Kompetencje w prompt engineering, zarządzanie wiedzą i dopasowanie technologii jako czynniki trwałości edukacji dzięki generatywnej sztucznej inteligencji

Dlaczego mądrzejsze pytania do SI mają znaczenie dla studentów

W miarę jak narzędzia generatywnej SI, takie jak chatboty, wkraczają do sal wykładowych, pojawia się istotna zagadka: co sprawia, że niektórzy studenci zamieniają te narzędzia w trwałych partnerów w nauce, podczas gdy inni używają ich tylko sporadycznie lub niewłaściwie? Niniejsze badanie analizuje, jak umiejętność zadawania dobrych pytań SI, sposób zarządzania uzyskaną wiedzą oraz dopasowanie narzędzi SI do potrzeb nauki współdziałają, by wspierać długoterminowe, zrównoważone uczenie się w szkolnictwie wyższym.

Jak badanie przyjrzało się studentom korzystającym z SI

Naukowcy przeprowadzili ankietę wśród 437 studentów uniwersyteckich, którzy już korzystają z narzędzi generatywnej SI, takich jak ChatGPT, w pracy akademickiej. Przy użyciu modelowania statystycznego zbudowali i przetestowali ciąg wpływów zaczynający się od kompetencji studenta w zakresie „prompt engineering”, przechodzący przez ilość użytecznej wiedzy, którą student pozyskuje i rzeczywiście wykorzystuje, następnie kształtujący ocenę dopasowania SI zarówno do zadań, jak i do indywidualnych preferencji studenta, a w końcu prowadzący do intencji studenta, by nadal korzystać z SI. Końcowym punktem tego łańcucha jest trwałość edukacyjna, rozumiana tu jako długotrwałe, skuteczne wykorzystanie SI w nauce, a nie krótkotrwała moda technologiczna.

Od lepszych promptów do lepszego dopasowania w nauce

Główna myśl jest taka, że w systemach generatywnej SI jakość wyników zależy w dużej mierze od jakości wkładu. Studenci potrafiący formułować jasne, szczegółowe i celowe prompt’y mają tendencję do wydobywania dokładniejszych i bardziej trafnych informacji oraz lepszego ich zastosowania w zadaniach, projektach i rozwiązywaniu problemów. Badanie pokazuje, że zdobywanie i stosowanie tej wiedzy mocno wpływa na to, jak dobrze studenci oceniają dopasowanie SI do zadań kursowych oraz do własnych preferencji, umiejętności i komfortu. Innymi słowy, inteligentne formułowanie promptów nie tylko daje lepsze odpowiedzi; sprawia też, że technologia wydaje się bardziej odpowiednia zarówno do pracy, jak i do osoby ją wykorzystującej.

Dlaczego „dopasowanie” napędza dalsze użycie

Badanie wyróżnia dwa rodzaje dopasowania. Task–technology fit opisuje, jak dobrze narzędzia SI pomagają w konkretnych zadaniach edukacyjnych, takich jak zrozumienie koncepcji czy rozwiązanie problemu. Individual–technology fit odnosi się do tego, jak narzędzia pasują do stylów uczenia się, pewności siebie i potrzeb studentów. Oba typy dopasowania powiązano z planami studentów dotyczącymi kontynuowania korzystania z SI, przy czym task–technology fit okazało się silniejszym czynnikiem. Gdy studenci czują, że SI rzeczywiście pomaga im skuteczniej realizować zadania akademickie, są znacznie bardziej skłonni do kontynuowania jej używania dobrowolnie i regularnie. To ciągłe użytkowanie jest z kolei ściśle związane z koncepcją trwałości edukacyjnej, ponieważ narzędzia wpływają na naukę tylko wtedy, gdy pozostają częścią codziennych rutyn studyjnych.

Umiejętności formułowania promptów jako nowa kompetencja literacka

Badanie traktuje prompt engineering jako nowy rodzaj kompetencji akademickiej. Studenci, którzy potrafią rozbić złożone zadania na mniejsze pytania, dostosowywać prompt’y do różnych narzędzi SI, udoskonalać zapytania na podstawie wcześniejszych odpowiedzi oraz weryfikować wyniki SI pod kątem uprzedzeń i dokładności, wykazują znacznie wyższy poziom zarówno pozyskiwania wiedzy, jak i jej wykorzystania. Prompt engineering okazał się najsilniejszym predyktorem w całym modelu, co sugeruje, że sposób, w jaki studenci komunikują się z SI, może mieć większe znaczenie niż konkretna platforma, której używają. Co ciekawe, ogólny wzorzec utrzymywał się zarówno wśród studentów płci męskiej, jak i żeńskiej, choć stosowanie wiedzy do realnych zadań wydawało się nieco silniej wzmacniać poczucie dopasowania do zadań wśród kobiet.

Co to oznacza dla przyszłości nauczania

Dla czytelnika niebędącego specjalistą przesłanie badania jest proste: generatywna SI wzmacnia edukację najbardziej wtedy, gdy studenci uczą się zadawać lepsze pytania i aktywnie pracują z odpowiedziami. Gdy silne umiejętności w formułowaniu promptów przekładają się na stały przyrost wiedzy i jej praktyczne wykorzystanie, studenci postrzegają SI jako naturalny element swojego zestawu narzędzi do nauki, a nie przemijającą ciekawostkę. To trwałe, sensowne użycie jest tym, co autorzy nazywają trwałością edukacyjną. Zamiast zastępować ludzkie uczenie się, SI staje się partnerem wspierającym głębsze zrozumienie i trwałe umiejętności, pod warunkiem że szkoły pomogą studentom rozwinąć kompetencje niezbędne do kierowania i krytycznego oceniania tych potężnych narzędzi.

Cytowanie: Gibreel, O., Karataş, K. & Arpaci, I. Prompt engineering competence, knowledge management, and technology fit as drivers of educational sustainability through generative AI. Sci Rep 16, 15596 (2026). https://doi.org/10.1038/s41598-026-46335-x

Słowa kluczowe: generatywna SI w edukacji, prompt engineering, trwałość edukacyjna, task-technology fit, zarządzanie wiedzą