AI a prace domowe: sprawdziłem badania, na których stoi ta debata

Pytanie brzmi zwykle tak: problem czy szansa. Zanim na nie odpowiem, muszę zdać sprawę z czegoś, co wyszło po drodze.

Dwa źródła napędzające większość publicystyki na ten temat nie wytrzymują otwarcia. Jedno jest preprintem, drugie zostało wycofane.

Najgłośniejsze badanie to wciąż preprint

Pracę „Your Brain on ChatGPT” z MIT Media Lab cytuje się jak ustalenie. Badacze mierzyli aktywność mózgu osób piszących eseje z pomocą modelu i opisali „dług poznawczy”.

Stan faktyczny na wrzesień 2026: to nadal preprint, piętnaście miesięcy po publikacji, ze stopką „under review” na każdej z 216 stron i 144 cytowaniami według bazy OpenAlex na 1 września 2026. Liczniki różnią się przy tym mocno między bazami, więc traktuję je jako rząd wielkości, nie pomiar.

Próba liczyła 54 osoby. Do czwartej sesji, tej, z której pochodzi najmocniejsza teza, dotrwało osiemnaście osób. Autorzy komentarza z Uniwersytetu Wiedeńskiego i Politechniki Drezdeńskiej policzyli, że przy takim projekcie potrzeba było około 159 uczestników. Sami publikują zresztą preprint, więc stosuję do nich tę samą miarę.

Ci sami autorzy zwracają uwagę na coś jeszcze: w paśmie beta grupa korzystająca z modelu wykazywała raczej silniejszą łączność niż grupa bez narzędzi.

Autorzy z MIT zachowali się przy tym uczciwiej niż ich czytelnicy. Sami piszą, że wnioski zależą od kontekstu i mogą się nie uogólniać, a w tekst wstawili pułapkę na modele językowe, żeby wyłapać streszczenia pisane bez czytania ograniczeń.

Metaanalizę wycofano po 290 cytowaniach

Drugie źródło działa w przeciwną stronę. Metaanaliza Wang i Fan, z której pochodzi liczba o dużym pozytywnym wpływie ChatGPT na uczenie się, została wycofana 22 kwietnia 2026. Zdążyła zebrać 290 cytowań.

Trzecia często przywoływana praca, Gerlicha o offloadingu poznawczym, ma 902 cytowania i jest ankietą korelacyjną na 666 osobach. Z takiego projektu nie da się orzec, czy AI obniża myślenie krytyczne, czy osoby o słabszych kompetencjach częściej po nią sięgają.

Poziom pewności dla całej tej trójki: niski. To nie znaczy, że wnioski są fałszywe. Znaczy, że nie wiadomo.

Co zostaje po sprawdzeniu

Zostaje jeden eksperyment, który łączy recenzję w czasopiśmie najwyższej rangi, skalę i pomiar po odebraniu narzędzia.

Bastani i współpracownicy, PNAS 2025. Blisko tysiąc licealistów w Turcji, losowanie na poziomie klas, cztery dziewięćdziesięciominutowe sesje z matematyki, GPT-4. Trzy grupy: bez AI, z surowym interfejsem czatu, z wersją naprowadzającą zamiast podającej rozwiązanie.

Wyniki na ćwiczeniach, czyli z narzędziem w ręku: surowy czat +48 procent, wersja z barierami +127 procent.

Wyniki na egzaminie bez żadnego wsparcia, przeprowadzanym pod koniec tej samej sesji: surowy czat −17 procent wobec grupy, która AI nigdy nie miała — czyli 0,054 punktu na znormalizowanej skali ocen, około jednej piątej odchylenia standardowego grupy kontrolnej, istotnie statystycznie. Wersja z barierami: 0,004 punktu, nieodróżnialne od zera.

Wniosek, który się z tego broni, jest węższy niż nagłówki. Bariery uchroniły przed szkodą i nic ponadto. Autorzy piszą, że w grupie z barierami efekt negatywny zniknął, ale „wciąż nie obserwujemy efektu pozytywnego” — na egzaminie bez wsparcia. Na samych ćwiczeniach obie wersje AI wypadały oczywiście lepiej.

Dlaczego „+48 procent” nie znaczy tego, co się wydaje

Te dwie liczby mierzą różne rzeczy, a mieszanie ich jest najczęstszym błędem w całej debacie.

Wynik na ćwiczeniach mówi, ile robi narzędzie. Wynik na egzaminie bez narzędzia mówi, ile nauczył się człowiek. Używanie pierwszej liczby jako dowodu skuteczności premiuje narzędzia, które po prostu podają odpowiedź.

W tym samym badaniu jest obserwacja, która tłumaczy mechanizm. Autorzy zmierzyli błędność modelu, pytając go dziesięciokrotnie o każde z 57 zadań. Okazało się, że błędy arytmetyczne GPT — takie, które licealista zna i powinien wychwycić — pogarszały wyniki podobnie jak błędy merytoryczne.

Uczniowie nie czytali tego, co przepisywali.

Największe randomizowane badanie nie pokazało przewagi

Warto zestawić to z eksperymentem po drugiej stronie, z zastrzeżeniem, że to również praca przed recenzją. Przyjmuję ją mimo to, bo różni się od badania MIT tym, co w tym sporze rozstrzyga: randomizacją, dwoma latami pomiaru i osiemnastoma szkołami zamiast pięćdziesięciu czterech ochotników.

Dwuletnie badanie w Tennessee sprawdzało tutora Khanmigo, skonfigurowanego dokładnie w duchu „naprowadzaj, nie podawaj”. Efekt: 0,06⁠–⁠0,08 odchylenia standardowego rocznie. Tyle samo daje ta sama platforma bez AI według zewnętrznych szacunków, przy czym autorzy dwukrotnie zastrzegają, że ich projekt nie pozwala wyodrębnić wkładu samego tutora — grupa porównawcza też korzystała z narzędzi cyfrowych.

Przyczyna nie leży w modelu. Tutora kliknęło 96 procent uczniów, ale mediana pisała do niego w jednej trzeciej dni ćwiczeń i tylko w 17 procentach sytuacji, w których popełniła błąd.

Wąskim gardłem okazało się zaangażowanie, nie technologia.

Poziom pewności: średni. Praca nie przeszła recenzji, ale jej projekt i skala są mocniejsze niż wszystkiego, co w tym temacie recenzję przeszło. To ustalenie przekłada się zresztą na wdrożenia firmowe lepiej niż cokolwiek z badań o esejach.

Detektory oskarżają niewinnych

Osobny wątek, w którym wynik jest mocny, ale ograniczony do badanych narzędzi i próby.

Zespół ze Stanfordu przebadał siedem komercyjnych detektorów na 91 esejach TOEFL napisanych przez ludzi i opisał wynik w czasopiśmie Patterns, w dziale opinii. Średnio 61 procent esejów uznano za wygenerowane przez AI. Dla esejów amerykańskich ósmoklasistów odsetek fałszywych alarmów wyniósł 5 procent.

Mechanizm dawał się odwrócić w tej próbie: gdy te same eseje przepuszczono przez ChatGPT z poleceniem wzbogacenia języka, fałszywe alarmy spadły z 61 do 12 procent. Autorzy wiążą ten wynik z tym, że większość badanych detektorów opierała ocenę na przewidywalności tekstu, która może karać osoby używające mniej zróżnicowanego języka. Badanie nie dowodzi, że każdy detektor działa w ten sam sposób.

Uniwersytet Vanderbilt wyłączył detektor Turnitin, podając rachunek: przy deklarowanym przez producenta jednoprocentowym błędzie i 75 tysiącach prac, które uczelnia wysłała do Turnitin w 2022 roku, około 750 zostałoby oznaczonych niesłusznie.

Skala, która nie znaczy tego, co się jej przypisuje

Krąży liczba: 88 procent studentów używa AI. Pochodzi z sondażu HEPI z grudnia 2024 na 1041 brytyjskich studentach.

Pytanie brzmiało jednak, czy respondent kiedykolwiek użył generatywnej AI przy pracach ocenianych. Najczęstsze zastosowanie to wyjaśnianie pojęć (58 procent), dalej streszczanie artykułów i porządkowanie myśli. Wklejenie wygenerowanego tekstu wprost do oddawanej pracy zadeklarowało 18 procent.

W przedmowie do raportu prof. Janice Kay pisze, że widzi w nim „niewiele dowodów” na nadużywanie AI do ściągania. Sam autor badania odnotowuje jednocześnie gwałtowny wzrost spraw dyscyplinarnych — więc nawet ten raport nie mówi jednym głosem, a cytuje się z niego jedną liczbę.

IQ: chronologia rozstrzyga sama

Pytanie o zdolności poznawcze kolejnych pokoleń wraca przy każdej dyskusji o AI. Odpowiedź jest prostsza, niż się wydaje, i wynika z dat.

Efekt Flynna, czyli wieloletni wzrost wyników testów inteligencji, załamał się w Norwegii u poborowych badanych w połowie lat dziewięćdziesiątych, czyli urodzonych w drugiej połowie lat siedemdziesiątych. Naukowcy postawili pytanie o jego koniec w publikacji z 2004 roku. W Danii spadek zmierzono między 1998 a 2004 rokiem, w Finlandii punkt zwrotny wypadł około 1997.

ChatGPT ukazał się 30 listopada 2022.

Trzy kraje, trzy różne daty, wszystkie o pokolenie wcześniejsze niż pierwszy duży model językowy. Każdy tekst wiążący spadek wyników testów z AI myli następstwo czasowe z przyczyną — i to w złą stronę.

Nie znaczy to, że pytanie jest zamknięte. Znaczy, że jeszcze go nie zmierzono. Badanie PISA z 2025 roku, obejmujące ponad 760 tysięcy uczniów z 91 krajów i gospodarek, ma być pierwszym pomiarem o tej skali z pytaniami o korzystanie z AI. OECD publikuje wyniki 8 września 2026, cztery dni po ukazaniu się tego tekstu.

Co robią inne kraje

W latach 2025 i 2026 dwa państwa poszły wyraźnie pod prąd globalnemu trendowi wprowadzeń.

Chiny wydały 12 maja 2025 wytyczne, które zakazują uczniom szkół podstawowych samodzielnego korzystania z generatorów treści o otwartym charakterze, wprost po to, by nie odrabiali nimi zadań domowych. To jedyny twardy zakaz w tym dokumencie; oddawanie treści wygenerowanych jako własnej opisano słabszą formułą „należy unikać”, a wiążący zakaz obejmuje jeszcze ściąganie na egzaminach.

Warto przy tym uważać na obiegowe streszczenia. Wytyczne nie zakazują nauczycielom sprawdzania prac z pomocą AI — wprost to dopuszczają. „Surowo zabrania się” im natomiast wprowadzania do modeli danych osobowych uczniów i pytań egzaminacyjnych, a osobno odradza się zastępowanie własnej oceny wynikiem wygenerowanym.

Korea Południowa przeprowadziła jedyny odwrót, który przeszedł przez parlament: 4 sierpnia 2025 Zgromadzenie Narodowe zawęziło ustawową definicję podręcznika do książek drukowanych i e-booków, wykluczając z niej podręczniki oparte na AI.

To nie jest wspólna fala. Każdy z tych krajów wycofał się z czegoś innego i na innym poziomie mocy prawnej.

Polska obiecała zasady na 2026 rok

Tu jest rzecz, której nie widziałem w polskich omówieniach tematu.

Rada Ministrów przyjęła 12 września 2024 uchwałą nr 98 Politykę Cyfrowej Transformacji Edukacji. W załączniku z planem wdrażania figuruje działanie 3.7: „Opracowanie zasad korzystania ze sztucznej inteligencji przez uczniów przy realizacji prac pisemnych”. Podmiot odpowiedzialny: Ministerstwo Edukacji Narodowej. Wartość początkowa wskaźnika: zero. Docelowa: jeden. Termin realizacji: 2026.

Sprawdziłem stronę Ministerstwa Edukacji, Monitor Polski i Dziennik Ustaw. Do 4 września 2026 nie znalazłem opublikowanego dokumentu, który wypełniałby to działanie. Termin biegnie do końca roku, więc to jeszcze nie jest opóźnienie, tylko stan na dziś. Poziom pewności: średni — dokument mógł zostać wydany w trybie, którego nie przeszukałem.

Osobno ta sama uchwała przewiduje opracowanie regulacji prawnych dotyczących AI w edukacji z terminem 2030. W kierunkach polityki oświatowej na rok szkolny 2026/2027, ustalonych w maju 2026, sztuczna inteligencja pojawia się wyłącznie jako podpunkt priorytetu o higienie cyfrowej i aktywności off-line. Osobnego priorytetu jej poświęconego nie ma, choć termin działania 3.7 upływa właśnie w tym roku.

Skalę zjawiska w Polsce mierzył za to NASK. W badaniu „Nastolatki”, zrealizowanym jesienią 2024, rodzice najczęściej wskazywali naukę (45 procent), a odrabianie prac domowych jako drugie w kolejności (38 procent).

Do tego dochodzi kontekst, o którym łatwo zapomnieć: prace domowe w szkołach podstawowych zostały ograniczone rozporządzeniem z 2024 roku, z powodów niemających z AI nic wspólnego.

Co z tym zrobić w domu i w klasie

Danymi da się obronić jedną rzecz: szkodzi konkretny sposób użycia, nie samo narzędzie. Model podający gotowe rozwiązanie obniża późniejsze wyniki, model naprowadzający tej straty nie powoduje. Żaden nie podniósł wyników w jedynym badaniu, które to zmierzyło.

Z tego wynika, że rozmowa o zakazach mija się z problemem. Zakazać można narzędzia, a rozstrzyga sposób, w jaki uczeń go używa, i to, ile wysiłku po jego stronie zostaje. Tego nie widać w żadnym regulaminie ani w żadnym detektorze — widać dopiero wtedy, gdy uczeń ma coś zrobić bez wsparcia.

Detektory tej roli nie wypełnią. Uczelnia z zasobami Vanderbilta policzyła koszt fałszywych oskarżeń i wyłączyła narzędzie; OpenAI wycofało własny klasyfikator, który poprawnie rozpoznawał 26 procent tekstów maszynowych.

Zostaje rzecz najmniej efektowna i jedyna, która w tym temacie działa: sprawdzanie liczb u źródła przed ich powtórzeniem. Zrobiłem to samo przy danych o studiach z AI i wynik też okazał się inny od obiegowego.