Kto naprawdę pisze dziś pracę magisterską? O promotorach, studentach i sztucznej inteligencji
W
dyskusji o jakości prac magisterskich z pedagogiki pojawiają się pytania o
kompetencje promotorów, odpowiedzialność uczelni za poziom kształcenia oraz o
samodzielność studentów. Do tych tradycyjnych problemów doszedł kolejny: coraz
powszechniejszy dostęp do generatywnej sztucznej inteligencji.
Nie
można już analizować jakości prac dyplomowych wyłącznie na podstawie ich
struktury, poprawności językowej czy liczby wykorzystanych źródeł. Powstaje
bowiem pytanie, w jakim stopniu przedstawiona rozprawa dokumentuje rzeczywiste
osiągnięcia intelektualne jej autora.
1.
Czy stopień naukowy promotora przesądza o jakości pracy magisterskiej?
Jedna
z profesorek pedagogiki zwróciła uwagę, że w wielu uczelniach niepublicznych
seminaria magisterskie prowadzą nauczyciele akademiccy ze stopniem doktora, a
poziom części powstających prac budzi zastrzeżenia. Nie należy jednak
utożsamiać tych zjawisk ani przypisywać im automatycznie związku przyczynowego.
Posiadanie
stopnia doktora nie oznacza niedostatecznych kompetencji promotorskich,
podobnie jak habilitacja czy tytuł profesora nie gwarantują wysokiej jakości
opieki naukowej. Ważniejsze wydają się kompetencje metodologiczne i dydaktyczne
promotora, jego dorobek w obszarze tematyki pracy, liczba prowadzonych
magistrantów, dostępność konsultacji oraz rzeczywiste zaangażowanie w proces
przygotowywania rozpraw.
Niemniej
istotna jest odpowiedzialność uczelni za warunki prowadzenia seminariów i
standardy recenzowania. Sama obserwacja, że niektóre prace przypominają
rozbudowane wypracowania lub raporty badawcze, nie upoważnia do formułowania
sądów o całym sektorze szkolnictwa niepublicznego. Warto byłoby sprawdzić to w
systematycznych badaniach porównawczych, obejmujących także uczelnie publiczne.
2.
Sztuczna inteligencja zmienia warunki przygotowywania prac magisterskich
Generatywna
sztuczna inteligencja może zaproponować strukturę rozprawy, sformułować cele i
pytania badawcze, uporządkować tekst, objaśnić pojęcia metodologiczne,
zaproponować kategorie analityczne, a nawet wygenerować obszerne fragmenty
pozornie poprawnego akademickiego wywodu. Właśnie ta łatwość tworzenia
uporządkowanego tekstu rodzi nowe problemy.
Student
może przedstawić promotorowi pracę, której poprawność stylistyczna i
kompozycyjna znacznie przewyższa jego rzeczywiste kompetencje teoretyczne oraz
metodologiczne. Może także otrzymać od AI propozycję problemów badawczych,
których nie rozumie, albo interpretację wyników, której nie potrafi
samodzielnie uzasadnić.
Szczególnie
niebezpieczna jest sytuacja, gdy wygenerowany tekst staje się substytutem
lektury źródeł, refleksji nad problemem i samodzielnego analizowania materiału
empirycznego. Otrzymujemy wówczas pracę formalnie uporządkowaną, lecz poznawczo
niesamodzielną. Powstaje możliwość pozorowania kompetencji naukowych bez
konieczności ich rzeczywistego opanowania. Nie jest to jednak argument za
całkowitym wykluczeniem AI z akademickiego kształcenia.
3.
AI jako narzędzie rozwoju czy zastępowania myślenia?
Warto
odróżnić dwa sposoby wykorzystywania sztucznej inteligencji.
Pierwszy
można określić jako wspomaganie aktywności poznawczej. Student korzysta z AI,
aby lepiej zrozumieć trudne pojęcie, porównać różne propozycje metodologiczne,
rozpoznać słabości własnego rozumowania, uporządkować argumentację lub
skontrolować poprawność językową tekstu. W tym przypadku AI pełni funkcję
pomocniczą. Inicjatywa poznawcza, decyzje badawcze i odpowiedzialność za
rezultaty pozostają po stronie studenta.
Drugi
sposób polega na zastępowaniu aktywności poznawczej. Student zleca systemowi
sformułowanie problemu, napisanie rozdziałów teoretycznych, przygotowanie
analizy wyników i opracowanie wniosków, a następnie przedstawia rezultat jako
świadectwo własnych kompetencji. Taka praktyka może prowadzić do pozorowania
samodzielności akademickiej.
Granica
między wspomaganiem a zastępowaniem nie przebiega jednak wyłącznie według
rodzaju użytego narzędzia czy długości wygenerowanego tekstu. Rozstrzygające
znaczenie ma to, kto podejmuje decyzje poznawcze, rozumie ich uzasadnienie i
potrafi ponosić odpowiedzialność za przedstawione twierdzenia.
4.
Największe zagrożenie: pozorna poprawność metodologiczna
Systemy
AI potrafią generować przekonująco brzmiące uzasadnienia wyboru metod i technik
badawczych. Nie oznacza to jednak, że są one właściwe dla konkretnego projektu.
Można otrzymać poprawnie sformułowane pytania badawcze, które nie wynikają z
przyjętej teorii. Można uzyskać propozycję hipotez tam, gdzie przyjęta
strategia badań nie wymaga ich formułowania.
Można
także otrzymać interpretację wyników, która wykracza poza zakres zgromadzonych
danych. Co więcej, generatywna AI może tworzyć nieistniejące pozycje
bibliograficzne, błędnie przypisywać autorom określone poglądy lub przedstawiać
przypuszczenia jako potwierdzone ustalenia naukowe.
Powstaje
zatem szczególnie niebezpieczna sytuacja: student nie tylko nie rozpoznaje
błędów systemu, ale może je uznać za przejaw wyższych kompetencji
metodologicznych. Sztuczna inteligencja nie zwalnia badacza z obowiązku
uzasadniania własnych twierdzeń. Tym bardziej nie może stanowić źródła
empirycznego potwierdzenia tego, czego nie zbadano.
Niedopuszczalne
byłoby przedstawianie wygenerowanych przez AI wypowiedzi respondentów, wywiadów
czy wyników ankiet jako rzeczywistego materiału badawczego.
5.
Jak powinien zmienić się sposób prowadzenia seminariów magisterskich?
W
warunkach powszechnej dostępności AI nie wystarczy oceniać końcowego tekstu
pracy dyplomowej. Coraz większego znaczenia nabiera dokumentowanie procesu jej
powstawania. Promotor może oczekiwać od studenta przedstawiania kolejnych
wersji problematyki badawczej, uzasadniania zmian w koncepcji pracy,
samodzielnego omawiania przeczytanych publikacji oraz wyjaśniania przyjętych
rozwiązań metodologicznych.
Szczególnie
wartościowa może być rozmowa, podczas której magistrant odpowiada na pytania:
Dlaczego
student/-ka wybrał/-a właśnie ten problem badawczy?
Które
ustalenia innych autorów uważa za najważniejsze i dlaczego?
Jakie
alternatywne rozwiązania metodologiczne rozważał?
Co
rzeczywiście wynika z jego materiału empirycznego?
Jakich
wniosków nie wolno mu formułować na podstawie uzyskanych danych?
W
jaki sposób wykorzystał AI i które jej propozycje odrzucił?
Odpowiedzi
na te pytania mogą ujawniać więcej o przygotowaniu naukowym studenta niż
formalna poprawność rozprawy. Nie chodzi przy tym o wprowadzanie kolejnego
systemu nadzoru ani o traktowanie każdego magistranta jako osoby podejrzanej o
niesamodzielność. Celem powinno być wspieranie i ocenianie rzeczywistego
procesu uczenia się.
6.
Czy należy ujawniać korzystanie z AI?
Tak,
ale zasady powinny być jasne, proporcjonalne i zgodne z regulacjami danej
uczelni. Nie jest tym samym skorzystanie z AI do korekty językowej i
powierzenie jej opracowania całej analizy materiału empirycznego. Warto
oczekiwać, aby student potrafił wskazać, do jakich zadań wykorzystał system AI,
jak weryfikował uzyskane odpowiedzi i jaki był jego własny wkład w ostateczny
rezultat.
Można
wprowadzić krótką deklarację dotyczącą zastosowania narzędzi sztucznej
inteligencji, ale sama deklaracja nie rozstrzyga o samodzielności pracy. Nie
należy także opierać rozstrzygnięć o niesamodzielności wyłącznie na
automatycznych detektorach tekstów AI. Ich wskazania są obarczone błędami i nie
stanowią samodzielnego dowodu autorstwa określonych fragmentów.
Najważniejsza
pozostaje zdolność studenta do wykazania, że rozumie przedstawioną
argumentację, zna wykorzystane źródła, samodzielnie interpretuje dane i
odpowiada za końcowe ustalenia.
7.
Od reprodukowania wiedzy do dojrzałości pedagogicznej
Debata
o jakości prac magisterskich nie powinna zakończyć się opracowaniem kolejnych
instrukcji redakcyjnych. Nie potrzebujemy bowiem wyłącznie bardziej
szczegółowych szablonów, lecz większej odpowiedzialności za rozwój myślenia
naukowego.
Praca
magisterska powinna potwierdzać, że jej autor potrafi samodzielnie sformułować
istotny problem pedagogiczny, krytycznie korzystać z literatury, uzasadniać
decyzje metodologiczne, interpretować materiał badawczy oraz rozpoznawać
granice własnych ustaleń. Szczególnie ważna jest umiejętność odróżniania wiedzy
od opinii, interpretacji od faktów, przypuszczeń od wyników badań, a projektu
zmiany od empirycznie potwierdzonej skuteczności proponowanego rozwiązania.
W
dobie AI powyższe kompetencje nie tracą na znaczeniu. Przeciwnie, stają się jeszcze
ważniejsze. Student może dziś znacznie szybciej otrzymać odpowiedź na
postawione pytanie. Nie oznacza to jednak, że potrafi rozpoznać wartość tej
odpowiedzi.
Może
wygenerować poprawnie zbudowany rozdział metodologiczny, nie rozumiejąc
epistemologicznych założeń zastosowanej strategii badań. Może wreszcie
przedstawić projekt innowacji pedagogicznej, nie dostrzegając jego ograniczeń i
możliwych konsekwencji. Dlatego prawdziwym zadaniem akademickiego kształcenia
nie jest nauczenie studentów produkowania coraz lepszych tekstów, lecz
rozwijanie zdolności do samodzielnego i odpowiedzialnego poznawania
rzeczywistości.
Sztuczna
inteligencja może wspomagać proces powstawania pracy magisterskiej, ale nie
powinna zastępować procesu stawania się jej autorem. To właśnie zdolność
krytycznego myślenia, uzasadniania decyzji i ponoszenia odpowiedzialności za
wiedzę powinna odróżniać absolwenta studiów magisterskich od użytkownika
sprawnego generatora tekstów.
Pytanie
o jakość prac magisterskich staje się zatem pytaniem znacznie poważniejszym: czy
uniwersytet potrafi jeszcze odróżnić świadectwo rzeczywistego rozwoju
intelektualnego od jego coraz doskonalszej cyfrowej reprezentacji?

Komentarze
Prześlij komentarz
Nie będą publikowane komentarze ad personam