Kako studenti u visokom obrazovanju koriste veštačku inteligenciju

Integracija sistema veštačke inteligencije u obrazovni eko sistem transformisala ih je iz specijalizovanih istraživačkih alata u svakodnevne akademske alatke. Kako se ovi sistemi sve više koriste u obrazovanju, javljaju se važna pitanja o njihovom uticaju na učenje, procenu i razvoj akademskih veština.

Nedavna (javno objavljena 08.04.2025.) sveobuhvatna studija Anthropic-a analizirala je približno milion anonimizovanih studentskih razgovora sa Claude.ai kako bi se razumeli obrasci korišćenja veštačke inteligencije u stvarnom okruženju visokog obrazovanja. Ovo pruža jedan od prvih detaljnih uvida u to kako studenti integrišu AI u svoj akademski rad. Evo ključnih nalaza:

Ko koristi veštačku inteligenciju u obrazovanju?

Studenti STEM-a, posebno oni iz oblasti računarskih nauka, su rani korisnici alata veštačke inteligencije poput Claude-a. Studenti računarskih nauka činili su 36,8% studentskih razgovora iako čine samo 5,4% američkih diploma. Ovo ukazuje na veću svest o mogućnostima veštačke inteligencije unutar ovih zajednica, kao i na trenutne prednosti veštačke inteligencije u rešavanju zadataka povezanih sa STEM-om.

Studenti iz oblasti biznisa, zdravstva i humanističkih nauka pokazali su niže stope korišćenja u odnosu na računarske naule kao i na ukupan broj upisanih studenata. Ovo ukazuje na potencijalne razlike u specifičnim disciplinama u tome kako se veštačka inteligencija percipira i koristi.

Kako studenti komuniciraju sa veštačkom inteligencijom

Istraživanje je identifikovalo četiri različita obrasca interakcije, svaki predstavlja približno jednake proporcije (23-29%) razgovora:

1. Direktno rešavanje problema: Studenti traže neposredna rešenja ili objašnjenja (npr. “Reši i objasni probleme diferencijacije u kalkulusu”)
2. Direktno stvaranje izlaza: Studenti traže kompletne materijale (npr. “Kreiraj akademske sažetke teksta i kondenzovane verzije”)
3. Saradničko rešavanje problema: Studenti traže vođenu pomoć (npr. “Poduči osnovama programiranja sa primerima u Python-u”)
4. Saradničko stvaranje izlaza: Studenti žele iterativno poboljšanje (npr. “Pruži povratne informacije i reviziju za studentske pismene zadatke”)

Ovi obrasci pokazuju da veštačka inteligencija omogućava širi spektar obrazovnih interakcija nego tradicionalne veb pretrage, koje prvenstveno podržavaju direktne odgovore.

Kognitivni zadaci koje studenti delegiraju VI

Uočili smo obrnuti obrazac domena Bloomove taksonomije koji je pokazao AI:

Claude je uglavnom završavao kognitivne funkcije višeg reda, pri čemu su Kreiranje (39,8%) i Analiziranje (30,2%) bile najčešće operacije iz Bloomove taksonomije. Kognitivni zadaci nižeg reda bili su manje zastupljeni: Primena (10,9%), Razumevanje (10,0%) i Pamćenje (1,8%). Ova raspodela takođe je varirala po stilu interakcije.

Kao što se i očekivalo, zadaci za Stvaranje izlaza, kao što su generisanje sažetaka akademskog teksta ili povratne informacije o esejima, uključivali su više funkcija “kreiranja”. Zadaci za Rešavanje problema, kao što su rešavanje matematičkih problema ili objašnjavanje osnova programiranja, uključivali su više funkcija “analiziranja”.

Ovaj obrnuti obrazac pokreće važna pitanja o studentima koji potencijalno autsorsuju kritične kognitivne zadatke sistemima veštačke inteligencije.

Obrasci korišćenja veštačke inteligencije specifični za predmete

Različite akademske discipline pokazale su različite obrasce interakcije sa veštačkom inteligencijom:

• Razgovori iz prirodnih nauka i matematike težili su ka pristupima rešavanja problema
• Računarske nauke, inženjerstvo i prirodne nauke favorizovali su saradničke razgovore
• Humanističke nauke, biznis i zdravstvo bili su ravnomernije podeljeni između saradničkih i direktnih interakcija
• Obrazovanje je pokazalo najjaču sklonost ka stvaranju izlaza (74,4% razgovora)

Ove varijacije sugerišu da bi efikasne strategije integracije veštačke inteligencije u obrazovanju trebalo da budu specifične za disciplinu, a ne univerzalne.

Izazovi i zabrinutosti

Skoro polovina (~47%) studentskih razgovora sa veštačkom inteligencijom bila je direktna—tražeći odgovore ili sadržaj sa minimalnim angažovanjem. Iako mnogi služe legitimnim obrazovnim svrhama (poput konceptualnih pitanja ili generisanja vodiča za učenje), pronađeni su i zabrinjavajući primeri, uključujući:

• Pružanje odgovora na pitanja sa višestrukim izborom
• Davanje direktnih odgovora na pitanja sa testova
• Prepisivanje sadržaja kako bi se izbegla detekcija plagijata

Čak i saradnički razgovori mogu imati upitne ishode učenja ako prenose značajne odgovornosti razmišljanja na veštačku inteligenciju.

Implikacije za obrazovanje

Ovi nalazi naglašavaju potrebu za promišljenim razmatranjem o tome kako se veštačka inteligencija integriše u obrazovne kontekste. Ključna pitanja uključuju:

1. Kako možemo osigurati da studenti razvijaju veštine kritičkog mišljenja kada imaju moćne alate veštačke inteligencije za rešavanje složenih kognitivnih zadataka?
2. Šta čini akademski integritet u obrazovnom okruženju omogućenom AI?
3. Kako bi evaluacije trebalo da evoluiraju da bi održale svoju efikasnost?
4. Koji pristupi specifični za discipline bi najbolje mogli iskoristiti AI kao alat za učenje, a ne kao prečicu?

Kako alati veštačke inteligencije postaju uobičajeni u obrazovanju, razumevanje ovih obrazaca korišćenja u stvarnom svetu ključno je za razvoj pedagoških pristupa koji koriste prednosti veštačke inteligencije uz istovremeno minimiziranje potencijalnih nedostataka za učenje i razvoj studenata.