Czym cechuje się wybitność kandydata do tytułu profesora w dyscyplinie pedagogika?

 

(foto moje: Galeria Sztuki APS - prace dyplomowe studentów edukacji artystycznej w APS)

 

Wczoraj odbyła się debata naukoznawcza w Akademii Pedagogiki Specjalnej im. Marii Grzegorzewskiej w Warszawie, która dotyczyła standardów naukowych osiągnięć osób ze stopniem naukowym doktora habilitowanego. Jej seminaryjna forma była zapowiadana w mediach społecznościowych, toteż uczestniczyli w niej akademicy z różnych uczelni w kraju, którzy prowadzą od szeregu lat badania pedagogiczne i jest nadzieja, że jako doświadczeni pedagodzy będą ubiegać się o nominację na tytuł naukowy profesora. 

Wprowadzenia do procedury awansowej dokonała dyrektorka Instytutu Pedagogiki prof. APS dr hab. Aleksandra Tłuściak-Deliowska, otwierając zarazem przestrzeń do wspólnej rozmowy nie tylko o procedurach. Była to już kolejna z cyklu naukoznawczego sesja w APS, którą poprzedzały spotkania odrębnie poświęcone postępowaniom: w sprawie nadania stopnia doktora a następnie doktora habilitowanego.  

Seminarium otworzyła wypowiedź Profesora Jarosława Gary na temat  kluczowej w takim postępowaniu wartości monografii profesorskiej i pozostałych rozpraw naukowych, które powinny cechować się głębszą konstrukcją narracyjną w stosunku do osiągnięć badawczych w okresie przedhabilitacyjnym. Nie bez znaczenia dla rozpoznania wybitnego wkładu w naukę jest autorski charakter dzieła, ale także subiektywne i intersubiektywne aspekty pracy akademickiej kandydatów do profesorskiego awansu.  

Nie ma  jak mówił J. Gara - katalogu powtarzalnych doświadczeń osób po habilitacji, poza ustawowymi wymaganiami, toteż jako pedagog ogólny uważa, że przedstawiane do oceny dzieła muszą być rozpoznawane przez czytelników jako ściśle pedagogiczne, odpowiadające właściwemu dla naszej dyscypliny przedmiotowi badań. Nie wolno pomijać tradycji, kanonu wiedzy, a zarazem dbać o wypracowane przez poprzednie pokolenia uczonych wzorce i etos badań naukowych.           

Profesor Stefan M. Kwiatkowski jako wieloletni recenzent także osiągnięć naukowych kandydatów/ek do tytułu profesora zaproponował dekalog warunków, których spełnienie powinno zapewnić im nominację z rąk Prezydenta RP. Nawiązał także do wypowiedzi prof. Anny Odrowąż-Coates, która podzieliła się znaczeniem i formami aktywnej współpracy pedagogów z zagranicznymi uczelniami, by udział w międzynarodowych konferencjach nie był sprowadzany jedynie do wygłoszenia referatu, ale sprzyjał nawiązywaniu i rozwijaniu trwałych kontaktów badawczych.  

Stefan M. Kwiatkowski mówił zaś o tym, spełnienia jakich kryteriów oczekuje od kandydatów do tytułu profesora, a mianowicie: "1. oryginalności problemu badawczego, 2. istotności naukowej problemu badawczego, 3. znaczącego wkładu w rozwój wiedzy, 4. interdyscyplinarności badań, 5. znajomości literatury  i jej krytycznej analizy, 6. wysokiego poziomu metodologicznego  własnych badań, 7. rzetelności i dochowania procedur w referowaniu wyników badań, 8. unikania nadmiernych uogólnień w interpretacji danych, 9. głębokości interpretacji i 10) spójności konstrukcji monografii profesorskiej".    

Rzeczywiście, największym paradoksem postępowań profesorskich jest to, że negatywnie oceniane są osiągnięcia osób, które spełniają wszystkie formalne, ustawowe warunki bycia wybitnymi uczonymi. W polskiej pedagogice coraz częściej pojawia się sytuacja pozornie paradoksalna, skoro kandydaci do tytułu profesora posiadają dorobek solidny, rozpoznawalny, osadzony w dyscyplinie, a mimo to otrzymują jedną czy nawet dwie recenzje z negatywną konkluzją. 

Nie dlatego, że ich praca jest słaba. Przeciwnie, dlatego, że jest dobra, tyle że — jak wynika z praktyki recenzenckiej — dobra to jeszcze nie znaczy wybitna. Konflikt między solidnością a wybitnością nie jest incydentalny, gdyż ma charakter systemowy i odsłania coś znacznie głębszego niż indywidualne oceny recenzentów. Ujawnia kryzys wspólnego rozumienia tego, czym jest nauka w pedagogice, a nawet - jak pisał o tym w swojej książce profesor prawa Hubert Izdebski:  "Ile nauki jest w nauce".

Jeśli przyjrzeć się uważnie recenzjom, warstwa pozytywna jest wyraźna i powtarzalna. Kandydaci publikują dużo i systematycznie, prowadzą badania przez wiele lat, rozwijają spójne obszary problemowe, są obecni w środowisku krajowym i międzynarodowym, angażują się w dydaktykę, organizację nauki i życie akademickie. Nie są to zatem przypadkowe czy powierzchowne osiągnięcia, ale profile, które w wielu uczelniach akademickich na Zachodzie uznano by za wystarczające do osiągnięcia najwyższych stanowisk.

Można powiedzieć, że osiągnięty zostaje poziom „dobrego uczonego”, rzetelnego, pracowitego, kompetentnego, a jednak stwierdzenie przez recenzenta o wybitności dokonań jawi się jako próg nieoczywisty. Recenzenci wymagają czegoś więcej,  czegoś, co nie zawsze jest jasno nazwane, ale konsekwentnie egzekwowane. Tym „czymś” jest wkład poznawczy rozumiany nie jako suma publikacji, lecz jako przekroczenie istniejącego stanu wiedzy, wprowadzenie nowej kategorii, perspektywy lub modelu, zdolność do wyjaśniania, a nie tylko opisywania zjawisk oraz  budowanie własnego programu badawczego, a nie jego powielanie.

Innymi słowy, nie chodzi o to, ile zostało zrobione, lecz o co została wzbogacona dotychczasowa wiedza naukowa. O ile solidność jest kategorią ilościowo-jakościową, o tyle wybitność traktowana jest jako kategoria epistemologiczna. W wielu przypadkach dorobek pozostaje na poziomie opisu zamiast wyjaśnienia, opiera się na istniejących teoriach, bez tworzenia nowych, rozwija wcześniejsze wątki, ale nie otwiera nowych pól badawczych czy wykazuje poprawność metodologiczną, lecz nie prowadzi do istotnych odkryć. 

Wszystko to mieści się w granicach dobrej nauki, ale profesura - przynajmniej w swojej idei - zaczyna się tam, gdzie nauka przestaje być tylko poprawna, a zaczyna być twórcza w sensie poznawczym. Nie ma w naukach społecznych i humanistycznych jednego modelu wybitności. Na barkach kandydatów do tytułu spoczywa jej wykazanie publikacjami, które są załączone do recenzji.  

 

 

ZMIANA TAKSONOMII CELÓW KSZTAŁCENIA BLOOMA

 

(Źródło: opracowanie własne; wizualizacja wygenerowana z wykorzystaniem narzędzi AI - ChatGPT/DALL·E, 2026)

Tradycyjna taksonomia Blooma (pamiętaj → zrozum → zastosuj → analizuj → oceniaj → twórz) była projektowana dla ery przedinternetowej. W erze AI potrzebujemy jej radykalnego odwrócenia: 

Nowa sekwencja w stanowieniu celów kształcenia jest następująca:

1. TWÓRZ  (CREATE) (najwyższy priorytet)

• AI może pamiętać i stosować wiedzę, ludzie muszą tworzyć nową
• Cele kształcenia: oryginalność, innowacyjność, projektowanie nowych rozwiązań

2. KRYTYCZNIE OCENIAJ  (EVALUATE)

• AI generuje treści - uczący się muszą umieć je oceniać
• Cele kształcenia: krytyczne myślenie, etyczna ocena, kontekstowe zrozumienie

3. INTEGRUJ / SYNTHESIZE (nowy poziom)

• Łączenie perspektyw z wielu źródeł (ludzkich i AI)
• Cele kształcenia: multidyscyplinarność, myślenie systemowe

4. ANALIZUJ / ANALYZE

• AI jest tutaj bardzo pomocne, ale człowiek definiuje pytania i interpretuje wyniki
• Cele kształcenia: formułowanie właściwych pytań, kontekstualizacja danych

5. ZASTOSUJ / APPLY (współpraca human-AI)

• AI często może to robić lepiej, ale to człowiek decyduje: "co", "jak" i "dlaczego"
• Cele kształcenia: strategiczne myślenie (contextual judgment).

6. ROZUMIEJ  (UNDERSTAND: human + AI)

• AI może wyjaśniać koncepcje, ale to ludzie muszą rozumieć ich kontekst i implikacje
• Cele kształcenia: głębokie rozumienie zasad, a nie tylko faktów.

7. PAMIĘTAJ  (REMEMBER) - ma najniższy priorytet

• AI ma idealną pamięć, toteż nie jest to celem edukacyjnym
• Cele kształcenia: rozumienie relacji i struktury wiedzy, niezapamiętywanie faktów.

PRZYKŁADOWY SYLLABUS W NOWEJ TAKSONOMII

Zamiast: "Student zapamiętuje 50 formuł matematycznych" Teraz: "Student identyfikuje, którą formułę AI zastosowało w rozwiązaniu i ocenia, czy jest to właściwe w danym kontekście"

Zamiast: "Student pisze esej o historii AI" Teraz: "Student używa AI do generowania trzech różnych narracji o historii AI, a następnie krytycznie analizuje stronniczości w każdej z nich i tworzy zrównoważoną syntezę"

Zamiast: "Student rozwiązuje 20 zadań z rachunku  prawdopodobieństwa" Teraz: "Student projektuje nowe zastosowanie modeli probabilistycznych w problemie społecznym, wykorzystując AI jako narzędzie obliczeniowe, i ocenia etyczne implikacje rozwiązania"

MIERZENIE POSTĘPÓW - NOWE MIARY

Tradycyjne: Procent poprawnych odpowiedzi, średnia ocen. Nowe podejście:

• Portfolio kompetencji - dokumentacja rozwoju studenta w czasie
• Projekty impact-driven - rzeczywisty wpływ na problemy
• Peer & AI evaluation - ocena zarówno przez ludzi, jak i przez AI, z analizą różnic
• Transferability index - czy student właściwie uwzględnia umiejętności w zakresie uwzględniania różnych kontekstów
• Collaboration effectiveness - jakość współpracy osoby z AI
• Ethical reasoning - jakość rozumowania etycznego w pojawiających się dylematach

KLUCZOWE ZASADY

1.     Od "What" do "Why" i "What if" - AI odpowie na "co", ludzie muszą pytać "dlaczego" i "co jeśli"

2.     Od reprodukcji do kreacji - AI reprodukuje istniejącą wiedzę doskonale, ludzie muszą tworzyć nową

3.     Od indywidualnej do współpracującej sztucznej inteligencji - sukces zależy od umiejętności łączenia kompetencji osób z AI

4.     Od statycznej do dynamicznej wiedzy - cele edukacyjne muszą ewoluować tak szybko jak technologia

5.     Od dyscyplinarnej do transdyscyplinarnej wiedzy - największe wyzwania (klimat, nierówności, zdrowie, mądrość) wymagają integracji perspektyw

6.     Od certyfikacji do ciągłego uczenia się - dyplom to początek, a nie koniec edukacji

Jak podsumowuje raport QS:

"Szkolnictwo wyższe musi budować większą zwinność poprzez modułowe uczenie się i rozwój programów nauczania, aby zapewnić, że umiejętności potrzebne biznesom są dostępne w edukacji wyższej." Taksonomia celów kształcenia w erze AI musi być aktywna, skoncentrowana na tym, co czyni nas indywidualnościami (uniquely human), jednocześnie ucząc efektywnej współpracy z AI. 

To fundamentalna zmiana od "nauczania rumianego jako przekazywanie wiedzy" do "rozwijania meta-kompetencji uczenia się z AI w świecie".

 

Konieczna transformacja nie tylko akademickiego kształcenia

 

W świetle Raportu OECD przyszłość edukacji uniwersyteckiej nie jest zagrożona, ale wymaga głębokiej transformacji. Szkolnictwo wyższe jest kluczowe dla rozwoju gospodarczego i społecznego, toteż musi się przekształcić z modelu: 

sztywnych, wieloletnich programów studiów na elastyczne, modułowe, spersonalizowane ścieżki uczenia się przez całe życie; 

z izolowania się od przemysłu i sfery publicznej na  głębokie partnerstwa badawcze i edukacyjne z biznesem i społeczeństwem, a nie cyniczną i populistyczną władzą polityczną; 

z nauczania statycznych umiejętności na rozwijanie zdolności krytycznych, kreatywnych, permanentnego studiowania, a nie głównie dla pozyskania dyplomu;  

z koncentracji wyłącznie na wiedzy na rozwijanie kompetencji przyszłości, czyli korzystania, tworzenia  i współkreowania sztucznej inteligencji z uwzględnieniem granic humanum i jego życiowej przestrzeni.    

Jak podkreśla się w raporcie, innowacja w systemie szkolnictwa wyższego kraju i zapewnienie długoterminowego zrównoważonego sektora jest fundamentalne dla rozwijającej się gospodarki narodowej i społeczeństwa. Uniwersytety, które zrealizują tę transformację, będą kluczowymi graczami w kształtowaniu przyszłości pracy, zdrowia, kultury i wykształcenia. Te zaś, które nie zdołają się przystosować, ryzykują marginalizację w świecie, gdzie alternatywni kreatorzy edukacji, jakimi są firmy technologiczne , coraz aktywniej certyfikują potrzebne umiejętności i kompetencje. 

Na podstawie raportu QS World Future Skills Index oraz obecnych trendów w obszarze AI, proponuje się nową, wielowymiarową taksonomię celów kształcenia adekwatną do ery sztucznej inteligencji:

I. META-KOGNITYWNA WARSTWA FUNDAMENTALNA

1. Meta-uczenie się (Learning to Learn)

W uzasadnieniu podkreśla się: "Adaptive Lifelong Skills" jako kluczową kategorię - w świecie, gdzie umiejętności AI wzrosną o 200% w ciągu kilku lat, toteż najważniejsza jest zdolność do ciągłego przyswajania nowych kompetencji".

Cele edukacyjne:

• rozwijanie samoświadomości procesów poznawczych
• umiejętność identyfikowania luk kompetencyjnych i planowania własnej ścieżki rozwoju
• opanowanie różnych strategii uczenia się (uczenie przez doświadczenie, oparte na współpracy w zespole, autoedukacja)
• zdolność do szybkiego korzystania z różnych dziedzin wiedzy. 

W praktyce akademickiej powinno to przekładać się na:

• regularną autorefleksję studentów dotyczącą tego "jak się uczą", a nie tylko tego "czego się uczą"; 
• tworzenie portfolio własnych kompetencji, które będą aktualizowane przez cały okres studiowania; 
• realizowanie projektów, które wymagają nauki nowych narzędzi/technologii w krótkim czasie.

2. Edukacja cyfrowa oraz krytyczna ocena informacji, wiedzy i wyników badań naukowych

W erze generatywnej AI kluczowa jest umiejętność rozróżniania prawdy od fałszu, faktów od generowanych narracji.

Cele edukacyjne:

• rozumienie ograniczeń i stronniczości AI;
• weryfikacja źródeł informacji w świecie content farmu i deepfakes; 
• krytyczna analiza output'ów generowanych przez AI;
• rozumienie, kiedy AI może być pomocne, a kiedy wprowadza w błąd. 

II. KOMPETENCJE UNIQUELY HUMAN

3. Rozwój inteligencji emocjonalnej i społecznej (Human-Centred Leadership)

Kategoria "Human-Centred Leadership" zyskuje w tym modelu wysokie znaczenie, szczególnie w kontekście pracy w zespołach hybrydowych (ludzie + AI).

Cele edukacyjne:

• uwrażliwianie w toku edukacji na empatię i rozumienia kontekstu społecznego, czego AI nie potrafi;
• umiejętność budowania zaufania i relacji międzyludzkich; 
• kompetencje w zakresie negocjacji i rozwiązywania konfliktów w środowisku wielokulturowym, zróżnicowanym światopoglądowo;
• przywództwo oparte na wartościach, a nie przede wszystkim na efektywności.

Takie podejście do edukacji jest kluczowe właśnie ze względu na XXI wiek (stulecie AI):

• AI może analizować dane, ale nie rozumie niuansów ludzkich relacji; 
• praca zespołowa human-AI wymaga wysokiej inteligencji emocjonalnej;
• decyzje etyczne i społeczne wykraczają poza możliwości algorytmów.

4. Kreatywność i innowacyjne myślenie

 Raport zawiera uzasadnienie: "Entrepreneurial & Innovative Mindset" wskazując na jedną z czterech kluczowych kategorii, a zarazem podkreślając, że kreatywność to umiejętność konieczna w procesie kreowania sensów (top 5 AI skills growing in relevancy).

Wprowadza się nową typologię kreatywności w erze AI: 

• Kreatywność kombinatoryczna - łączenie pomysłów z różnych domen;
• Kreatywność proceduralna - projektowanie systemów i procesów; 
• Kreatywność strategiczna - definiowanie problemów do rozwiązania a nie tylko ich rozwiązywanie;
• Co-kreatywność z AI - wykorzystanie AI jako narzędzia rozszerzającego ludzką kreatywność.

W kształceniu akademickim:

• studenci powinni tworzyć projekty nieistniejące jeszcze na rynku; 
• nabyć umiejętność redefinowania problemów zamiast przyjmowania ich jako gotowych, ostatecznie rozwiązanych;  
• doświadczać tolerancji wobec niepewności i eksperymentowania.

III. KOMPETENCJE WSPÓŁPRACY HUMAN-AI

5. Prompt Engineering i AI Literacy

Autorzy raportu uważają, że konieczny będzie dwustuprocentowy wzrost zapotrzebowania na umiejętności AI, które nie dotyczą tylko programowania, ale dla pozostałej większości umiejętności efektywnej komunikacji z AI.

Cele edukacyjne:

• opanowanie prompt engineering - sztuki formułowania zapytań do AI;
• rozumienie możliwości i ograniczeń różnych modeli AI;
• rozwijanie umiejętności walidacji i weryfikacji output'ów AI;
• etyczne zastosowanie AI (samoświadomość zasadności korzystania z AI)

Poziomy kompetencji:

• podstawowy poziom dotyczy użytkowania AI jako narzędzia wspomagającego uczenie się i rozwój indywidualny; 
• średniozaawansowany to integracja AI w złożoną zmienność własnej pracy, aktywności; 
• zaawansowany- to projektowanie systemów human-AI collaboration.

6. Computational Thinking + Data Literacy

W świetle raportu: "Digital" to jedna z trzech kluczowych kategorii future skills (wraz z AI i Green).

Cele edukacyjne:

• rozumienie logiki algorytmicznej bez konieczności bycia programistą;
• data storytelling, czyli uwzględnienie danych w podejmowanych decyzjach i narracjach; 
• rozumienie bias w danych i modelach; 
• umiejętność formułowania weryfikowalnych problemów.  

W edukacji akademickiej:

• każdy student, niezależnie od kierunku kształcenia, powinien rozumieć podstawy działania algorytmów;
• uczestniczyć w projektach interdyscyplinarnych, które łączą humanistykę/nauki społeczne z data science;

IV. KOMPETENCJE ETYCZNE I ZRÓWNOWAŻONE

7. Etyka AI i odpowiedzialność technologiczna

W uzasadnieniu wymienia się w raporcie czwartą a kluczową kategorię - "Sustainable & Ethical Workforce", podkreślając znaczenie etyki i odpowiedzialności społecznej (social responsibility).

Cele edukacyjne:

• rozumienie implikacji etycznych automatyzacji i AI;
• zdolność do przewidywania niezamierzonych konsekwencji technologii;
• podejmowanie decyzji uwzględniających różnorodność i inkluzywność; 
• odpowiedzialność za długoterminowy wpływ decyzji technologicznych.

Zachęca się do rozważenia w procesie kształcenia następujących dylematów:

• Kto odnosi korzyści z danej technologii, a kto ponosi koszty?
• Jakie są długoterminowe konsekwencje społeczne AI?
• Czy AI pogłębia czy zmniejsza nierówności?

8. Równoważoność i myślenie systemowe (Green Skills)

Raport przewiduje 24 miliony nowych miejsc pracy do 2030 roku a dotyczących ochrony środowiska. Nastąpi w tym zakresie wzrost zapotrzebowania na green skills (o 230 proc.). 

Cele edukacyjne:

• rozumienie złożonych systemów i wzajemnych zależności między technologią, gospodarką a codziennym światem życia; 
• myślenie w długoterminowych perspektywach;
• umiejętność równoważenia celów ekonomicznych, społecznych i środowiskowych;
• projektowanie rozwiązań regeneratywnych, a nie tylko zrównoważonych.

V. KOMPETENCJE ADAPTACYJNE I KONTEKSTOWE

9. Adaptacyjność poznawcza i elastyczność ("Reliance and flexibility")

jako kluczowe umiejętności w kategorii Adaptive Lifelong Skills.

Cele edukacyjne:

• utrzymanie dobrostanu w sytuacjach niepewności; 
• zdolność do zmiany perspektywy i rekonstruowania problemów;
• rezyliencja - odporność na porażki i szybkie odzyskiwanie równowagi; 
• transfer uczenia się  - przenoszenie umiejętności między kontekstami w tym procesie. 

Zastosowanie w edukacji:

• realizacja projektów z otwartymi odpowiedziami i wieloma możliwymi rozwiązaniami;
• symulacje kryzysu i nieprzewidywalnych zmian;
• włączanie problematyki z innych dziedzin niż własny kierunek studiów.

10. Zdolności transdyscyplinarne i integracyjne

Raport wielokrotnie podkreśla znaczenie partnerstwa i interdyscyplinarności (partnerships i multidisciplinary approaches) 

Cele edukacyjne:

• umiejętność komunikacji między dyscyplinami nauk;
• synteza perspektyw z różnych dziedzin wiedzy; 
• współpraca w heterogenicznych zespołach; 
• rozumienie common ground między dyscyplinami.

 (tłumaczenie AI-claude.com)

 cdn.