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.

Zawód bez progu, kariera bez selekcji, stabilność bez wyjścia

 

(źródło: Fb "Pokój Nauczycielski")

W każdym państwie istnieją zawody, do których się wchodzi, i takie, do których się dopuszcza. Różnica między nimi nie jest tylko formalna, ale cywilizacyjna, ustrojowa. Wyznacza bowiem granicę między profesją, która dokonuje profesjonalnej selekcji, a systemem, który ją absorbuje. W polskiej oświacie mamy do czynienia z tym drugim przypadkiem.

Zawód nauczycielski jako zawód bez progu

System prawny – oparty na Karcie Nauczyciela oraz Prawie oświatowym zakłada posiadanie kwalifikacji nauczycielskich. Jednocześnie dopuszcza sytuację, w której dyrektor szkoły może zatrudnić osobę bez kwalifikacji, jeśli wymaga tego sytuacja kadrowa. To nie jest wyjątek od systemu, ale jego zawór bezpieczeństwa dla władzy, a nie dla jakości procesu kształcenia.

W efekcie zawód nauczyciela nie posiada realnej bariery wejścia. Nie ma egzaminu państwowego, nie ma obowiązkowego okresu selekcyjnego zakończonego oceną pozytywną jako realną możliwością i koniecznością wejścia do zawodu. Następuje zatem nie po przejściu próby, lecz przed nią. Zawód, który nie ma progu wejścia, nie może budować elity, natomiast zapewnia ciągłość działania instytucji. 

Nauczycielski awans też bez selekcji

(źródło: Fb) 

W tej logice należy czytać system awansu zawodowego. Uregulowany w art. 9a–9g Karta Nauczyciela tworzy strukturę kolejnych etapów: od nauczyciela początkującego do dyplomowanego. Na poziomie formalnym wygląda to jak system różnicowania jakości. W praktyce jest to system przejścia przez procedurę.

Nie ma progów liczbowych, chyba że są ukryte przez samorządy. Nie ma realnych ograniczeń liczby awansów, z wyjątkiem przyznawania tytułu Honorowego Profesora Oświaty. Nie ma powiązania awansu z efektami pracy uczniów czy trwałymi wskaźnikami jakości. Kluczowe znaczenie mają: wymiar temporalny, a więc czas tzw. stażu zgodnie z art. 9c; dokumentacja i poprawność proceduralna. 

To nie jest selekcja. To jest trajektoria, dlatego większość nauczycieli,  jeśli wytrwa w szkole, osiąga jego najwyższe poziomy. System nie eliminuje, ale utrwala większościowy stan nauczycieli mianowanych (co załatwiła sobie nomenklatura związkowa w 1999 roku) i pochodny tego procesu stan nauczycieli dyplomowanych.

Stabilność bez wyjścia

Moment przełomowy następuje wraz z mianowaniem (art. 10 Karta Nauczyciela), w którym nauczyciel uzyskuje stabilność zatrudnienia. W swojej konstrukcji przypomina to pragmatykę w służbach publicznych, ale w przeciwieństwie do służb mundurowych, stabilność ta nie jest efektem intensywnej selekcji, tylko przejścia przez system. 

W tym miejscu uruchamia się mechanizm głębszy, łączący psychologię i ekonomię: stabilność zmniejsza skłonność do ryzyka, do innowacyjności, autotelicznego samokształcenia, zaś lata inwestycji tworzą efekt utopionych kosztów. Kompetencje stają się coraz bardziej „wewnątrzsystemowe”, toteż maleją alternatywy zawodowe. Powstaje zjawisko „zatrzaśnięcia” (lock-in).

Nauczyciel nie pozostaje w systemie wyłącznie dlatego, że jest on atrakcyjny. Trwa w nim, ponieważ koszt odejścia staje się wysoki psychologicznie, zawodowo i ekonomicznie. Co więcej, mechanizm ten działa selektywnie. 

Najłatwiej odchodzą ci, którzy mają alternatywy rynkowe – informatycy, językowcy, specjaliści STEM. Najczęściej pozostają ci, których kompetencje są silnie związane ze szkołą jako instytucją zorientowana na przygotowywanie do egzaminów państwowych (ósmoklasisty, maturalnego i zawodowego). Nie bez znaczenia jest też miejsce zamieszkania nauczycieli i odległość z domu do szkoły.

System nie tylko nie wzmacnia w nim najlepszych, gdyż stabilizuje przede wszystkim tych, którzy mają najmniej alternatyw poza nim. 

Ukryta ekonomia 

(źródło: Fb) 

Dopełnieniem tej struktury jest mechanizm finansowy. Najniższy stopień awansu oznacza najniższe wynagrodzenie. Dla organów prowadzących, które działają w warunkach ograniczonych budżetów, oznacza to naturalną preferencję dla zatrudniania nauczycieli początkujących. W efekcie etap, który powinien być najsilniejszą próbą jakościową, staje się jednocześnie najbardziej opłacalnym oszczędnościowo elementem systemu.

Czas tzw. próby staje się elementem zarządzania kosztami. 

System bez funkcji elitarnej

Zestawienie tych trzech elementów, a więc braku progu wejścia, proceduralnego awansu i stabilizującego mianowania prowadzi do wniosku, który trudno zignorować. System awansu nauczycieli nie jest skonstruowany jako mechanizm wyłaniania i inwestowania w elity nauczycielskie. Jest mechanizmem zapewniania ciągłości kadrowej, regulowania kosztów i względnego stabilizowania zatrudnienia.

(źródło: Fb) 

Elita może w nim istnieć, ale władze nie są zainteresowane kapitałem niezależności najlepszych profesjonalistów. Tam, gdzie nie ma progu wejścia, selekcja zostaje zastąpiona czasem, zaś tam, gdzie czas zastępuje selekcję, stabilność zastępuje rozwój. W następstwie tych procesów szkolnictwo zarządza procesami przetrwania w nim nauczycieli różnych kategorii: od pasjonatów, miłośników, przez rzemieślników po wypalonych.

 

(Fb)