Jak AI może dostosowywać trudność zadań

Uczeń poprawnie odpowiada na pytanie, a następne zadanie nagle okazuje się ponad jego siły. Inny długo pracuje nad prostym ćwiczeniem, choć dobrze rozumie zasadę: zatrzymało go nieznane słowo w warunku. Obie sytuacje pokazują, dlaczego trudności nie można sprowadzić do jednej liczby. Aby dobierać zadania edukacyjne, trzeba widzieć, jakie konkretnie działanie sprawia trudność i co warto zmienić.

AI może szybko przygotować warianty jednego zadania: krótszy warunek, inne dane, dodatkowe wsparcie lub nowy kontekst. Sama szybkość generowania nie czyni jednak nauki adaptacyjną. Przydatne dostosowanie wiąże zmianę zadania z konkretną odpowiedzią ucznia. W tym artykule omówimy proces na przykładzie czytania wykresów i tabel. Przytoczone scenariusze są autorskimi modelami pracy, a nie wynikami testowania określonego serwisu.

Trudność ma kilka wymiarów

Zadanie może stawać się trudniejsze przez liczbę kroków, zakres danych, nowość kontekstu, formę prezentacji lub potrzebę samodzielnego wyboru sposobu. Te zmiany nie są równoważne. Dłuższy tekst nie musi wymagać głębszego myślenia, a krótkie pytanie może zawierać złożone przejście logiczne. Dlatego przed dostosowaniem warto wskazać wymiar, który zamierzasz zmienić, i wyjaśnić, dlaczego właśnie on wiąże się z celem nauki.

Przy czytaniu wykresu można zachować te same dane, lecz usunąć bezpośrednie pytanie o największą wartość i poprosić o sformułowanie ostrożnego wniosku. Rośnie tutaj samodzielność interpretacji. Inny wariant to dodanie kolejnych dziesięciu kategorii przy zachowaniu prostego szukania maksimum. Zwiększa to zakres przeglądania, ale nie musi zmieniać umiejętności dziedzinowej. Trzeba wyjaśniać AI tę różnicę, zamiast tylko prosić o „utrudnienie”.

Najpierw ustal cel nauki

Cel powinien opisywać działanie widoczne w pracy. Na przykład porównać dwie grupy według tego samego wskaźnika i nie wyciągnąć wniosku niewspieranego przez dane. Jeśli zamiast tego napisze się „lepiej rozumieć statystykę”, niemal każde ćwiczenie wyda się właściwe. Jasny cel pomaga sprawdzić, czy dostosowany wariant nadal ćwiczy potrzebną umiejętność, a nie niezauważalnie przechodzi do innego tematu.

Zalecenia Carnegie Mellon dotyczące zgodności oceniania i celów są przydatne także w takim doborze. Najpierw określa się wynik, a następnie sposób jego zademonstrowania. W naszym scenariuszu oznacza to zachowywanie kluczowego działania przy zmianie wsparcia. Jeśli uczeń ma nauczyć się interpretować wykres, pełne zastąpienie go gotowym wnioskiem słownym usuwa właśnie to, co należało wykonać.

Przyjrzyj się próbie przed zmianą zadania

Dostosowanie wymaga informacji o wykonaniu. Poproś ucznia o pokazanie odpowiedzi i krótkie wyjaśnienie jednego ważnego kroku. Jeśli się pomylił, nie spiesz się z obniżaniem poziomu całego tematu. Być może błędnie odczytano jednostki, pomylono grupy lub zastosowano niewłaściwe kryterium. Każda przyczyna wymaga innej zmiany. Ogólne oznaczenie „trudno” nie daje wystarczającej podstawy osobistej ścieżki.

AI widzi tylko dostępny materiał i może pomylić się w interpretacji. Dlatego poproś o oddzielenie obserwacji od założenia. Obserwacja: uczeń porównał łączne liczebności w grupach różnej wielkości. Założenie: być może nie uwzględnia roli udziału. Następne krótkie pytanie powinno sprawdzić tę wersję. Jeśli przyczyna jest inna, unikniesz niepotrzebnego powtarzania i precyzyjniej dobierzesz wsparcie.

Zmieniaj jeden istotny warunek

Gdy jednocześnie uprości się liczby, skróci tekst i doda gotowy sposób, udana odpowiedź niewiele wyjaśni. Nie wiadomo, jaka zmiana pomogła. W obserwacji edukacyjnej wygodniej zmieniać jeden główny parametr. Na przykład zachować dane, lecz wyjaśnić jednostki miary. Albo zachować warunek i zaproponować tabelę zamiast zwartego akapitu. Można wtedy zobaczyć, gdzie konkretnie była przeszkoda.

Nie oznacza to, że złożoną sytuację zawsze trzeba analizować laboratoryjnie. W rzeczywistej nauce czasem trzeba od razu przywrócić kilka źródeł oparcia. Wtedy jednak wniosek powinien pozostawać ostrożny: zadanie wykonano z kompleksową pomocą. Do sprawdzenia samodzielności potrzebna jest później nowa próba. Dostosowanie powinno pomagać w nauce i zarazem zachowywać uczciwość co do tego, co konkretnie pokazał wynik.

Przykład z grupami różnej wielkości

Hipotetyczna tabela opisuje dwie grupy edukacyjne. W pierwszej zadanie ukończyło osiemnastu z dwudziestu uczestników, w drugiej — dwudziestu czterech z czterdziestu. Pytanie, gdzie udział ukończenia jest wyższy, wymaga uwzględnienia wielkości grupy. Jeśli uczeń wybiera drugą wyłącznie z powodu większej liczby ukończeń, następne działanie powinno wyjaśnić różnicę między liczbą bezwzględną a udziałem.

Nie trzeba od razu podawać wzoru i pełnego obliczenia. Najpierw można zapytać, czy sprawiedliwe jest porównywanie liczby bez uwzględnienia ogólnej liczebności. Jeśli to nie wystarcza, zaproponuj prostszy przypadek z dziesięcioma uczestnikami w każdej grupie, a potem przywróć różne mianowniki. Po wyjaśnieniu podaj nowe liczby. Sukces we wcześniejszym przykładzie mógł opierać się na dopiero otrzymanej podpowiedzi, więc nowe zadanie pełni osobną rolę.

Dodawaj wsparcie bez zastępowania rozwiązania

Wsparciem może być wyróżnienie znanych wielkości, podpisanie osi, krótki słowniczek lub częściowo wypełniony schemat. Pomaga zacząć potrzebne działanie, lecz nie powinno niezauważalnie wykonywać go w całości. Jeśli zadanie polega na wyborze wskaźnika, podpowiedź „oblicz udział” zawiera już główną decyzję. Taką pomoc można wykorzystać podczas nauki, lecz należy zaznaczyć jej rolę i później sprawdzić wybór bez niej.

EEF opisuje stopniowe zapewnianie wsparcia w samodzielnej nauce. Dla naszego zadania praktyczny wniosek polega na wiązaniu wsparcia z konkretną potrzebą. Nie wszyscy uczestnicy muszą otrzymywać jednakową liczbę podpowiedzi, lecz każdy powinien mieć zrozumiałą drogę do wykonania działania docelowego. Wsparcie nie jest oceną zdolności człowieka ani stałym statusem w kursie.

Zwiększaj trudność merytorycznie

Po kilku poprawnych odpowiedziach można zmienić kontekst, usunąć nazwę potrzebnego sposobu lub dodać konieczność uzasadnienia wniosku. Na przykład uczeń porównuje już udziały, a teraz powinien wyjaśnić, dlaczego większy udział nie dowodzi lepszej jakości nauczania. Taki wniosek wymaga innych informacji. To merytoryczne utrudnienie, ponieważ dodaje sprawdzenie granic interpretacji, a nie tylko zwiększa liczby.

Nie zwiększaj jednocześnie trudności przedmiotowej i językowej bez potrzeby. Zawiły warunek może ukryć, czy uczeń opanował nowy krok. Poproś AI o zachowanie jasnego języka i zmianę tylko potrzebnego wymagania. Po wygenerowaniu sprawdź, czy nie pojawiły się dodatkowe podstawy wstępne. Model może utrudnić zadanie przez pojęcia, których jeszcze nie było w kursie.

Nie stosuj uniwersalnego progu sukcesu

Reguła „trzy poprawne odpowiedzi — następny poziom” jest wygodna, lecz nie pasuje automatycznie do dowolnej umiejętności. Trzy niemal identyczne przykłady mogą pokazywać rozpoznawanie szablonu. Jedna trudniejsza praca może obejmować kilka działań. Kryterium przejścia należy określać zgodnie z celem: samodzielne wykonanie charakterystycznego przypadku, wyjaśnienie rozwiązania i sprawdzenie na innym materiale, jeśli kurs tego potrzebuje.

Jeśli stosujesz prostą regułę lokalną, nazwij ją roboczym ustaleniem. Nie przedstawiaj jej jako naukowo ustalonej granicy przyswojenia. AI może pomagać konsekwentnie stosować ustalenie, lecz nie czyni go automatycznie trafnym. Okresowo sprawdzaj, czy przejście rzeczywiście prowadzi do przydatnej następnej praktyki. Gdy uczestnicy regularnie zatrzymują się po formalnie udanym poziomie, warto zrewidować samo kryterium.

Ostrożnie uwzględniaj czas

Powolne wykonanie może oznaczać złożone rozumowanie, potrzebę ponownego przeczytania warunku lub niewygodny sposób wprowadzania odpowiedzi. Nie zawsze świadczy o słabym rozumieniu. Jeśli szybkość nie jest celem nauki, nie stosuj jej jako głównej podstawy upraszczania. Najpierw przyjrzyj się treści odpowiedzi i wyjaśnienia. Człowiek może pracować wolniej, lecz samodzielnie i precyzyjnie wykonywać wszystkie potrzebne działania.

Jeśli czas jest ważny, ćwicz go po sprawdzeniu podstawowej poprawności. Na przykład najpierw uczeń czyta wykres bez ograniczenia, a potem wykonuje podobne zadanie w warunkach zbliżonych do oceniania. Nie mieszaj tych wyników bez wyjaśnienia. Dostosowanie powinno uwzględniać warunki wykonania, inaczej zwykła zmiana formatu będzie wyglądać jak nagłe pogorszenie wiedzy lub nieuzasadniona poprawa.

Dostępność nie jest obniżaniem celu

Powiększona czcionka, alternatywny opis obrazu, wprowadzanie ustne lub dodatkowy czas mogą pomagać pokazać tę samą umiejętność dziedzinową. Nie należy automatycznie zaliczać ich do „łatwego poziomu”. Oddziel wsparcie dostępu od podpowiedzi zawierającej odpowiedź. Przy czytaniu danych ważne jest, by uczeń mógł odebrać materiał, a oceniać należy właśnie porównanie i uzasadnienie określone celem.

Poproś AI o dostosowanie formy bez zmiany treści i sprawdź wynik. Jeśli opis wykresu już wskazuje największą wartość, może ujawnić odpowiedź. Natomiast dokładna tekstowa prezentacja danych pozostawia porównanie uczniowi. Ta różnica wymaga uważnego przeglądu. Automatyczna przeróbka nie gwarantuje równoważności, nawet jeśli oznaczono ją jako wersję dostępną lub uproszczoną.

Prowadź krótką historię decyzji

W dostosowywaniu warto zachowywać zadanie, odpowiedź, udzielone wsparcie i przyczynę następnej zmiany. Nie potrzeba szczegółowego zapisu każdej sekundy. Wystarczy widzieć, dlaczego po określonej próbie pojawiło się nowe oparcie lub trudniejszy kontekst. Prowadzący i uczestnik mogą wtedy sprawdzić logikę ścieżki. Jeśli zmiana nie ma zrozumiałej przyczyny, warto ją zrewidować, zamiast wyjaśniać magiczną personalizacją.

Dawne założenia trzeba aktualizować. Jeśli uczeń później samodzielnie wykonuje nowe zadania, oznaczenie początkowej potrzeby nie powinno wyznaczać całej dalszej ścieżki. Nauczanie adaptacyjne opisuje aktualną interakcję z materiałem. Nie powinno utrwalać człowiekowi stałego poziomu trudnego do zmiany przez wczesny błąd, przypadkową odpowiedź lub niedoskonałą interpretację automatyczną.

Tryb nauki nie oznacza systemu pomiarowego

Study Mode w ChatGPT i narzędzia edukacyjne Gemini mogą wspierać wyjaśnienia i dialog. Istnienie takiego trybu nie oznacza jednak, że serwis przeprowadził standaryzowany pomiar wiedzy. Rozmowa może zmieniać się zależnie od odpowiedzi, lecz wnioski certyfikacyjne wymagają osobnych sprawdzonych procedur i narzędzi.

Do codziennej praktyki wystarczy przejrzysta reguła: co zauważono, co zmieniono i co sprawdzimy dalej. Nie nazywaj ręcznego doboru zadań psychometrycznie zwalidowanym testem adaptacyjnym. Jego korzyść jest inna — pomaga szybciej przygotować właściwe działanie edukacyjne. Uczciwe określenie możliwości czyni takie narzędzie bardziej zrozumiałym dla uczestnika i pozwala prowadzącemu interweniować tam, gdzie trzeba.

Sprawdzaj równoważność wariantów

Dwa zadania o tej samej nazwie tematu mogą wymagać różnego zakresu pracy. W jednym wszystkie dane podano wprost, w drugim trzeba znaleźć je wśród zbędnych informacji. Porównując oceny bez uwzględnienia tego, można wyciągnąć błędny wniosek o postępie. Poproś AI o opisanie wymagań każdego wariantu, a potem sprawdź je samodzielnie względem celu nauki i rzeczywistych odpowiedzi.

W osobistej praktyce pełna równoważność statystyczna nie zawsze jest potrzebna. Ważne jest jednak niewyolbrzymianie precyzji porównania. Można powiedzieć, że uczeń skutecznie wykonał nowy rodzaj zadania z mniejszym wsparciem. Jest to konkretniejsze i uczciwsze niż ogłaszanie wzrostu ogólnego poziomu o określony procent na podstawie dwóch niesprawdzonych zestawów. Jakość wniosku zależy od jego zgodności z dostępnymi danymi.

Pozostawiaj miejsce na wybór ucznia

Uczeń może wiedzieć o trudnościach coś niewidocznego w odpowiedzi. Zaproponuj mu wybór między krótkim wyjaśnieniem, przykładem i nową próbą, jeśli wszystkie warianty są właściwe. Następnie sprawdź wynik. Taki wybór nie oznacza, że każde życzenie automatycznie wyznacza ścieżkę. Dodaje informacje i pomaga człowiekowi uczyć się precyzyjniej prosić o wsparcie, rozumiejąc własne zadanie edukacyjne.

Jeśli uczestnik stale wybiera tylko najłatwiejsze warianty, omów kryterium zakończenia i następne samodzielne działanie. Jeśli przeciwnie, dąży do zbyt trudnego, pomóż dostrzec wymagania wstępne. AI może proponować alternatywy, lecz nie powinna potajemnie kierować ścieżką bez wyjaśnienia. Przejrzystość jest szczególnie ważna, gdy system zmienia zadania tak, że uczeń nie rozumie już, co konkretnie ćwiczy i dlaczego.

Przygotuj polecenie, które można sprawdzić

Spróbuj takiego sformułowania: „Oto cel, zadanie i odpowiedź ucznia. Wskaż konkretną obserwację i możliwą przyczynę błędu. Zaproponuj jedno krótkie pytanie do sprawdzenia przyczyny. Następnie stwórz wariant ze wsparciem i wariant do samodzielnej próby. Zachowaj cel merytoryczny, nie dodawaj nowych pojęć i wyjaśnij, jaki parametr trudności zmieniono”. Takie polecenie uwidacznia zamysł redakcyjny jeszcze przed wykorzystaniem materiału.

Przejrzyj oba warianty i wykonaj je samodzielnie. Czy danych wystarcza? Czy klucz jest poprawny? Czy wsparcie nie ujawnia więcej, niż planowano? Jeśli model zaproponował inny wynik dziedzinowy, przywróć początkowy cel. Nawet dobrze sformułowane polecenie nie znosi potrzeby sprawdzenia, lecz pomaga znaleźć konkretne miejsce do poprawienia zamiast ogólnej oceny „to zbyt łatwe”.

Sprawdź transfer po dostosowanej serii

Po kilku ćwiczeniach ze wsparciem zaproponuj nowe całościowe zadanie. Niech uczeń sam określi potrzebny sposób i wyjaśni wniosek. Jeśli działanie udaje się tylko w znajomej formie, dostosowanie nie zakończyło jeszcze pracy. Być może trzeba zmienić kontekst lub usunąć powierzchowną podpowiedź. Nie spiesz się z podwyższaniem wszystkich parametrów naraz: nowa próba powinna sprawdzać konkretne przejście do samodzielności.

Warto także wrócić do zasady później. Sukces od razu po wyjaśnieniu nie daje pełnego obrazu dostępności wiedzy. Późniejszy błąd nie znosi jednak wcześniejszego postępu, lecz pokazuje potrzebę następnej praktyki. Zachowuj opis konkretnego działania i warunków, by ścieżka adaptacyjna pozostała historią nauki, a nie naprzemiennym przydzielaniem dowolnych etykiet „mocny” i „słaby”.

Pilotaż na jednym fragmencie nauki

Przed przebudową całego kursu wybierz jeden temat, w którym dobrze rozumiesz typowe błędy. Na przykład czytanie wykresów. Przygotuj zadanie podstawowe, wariant z dodatkowym wsparciem i wariant z nowym warunkiem. Dla każdego zapisz, jakie konkretnie działanie powinien wykonać uczestnik. Jeśli nie potrafisz wyjaśnić różnicy między tymi działaniami, trzy wersje różnią się na razie formą, a nie przemyślaną trudnością.

Poproś model o zaproponowanie możliwych przejść między wariantami, lecz sprawdź je na papierze. Uczestnik pomylił oś z legendą: czy naprawdę potrzebne jest łatwiejsze zadanie, czy wystarczy wyjaśnienie oznaczeń? Uczestnik poprawnie odczytał wykres, lecz wyciągnął nadmierny wniosek: czy pomoże nowy wykres, czy potrzebne jest pytanie o granice danych? Jedna błędna odpowiedź może ukrywać różne trudności, więc ścieżka powinna pozostawiać możliwość doprecyzowania.

Pilotaż warto zakończyć krótką rozmową. Zapytaj, w którym momencie pomoc stała się właściwa, a kiedy przeszkodziła w myśleniu. Osobno sprawdź, czy nie było przejścia odbieranego jako kara. Ta informacja zwrotna nie zastępuje wyników pracy, lecz pomaga zrozumieć niedogodności samej procedury. Czasem wystarczy zmienić sformułowanie wiadomości, by dostosowanie stało się bardziej przejrzyste i spokojniejsze.

Pozostaw wspólne zadanie kontrolne

Gdy uczestnicy idą różnymi ścieżkami, prowadzący potrzebuje wspólnego punktu porównania. Może to być niewielkie zadanie na końcu tematu sprawdzające główny efekt uczenia się według jednakowych kryteriów. Nie musi być identyczne pod względem liczb lub fabuły. Ważne, by w każdym przypadku człowiek wykonywał to samo działanie merytoryczne i miał porównywalne warunki do jego zademonstrowania.

Na przykład po pracy z różnymi wykresami każdy formułuje jeden uzasadniony wniosek i jedno twierdzenie, którego dane nie pozwalają wyciągnąć. Widać tu nie liczbę przebytych ekranów, lecz umiejętność odróżniania obserwacji od domysłu. Jeśli uczestnik skutecznie wykonuje to zadanie po prostszej gałęzi, nie ma podstaw do umniejszania wyniku z powodu dłuższej drogi. Jeśli trudna gałąź zakończyła się nieudanym wnioskiem, samo jej przejście nie dowodzi opanowania tematu.

Wspólny punkt pomaga także sprawdzić sam system. Jeśli dana gałąź stale prowadzi do tego samego błędu, przejrzyj jej wyjaśnienia i przykłady. Być może niechcący uczą wąskiego szablonu. Poprawiaj ścieżkę, a nie przypisuj problemu wszystkim uczestnikom, którzy z niej skorzystali. Zadanie adaptacyjne także jest materiałem edukacyjnym wymagającym weryfikacji redakcyjnej i metodycznej.

Co robić, gdy model wybrał błędny poziom

Wyobraźmy sobie, że AI po krótkiej odpowiedzi proponuje powrót do podstaw, choć uczestnik po prostu nie zapisał rozumowania pośredniego. Przydatna reakcja to prośba o wyjaśnienie toku myśli lub zaproponowanie jeszcze jednego porównywalnego przykładu. Nieprzydatna — utrwalenie człowiekowi stałego oznaczenia „poziom początkowy”. Wniosek powinien dotyczyć konkretnej próby i pozostawać otwarty na nowe dowody.

Zawczasu przewidź prosty sposób zakwestionowania przejścia: „Uważam, że potrafię wykonać następny wariant; oto moje wyjaśnienie”. Nie oznacza to automatycznego zgadzania się z każdą samooceną. Oznacza danie uczestnikowi możliwości pokazania wiedzy w inny sposób. Po sprawdzeniu można przejść dalej, pozostawić bieżącą praktykę lub wspólnie określić dokładną lukę.

Przy pierwszym uruchomieniu prowadzący powinien przejrzeć kilka pełnych ścieżek, w tym nieudane. Zobacz, czy istnieje wyjście z powtarzania, czy zadania nie zawężają się bez potrzeby i czy zachowano początkowy cel. Taki przegląd pokazuje jakość adaptacji znacznie lepiej niż atrakcyjny schemat rozgałęzień. Dobra ścieżka pomaga człowiekowi iść naprzód, a jej logikę można wyjaśnić zwykłymi słowami.

Jak zorganizować dostosowanie w kursie

Na kursie w WeStudy można przygotować wspólne zadanie i kilka sprawdzonych wariantów wsparcia. Prowadzący dobiera je według odpowiedzi, a AI pomaga tworzyć wersje robocze i nowe konteksty. Taka organizacja nie wymaga deklarowania automatycznej diagnostyki: jej wartość tkwi w zrozumiałym związku między pracą uczestnika a następnym ćwiczeniem. Kryteria zakończenia pozostają wspólne i możliwe do wyjaśnienia.

LMS WeStudy może przechowywać materiały, próby i komentarze prowadzącego, by ścieżka nauki nie ginęła w osobnych czatach. Warto pokazywać uczestnikowi przyczynę doboru: doprecyzowujemy odczytywanie jednostek, ćwiczymy wybór wskaźnika lub przechodzimy do nowego kontekstu. Dostosowanie staje się wtedy wspólną pracą nad konkretnym działaniem, a ostatecznym punktem odniesienia pozostaje umiejętność wykonywania go samodzielnie.

Źródła i dalsza lektura

• Zalecenia Carnegie Mellon dotyczące zgodności oceniania i celów

  
  

• EEF opisuje stopniowe zapewnianie wsparcia w samodzielnej nauce

  
  

• Study Mode w ChatGPT

  
  

• narzędzia edukacyjne Gemini