Когато ИИ може да даде отговора, какво все пак трябва да научат студентите?
| In his September 23 interview with EPFL, Stanford learning scientist Dan Schwartz asks universities to reconsider what learning means when machines can complete familiar academic tasks. His central distinction is simple: producing a correct answer does not necessarily demonstrate understanding. For educators, the question becomes what students should still know, explain, and accomplish themselves. This connects directly with our Science & Research Blog post, “Are Students Learning to Think Critically, or Learning to Produce Answers?” Drawing on Peter Facione’s framework, we emphasized interpretation, evaluation, explanation, and self-correction. Schwartz approaches the same problem through learning science. Together, these perspectives suggest an assessment question: can students defend their reasoning when the polished answer is no longer enough? From completed work to evidence of learning Schwartz distinguishes assessing existing knowledge from assessing the capacity to learn something new. He suggests examining whether students recognize an unsuccessful strategy and try another approach. Consider a marketing assignment. Instead of requesting only a campaign proposal, ask students to explain their initial recommendation, examine contradictory customer evidence, and revise their decision. Permit AI assistance, but require students to identify which suggestions they accepted, rejected, and checked. Finish with a short discussion of how new information changed their reasoning. This proposal extends our earlier discussion, “AI in Education: What Stanford’s Evidence Review Means for Schools and Universities.” Our post distinguished performance during AI use from learning demonstrated afterward. A useful assessment should therefore include an independent task alongside AI-supported work. The purpose is to examine what students understand and can transfer to a different problem. Knowledge still matters Schwartz stresses the continuing need for foundational knowledge, even with instant access to AI-generated information. Students need sufficient subject understanding to interpret AI responses. He highlights concepts such as percentages, ratios, and proportionality. Our post “From AI Use to AI Literacy: What Schools Need to Teach” adds a related distinction: frequent use does not establish competence. Its discussion of research in Estonian schools emphasized evaluating outputs, checking evidence, and recognizing when AI replaces necessary thinking. Familiarity with a chatbot should not become a substitute for either disciplinary knowledge or critical judgment. Science and Research For economics students, the practical implication is straightforward. An AI-generated explanation of inflation becomes a learning resource when students can examine the assumptions, compare evidence, and explain competing interpretations. Ask students to identify one claim they cannot yet evaluate, then specify what they need to learn before accepting or rejecting the explanation. Support thinking without delegating responsibility Schwartz also describes AI supporting group participation rather than replacing human interaction. For example, a system might encourage quieter students to contribute when another participant dominates. This complements “The New Hybrid: What Should AI Be Allowed to Do in Education?” Our discussion of Mairéad Pratschke’s keynote asked educators to define the boundaries of AI agents. Schwartz provides a classroom criterion for those decisions: favor assistance supporting human learning over substitution. The connection with “Beyond AI Literacy: Addressing Metacognitive Laziness in Higher Education” is equally practical. Our post examined delegating planning, monitoring, and reflection to AI. For your next assignment, ask students to formulate their own approach before consulting AI, record one disagreement with its response, and explain what they understand afterward without reopening the conversation. An institutional responsibility Our comparison of Brown University and MIT placed these classroom decisions within institutional policy. Brown emphasized distinguishing learning support from learning substitution, while MIT connected AI with broader questions about educational purpose and human community. Both discussions underline the need for clearer expectations and support for faculty. For UE Varna, a manageable next step would be a small course-redesign pilot. Participating instructors would identify essential independent capabilities, specify permitted AI assistance, and compare student explanations before and after an AI-supported activity. Students should help evaluate which forms of assistance support understanding and which encourage dependence. Schwartz ends by emphasizing the experience of understanding something deeply enough to recognize whether further learning is necessary. Our related posts give this principle an institutional application: judge AI adoption by evidence of student development, rather than the volume of completed work. Before adding another AI tool, ask: what will students understand, question, and do independently after using this tool? | В интервюто си за EPFL от 23 септември Дан Шварц, изследовател в областта на ученето от Станфордския университет, призовава университетите да преосмислят какво означава да учиш, когато машините могат да изпълняват обичайни академични задачи. Основното разграничение е просто: получаването на правилен отговор не означава непременно разбиране. За преподавателите въпросът е какво студентите трябва да знаят, обясняват и изпълняват самостоятелно. Това се свързва пряко с публикацията в нашия блог „Наука и изследвания“ „Учат ли се студентите да мислят критично, или да дават отговори?“. Въз основа на рамката на Питър Фасионе поставихме акцент върху интерпретацията, оценяването, обяснението и коригирането на собствените грешки. Шварц разглежда същия проблем през научните изследвания на ученето. Заедно тези две гледни точки насочват към въпрос за оценяването: могат ли студентите да защитят разсъжденията си, когато добре формулираният отговор вече не е достатъчен? От изпълнени задачи към доказателства за учене Шварц разграничава оценяването на съществуващите знания от оценяването на способността да се научи нещо ново. Той предлага да се проследява дали студентите разпознават неуспешната стратегия и опитват друг подход. Да вземем за пример задача по маркетинг. Вместо да изисквате единствено предложение за кампания, помолете студентите да обяснят първоначалната си препоръка, да разгледат данни за клиентите, които ѝ противоречат, и да преразгледат решението си. Разрешете помощ от ИИ, но изисквайте студентите да посочат кои предложения са приели, отхвърлили и проверили. Завършете с кратко обсъждане на начина, по който новата информация е променила разсъжденията им. Това предложение продължава по-ранната ни дискусия „ИИ в образованието: какво означава прегледът на научните доказателства на Станфорд за училищата и университетите“. В публикацията разграничихме представянето по време на използване на ИИ от наученото, което студентите демонстрират след това. Затова оценяването трябва да включва и задача за самостоятелно изпълнение без ИИ наред с работата с негова помощ. Целта е да се установи какво студентите разбират и могат да приложат към различен проблем. Знанията продължават да бъдат необходими Шварц подчертава необходимостта от основни знания дори при незабавен достъп до информация, генерирана от ИИ. Студентите трябва да познават достатъчно добре съответната предметна област, за да интерпретират отговорите на ИИ. Той посочва понятия като проценти, съотношения и пропорционалност. Публикацията ни „От използване на ИИ към грамотност в областта на ИИ: какво трябва да преподават училищата“ добавя свързано разграничение: честата употреба не доказва компетентност. При обсъждането на изследване в естонски училища подчертахме оценяването на отговорите, проверката на доказателствата и разпознаването на моментите, когато ИИ замества необходимото мислене. Познаването на чатбот не трябва да замества нито знанията по съответната дисциплина, нито критичната преценка. За студентите по икономика практическото приложение е ясно. Обяснение на инфлацията, генерирано от ИИ, се превръща в учебен ресурс, когато студентите могат да разгледат допусканията, да сравнят доказателствата и да обяснят различните интерпретации. Помолете ги да посочат едно твърдение, което все още не могат да оценят, а след това да определят какво трябва да научат, преди да приемат или отхвърлят обяснението. Подкрепа за мисленето без прехвърляне на отговорността Шварц описва и как ИИ може да подпомага участието в групова работа, вместо да замества взаимодействието между хората. Например една система може да насърчава по-сдържаните студенти да се включат, когато друг участник доминира в обсъждането. Това допълва публикацията „Новият хибрид: какво трябва да бъде позволено на ИИ в образованието?“. В обсъждането на основния доклад на Майред Прачке призовахме преподавателите да определят границите на действията на ИИ агентите. Шварц предлага критерий за тези решения на равнището на учебната работа: да се предпочита помощта, която подкрепя ученето, вместо да го замества. Връзката с „Отвъд грамотността в областта на ИИ: справяне с метакогнитивния мързел във висшето образование“ е също толкова практична. В тази публикация разгледахме възлагането на планирането, проследяването на собствения напредък и осмислянето на наученото на ИИ. При следващата задача помолете студентите да формулират собствен подход, преди да се консултират с ИИ, да запишат едно несъгласие с неговия отговор и да обяснят какво разбират след това, без да отварят отново разговора. Отговорност на институцията Сравнението ни между университета „Браун“ и Масачузетския технологичен институт (MIT) постави тези преподавателски решения в контекста на институционалната политика. „Браун“ подчерта разграничението между подкрепа за ученето и заместване на ученето, а MIT свърза ИИ с по-широки въпроси за целите на образованието и човешката общност. И двете дискусии подчертават необходимостта от по-ясни очаквания и подкрепа за преподавателите. За ИУ – Варна осъществима следваща стъпка би била пилотна инициатива за преработване на малък брой учебни курсове. Участващите преподаватели биха определили кои основни умения студентите трябва да владеят самостоятелно, каква помощ от ИИ е допустима и как се променят студентските обяснения преди и след учебна дейност с ИИ. Студентите също трябва да участват в оценката кои форми на помощ подкрепят разбирането и кои насърчават зависимостта. В края на интервюто Шварц подчертава значението на дълбокото разбиране, което позволява на човек да прецени дали има нужда да научи още. Свързаните публикации в нашия блог предлагат институционално приложение на този принцип: да оценяваме въвеждането на ИИ според доказателствата за развитието на студентите, а не според обема на изпълнената работа. (news.epfl.ch) Преди да добавите поредния инструмент с ИИ, попитайте: какво ще разбират студентите, какво ще могат да поставят под въпрос и какво ще изпълняват самостоятелно след използването му? |