Otkako je ChatGPT postao javno dostupan u novembru 2022. godine, brz napredak generativne veštačke inteligencije preobražava pejzaž nastave i učenja. Alati koji trenutno generišu tekst, slike i druge proizvode stvorili su okruženje u kojem razmišljanje i kreativnost mogu lako da se prebace na mašine, često ostavljajući nastavnike da preispituju autentičnost studentskog rada i pitaju koja će kognitivna znanja biti najvažnija za nas kao učenike i aktere prakse. Nastavnici su u pravu da brinu o našoj budućnosti kao kreativnih, nezavisnih mislilaca i rešavača problema.
Bloomova taksonomija je dugo bila alat koji su nastavnici mogli da koriste kako bi identifikovali nivoe kognitivne zahtevnosti u učionici. Prvobitno razvijena 1956. godine i revidirana 2002. godine, tačan okvir daje obrazovateljima zajednički jezik za dizajn kurikuluma i procene. On organizuje učenje od nižih ka višim nivoima mišljenja, počevši od osnovnih veština poput pamćenja i razumevanja, i napredujući ka sve složenijim veštinama primene, analize, evaluacije i stvaranja.
Međutim, sve prisutniji generativni AI postavlja važna pitanja za nastavnike: Da li ovaj hijerarhijski okvir još uvek odražava mentalne veštine koje nastavnici treba da neguju kod svojih učenika? I da li bismo možda trebalo da se potpuno odvojimo od Bloomovog okvira?
Pre generativnog AI, stvaranje — sinteziranje ideja iz sopstvenog znanja i iskustava u konačni proizvod — bilo je označeno kao vrhunac kognitivne složenosti. Sada, ljudski autor treba samo efikasan prompt da gotovo trenutno stvori tekst, slike, video, kod ili analizu podataka. Stvaranje se dešava rano u procesu, a ne kao završni korak.
U stvari, tradicionalni model prelaska sa nižih ka višim veštinama mišljenja ne usklađuje se sa načinom na koji današnji učenici interaguju sa generativnom AI. Učenici se fleksibilno kreću napred-nazad među nivoima dok razmišljaju o onome što su do sada uradili i generišu nove iteracije kroz dodatne zahteve (promptove).
U okruženjima sa generativnom AI, najizazovnije kognitivne zadatke čine odluka šta pitati, kako da se strukturišu pitanja, kada verovati ili preispitivati rezultate i kako integrisati sadržaje koje je AI generisala u originalni rad. Takvo razmišljanje podrazumeva planiranje (dizajniranje jasnih promptova, postavljanje ograničenja i anticipiranje grešaka), nadzor (provera tačnosti izlaza, pristrasnosti i relevantnosti) i evaluaciju (kritičko sagledavanje izlaza i reviziju promptova). Kada se ljudsko–mašinska saradnja odvija dobro, učenici ostaju aktivni donositelji odluka u svom učenju, balansirajući ljudsko rezonovanje i AI pomoć kako bi postigli značajne ishode.
Ova koordinacija deli sličnosti sa tradicionalnim revizijama i kolaborativnim radom, gde su učenici oduvek fluidno prelazili između stvaranja, evaluacije i usavršavanja, otkrivajući da Bloomov hijerarhijski uzlet nije bio potpuna slika kako učenje zapravo funkcioniše. AI pomoć ipak donosi jedinstvene izazove. Brzina, obim i “crna kutija” priroda sadržaja koji generiše AI zahtevaju od učenika da upravljaju saradnikom koji može odmah da proizvede usklađeni rad bez otkrivanja svog rezonovanja, što metakognitivni nadzor čini i važnijim i teže ostvarivim nego u ljudskoj saradnji.
U ovom novom svetu, veštine pamćenja i razumevanja postaju stalne preduslove. Učenici neprestano koriste činjenicijsko i konceptualno znanje kako bi proverili činjenice i integrisali informacije kroz cikluse stvaranja i evaluacije. Umesto piramide, bolji način da se pokažu odnosi među kognitivnim veštinama u kontekstu generativne AI je vertikalna spirala. Ova spirala predstavlja kontinuirane cikluse procene, revizije i sinteze dok učenici stiču stručnost u oba polja — sadržaju i saradnji između čoveka i AI. Učenici se ciklično vraćaju kroz faze, pri čemu svaka iteracija donosi veću složenost i veću preciznost.
Da bi se ovo videlo u praksi, razmotrimo sledeći scenario u učionici. Učenik sedmog razreda, koji istražuje Podzemnu železnicu, treba da napiše argument zašto bi Harriet Tubman trebalo da bude predstavljena u novom muzeijskom postavu. Počinje pregledom svojih beleški i primarnih izvora sa časa (pamćenje/razumevanje) o Tubmaninom životu, opasnostima sa kojima se suočavala i uticaju koji je imala na druge. Napisao je početni okvir i draft. Zatim formuliše prompt, tražeći od pomoćnika da pregleda njegov rad uz navođenje zahteva zadatka: „Pregledaj ovaj nacrt argumenta zašto Harriet Tubman zaslužuje da bude predstavljena u muzejskoj izložbi o Podzemnoj železnici. Zadatak zahteva tri razloga potkrepljena istorijskim činjenicama. Da li moj nacrt ispunjava ove zahteve? Koje istorijske detalje bih mogao dodati?”
AI daje povratne informacije i sugestije (kreira), ali kada učenik analizira izlaz (evaluira/analizuje), primeti (pamti/razume) da je AI uključio činjenicijske greške o broju robova koje je Tubman pomogla da oslobodi i o visini nagrade koja je ponuđena za njen hapšenje. On revidira svoj prompt u: „Pomozi mi da ojačam svoja tri razloga sa konkretnim činjenicama o broju putovanja koja je Tubman obavila, o broju ljudi koje je oslobodila i o stvarnom iznosu nagrade. Pomozi mi da ojačam upotrebu ubedljivog glasa ako bude potrebno.”
Učenik primenjuje povratne informacije na revidirani nacrt, uključujući tačne detalje o Tubmaninoj ulozi u oslobađanju robova. On integriše svoje argumente, AI-ove faktualne ispravke i predloge poboljšanja, direktne citate iz Tubman koje je sam pronašao i sopstveno razmišljanje.
Kako generativna AI postaje sve centralnija u budućnosti učenika, nastavnici moraju uskladiti pomoć učenicima da razviju snažne osnove veštine nezavisno od AI, dok ih pripremaju da efikasno sarađuju sa ovim alatima. To zahteva namerne pedagoške strategije koje traže da učenici najpre steknu kompetencije bez AI, a zatim da pređu na stratešku saradnju čovek–AI u kojoj procenjuju, preispituju, usavršavaju i integrišu AI pomoć u sopstveno rezonovanje i originalni rad.
Bloomova taksonomija i dalje nudi nastavnicima okvir za razmišljanje o kognitivnoj zahtevnosti, ali model može bolje odražavati realnost učenja u okruženju sa generativnom AI. Odgovor nije u potpunosti odustati od Bloom-a, već ga preoblikovati kako bi se naglasili iterativni ciklusi učenja: prosuđivanje, kritičko sagledavanje i sinteza.
Nastavnici koji prihvataju ovu realnost moraju dizajnirati zadatke koji čine razmišljanje vidljivim, zahtevajući od učenika da procene izlaze, identifikuju greške ili pristrasnosti, revidiraju promptove i sinteziraju AI pomoć sa svojim sopstvenim rezonovanjem. Kada opremimo učenike kako tradicionalnim kompetencijama tako i AI pismenošću, mi ih pripremamo ne kao pasivne potrošače tehnologije, već kao vešte reditelje ove ljudsko–mašinske saradnje, što je tačno ono što njihova budućnost zahteva.
