Edukacja ekologiczna jako środek przeciwdziałania narastającemu zanieczyszczeniu środowiska: zoptymalizowane — wyjaśnialne podejście sztucznej inteligencji (XAI)

Dlaczego nauczanie o środowisku ma znaczenie

Na całym świecie zanieczyszczone powietrze, niebezpieczna woda i narastające ilości odpadów szkodzą ludziom i przyrodzie. Libia mierzy się ze wszystkimi tymi problemami jednocześnie — od zanieczyszczonych wybrzeży po pustynie naznaczone wyciekami ropy. Badanie stawia proste, lecz istotne pytanie: czy lepsza edukacja ekologiczna może odwrócić ten trend — i czy nowoczesna sztuczna inteligencja (AI) może wskazać, jakie formy nauczania rzeczywiście mają znaczenie?

Presja zanieczyszczeń blisko domu

Środowisko w Libii jest obciążone z wielu stron. Nieoczyszczone ścieki i odpływy przemysłowe zanieczyszczają rzeki, wody gruntowe i morze. Działalność naftowa i gazowa, cementownie oraz ruch drogowy pogarszają jakość powietrza w miastach, podczas gdy niedostateczny system zbierania odpadów powoduje ich wyrzucanie i spalanie na otwartych terenach. Te tendencje zagrażają życiu morskiemu, wodzie pitnej i zdrowiu publicznemu, przyczyniając się do chorób układu oddechowego, nowotworów i infekcji przenoszonych przez wodę. W tym kontekście kraj zaczyna włączać tematy środowiskowe do programów szkolnych i uniwersyteckich, mając nadzieję, że świadomi obywatele będą domagać się czyściejszych praktyk i polityk.

Słuchając następnego pokolenia

Badacze skupili się na studentach kierunków nauk o środowisku i edukacji na dwóch libijskich uczelniach. Ponad 400 studentów wypełniło ankietę online, która pytała o ich tło, poziom niepokoju dotyczącego takich kwestii jak zanieczyszczenie powietrza i wody czy zmiany klimatu, o ich codzienne zachowania — na przykład segregowanie, udział w akcjach sprzątania czy kupowanie produktów z mniejszym opakowaniem — oraz o to, ile uważają, że wiedzą o zanieczyszczeniu, jego przyczynach i rozwiązaniach. Większość studentów deklarowała wysoki poziom troski o jakość powietrza i wody oraz o zmiany klimatu, a wielu z nich stwierdziło, że stosuje prośrodowiskowe nawyki, takie jak oddzielanie surowców wtórnych czy udział w akcjach porządkowych. Samoopisowa wiedza również była wysoka: znaczne większości twierdziły, że rozumieją główne zanieczyszczenia, podstawowe przyczyny zanieczyszczeń i możliwe środki zaradcze.

Wykorzystanie inteligentnych narzędzi, by znaleźć to, co naprawdę się liczy

Aby wyjść poza proste średnie, zespół sięgnął po zaawansowane metody AI. Traktowali wiedzę studentów o rozwiązaniach problemów z zanieczyszczeniem środowiska jako główny wynik, który chcieli przewidzieć, a pozostałe odpowiedzi z ankiety — poziom troski, gotowość do działania i deklarowane zachowania — jako możliwe wpływy. Zbudowali kilka modeli komputerowych, w tym sieci neuronowe, wzmacniane drzewa decyzyjne oraz metodę zwaną regresją procesu Gaussa. Następnie zastosowali technikę zwaną optymalizacją bayesowską, by automatycznie dostroić te modele tak, aby ich prognozy były jak najdokładniejsze. Dodatkowo użyli podejścia „wyjaśnialnej AI”, które przypisuje każdemu czynnikowi z ankiety współczynnik wkładu, pokazując, jak silnie pomaga on modelowi przewidzieć zrozumienie przez studenta rozwiązań problemów z zanieczyszczeniem.

Co kształtuje środowiskowe rozumienie studentów

Analiza przy użyciu wyjaśnialnej AI wykazała, że nie wszystkie pytania miały jednakowe znaczenie. Najsilniejsze powiązania z wiedzą o tym, jak radzić sobie z zanieczyszczeniem, pochodziły z kilku kluczowych czynników: czy studenci znali główne przyczyny zanieczyszczeń i najważniejsze zanieczyszczające substancje; czy rutynowo korzystali z oddzielnych pojemników na surowce wtórne; czy byli skłonni ograniczyć własne odpady; oraz czy byli gotowi współpracować z grupami zajmującymi się ochroną środowiska. Innymi słowy, zarówno konkretna wiedza, jak i praktyczne, nastawione na społeczność nawyki wydają się kluczowe dla głębszego zrozumienia. Gdy modele zbudowano ponownie, używając tylko tego niewielkiego zestawu wpływowych czynników, działały równie dobrze lub lepiej niż przy użyciu całej ankiety — zwłaszcza zoptymalizowany model regresji procesu Gaussa, który z bardzo wysoką dokładnością przewidywał wyniki studentów dotyczące znajomości rozwiązań.

Od danych do działań na rzecz czystszej przyszłości

Dla osób niebędących specjalistami główne przesłanie jest takie, że edukacja nie pomaga środowisku jedynie poprzez dodawanie kolejnych faktów do podręczników. Najważniejsze wydaje się nauczanie, które łączy realne lokalne problemy z codziennymi działaniami i wysiłkiem zbiorowym oraz buduje jasne rozumienie tego, co powoduje zanieczyszczenia. Dzięki wyjaśnialnej AI to badanie pokazuje, jak szkoły, uczelnie i decydenci mogą wskazać, jakie postawy i zachowania należy promować, jeśli chcą, aby studenci stali się odpowiedzialnymi opiekunami środowiska. Chociaż praca opiera się na libijskich uczelniach i wykorzystuje samoopisowe dane z ankiet, podejście to stanowi plan działania: połącz przemyślaną edukację ekologiczną z przejrzystą analizą AI, aby zaprojektować mądrzejsze, bardziej ukierunkowane programy, które pomogą przemienić troskę w skuteczne działania.

Cytowanie: Hamad, O.A.M., Baysen, E. & Usman, A.G. Environmental education as a means of combating growing environmental pollution: an optimized- explainable artificial intelligence (XAI) approach. Sci Rep 16, 12647 (2026). https://doi.org/10.1038/s41598-026-42335-z

Słowa kluczowe: edukacja ekologiczna, zanieczyszczenie, Libia, sztuczna inteligencja, zachowanie uczniów