Protokół wielu okien: dlaczego twoi uczniowie myślą, że AI jest „zepsute”

AI nie daje złych odpowiedzi dlatego, że jest „złe”. Daje je dlatego, że dostaje złe pytania — przeładowane, nieprecyzyjne i strukturalnie chaotyczne. Zanim zaczniemy narzekać na efekty, musimy zadać sobie pytanie: jak właściwie uczymy uczniów rozmawiać z dużymi modelami językowymi (LLM)?

Problem, który widać w każdej klasie

Typowy uczeń otwiera Gemini albo ChatGPT i wpisuje: „Zrób mi apkę z fizyki o zwierciadłach wklęsłych, sprawdź kod, żeby na pewno działał, i napisz do tego kilka pytań kontrolnych”.

Model odpowiada. Uczeń jest niezadowolony. Ogłasza, że „AI nie działa”.

Problem nie leży w modelu — leży w architekturze promptu. Uczeń zlecił trzy zupełnie różne zadania, wymagające trzech odmiennych trybów myślenia: tworzenia, weryfikacji technicznej i pracy dydaktycznej. Dla człowieka byłoby to obciążające. Dla LLM-a to gotowy przepis na „halucynacje”, bo każde kolejne zadanie rozmywa kontekst poprzedniego. To nie jest błąd techniczny — to błąd metodyczny. I da się go całkowicie usunąć.

Okna kontekstu a strategia dydaktyczna

LLM-y działają w obrębie okna kontekstu — skończonej przestrzeni, w której „widzą” całą rozmowę. Im dłuższy wątek i im więcej zadań spiętrzonych jedno na drugim, tym bardziej model traci ostrość. To fundamentalna cecha architektury uwagi w sieciach transformerowych.

Uczeń, który to rozumie, zyskuje model myślowy przydatny znacznie poza samym AI: jedno narzędzie, jedno zadanie. Precyzja polecenia równa się jakości wyniku. Programiści znają to jako zasadę pojedynczej odpowiedzialności (Single Responsibility Principle); inżynierowie systemów mówią o dekompozycji problemu.

Kompetencje cyfrowe to nie tylko umiejętność obsługi narzędzi. To rozumienie, jak narzędzia „myślą” — i dostosowywanie do tego własnego sposobu pracy.

System wielu okien: nie chodzi o technologię

Rozbicie pracy na kilka wyspecjalizowanych okien to nie tylko techniczna optymalizacja — to model dydaktyczny. Uczy on, że złożone problemy trzeba najpierw rozłożyć na prostsze, zanim da się je rozwiązać.

Plan wdrożenia: klasy 7–8

• Okno 1: Generator masterpromptu Uczeń wpisuje prostą intencję. Model zwraca dopracowany, „inżynierski” prompt. Punkt kontrolny: zanim ruszy dalej, uczeń musi jednym zdaniem wyjaśnić nauczycielowi, co właśnie zamówił.
• Okno 2: Generowanie kodu Świeży czat. Używany jest wyłącznie masterprompt z kroku 1. Pełne skupienie modelu na jednym zadaniu. Najlepiej sprawdza się z funkcjami wykonywania kodu w Gemini.
• Okno 3: Techniczny przegląd kodu Nowy czat. Uczeń wkleja kod i zadaje konkretne pytania: Czy jest czytelny dla kolegi z klasy? Czy jest bezpieczny? Poprawiony kod albo instrukcje zmian wracają do okna 2.
• Okno 4: Weryfikacja faktów (test rzeczywistości) Nowy czat, najlepiej w NotebookLM, zasilonym fragmentami podręcznika. Pytanie nie brzmi „Czy kod działa?”, tylko „Czy symulacja jest zgodna z fizyką?”.
• Okno 5: Publikacja Zweryfikowany kod zostaje osadzony w klasowej Google Site. Każda apka dostaje własny adres URL.

🛠️ Zbuduj swój protokół

Skorzystaj z narzędzia poniżej, aby wygenerować precyzyjny masterprompt dla okna 1. Ten generator wymusza reguły „czystego ekosystemu Google” (Apps Script i Google Sites), dzięki czemu wygenerowany kod naprawdę zadziała w środowisku twojej szkoły.

Dlaczego to działa lepiej niż „demo”

Większość klasowych wprowadzeń do AI zatrzymuje się na etapie pokazu: nauczyciel demonstruje, że AI potrafi odpowiedzieć na pytanie albo streścić tekst. Uczniowie są pod wrażeniem, ale niczego się nie nauczyli.

System wielu okien nie tylko pokazuje możliwości AI — stawia przed uczniami problem strukturalny i daje im framework do jego rozwiązania. W tym procesie AI jest środkiem, a nie celem. Chodzi o to, by zrozumieć, że jakość narzędzia zależy od jakości polecenia, że złożone problemy wymagają dekompozycji i że nawet świetne narzędzie da się wykorzystać źle.

Narzędzia się zmienią. Myślenie systemowe zostanie.

🛠️ Lista kontrolna wdrożenia dla nauczyciela:

• Zasada zero kopiowania: uczeń nie przechodzi do okna 2, jeśli nie wyjaśni masterpromptu.
• Izolacja kontekstu: dopilnuj, by każde okno było nowym czatem — inaczej konteksty będą się przenikać.
• Weryfikacja ważniejsza niż tworzenie: krok „weryfikacja faktów” oceniaj wyżej niż estetykę gotowej apki.