. Zakres delegowania warto zmieniać wraz z rozwojem jego kompetencji.
Promotor i widoczny proces myślenia
W tej sytuacji zadaniem promotora jest również organizowanie okazji do ujawnienia myślenia dyplomanta. Potrzebujemy rozmowy o decyzjach: dlaczego wybrał ten problem, co uznał za istotne w literaturze, jak uzasadnia metodę i jakie ograniczenia widzi we własnych wnioskach.
Sama deklaracja korzystania z AI jest niewystarczająca. Ważniejsze jest pokazanie, co student zrobił z otrzymaną sugestią. Czy ją zweryfikował? Czy dostrzegł jej słabości? Czy zmienił ją pod wpływem danych?
Pomocny może być krótki dziennik decyzji badawczych: problem, propozycja AI, sposób sprawdzenia, decyzja studenta i jej uzasadnienie. Taki zapis pozwala rozmawiać o rozwoju osądu oraz o rzeczywistym wkładzie autora.
IALE: współpraca, która rozwija człowieka
W modelu IALE partnerstwo Human+AI wiążę z architekturą wiedzy, hybrydową kreatywnością, odpornością i suwerennością relacyjną oraz odpowiedzialnością etyczną. Na seminarium oznacza to umiejętność powiązania pojęć z problemem, twórczego rozważania alternatyw, zachowania własnego stanowiska i ponoszenia odpowiedzialności za treść pracy.
Pytanie o delegowanie czynności AI trzeba więc uzupełnić pytaniem o cel uczenia się. Jeżeli student dopiero uczy się interpretować materiał, warto zaplanować najpierw jego własną próbę. Później może porównać ją z propozycją modelu i uzasadnić różnice. W ten sposób AI uczestniczy w doświadczeniu badawczym, a student zachowuje aktywną rolę.
Tak rozumiana współpraca wymaga świadomego projektowania kolejności działań. To, co można powierzyć technologii na jednym etapie rozwoju, na wcześniejszym etapie może być zadaniem niezbędnym do zdobycia kompetencji.
Szczególne pytanie penitencjarystyki
W badaniach penitencjarnych interpretujemy doświadczenia ludzi funkcjonujących w określonych warunkach instytucjonalnych. Nie można przenieść tutaj mechanizmu formalnego sprawdzania dowodu matematycznego. Spójność wypowiedzi wygenerowanej przez AI nie wystarcza do uznania jej za trafne wyjaśnienie rzeczywistości.
Wyobraźmy sobie, że student analizuje anonimowy fragment wywiadu dotyczący uczestnictwa w edukacji podczas izolacji. AI proponuje wyjaśnienie odwołujące się do motywacji. Student musi sprawdzić, czy materiał rzeczywiście je uzasadnia, rozważyć bariery organizacyjne i uwzględnić granice własnej interpretacji. Dopiero takie postępowanie nadaje propozycji modelu wartość badawczą.
Rozmowa o przyszłości matematyki prowadzi mnie zatem do konkretnego pytania promotorskiego: jakie doświadczenia powinien przejść mój student, aby mógł odpowiedzialnie podpisać pracę swoim nazwiskiem?
Chcę, aby współpraca z AI pomagała studentom tworzyć wartościowe prace i rozwijała ich zdolność rozumienia, wybierania, nadawania sensu oraz uzasadniania własnych decyzji. To właśnie te zdolności nadają znaczenie edukacji akademickiej w modelu Human+AI.
Pytanie na seminarium: Którego doświadczenia badawczego nie powinienem delegować AI na obecnym etapie mojego rozwoju?
Zadanie: Opisz jedną sugestię AI, którą przyjąłeś, zmieniłeś lub odrzuciłeś. Wskaż, jak ją sprawdziłeś i czego nauczyła Cię ta decyzja.
Źródła i inspiracja
Inspiracją do tekstu była rozmowa Macieja Kaweckiego z prof. Maciejem Dunajskim oraz opracowana na jej podstawie notatka NotebookLM. Tekst nie jest transkrypcją wywiadu. Wnioski dydaktyczne stanowią interpretację z perspektywy IALE.
- OpenAI, On the Navier–Stokes Millennium Prize Problem, 8 września 2026.
- Clay Mathematics Institute, Navier-Stokes Announcement, 11 września 2026.
- Lean, Opis języka i asystenta dowodzenia.
Nota: tekst przygotowany w dialogu Human+AI. Stan przywołanych komunikatów sprawdzony 2 października 2026 roku.