Η συζήτηση για την τεχνητή νοημοσύνη στην εκπαίδευση δεν μπορεί πια να περιοριστεί στο αν οι μαθητές και οι μαθήτριες, οι φοιτητές και οι φοιτήτριες χρησιμοποιούν εφαρμογές AI που δίνουν έτοιμες απαντήσεις, γιατί ήδη τις χρησιμοποιούν. Το σημαντικό παιδαγωγικό ερώτημα είναι άλλο: η AI βοηθά τον μαθητή να σκεφτεί ή του δίνει έτοιμες απαντήσεις πριν προλάβει να σκεφτεί ο ίδιος;
Από κορυφαίους παιδαγωγικούς στοχαστές, τον Dewey, που τόνισε τη μάθηση μέσα από την εμπειρία και τη δράση, τον Vygotsky, που ανέδειξε τον κοινωνικό χαρακτήρα της μάθησης και τη σημασία της καθοδήγησης, τον Bruner, που υποστήριξε τη μάθηση μέσα από ανακάλυψη και ενεργό συμμετοχή, και τον Freire της κριτικής παιδαγωγικής, η μεγάλη παιδαγωγική παράδοση επιμένει σε ένα κοινό σημείο. Ότι η μάθηση δεν είναι απλή λήψη έτοιμων απαντήσεων. Ο μαθητής και η μαθήτρια μαθαίνουν όταν εμπλέκονται ενεργά με το πρόβλημα, δοκιμάζουν, σφάλλουν, αναθεωρούν, εξηγούν, συγκρίνουν, οικοδομούν νόημα. Επομένως, κάθε τεχνολογικό εργαλείο στην τάξη πρέπει να κρίνεται με βάση ένα βασικό ερώτημα: αυξάνει ή μειώνει την ενεργό γνωστική συμμετοχή του μαθητή;
Είναι αποκαλυπτική η ανασκόπηση του Stanford SCALE / AI Hub for Education, ερευνητικού κόμβου του ομώνυμου Πανεπιστημίου, για την τεχνητή νοημοσύνη στην εκπαίδευση. Παρότι γράφονται ολοένα περισσότερες μελέτες για την AI στην εκπαίδευση, το Stanford επισημαίνει ότι λίγες είναι εκείνες που μπορούν να απαντήσουν με αξιοπιστία στο βασικό ερώτημα: μαθαίνουν πράγματι καλύτερα οι μαθητές όταν χρησιμοποιούν AI; Η AI μπορεί πράγματι να βοηθήσει σε ορισμένες περιπτώσεις, όμως η επιστημονική τεκμηρίωση δεν δικαιολογεί τον άκριτο ενθουσιασμό που συχνά τη συνοδεύει.
Το εύρημα αυτό μας αναγκάζει να επιστρέψουμε σε ένα βασικό παιδαγωγικό κριτήριο: δεν αρκεί ένα εργαλείο να κάνει τον μαθητή πιο γρήγορο ή πιο παραγωγικό. Για τον Vygotsky, ο μαθητής δεν μαθαίνει μόνος και απομονωμένος. Μπορεί να φτάσει πιο πέρα από όσα καταφέρνει μόνος του όταν έχει κατάλληλη καθοδήγηση από έναν δάσκαλο, έναν γονέα ή έναν πιο έμπειρο συμμαθητή. Αυτή η βοήθεια έχει νόημα όταν τον οδηγεί σταδιακά στην αυτονομία, όχι όταν κάνει τη δουλειά αντί γι’ αυτόν. Αν η AI δίνει έτοιμο κείμενο, έτοιμη λύση, έτοιμο επιχείρημα, τότε κινδυνεύει να μετατραπεί από παιδαγωγική στήριξη σε μηχανισμό υποκατάστασης.
Αυτό ακριβώς φωτίζει η μελέτη “Why Johnny Can’t Think: GenAI’s Impacts on Cognitive Engagement”, ακαδημαϊκή προδημοσίευση ερευνητών του Πανεπιστημίου του Oregon, με δεδομένα από 299 φοιτητές STEM. Η μελέτη εξετάζει αν η συστηματική χρήση AI επηρεάζει το πόσο ενεργά σκέφτονται και προσπαθούν να κατανοήσουν οι φοιτητές. Το εύρημα είναι ανησυχητικό: οι φοιτητές που βασίζονταν περισσότερο στην AI δήλωναν ότι σκέφτονταν λιγότερο σε βάθος και έλεγχαν λιγότερο κριτικά τις απαντήσεις. Οι συγγραφείς προειδοποιούν ότι μπορεί να δημιουργηθεί ένας φαύλος κύκλος: όσο περισσότερο ο φοιτητής βασίζεται στην AI για να σκεφτεί, τόσο λιγότερο εξασκεί ο ίδιος τις δεξιότητες που χρειάζεται για να μαθαίνει σε βάθος.
Το ζήτημα, λοιπόν, δεν είναι μόνο η αντιγραφή ή η ακαδημαϊκή ακεραιότητα. Είναι αν ο μαθητής εξακολουθεί να περνά από τα αναγκαία στάδια της μάθησης: να διαβάζει, να δυσκολεύεται, να δοκιμάζει, να κάνει λάθος, να ξανασκέφτεται, να εξηγεί, να ελέγχει. Η παιδαγωγική του Freire μας θυμίζει ότι η εκπαίδευση δεν είναι «τραπεζική κατάθεση» πληροφοριών, αλλά διαδικασία κριτικής συνειδητοποίησης.
Μια άλλη πρόσφατη ακαδημαϊκή εργασία, “Students Know AI Should Not Replace Thinking, but How Do They Regulate It?”, από το Πανεπιστήμιο του Χονγκ Κονγκ, εστιάζει ακριβώς στην αυτορρύθμιση της χρήσης AI. Δείχνει ότι οι μαθητές μπορεί να κατανοούν θεωρητικά ότι η AI δεν πρέπει να αντικαθιστά τη σκέψη τους, αλλά αυτή η επίγνωση δεν μετατρέπεται αυτόματα σε σωστή πρακτική. Η μελέτη προτείνει το πλαίσιο TACO — Think, Ask, Check, Own: πρώτα σκέφτομαι, μετά ρωτώ, έπειτα ελέγχω και τελικά αναλαμβάνω την ευθύνη της απάντησης. Πρόκειται, ουσιαστικά, για έναν τρόπο χρήσης της AI που μαθαίνει στον μαθητή να ελέγχει ο ίδιος τη σκέψη του.
Ενδιαφέρον έχει και η προδημοσίευση “Faster Completion, Less Learning”, με συγγραφείς από το Πανεπιστήμιο της Καλιφόρνια, Irvine και τη McGraw Hill, επειδή δεν βασίζεται μόνο σε στάσεις ή δηλώσεις μαθητών, αλλά σε δεκαετή δεδομένα εκατομμυρίων μαθησιακών αλληλεπιδράσεων στα μαθηματικά. Η μελέτη δείχνει ότι, μετά την εμφάνιση του ChatGPT, οι μαθητές περνούσαν λιγότερο χρόνο σε προβλήματα που η AI μπορούσε να λύσει εύκολα, ενώ σε επιτηρούμενες συνθήκες αξιολόγησης, χωρίς βοήθεια από την AI, φάνηκε ότι η γνώση που είχαν χτίσει ήταν πιο αδύναμη. Με απλά λόγια: οι μαθητές μπορεί να τελειώνουν πιο γρήγορα, αλλά αυτό δεν σημαίνει ότι μαθαίνουν περισσότερο.
Στην εκπαίδευση η ταχύτητα δεν είναι πάντα πρόοδος. Ο χρόνος πάνω στο πρόβλημα, η δυσκολία, το λάθος, η επαναδιατύπωση και η αυτοδιόρθωση δεν είναι εμπόδια στη μάθηση, αλλά η ίδια η διαδικασία μάθησης.
Η απάντηση δεν μπορεί να είναι ούτε η απαγόρευση της AI, ως μοναδική πολιτική, ούτε η άκριτη ενσωμάτωσή της. Η τεχνητή νοημοσύνη πρέπει να μπει στην εκπαίδευση με σαφή παιδαγωγικό σκοπό και πολύ συγκεκριμένο σχέδιο εφαρμογής. Χρειάζονται κανόνες και κριτήρια που να διασφαλίζουν ότι βοηθά τον μαθητή να σκέφτεται, να ελέγχει και να καταλαβαίνει, χωρίς να του δίνει έτοιμες λύσεις, έτοιμα επιχειρήματα και έτοιμα κείμενα πριν προσπαθήσει ο ίδιος. Να τον βοηθά να ρωτά καλύτερα, να ελέγχει βαθύτερα, να τεκμηριώνει αυστηρότερα και να αναλαμβάνει την ευθύνη της γνώσης του. Γιατί το σχολείο δεν υπάρχει για να παράγει γρήγορες απαντήσεις, αλλά για να διαμορφώνει ανθρώπους που μπορούν να σκέφτονται.
* Εκπαιδευτικός, στατιστικός
Πηγές:
- Stanford SCALE / AI Hub for Education
The Evidence Base on AI in K-12: A 2026 Review
Understanding the Evidence Base on AI in K-12 Education | SCALE Initiative - Stanford SCALE / AI Hub for Education – PDF αναφοράς
The Evidence Base on AI in K-12 Report
The Evidence Base on AI in K-12: A 2026 Review - Oregon State University
Why Johnny Can’t Think: GenAI’s Impacts on Cognitive Engagement
Thinking Less, Trusting More: GenAI’s Impacts on Students’ Cognitive Habits - University of Hong Kong
Students Know AI Should Not Replace Thinking, but How Do They Regulate It?
[2604.18737] Students Know AI Should Not Replace Thinking, but How Do They Regulate It? The TACO Framework for Human-AI Cognitive Partnership - University of Hong Kong
Students Know AI Should Not Replace Thinking, but How Do They Regulate It?
2604.18737 - University of California, Irvine & McGraw Hill
Faster Completion, Less Learning: Generative AI Reduced Study Time on Math Problems and the Knowledge They Build
[2605.21629] Faster Completion, Less Learning: Generative AI Reduced Study Time on Math Problems and the Knowledge They Build - University of California, Irvine & McGraw Hill
Faster Completion, Less Learning: Generative AI Reduced Study Time on Math Problems and the Knowledge They Build
Faster Completion, Less Learning: Generative AI Reduced Study Time on Math Problems and the Knowledge They Build
Όλες οι σημαντικές ειδήσεις
Ρεύμα: Η ηλεκτρική συσκευή που μπορεί να καίει όσο 65 ψυγεία μαζί
Πανελλήνιες 2026: Θέματα, Λύσεις, Αποτελέσματα και Bάσεις στο google
