Jak sztuczna inteligencja zmienia codzienną pracę nauczyciela informatyki w szkole podstawowej

Jak zmienia się rola nauczyciela informatyki w erze AI

Od „obsługi komputera” do rozumienia procesów i algorytmów

Sztuczna inteligencja sprawia, że klasyczne „klikologia” i nauka obsługi programów biurowych przestają być sednem pracy nauczyciela informatyki w szkole podstawowej. Interfejsy stają się coraz prostsze, a kolejne aplikacje same podpowiadają użytkownikowi, co ma zrobić. Uczeń, który w domu ma tablet lub smartfon, szybko poradzi sobie z podstawową obsługą urządzenia bez pomocy dorosłego.

Nowy punkt ciężkości to rozumienie procesów, algorytmów i zasad działania systemów. W praktyce oznacza to przesunięcie nacisku z:

• „kliknij tu, żeby wstawić tabelę” na „jak komputer przetwarza dane i co z tego wynika dla użytkownika”,
• „jak zapisać plik w chmurze” na „co to znaczy, że dane są przechowywane na serwerach i jakie są tego konsekwencje dla prywatności”,
• „jak napisać prosty skrypt” na „jak krok po kroku opisać problem, żeby maszyna mogła go rozwiązać”.

Lekcje informatyki coraz częściej stają się miejscem, gdzie uczniowie uczą się myślenia komputacyjnego (dzielenia problemu na części, szukania wzorców, budowania algorytmu), a nie tylko obsługi jednego, konkretnego programu. AI dodatkowo wzmacnia tę zmianę, bo nagle okazuje się, że wiele czynności „manualnych” da się zautomatyzować, ale ktoś musi zrozumieć, co i jak automat robi.

„Umie korzystać z ChatGPT” vs „rozumie, jak działa model językowy”

Uczniowie błyskawicznie uczą się wpisywać pytania do chatbotów. „Proszę pani, ja już znam ChatGPT” – to stały komunikat w wielu klasach. Umiejętność zadania pytania to jednak dopiero poziom „używam młotka”, a nie „wiem, jak jest zrobiony i kiedy lepiej użyć wkrętarki”.

Nauczyciel informatyki w erze AI powinien poprowadzić uczniów poziom wyżej, do zrozumienia ogólnego mechanizmu działania modeli językowych (LLM):

• że nie „myślą”, tylko przewidują kolejne słowa na podstawie wzorców w danych,
• że mogą się mylić, halucynować (czyli wymyślać przekonujące, lecz fałszywe informacje),
• że odpowiedź zależy od sposobu zadania pytania (promptu),
• że ich działanie opiera się na dużych zbiorach danych, co rodzi pytania o prywatność i prawa autorskie.

W klasie IV–VIII nie chodzi o wyjaśnianie równań opisujących sieci neuronowe, ale o zbudowanie intuicyjnego modelu: „to narzędzie, które uczyło się na wielu tekstach i teraz próbuje zgadywać, co pasuje do Twojego pytania”. Takie rozumienie staje się fundamentem krytycznego korzystania z AI, a nie tylko ślepego kopiowania odpowiedzi.

Od „instruktora przy klawiaturze” do architekta doświadczeń edukacyjnych

Klasyczny obraz nauczyciela informatyki: chodzi między ławkami, rozwiązuje problemy z drukarką, pokazuje, „gdzie trzeba kliknąć”, ratuje zacięty komputer. Tego typu wsparcie techniczne nadal bywa konieczne, ale jego znaczenie systematycznie maleje. Systemy są stabilniejsze, a uczniowie bardziej obyci z technologią.

Rosną za to oczekiwania, że nauczyciel będzie projektował doświadczenia edukacyjne z technologią: projekty, zadania badawcze, gry dydaktyczne, webquesty, miniprojekty z AI. W praktyce oznacza to m.in.:

• układanie sekwencji zadań, w których AI pojawia się jako narzędzie pomocnicze, a nie główne źródło treści,
• tworzenie scenariuszy, gdzie uczniowie krytycznie oceniają odpowiedzi AI, porównują je z innymi źródłami, korygują błędy,
• łączenie kilku narzędzi (np. edytor kodu + chatbot + generator obrazów) w jednym spójnym projekcie.

Nauczyciel z roli „osoby od sprzętu” przechodzi do roli architekta środowiska uczenia się, w którym sztuczna inteligencja jest jednym z modułów. To wymaga innych kompetencji: mniej naprawiania drukarki, więcej myślenia scenariuszowego i dydaktycznego.

AI jako „nowy kalkulator” – analogia i jej ograniczenia

Porównanie AI do kalkulatora pojawia się bardzo często. Ma swoje zalety: tak jak kalkulator przyspiesza obliczenia, tak AI przyspiesza pisanie, szukanie informacji czy tworzenie szkiców kodu. Uczeń nie musi ręcznie powtarzać wielu podobnych działań – może skupić się na zrozumieniu pojęć i rozwiązywaniu ciekawszych problemów.

Analogii nie warto jednak traktować dosłownie. Kalkulator daje precyzyjne, przewidywalne wyniki (2+2=4), jeśli użytkownik poprawnie wprowadzi dane. Model językowy daje wynik prawdopodobny, a nie gwarantowanie poprawny. Uczeń, który ślepo wierzy chatbotowi, może powielać błędy rzeczowe i logiczne.

Z punktu widzenia nauczyciela informatyki znaczy to jedno: AI wymaga kontroli, weryfikacji i krytycznego myślenia. Zadaniem nauczyciela nie jest więc tylko pozwolić na używanie AI, ale nauczyć:

• jak sprawdzać odpowiedzi w innych źródłach,
• jak dostrzegać błędy, sprzeczności, uproszczenia,
• jak używać AI jako „partnera do myślenia”, a nie „maszyny do gotowców”.

Podstawowe rodzaje narzędzi AI, z którymi realnie styka się nauczyciel

Modele językowe, generatory obrazów, narzędzia do kodu i systemy sprawdzające

W codziennej pracy nauczyciela informatyki w szkole podstawowej pojawiają się cztery główne kategorie narzędzi AI:

• Modele językowe (LLM, chatboty) – np. ChatGPT, Bing Chat, Claude, Copilot. Pomagają w generowaniu tekstów, pomysłów, wyjaśnień, scenariuszy lekcji, kodu.
• Generatory obrazów – np. DALL·E, Canva z funkcjami AI, Bing Image Creator. Służą do tworzenia ilustracji, infografik, prostych komiksów edukacyjnych.
• Narzędzia do kodu – asystenci programowania (GitHub Copilot, Codeium, wbudowane podpowiedzi w edytorach). Podpowiadają linie kodu, diagnozują błędy, sugerują poprawki.
• Systemy automatycznie analizujące prace – np. wbudowane w platformy edukacyjne moduły sprawdzania testów, plagiatów, podobieństwa kodu.

Na poziomie szkoły podstawowej najczęściej w praktyce używane są: prosty chatbot, generator obrazów z przyjaznym interfejsem oraz ewentualnie elementarne funkcje AI w edytorze kodu (np. podpowiedzi w Scratchu lub Pythonie). Zaawansowane narzędzia dla programistów zazwyczaj wystarczą nauczycielowi, nie są konieczne dla uczniów.

Lokalne narzędzia vs usługi w chmurze – konsekwencje dla danych uczniów

Kluczowy aspekt, o którym nauczyciel informatyki musi myśleć w pierwszej kolejności, to bezpieczeństwo danych uczniów. Narzędzia AI dzielą się z tego punktu widzenia na:

• lokalne – instalowane na szkolnym komputerze/serwerze, dane nie opuszczają szkoły (np. proste modele offline, lokalne biblioteki analizy tekstu),
• chmurowe – działające na zewnętrznych serwerach, do których wysyła się treść zadań czy prac uczniów.

W praktyce szkoły podstawowej przeważają dziś rozwiązania chmurowe. To wygodne, ale generuje pytania:

• czy wprowadzamy dane osobowe uczniów (imiona, nazwiska, numery, zdjęcia) do zewnętrznego systemu,
• czy serwis ma jasną politykę prywatności zgodną z RODO,
• czy da się używać narzędzia bez logowania uczniów (np. tylko z konta nauczyciela).

Bezpieczna praktyka na lekcjach informatyki: używać AI do pracy na danych zanonimizowanych (np. „Uczeń A, B, C”), nie wysyłać zdjęć twarzy uczniów ani dokumentów z wrażliwymi informacjami, a przy testowaniu nowego narzędzia najpierw sprawdzić, co dokładnie zapisuje i gdzie.

Proste, darmowe rozwiązania możliwe do użycia na lekcji

Większość szkół pracuje w realiach ograniczonego budżetu, dlatego rozsądna strategia to szukanie narzędzi, które:

• mają darmowy plan lub wersję edukacyjną,
• działają w przeglądarce, bez skomplikowanej instalacji,
• pozwalają na pracę na jednym koncie nauczyciela (bez zakładania profili uczniom).

W codziennej praktyce dobrze sprawdzają się:

• ogólnodostępne chatboty (w wersji webowej) – do generowania materiałów, pomysłów na lekcje, prostych wyjaśnień,
• darmowe generatory grafiki z opcją „obraz edukacyjny” – do tworzenia ilustracji do kart pracy, ćwiczeń, komiksów,
• narzędzia typu „quiz builder” z funkcjami AI – budujące quizy na podstawie podanego tekstu,
• aplikacje biurowe z wbudowaną AI (np. pakiety online), jeśli są już wdrożone w szkole.

Dobrą praktyką jest wcześniejsze przetestowanie danego narzędzia w domu lub na pustej lekcji: jakie treści generuje, czy potrafi „zbłądzić” w niepożądane obszary, czy łatwo zapanować nad wynikami.

Jak ocenić, czy narzędzie AI jest „wystarczająco dobre” do szkoły podstawowej

W natłoku nowinek warto mieć prostą listę kryteriów. Narzędzie AI jest sensowne do użycia w szkole podstawowej, jeśli spełnia większość poniższych warunków:

• Prostota – uczeń rozumie, gdzie wpisać pytanie i jak odczytać odpowiedź; interfejs nie wymaga długiego szkolenia.
• Bezpieczeństwo – brak reklam o nieodpowiedniej treści, jasna polityka prywatności, możliwość pracy bez zbędnych danych osobowych.
• Kontrola treści – nauczyciel może łatwo przejrzeć wyniki, zablokować część funkcji lub w razie potrzeby przerwać pracę.
• Przystępny język – narzędzie potrafi odpowiedzieć prostym, zrozumiałym językiem dla uczniów klasy IV–VIII.
• Brak wymogu zakładania kont przez dzieci – jeżeli to możliwe, uczniowie pracują pod nadzorem na koncie nauczyciela lub w trybie „gościa”.

AI w codziennym planowaniu pracy: rozkłady materiału, scenariusze, konspekty

Generowanie szkiców rozkładu materiału z podstawy programowej

Planowanie roku czy semestru z informatyki to zadanie wymagające czasu: trzeba rozebrać na czynniki pierwsze podstawę programową, dopasować do liczby godzin, uwzględnić projekty i kartkówki. AI może działać tu jak asystent do robienia pierwszego szkicu.

Skuteczność zależy jednak od jakości polecenia (promptu). Przykładowa struktura, którą można modyfikować:

• „Jestem nauczycielem informatyki w szkole podstawowej w Polsce, uczę klasę VI.”
• „Podstawa programowa obejmuje m.in.: (tu własnymi słowami lub kopiując fragmenty, ale skrócone).”
• „Zaplanuj rozkład materiału na 32 godziny lekcyjne, z uwzględnieniem: projektów grupowych, powtórek, oceniania kształtującego.”
• „Podaj wynik w tabeli: numer lekcji, temat, cele w języku ucznia, propozycja pracy domowej.”

Uzyskany plan będzie wymagał korekty (AI nie zna kalendarza szkolnego, wycieczek, świąt), ale oszczędza sporo czasu przy układaniu struktury i kolejności tematów. Po wygenerowaniu warto przejść lekcja po lekcji i dodać własne notatki: kiedy projekt, kiedy sprawdzian, kiedy integracja z innymi przedmiotami.

Dobrą praktyką jest też poproszenie AI o kilka wariantów tego samego rozkładu: np. „wersja z większym naciskiem na programowanie”, „wersja z większym naciskiem na bezpieczeństwo w sieci”. Z tych szkiców da się potem zbudować własną hybrydę. Przy każdej wersji można dodać ograniczenia: liczba godzin na projekty, minimalna liczba lekcji z danego działu, konkretne narzędzia (np. Scratch, edytor tekstu online, arkusz kalkulacyjny).

Tip: po wygenerowaniu rozkładu poproś narzędzie, aby wyłapało potencjalne „wąskie gardła”, np. „w których tygodniach jest szczególnie dużo nowych pojęć?” albo „czy między pierwszym a ostatnim użyciem arkusza kalkulacyjnego przerwa nie jest zbyt długa?”. Takie pytania pomagają wychwycić miejsca, gdzie uczniowie mogą mieć kumulację trudności lub zbyt długą przerwę w ćwiczeniu danej umiejętności.

Szybkie szkice scenariuszy lekcji i konspektów

Po ustaleniu rozkładu materiału kolejnym krokiem jest zejście poziom niżej – do scenariusza konkretnej lekcji. AI dobrze radzi sobie z generowaniem szkiców struktury: wprowadzenie, aktywność główna, podsumowanie, praca domowa. W poleceniu opłaca się podać: klasę, czas trwania jednostki (np. 45 minut), liczbę komputerów oraz poziom kompetencji uczniów (np. „klasa VI, mieszany poziom, część uczniów słabsza z pisania na klawiaturze”).

W odpowiedzi można oczekiwać zarysu: ile minut na każde ćwiczenie, propozycje pytań do uczniów, pomysły na różnicowanie zadań. Taki szkic rzadko nadaje się do wydruku „od ręki”, ale świetnie sprawdza się jako punkt startowy: nauczyciel dopisuje konkretne nazwy plików, ścieżki dostępu do materiałów, polecenia dopasowane do sprzętu w swojej pracowni. Oszczędza to czas na wymyślanie struktury od zera i pozwala skupić się na jakości zadań.

AI może też generować warianty jednego scenariusza dla różnych poziomów: „opracuj prostszą wersję tej lekcji dla uczniów, którzy mają trudności z obsługą komputera” albo „zaproponuj trudniejsze zadania rozszerzające dla najszybszych uczniów”. Dzięki temu łatwiej z góry zaplanować pracę z uczniami szybszymi i wolniejszymi, zamiast improwizować na bieżąco.

Checklisty, harmonogramy, dokumentacja dla dyrekcji

Planowanie to nie tylko treści merytoryczne, ale też „papierologia”: zestawienia realizacji podstawy, harmonogramy sprawdzianów, informacje dla wychowawców i dyrekcji. AI może pomóc w wyciąganiu z rozkładu materiału dodatkowych widoków: np. tabeli „które punkty podstawy realizuję w poszczególnych miesiącach” albo listy lekcji, na których powstają prace uczniów wymagające oceny opisowej.

Przydaje się też generowanie prostych checklist: „stwórz listę rzeczy do przygotowania na lekcję o bezpieczeństwie w sieci dla klasy V” albo „wypisz w punktach, co powinienem sprawdzić przed rozpoczęciem cyklu lekcji o Scratchu”. Takie listy minimalizują ryzyko, że o czymś zapomnisz (np. konta na platformie, dostęp do internetu, zaktualizowane przeglądarki), szczególnie gdy w jednym tygodniu prowadzisz kilka różnych tematów w różnych klasach.

Im bardziej świadomie nauczyciel korzysta z AI – traktując ją jako narzędzie pomocnicze, a nie zastępstwo własnego myślenia – tym większą zyskuje kontrolę nad procesem nauczania: mniej czasu ucieka na rutynę, więcej zostaje dla uczniów, ich pytań i realnego uczenia się pracy z technologią, zamiast tylko „obsługiwania” gotowych rozwiązań.

Tworzenie materiałów dydaktycznych z pomocą AI: karty pracy, slajdy, instrukcje

Karty pracy generowane „na miarę” konkretnej klasy

Karta pracy jest dobrym poligonem doświadczalnym dla AI. Najwygodniej traktować ją jako dokument roboczy, który po wygenerowaniu przechodzi selekcję i edycję. Kluczowe jest precyzyjne opisanie klasy i poziomu trudności: „klasa IV, pierwsze lekcje z klawiaturą”, „klasa VII, powtórka formatowania w edytorze tekstu”, „klasa VIII, algorytmy w Scratchu – poziom średni”.

Przykładowe polecenie do chatbota może wyglądać tak:

• „Przygotuj 8 zadań do karty pracy dla klasy V z obsługi folderów i plików.”
• „Podziel zadania na trzy poziomy: podstawowy, średni, trudniejszy.”
• „Używaj prostego języka, bez żargonu informatycznego.”
• „Nie opisuj rozbudowanych historii, tylko krótkie, konkretne polecenia.”

Po otrzymaniu propozycji najlepiej:

1. Usunąć zadania zbyt podobne do siebie.
2. Dopasować nazwy plików i folderów do zwyczajów w swojej pracowni (np. dysk sieciowy, określone katalogi klas).
3. Wymieszać zadania, by w jednej karcie znalazły się ćwiczenia krótkie i odrobinę bardziej złożone.

Uwaga: AI ma tendencję do generowania zbyt „słownych” poleceń („Wyobraź sobie, że…”). Da się to ograniczyć jednym zdaniem w promptcie: „Formułuj polecenia krótko, jak w typowej karcie pracy do informatyki”.

Ilustracje, komiksy i zrzuty ekranu generowane przez AI

W kartach pracy z młodszymi klasami dobrze działa warstwa wizualna: proste komiksy pokazujące np. zasady bezpieczeństwa w sieci, czy schematy „krok po kroku” ilustrujące procedurę (np. logowanie, zapis pliku, wysłanie załącznika). Narzędzia do generowania grafiki AI potrafią w kilka sekund przygotować rysunek dopasowany do polecenia.

Kilka praktycznych reguł:

• W poleceniu do generatora grafiki jasno określ styl: „prosta ikona”, „rysunek liniowy, czarno-biały”, „komiks dla dzieci w wieku 10–12 lat”.
• Unikaj realistycznych twarzy dzieci – prościej wybrać styl kreskówkowy albo sylwetki bez cech indywidualnych.
• Nie generuj interfejsów 1:1 (np. paska zadań Windows) – lepiej poprosić o ogólny schemat, bez znaków towarowych.

Tip: po wygenerowaniu kilku grafik można poprosić AI tekstowe o propozycje zadań do tych obrazków: „Wymyśl 5 krótkich poleceń do komiksu, który pokazuje, jak uczeń loguje się do szkolnej platformy”. To przyspiesza spójne łączenie warstwy wizualnej z ćwiczeniami.

Slajdy do lekcji tworzone półautomatycznie

Przy dużej liczbie klas przygotowywanie prezentacji bywa „pożeraczem czasu”. Asystenti AI w pakietach biurowych (np. w edytorze slajdów online) umożliwiają generowanie wstępnego zestawu slajdów na podstawie krótkiego opisu tematu lub wypunktowanego planu lekcji.

Minimalny przepływ pracy:

1. Wypunktowanie 6–8 kluczowych zagadnień lekcji (np. „co to jest folder”, „jak nazwać plik”, „czego nie robimy z cudzymi plikami”).
2. Wklejenie listy do asystenta AI ze wskazówką: „Stwórz prezentację dla klasy IV, maksymalnie 10 slajdów, krótkie hasła, bez przeładowania treścią”.
3. Ręczna korekta: uproszczenie języka, skrócenie list punktów, dodanie przykładowych zadań na slajdach co 2–3 ekrany.

Dobrym nawykiem jest proszenie AI o dwa warianty slajdów: wersję „dla projektora” (mało tekstu, duże litery) i wersję „dla nauczyciela” (notatki pod slajdami, dodatkowe wyjaśnienia, przykładowe odpowiedzi). Ten drugi pakiet można wydrukować lub mieć otwarty na własnym ekranie.

Instrukcje krok po kroku, które rzeczywiście pasują do szkolnego sprzętu

Tekstowe instrukcje „krok po kroku” świetnie nadają się do wspólnej edycji z AI. Można zacząć od własnego szkicu:

1. Uruchom przeglądarkę.
2. Wejdź na stronę ….
3. Zaloguj się, używając loginu z dziennika elektronicznego.
…

a następnie poprosić AI o:

• upraszczanie języka („przeformułuj dla ucznia klasy V”);
• dodanie ramek „Uwaga!” przy typowych błędach (np. „nie wpisuj hasła przy osobach trzecich”);
• wygenerowanie wersji skróconej i rozwiniętej (np. dla uczniów szybszych i wolniejszych).

Uwaga techniczna: AI nie zna realnej konfiguracji pracowni. Nazwy ikon, rozdzielczość ekranu, rozmieszczenie skrótów – to wszystko trzeba przejrzeć ręcznie i dopasować. Najprościej nagrać krótki film lub serię zrzutów ekranu, a AI poprosić o opis słowny do tych materiałów, zamiast odwrotnie.

AI jako asystent na lekcji: pytania uczniów, mikro-dydaktyka, bieżące wyjaśnienia

„Drugie źródło wyjaśnienia” dla ucznia

Sytuacja z życia: uczeń słyszy objaśnienie nauczyciela, ale nadal „nie łapie” tematu. Powtórka słowo w słowo nie zmienia wiele. AI można wtedy potraktować jako źródło alternatywnego tłumaczenia, ale pod kontrolą nauczyciela.

Model pracy:

• Nauczyciel wpisuje do AI krótki opis: „Wyjaśnij pojęcie algorytmu uczniowi klasy V, używając przykładu z codziennego życia, bez programowania”.
• Otrzymuje 2–3 wersje analogii (przepis na kanapkę, instrukcja dojścia do szkoły).
• Wybiera jedną i omawia ją z klasą, dopasowując szczegóły do kontekstu uczniów.

Tip: po dobrym trafieniu można zachować „złote” wyjaśnienia w swoim notatniku i nie prosić AI o to samo co roku – zamiast tego wykorzystać jako własne sprawdzone przykłady.

W tym miejscu przyda się jeszcze jeden praktyczny punkt odniesienia: Jak modlić się psalmami w codzienności: praktyczny przewodnik po Księdze Psalmów.

Obsługa „kolejki pytań” bez blokowania reszty klasy

Na lekcji informatyki typowa jest sytuacja, gdy kilku uczniów naraz potrzebuje pomocy przy drobnych błędach. AI otwarte na komputerze nauczyciela (lub na dedykowanym stanowisku uczniowskim) może pełnić funkcję dyżurnego pomocnika, szczególnie przy banalnych, powtarzalnych problemach.

Przykład użycia:

• Uczeń, który utknął z drobnym problemem w Scratchu, zapisuje w jednym zdaniu, co chciał osiągnąć i co nie działa.
• Nauczyciel szybko sprawdza, czy w pytaniu nie ma danych wrażliwych, i dopiero wtedy wysyła je do AI.
• Uczniowi pokazuje się nie gotowy kod, tylko podpowiedź, czego szukać („sprawdź, czy klocek zawsze jest użyty zamiast kiedy naciśnięto”).

Celem nie jest automatyczna naprawa projektu, tylko wskazanie miejsca, w którym warto szukać błędu. Dzięki temu nauczyciel może w tym samym czasie pracować z grupą, a uczniowie o mniejszych problemach korzystają z „kolejki do AI”.

Generowanie zadań „na gorąco” podczas lekcji

Zdarza się, że zaplanowane zadania kończą się szybciej, niż przewidywał scenariusz. Zamiast sięgać po przypadkowe ćwiczenia, nauczyciel może w trakcie lekcji stworzyć z AI mikro-zadania docięte do właśnie omawianego zagadnienia.

Krótkie polecenie w stylu:

„Podaj 5 krótkich zadań utrwalających zasadę tworzenia silnych haseł, dla klasy VI. Każde zadanie w jednej linijce, bez rozbudowanych opisów.”

daje zestaw prostych pytań, które można od razu podyktować, wpisać na tablicy interaktywnej albo wysłać klasie przez platformę. Podobnie w programowaniu – można wygenerować kilka wariantów zadania, gdzie różni się tylko kontekst (postać w Scratchu, temat animacji), co pozwala uniknąć „kopiuj–wklej” rozwiązań między uczniami.

Pisanie przykładów z błędami do wspólnej analizy

Do uczenia myślenia krytycznego dobrze działają przykłady z celowymi błędami: wadliwy algorytm, niepoprawna wiadomość e‑mail, zły plakat informacyjny. AI jest w tym bardzo wydajne – w kilka sekund generuje „źle zrobiony” materiał, jeśli w poleceniu jasno zaznaczyć, o jakie błędy chodzi.

Przykładowe zastosowanie:

• „Napisz krótką wiadomość e‑mail do nauczyciela z błędami w kulturze komunikacji (brak zwrotów grzecznościowych, temat niejasny).”
• „Stwórz listę 10 haseł, z których 5 jest słabych, 5 mocnych. Nie zaznaczaj, które są które.”
• „Przygotuj przykładowy program w Scratchu, który ma błąd logiczny (postać startuje, ale nigdy nie dochodzi do mety).”

Na lekcji uczniowie wspólnie szukają błędów, poprawiają materiał i porównują swoje wersje z propozycją AI (można ją wygenerować już po dyskusji). Nauczyciel steruje poziomem trudności – im starsza klasa, tym bardziej subtelne mogą być błędy.

AI w nauce programowania i algorytmiki na poziomie szkoły podstawowej

AI jako narzędzie do wymyślania zadań, a nie „generatora gotowych rozwiązań”

W kontekście programowania kluczowe jest ustawienie roli AI. Jeżeli uczeń wykorzysta je jako automat piszący kod, proces uczenia praktycznie znika. Dużo sensowniejszy scenariusz to traktowanie AI jako generatora pomysłów na zadania albo sparingpartnera do rozmowy o algorytmie, bez podawania gotowego kodu.

Przykładowy przepływ:

1. Nauczyciel prosi AI o listę sytuacji z życia, które można zapisać jako prosty algorytm: „wstawianie naczynia do zmywarki”, „podejście do przejścia dla pieszych”, „wysłanie pracy domowej e-mailem”.
2. Wybiera kilka pomysłów, dostosowuje do wieku uczniów.
3. Na lekcji uczniowie opisują sytuację najpierw słownie, potem w postaci schematu blokowego lub programu w Scratchu.

Dzięki temu to nauczyciel decyduje, kiedy pojawia się zapis kodowy, a AI pomaga tylko w szukaniu ciekawych kontekstów.

Wyjaśnianie trudnych pojęć programistycznych prostym językiem

Pętle, warunki, zmienne – te pojęcia brzmią dla części uczniów abstrakcyjnie. AI może pomóc w tworzeniu serii analogii, które przybliżą ideę, zanim pojawi się kod.

Przykłady poleceń do AI:

• „Wyjaśnij, co to jest pętla w programowaniu, używając przykładu sprzątania pokoju, dla ucznia klasy IV.”
• „Wytłumacz, co to jest zmienna, porównując ją do pudełka opisane imieniem w świetlicy szkolnej.”
• „Stwórz 3 różne wyjaśnienia instrukcji warunkowej ‚jeżeli – w przeciwnym razie’ bez użycia żadnego języka programowania.”

Z tych opisów nauczyciel wybiera najtrafniejsze i dopasowuje je do specyfiki klasy. Można też poprosić AI o sprawdzenie, czy dany przykład nie wprowadza błędnych skojarzeń („czy ta analogia do pętli ma jakieś ograniczenia, o których powinienem wspomnieć uczniom?”).

Diagnoza zrozumienia – pytania sprawdzające generowane półautomatycznie

Zamiast samodzielnie wymyślać kilkanaście pytań do powtórki z programowania, nauczyciel może użyć AI do przygotowania „banku pytań”. Ważne, by jasno oznaczyć poziom ogólności – pytania mają sprawdzać rozumienie pojęć, a nie znajomość konkretnej składni.

Przykładowe polecenie:

„Stwórz 15 krótkich pytań sprawdzających zrozumienie pojęć: algorytm, instrukcja warunkowa, pętla, zmienna – dla klasy VII, pracującej w Scratchu. Nie wymagaj znajomości konkretnego wyglądu bloczków, tylko sensu działania.”

Otrzymany zestaw można:

• podzielić na wersje A/B (przydatne przy kartkówkach);
• zastosować jako pytania ustne do losowania;
• przekształcić w quiz online czy test na platformie.

Wspieranie uczniów szybciej rozwijających się w programowaniu

W każdej klasie są uczniowie, dla których podstawowe zadania w Scratchu czy Pythonie są zbyt łatwe. AI dobrze nadaje się do generowania zadań rozszerzających, które nadal mieszczą się w realiach szkoły podstawowej.

Praktyczny schemat:

1. Nauczyciel opisuje w AI standardowe zadanie (np. „stworzenie gry, w której postać zbiera punkty przez 30 sekund”).
2. Prosi AI o zaproponowanie 3–5 modyfikacji, które podniosą poziom trudności, ale nie wykraczają poza zakres szkoły podstawowej (np. dodatkowy typ przeszkód, licznik żyć, rosnący poziom trudności).
3. Wybiera z listy te elementy, które pasują do konkretnego ucznia lub małej grupy i doprecyzowuje z AI kryteria sukcesu („co musi działać, żeby uznać zadanie za wykonane?”).

Dzięki temu uczeń „szybszy” nie dostaje przypadkowego zadania z internetu, tylko wariant znanego ćwiczenia, w którym musi projektować, testować i poprawiać. Dla nauczyciela to też wygodne – kryteria oceny są zbliżone do podstawowej wersji zadania, tylko z dodanym poziomem trudności.

AI można też wykorzystać do tworzenia mini-ścieżek rozwoju dla takich uczniów. Krótkie polecenie typu: „Zaproponuj 4 zadania w Scratchu w kolejnych krokach trudności, dla ucznia klasy VI, który dobrze rozumie pętle i warunki, ale nie zna jeszcze zmiennych” pozwala zbudować spójny ciąg wyzwań. Nauczyciel przegląda propozycje, wycina nadmiar, poprawia kontekst i ma gotowy „tor rozszerzający” na kilka lekcji.

Uwaga: przy mocno zaawansowanych uczniach (np. pierwsze kroki w Pythonie) AI bywa zbyt „dorosłe” i proponuje konstrukcje ponadprogramowe. Wtedy przydaje się jasne ograniczenie w poleceniu („bez klas, bez list składanych, tylko instrukcje warunkowe, pętle i proste listy”). To wymusza prostszy kod i utrzymuje zadania w granicach podstawówki.

Sprawdzanie i ocenianie prac z pomocą AI: automatyzacja z głową

AI jako „drugi czytelnik”, a nie automatyczny egzaminator

Przy ocenianiu prac – zwłaszcza opisowych, projektów czy dłuższych wyjaśnień – AI najlepiej traktować jako drugą parę oczu. Nie chodzi o to, by model wystawiał oceny, ale by pomagał zauważyć schematyczne błędy, niejasne fragmenty, brakujące elementy rozwiązania.

Przykładowy workflow przy odpowiedziach otwartych (np. „opisz, jak chronić swoje konto e‑mail”):

• Nauczyciel przygotowuje w AI krótki opis kryteriów, bez danych uczniów (co musi się pojawić w dobrej odpowiedzi, czego unikać).
• Następnie wkleja zanonimizowane odpowiedzi (np. jako „Odpowiedź 1”, „Odpowiedź 2”) i prosi AI o wskazanie mocnych stron, typowych braków oraz sugestię, co uczeń mógłby doprecyzować.
• Ocena w dzienniku nadal jest decyzją nauczyciela, natomiast AI pomaga szybciej wychwycić wzorce – np. że większość klasy nie rozumie dwuetapowego logowania.

Taki tryb pracy przydaje się też przy większych projektach (np. opisy działania gry w Scratchu). Model może podpowiedzieć pytania pogłębiające, które nauczyciel zada uczniowi przy ustnym omówieniu pracy, zamiast samodzielnie je wymyślać za każdym razem.

Półautomatyczne sprawdzanie zadań zamkniętych i prostych zadań kodowych

Przy testach jednokrotnego wyboru oraz krótkich odpowiedziach tekstowych część pracy da się zautomatyzować niemal w całości. Z punktu widzenia informatyka to klasyczny przypadek, w którym komputer jest lepszy: powtarzalne porównywanie odpowiedzi z kluczem.

Praktycznie można to rozwiązać na dwa sposoby:

• eksport odpowiedzi z platformy (np. do CSV) i wykorzystanie wbudowanych mechanizmów oceniania bez AI;
• lub skorzystanie z AI do szybkiej analizy, gdy test był „analogowy” – nauczyciel wprowadza odpowiedzi w prostym formacie (np. listy A/B/C/D), a model zwraca liczbę poprawnych odpowiedzi i błędne numery zadań.

AI przydaje się także przy zadaniach kodowych o prostej strukturze – np. sprawdzeniu, czy uczeń użył pętli, zmiennej lub warunku. Nauczyciel może wkleić kilka rozwiązań (z usuniętymi nazwiskami) i poprosić model o sprawdzenie spełnienia minimalnych kryteriów technicznych („czy program używa co najmniej jednej pętli i instrukcji warunkowej?”) oraz o krótką informację zwrotną typu „działa / nie działa / działa częściowo”. Taki wstępny „przesiew” oszczędza czas, szczególnie przy dużych klasach, a właściwe omówienie jakości rozwiązania nadal zostaje po stronie człowieka.

W zadaniach kodowych nie chodzi jednak tylko o wynik. Przydatna bywa prośba do AI o wygenerowanie typowych testów wejścia (danych, które „przepuszcza się” przez program), które nauczyciel może później wykorzystać przy wspólnym debugowaniu na rzutniku. Model jest w stanie w kilka sekund wymyślić zestaw przypadków skrajnych („co, jeśli użytkownik wpisze 0?”, „a jeśli bardzo dużą liczbę?”), co bywa trudniejsze do zrobienia „z głowy” po kilku godzinach lekcyjnych.

Sensowną praktyką jest także wykorzystanie AI do porządkowania oceny projektów. Wystarczy krótko opisać typ zadania (np. „gra w Scratchu z jednym sterowanym bohaterem i licznikiem punktów”) i poprosić o propozycję kilku poziomów wykonania: minimum, standard, poziom rozszerzony. Z takiego szkicu rubryki oceny (prostej tabeli z opisem poziomów) da się szybko zrobić kryteria dla całej klasy, a potem konsekwentnie je stosować. Znika wtedy klasyczny problem „przypadkowego” doceniania tylko najbardziej efektownych wizualnie projektów.

Na koniec dobrze widać, że AI w pracy nauczyciela informatyki nie jest ani magicznym skrótem, ani zagrożeniem dla zawodu. To dodatkowa warstwa narzędzi: jak nowy pakiet oprogramowania, który potrafi przyspieszyć powtarzalne elementy, dorzucić kilka świeżych pomysłów i pomóc lepiej reagować na różnice między uczniami. Rola nauczyciela przesuwa się z pozycji „głównego źródła treści” w stronę projektanta środowiska uczenia się i przewodnika, który świadomie decyduje, kiedy maszynie coś zlecić, a kiedy samodzielnie poprowadzić klasę krok po kroku.

Jak zmienia się rola nauczyciela informatyki w erze AI

AI nie „zabiera” nauczycielowi informatyki kluczowych kompetencji, tylko przesuwa ich środek ciężkości. Z roli osoby, która przede wszystkim przekazuje wiedzę i pokazuje „jak kliknąć”, nauczyciel staje się bardziej architektem środowiska uczenia się i kuratorem narzędzi – w tym narzędzi opartych na AI.

Zamiast samodzielnie tworzyć każdy materiał od zera, skuteczny nauczyciel uczy się:

• formułować dobre polecenia do AI (tzw. promptowanie) i szybko oceniać jakość odpowiedzi,
• dostosowywać wygenerowane treści do wieku, poziomu i realiów swojej klasy,
• pokazywać uczniom, jak korzystać z AI etycznie i krytycznie,
• projektować zadania, w których AI jest dozwolone jako narzędzie, ale nie zastępuje myślenia.

Typowy dzień pracy zaczyna przesuwać się z „przygotowuję wszystkie materiały” w stronę „ustawiam ramy, scenariusze i kryteria; resztę współtworzę z AI i klasą”. To wymaga innego zestawu nawyków: mniej „polerowania” każdego slajdu, więcej świadomego sprawdzania, korygowania i komentowania tego, co wygeneruje model.

Zmienia się również rola nauczyciela jako „autorytetu technicznego”. Gdy uczeń dopyta: „czy ten kod, który napisała AI, jest na pewno dobry?”, odpowiedź przestaje być prostym „tak/nie”. Potrzebne są wyjaśnienia dlaczego dane rozwiązanie jest poprawne, jakie ma ograniczenia i kiedy opłaca się z niego zrezygnować na rzecz prostszego podejścia. To przesuwa akcent z „zna komendy” na „rozumie konsekwencje technologii”.

Nowe kompetencje cyfrowe nauczyciela informatyki

Do dotychczasowego zestawu umiejętności dochodzą obszary, które jeszcze kilka lat temu brzmiały bardzo „akademicko”:

• podstawy działania modeli językowych (dużych sieci neuronowych uczonych na tekstach) – na tyle, by wytłumaczyć uczniom, że AI nie „wie”, tylko prognozuje,
• świadomość ryzyk prywatności – rozumienie, jakie dane można bezpiecznie wpisywać do narzędzia AI, a jakich nie wolno (np. dane osobowe, szczegóły zdrowotne uczniów),
• projektowanie zadań odpornych na „przeklejenie z AI” – takich, które wymagają odniesienia się do lokalnego kontekstu, pracy na własnym projekcie, dyskusji w klasie.

Te kompetencje można rozwijać stopniowo, włączając AI tam, gdzie realnie odciąża, a nie „bo wypada”. Jeden nauczyciel zacznie od generowania kart pracy, inny – od wspomagania oceny projektów; ważne, by każdy rozumiał mechanizmy i potrafił je przetłumaczyć na język uczniów.

Podstawowe rodzaje narzędzi AI, z którymi realnie styka się nauczyciel

Pod hasłem „AI” kryje się kilka kategorii narzędzi, które w praktyce szkolnej wyglądają zupełnie inaczej. Jasne rozdzielenie tych grup pomaga dobrać właściwe rozwiązanie do zadania, zamiast używać jednego modelu „od wszystkiego”.

Modele językowe (czatboty, asystenci tekstowi)

To najczęściej używana kategoria: interfejs przypomina komunikator, a AI odpowiada na pytania, poprawia teksty, generuje materiały. W tej grupie mieszczą się zarówno ogólne czatboty, jak i narzędzia wbudowane w edytory tekstu czy przeglądarki.

Z punktu widzenia nauczyciela informatyki to podstawowe „multinarzędzie” do:

• tworzenia konspektów, kart pracy, scenariuszy,
• wyjaśniania trudnych pojęć na różne sposoby,
• szybkiego streszczania dokumentów (np. długich regulaminów lub opisów konkursów),
• przekształcania materiałów: skracanie, upraszczanie, dostosowanie języka do wieku uczniów.

Narzędzia do generowania obrazu i wideo

Większość uczniów zna je z memów i zabawy, ale w pracy nauczyciela mają konkretne zastosowania. Generatory grafiki na podstawie opisu (tzw. text-to-image) ułatwiają tworzenie:

• ikon i piktogramów do instrukcji,
• ilustracji do zadań projektowych (np. „cyfrowe miasto przyszłości”),
• przykładów do rozmowy o dezinformacji („które zdjęcia są wygenerowane?”).

Pojawiają się też narzędzia wideo oparte na AI (np. automatyczne tworzenie krótkich animacji, podkładów lektorskich), ale w szkole podstawowej zwykle wystarczą proste rozwiązania, które generują grafikę lub gotowe szablony slajdów.

Asystenci programistyczni (code assistant)

To dodatki do edytorów kodu (np. Visual Studio Code), które podpowiadają fragmenty programu, wykrywają proste błędy, proponują poprawki. W szkole podstawowej wchodzą w grę głównie w starszych klasach, przy pierwszych krokach w Pythonie czy JavaScripcie.

Dobrze ustawiony asystent:

• podpowiada składnię i pomaga unikać literówek,
• umożliwia szybkie sprawdzenie alternatywnego rozwiązania,
• sprzyja rozumieniu istniejącego kodu (uczeń może poprosić o wyjaśnienie konkretnego fragmentu).

Uwaga: młodsi uczniowie łatwo „oddają myślenie” takiemu narzędziu. Dlatego przy pracy z asystentem kodu sensowne bywa wprowadzenie prostego ograniczenia: np. „najpierw napisz sam, potem porównaj z podpowiedzią AI i opisz różnice”.

AI wbudowana w znane aplikacje edukacyjne

Coraz więcej platform e‑learningowych, systemów testów i opisów wyników ma w tle mechanizmy AI, ale użytkownik nie widzi „czatbota”, tylko dodatkowe funkcje: automatyczne podsumowanie odpowiedzi klasy, podpowiedzi do zadań, wyróżnione obszary trudności.

Z perspektywy nauczyciela istotne jest:

• rozumieć, co dokładnie analizuje system (treść odpowiedzi? sposób pracy ucznia? czas rozwiązywania?),
• sprawdzać, jak te dane są przechowywane i kto ma do nich dostęp,
• traktować automatyczne raporty jako sugestię, a nie wyrocznię – szczególnie przy małych klasach, gdzie kilka nietypowych odpowiedzi potrafi „zaburzyć” statystykę.

AI w codziennym planowaniu pracy: rozkłady materiału, scenariusze, konspekty

Jedno z najbardziej praktycznych zastosowań AI to przyspieszenie tego, co zwykle zajmuje najwięcej czasu poza lekcjami: planowanie całych działów, cykli lekcji i pojedynczych zajęć.

Rozkład materiału i „mapa kursu” z pomocą AI

Zamiast układać rozkład materiału od zera, można potraktować AI jako generator pierwszej wersji. Przykładowe polecenie:

„Zaproponuj rozkład materiału z informatyki na 35 godzin w klasie V, zgodny z ogólnymi założeniami podstawy programowej (bez szczegółów prawnych). Uwzględnij: bezpieczne korzystanie z internetu, edytor tekstu, prezentacje multimedialne, podstawy algorytmiki w środowisku wizualnym.”

Model wygeneruje szkic: listę tematów z krótkimi opisami. Dalej rola nauczyciela to:

• poukładać tematy zgodnie z kalendarzem szkoły (okresy świąteczne, przerwy, wycieczki),
• dostosować zakres do liczby godzin faktycznie dostępnych na informatyce,
• usunąć elementy, które dublują inne przedmioty (np. część treści o netykiecie omawianą już na godzinie wychowawczej).

Taki rozkład można następnie „skompresować” prośbą do AI: „zrób z tego tabelę tydzień po tygodniu, dodaj kolumnę: uwagi do dostosowania dla uczniów ze SPE (specjalne potrzeby edukacyjne) – na razie pusta”. Dzięki temu od początku myślimy o modyfikacjach, a nie dopiero przy pierwszych trudnościach.

Szybkie tworzenie wariantów scenariuszy lekcji

Przydatna praktyka to generowanie dwóch wersji tego samego scenariusza: standardowej i skróconej/awaryjnej. AI dobrze radzi sobie z przeróbką istniejącego konspektu.

Przy tak ustawionej roli narzędzi – także tych związanych z więcej o informatyka – uczniowie uczą się kompetencji znacznie szerszych niż tylko obsługa programu: nabierają nawyku zadawania pytań i sprawdzania odpowiedzi.

Przykładowy przepływ pracy:

1. Nauczyciel przygotowuje (lub generuje z AI) standardowy scenariusz 45‑minutowej lekcji „Wprowadzenie do pętli w Scratchu”.
2. Wkleja go do czatu z poleceniem: „Na podstawie tego scenariusza przygotuj wersję skróconą na 30 minut, gdy uczniowie mają problemy z logowaniem i konfiguracją komputerów. Zostaw tylko najważniejsze aktywności i zaproponuj jedno zadanie domowe.”
3. Otrzymuje gotowy szkic „planu B”, który wystarczy lekko dostosować do realiów klasy.

Dzięki temu nie trzeba w biegu „ucinać” dowolnych elementów, tylko korzysta się z przemyślanej, krótszej wersji. W dłuższej perspektywie takie warianty można gromadzić i uspójniać – AI poradzi sobie też z ujednoliceniem formatowania, numeracji zadań czy sposobu zapisu celów lekcji.

Dostosowywanie planów do różnych poziomów klasy

W praktyce często okazuje się, że w jednej klasie trzeba jednocześnie prowadzić uczniów bardzo samodzielnych i tych, którzy dopiero oswajają się z komputerem. AI pomaga zaplanować równoległe ścieżki.

Można np. podać krótki opis klasy i zapytać:

„Zaproponuj, jak zmodyfikować ten scenariusz lekcji o algorytmach w klasie VI, żeby:

– grupa A (szybsi uczniowie) miała 2 dodatkowe zadania rozszerzające,

– grupa B (uczniowie mający trudności) miała uproszczone przykłady i więcej pracy na kartach.

Dodaj konkretne polecenia zadań.”

Tak przygotowany plan pozwala płynnie przełączać się między grupami podczas lekcji. Nauczyciel nie tworzy wszystkiego od zera – edytuje, usuwa zbyt ambitne propozycje i sprawdza, czy język jest zrozumiały dla konkretnej klasy.

Tworzenie materiałów dydaktycznych z pomocą AI: karty pracy, slajdy, instrukcje

Najbardziej „namacalne” efekty AI widać przy przygotowywaniu konkretnych materiałów. Zamiast szukać gotowców w internecie, które rzadko pasują wprost do programu, można generować własne, szyte na miarę.

Karty pracy z zadaniami na kilku poziomach trudności

Przy nauce informatyki dobrze sprawdzają się karty pracy, które pozwalają uczniom pracować w różnym tempie. AI przyspiesza ich tworzenie – szczególnie przy kolejnych powtórkach.

Przykładowe podejście:

1. Opisujesz krótko temat („powtórka z pętli i warunków w Scratchu dla klasy VI, po 4 lekcjach ćwiczeń praktycznych”).
2. Prosisz AI: „Stwórz kartę pracy z 8 zadaniami: 3 łatwe, 3 średnie, 2 trudniejsze, z krótkimi poleceniami. Zostaw miejsce na własne notatki ucznia. Nie używaj skomplikowanego słownictwa.”
3. Oceniasz, czy poziom trudności jest adekwatny, ewentualnie prosisz o „podniesienie” lub „obniżenie” poziomu konkretnych zadań.

Warto wtedy dodać jeszcze jedną prośbę: „Wypisz osobno poprawne odpowiedzi, ale w formacie, który mogę schować przed uczniami (np. w tabeli na końcu dokumentu)”. Dzięki temu od razu powstaje wersja „dla nauczyciela”.

Slajdy i schematy do wyjaśnień krok po kroku

AI tekstowa sama slajdów nie wyświetli, ale może przygotować ich zawartość w logicznych blokach. Zamiast spędzać godzinę nad strukturą prezentacji o „cyfrowym śladzie”, można poprosić:

„Zaproponuj strukturę prezentacji z 10–12 slajdami na temat cyfrowy ślad dla klasy V. Na każdym slajdzie podaj maksymalnie 3 krótkie punkty i sugestię prostego obrazka lub ikony, która pasuje do treści.”

Następnie treść można wkleić do ulubionego narzędzia prezentacyjnego i dobrać grafiki – ręcznie lub z pomocą generatora obrazów. Kluczowe jest pozostanie „kuratem” treści: redukcja nadmiaru tekstu, skracanie zdań i dopasowanie słownictwa do stylu mówienia nauczyciela.

Podobnie można wygenerować schematy (np. kroków tworzenia konta, zasad bezpiecznego hasła), a następnie przenieść je do programu graficznego czy narzędzia do map myśli. AI podpowiada strukturę i kolejność, nauczyciel dba o czytelność wizualną.

Instrukcje techniczne w wersji „dla ucznia”

Instrukcje krok po kroku (np. „jak zalogować się do platformy X”, „jak wgrać plik na dysk w chmurze”) często są pisane technicznym językiem producenta. AI może pomóc przerobić je na wersję uczniowską.

Sposób pracy:

• wklejasz oryginalną instrukcję producenta lub sam opisujesz kroki,
• prosisz AI: „Przeredaguj tę instrukcję tak, aby była zrozumiała dla ucznia klasy V, numeruj kroki, używaj krótkich zdań i prostych słów, dodaj ostrzeżenia w osobnych punktach Uwaga:”,
• na końcu generujesz krótką wersję „w pigułce” – np. 5 najważniejszych kroków na jedną stronę A5 do wydruku.

Dobrze działają także instrukcje w dwóch wariantach: „pełnym” (dla uczniów wolniej pracujących lub potrzebujących dokładnych wskazówek) oraz „skrótowym” (dla tych, którzy szybko się gubią w nadmiarze tekstu, ale radzą sobie z zadaniem). AI może przygotować oba warianty na bazie jednej, nauczycielskiej wersji, zachowując spójność nazewnictwa przycisków i ekranów.

Uwaga praktyczna: przy narzędziach online interfejs często się zmienia. Warto dopisać do promptu: „Nie wymyślaj nazw przycisków – jeśli nie znasz aktualnego interfejsu, użyj ogólnych określeń typu: przycisk logowania, pole hasła”. Dzięki temu unikamy fałszywie precyzyjnych opisów, które bardziej mylą niż pomagają.

Instrukcje przygotowane z AI dobrze jest potem „przetestować” na jednym lub dwóch uczniach: wydrukować, dać im do ręki i obserwować, w którym miejscu się zatrzymują. Te miejsca warto potem poprawić i dopiero taką wersję wprowadzić do stałego użytku. Ten cykl: szkic z AI → szybki test z uczniami → korekta, w praktyce daje znacznie lepszy efekt niż dłubanie instrukcji samodzielnie od zera.

Sztuczna inteligencja w pracy nauczyciela informatyki nie zastępuje ani relacji z uczniem, ani własnej wiedzy technicznej. Działa raczej jak wielozadaniowy asystent: podsuwa pierwsze wersje materiałów, porządkuje pomysły, odciąża przy żmudnych powtórkach i ocenianiu. Im lepiej nauczyciel rozumie zasady działania tych narzędzi i ich ograniczenia, tym pewniej może z nich korzystać – nie tracąc kontroli nad procesem nauczania, tylko zyskując czas na to, co w klasie najważniejsze: realny kontakt z uczniami i ich rozwój kompetencji cyfrowych.

AI jako asystent na lekcji: pytania uczniów, mikro-dydaktyka, bieżące wyjaśnienia

Najciekawsze rzeczy dzieją się nie przy biurku nauczyciela, tylko w trakcie lekcji: gdy ktoś „utknie”, gdy trzeba 10 razy wytłumaczyć to samo, ale innymi słowami, gdy jedna osoba kończy zadanie w 10 minut, a druga w 35. Tu AI zaczyna pełnić rolę drugiego nauczyciela w tle – pod warunkiem, że nauczyciel kontroluje, kiedy i jak jest używana.

Formułowanie „dopasowanych” wyjaśnień

Uczniowie zadają podobne pytania, ale każdy potrzebuje trochę innego tłumaczenia. Można wykorzystać model tekstowy jako „fabrykę wariantów wyjaśnień”.

Typowy scenariusz:

• uczeń nie rozumie pojęcia „pętla” albo „warunek”,
• nauczyciel wkleja do AI swoje standardowe wyjaśnienie i dodaje: „Przeredaguj to tak, żeby zrozumiał uczeń z klasy IV, użyj porównania do codziennych sytuacji, maksymalnie 5 zdań.”,
• otrzymane wyjaśnienie nauczyciel czyta na głos lub lekko modyfikuje i pokazuje na tablicy.

Po kilku takich iteracjach powstaje „biblioteka” własnych, dopasowanych definicji. AI przyspiesza ich tworzenie i porządkowanie, ale ostateczny kształt pozostaje w rękach nauczyciela – to on najlepiej zna grupę i wie, jakie metafory trafiają do uczniów.

„Na żywo” – podpowiedzi do zadań bez gotowych rozwiązań

Na lekcji programowania uczniowie często potrzebują nie tyle odpowiedzi, ile nakierowania. Zamiast podawać gotowe rozwiązanie, można generować wskazówki stopniowane.

Jeśli chcesz pójść krok dalej, pomocny może być też wpis: Jak wspierać rozwój emocjonalny uczniów w szkole podstawowej na co dzień.

Przykład pracy z jednym zadaniem Scratch:

1. Nauczyciel przygotowuje w domu rozwiązanie (projekt) oraz opis zadania.
2. Prosi AI: „Na podstawie tego opisu zadania i pseudokodu wypisz 3 poziomy podpowiedzi: lekką (prawie nic nie zdradza), średnią (podpowiada blok lub fragment algorytmu) i mocną (prawie pełne rozwiązanie, ale bez wszystkich szczegółów).”
3. Na lekcji uczniowie wiedzą, że mogą poprosić o „lekką” lub „średnią” podpowiedź, zanim pokaże się „mocną”.

Takie gotowe zestawy wskazówek można trzymać w notatkach lub systemie klasowym. AI pomaga je przygotować, ale to nauczyciel decyduje, kiedy która podpowiedź trafia do ucznia. Znika presja improwizowania „podpowiedzi na poczekaniu” przy każdym uczniu osobno.

Obsługa powtarzalnych pytań technicznych

Na informatyce masa czasu ucieka na drobiazgi: „gdzie się zapisuje plik?”, „jak udostępnić folder?”, „co to znaczy, że mam brak uprawnień?”. Tu dobrze sprawdza się mini‑FAQ przygotowane wcześniej z pomocą AI.

Można:

• zebrać 20–30 najczęstszych pytań z kilku lekcji,
• poprosić AI o przepisanie odpowiedzi prostym językiem, w krótkich punktach,
• wydrukować to jako „ściągę techniczną” i przyczepić przy komputerach lub wstawić do wirtualnej klasy.

Tip: przy pytaniach technicznych dobrze działa konstrukcja: „Jeśli widzisz komunikat X – zrób kolejno: 1, 2, 3. Jeśli to nie działa – zawołaj nauczyciela.” AI może pomóc wygenerować takie drzewka decyzji (proste scenariusze „jeżeli… to…”).

Bezpieczne korzystanie z AI przez uczniów na lekcji

W pewnym momencie uczniowie i tak zaczną używać AI „po swojemu”. Zamiast zakazywać, lepiej zdefiniować zasady i scenariusze, w których to narzędzie jest dozwolone, a nawet polecane.

Przykładowe reguły do wspólnego ustalenia:

• AI wolno używać do podpowiedzi, ale nie do generowania całych rozwiązań zadań,
• trzeba zapisywać w zeszycie lub w pliku, z jaką podpowiedzią AI się pracowało (np. kopiując prompt),
• jeżeli AI poda kod lub instrukcję, uczeń musi umieć wyjaśnić, co robi każdy kluczowy element – inaczej praca nie jest zaliczona.

AI można poprosić o pomoc przy sformułowaniu tych zasad w języku zrozumiałym dla uczniów, a potem dopracować je wspólnie na lekcji. To przy okazji dobra lekcja krytycznego myślenia o technologiach.

AI w nauce programowania i algorytmiki na poziomie szkoły podstawowej

Programowanie i algorytmika wydają się naturalnym miejscem na AI. Kluczowa różnica w stosunku do „tradycyjnej” nauki polega na tym, że uczeń przestaje być tylko twórcą kodu, a staje się też osobą, która rozmawia o kodzie – tłumaczy, poprawia, eksperymentuje.

AI jako „komentator” kodu ucznia

Duży językowy model dobrze radzi sobie z analizą krótkich fragmentów kodu (np. bloków Scratcha zapisanych jako opis) lub pseudokodu. Zamiast generować rozwiązanie od zera, można go użyć jako narzędzie do dawania informacji zwrotnej.

Przykład:

1. Uczeń opisuje swój skrypt w Scratchu słowami lub wkleja zrzut bloków z krótkim opisem.
2. Nauczyciel wprowadza ten opis do AI z poleceniem: „Wylistuj 3 rzeczy, które w tym algorytmie są zrobione dobrze (pochwały) i maksymalnie 2 rzeczy, które warto poprawić. Język: prosty, jak do ucznia klasy VI.”
3. Otrzymaną odpowiedź nauczyciel przegląda, usuwa nietrafione uwagi i przekazuje uczniowi jako komentarz.

To nie jest „automatyczne ocenianie”, tylko wsparcie w formułowaniu konstruktywnej informacji zwrotnej. Przy większej liczbie uczniów znacząco oszczędza czas.

Generowanie zadań z małymi wariantami

Na lekcjach programowania przydaje się seria zadań, które różnią się tylko danymi lub lekko zmodyfikowanym celem. AI świetnie nadaje się do tworzenia takich rodzin zadań.

Możliwy sposób pracy:

• nauczyciel przygotowuje jedno „zadanie bazowe” – np. „Stwórz grę, w której kot zbiera jabłka i ma 3 życia”,
• prosi AI o wygenerowanie 5–6 wersji tego zadania z drobnymi zmianami: inne tło, inny bohater, dodatkowy warunek (np. licznik czasu),
• przypisuje różne warianty do grup lub pojedynczych uczniów.

Uczniowie pracują nad podobnymi problemami, ale nie kopiują od siebie 1:1. Dla nauczyciela to nadal jedna koncepcja dydaktyczna, tylko „rozgałęziona” na kilka poziomów.

Ćwiczenie myślenia algorytmicznego bez komputera

Algorytmikę w szkole podstawowej dobrze ćwiczy się na zadaniach „bez prądu”. AI może generować takie ćwiczenia masowo: sekwencje kroków, układanki, gry logiczne.

Przykłady poleceń do modelu:

„Przygotuj 10 krótkich zadań dla klasy IV, które ćwiczą myślenie algorytmiczne bez użycia komputerów. Każde zadanie ma opisywać sytuację z życia (np. robienie kanapki, przejście przez skrzyżowanie) i prosić ucznia o zapisanie kroków w kolejności. Użyj prostego języka.”

lub:

„Stwórz 5 zadań typu znajdź błąd w algorytmie dla klasy V. Każde zadanie: krótki opis celu, lista kroków z 1–2 błędami, pytanie: który krok poprawisz i jak?”

Nauczyciel filtruje i wybiera najciekawsze propozycje, dopasowuje je kulturowo (np. zmienia przykład z amerykańskiego skrzyżowania na lokalne realia) i układa w kartę pracy.

Rozmowa z „wirtualnym kompilatorem”

Uczniowie często frustrują się komunikatami błędów w środowiskach tekstowych (Python, JavaScript). Model językowy można potraktować jako „tłumacza błędów”.

Schemat:

• uczeń kopiuje komunikat błędu (bez danych wrażliwych) i fragment swojego kodu,
• nauczyciel wrzuca to do AI z instrukcją: „Wyjaśnij ten błąd w 3 zdaniach, tak jak do ucznia klasy VII, bez podawania pełnego rozwiązania. Dodaj jedną wskazówkę, od czego zacząć szukanie problemu.”
• po krótkiej weryfikacji nauczyciel przekazuje uczniowi wyjaśnienie.

Z czasem starsi uczniowie mogą sami korzystać z takiego „tłumacza”, ale pod warunkiem, że są nauczeni, jak nie kopiować gotowych rozwiązań bez zrozumienia. Dobrym nawykiem jest wymaganie krótkiej pisemnej refleksji: „co było błędem i jak go naprawiłem”.

Symulacja rozmów o kodzie

Na zajęciach z ambitniejszymi uczniami można użyć AI do symulacji code review (przeglądu kodu). Uczeń pokazuje fragment swojego programu, a model, po odpowiednim skonfigurowaniu, zadaje mu pytania:

• „Po co jest ta zmienna?”,
• „Co się stanie, jeśli ten warunek nigdy nie będzie spełniony?”,
• „Czy ten fragment można skrócić?”

Nauczyciel wcześniej określa w promptach, że model ma nie podawać gotowych zmian, tylko zadawać dociekliwe pytania, jak drugi uczeń. To ćwiczy umiejętność opowiadania o własnym kodzie, bardzo przydatną przy ustnych odpowiedziach czy projektach.

Sprawdzanie i ocenianie prac z pomocą AI: automatyzacja z głową

Ocena w informatyce dotyczy różnych rzeczy: poprawności technicznej, sposobu rozwiązania problemu, estetyki prezentacji, a czasem też współpracy w grupie. AI może odciążyć przy powtarzalnych elementach, ale nie powinna przejmować decyzji o stopniu czy komentarzu końcowym.

Tworzenie kryteriów i rubryk oceniania

Zanim da się pracę do sprawdzenia, dobrze jest mieć jasne kryteria. Modele tekstowe pomagają szybciej je spisać i uporządkować.

Możliwy workflow:

1. Nauczyciel z grubsza określa, co jest ważne w danym zadaniu (np. „działający skrypt, użycie co najmniej jednej pętli, poprawne komentarze w kodzie, oryginalny pomysł na grę”).
2. Prosi AI: „Zamień to na rubrykę oceniania dla klasy VI, 4 poziomy: bardzo dobrze, dobrze, dostatecznie, do poprawy. Napisz kryteria prostym językiem, w formie krótkich zdań.”
3. Koryguje sformułowania, usuwa elementy, które nie pasują do przyjętego w szkole systemu oceniania.

Tak przygotowaną rubrykę można wydrukować i dać uczniom przed rozpoczęciem projektu. AI przyspiesza etap „przelania z głowy na papier”, ale sens kryteriów musi wyjść od nauczyciela.

Wstępne sprawdzanie prostych prac pisemnych

Przy zadaniach typu „opisz zasady bezpiecznego hasła” czy „wyjaśnij, czym jest phishing”, model może wykonać wstępne sortowanie prac lub wygenerować szkic komentarzy.

Przykład:

• nauczyciel wkleja kilka odpowiedzi uczniów (bez danych osobowych) i prosi: „Pogrupuj te odpowiedzi na: kompletne, częściowe, błędne. Uzasadnij w 1–2 zdaniach dla każdej odpowiedzi, dlaczego znalazła się w tej grupie.”
• sprawdza, czy podział jest sensowny; w razie potrzeby przesuwa odpowiedzi między grupami,
• na tej podstawie szybciej przydziela oceny i dopisuje własne uwagi.

Tip: lepiej nie prosić modelu o wystawianie konkretnych stopni („daj ocenę w skali 1–6”). Bezpieczniej jest używać neutralnych kategorii („pełne spełnienie kryteriów”, „częściowe”, „brak”) i dopiero ręcznie przekładać je na oceny, zgodnie z polityką szkoły.

Analiza projektów w Scratchu i podobnych środowiskach

Przy bardziej rozbudowanych projektach (gry, animacje) sprawdzanie „kliku po kliku” jest czasochłonne. Tu AI może pomóc na poziomie opisu, a nie samego pliku projektu.

Można poprosić uczniów, aby do projektu:

• dołączyli krótki opis algorytmu (w punktach),
• wypisali użyte mechanizmy („użyłem pętli, zmiennych, wykrywania kolizji”),
• wskazali element, z którego są najbardziej dumni.

Takie opisy da się wprowadzić do AI z prośbą o:

„Na podstawie tych opisów zasugeruj 2–3 zdania informacji zwrotnej dla każdego ucznia, odwołując się do kryteriów: poprawność techniczna, kreatywność, trudność. Nie podawaj ocen liczbowych.”

Nauczyciel używa tych podpowiedzi jako szkieletu informacji zwrotnej, a nie gotowca. Często wystarczy dopisać jedno zdanie odnoszące się do konkretnego elementu gry („fajnie rozwiązałaś kolizje w labiryncie”) albo doprecyzować poziom trudności, jaki faktycznie widział podczas prezentacji. AI przyspiesza etap „pierwszego czytania”, ale ostatnie słowo i ton komentarza pozostają po stronie człowieka.

Dobrym zabiegiem jest też odwrócenie kierunku: najpierw nauczyciel pisze skróconą ocenę projektu w kilku hasłach („dobra mechanika, chaos w sterowaniu, brak instrukcji dla gracza”), a model rozbudowuje to do 2–3 zrozumiałych zdań dla ucznia. Oszczędza to czas przy większej liczbie podobnych projektów, szczególnie jeśli korzysta się z powtarzalnych kryteriów.

Przy pracy z AI opłaca się ustawić „progi zaufania”. Przykładowo: przy prostych odpowiedziach opisowych model może robić wstępne kategoryzowanie niemal automatycznie, przy większych projektach – generuje wyłącznie szkice komentarzy, a przy pracach kluczowych (np. podsumowujących dział) służy tylko jako „drugi czytający”, który podsuwa rzeczy, na które nauczyciel mógł nie zwrócić uwagi. Dzięki temu technologia nie wypiera oceny pedagogicznej, tylko ją wspiera.

Kluczowe Wnioski

• Rola nauczyciela informatyki przesuwa się z nauczania „klikologii” i obsługi programów na kształcenie myślenia komputacyjnego (rozbijanie problemu na kroki, wzorce, algorytmy) oraz rozumienie, jak działają systemy cyfrowe.
• Sam fakt, że uczeń „umie korzystać z ChatGPT”, nie wystarcza – kluczowe staje się intuicyjne zrozumienie mechanizmu modeli językowych (przewidywanie słów, halucynacje, wpływ promptu), aby móc oceniać ich odpowiedzi krytycznie.
• Nauczyciel przechodzi z roli „instruktora przy klawiaturze” i lokalnego serwisanta sprzętu do roli architekta środowiska uczenia się, który projektuje zadania, projekty i scenariusze z sensownym użyciem AI.
• AI działa bardziej jak „prawdopodobnościowy doradca” niż kalkulator: przyspiesza pracę (tekst, kod, grafika), ale generuje wyniki, które trzeba weryfikować, porównywać z innymi źródłami i korygować błędy logiczne.
• Nowym obowiązkiem nauczyciela jest uczenie strategii bezpiecznego i odpowiedzialnego korzystania z AI: sprawdzania informacji, wykrywania nieścisłości, dbania o prywatność i świadomego obchodzenia się z danymi oraz prawami autorskimi.
• W praktyce szkolnej AI pojawia się w kilku głównych kategoriach narzędzi (chatboty, generatory obrazów, asystenci kodu, systemy analizujące prace), które można łączyć w spójne projekty – np. opis problemu w LLM, szkic rozwiązania w kodzie i wizualizacja w generatorze grafiki.