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".