Inteligența artificială: Perspective asupra învățării, predării și evaluării

Integrarea inteligenței artificiale generative în contextele educaționale este o transformare de substanță, ce reconfigurează organic învățarea, predarea și evaluarea. Prezentul articol analizează implicațiile acestei schimbări din patru perspective complementare: (1) caracterul reflexiv al IA ca „oglindă” a gândirii umane și testul de maturitate cognitivă pe care îl impune; (2) schimbări la nivelul proceselor cognitive și riscurile asociate angajamentului metacognitiv din ce în ce mai diminuat; (3) redefinirea semnificației competențelor specifice umane în raport cu capacitățile IA; și (4) necesitatea proiectării curriculare centrate pe om și redesignul evaluării pentru susținerea învățării autentice. Literatura de specialitate și rapoartele recente ale OECD relevă tensiunea dintre potențialul de personalizare a învățării la scară largă și riscul „mirajului falsei măiestrii” – fenomen prin care performanța aparentă maschează subdezvoltarea competențelor fundamentale. Articolul argumentează necesitatea unei abordări pedagogice intenționale, orientate spre procese și spre dezvoltarea competențelor transversale, socio-emoționale și metacognitive, ca răspuns la provocările și oportunitățile oferite de tehnologiile bazate pe inteligență artificială.

Cuvinte cheie: inteligență artificială în educație, metacogniție, competențe transversale, competențe socio-emoționale, învățare auto-reglată, colaborare om-IA, designul instruirii

Introducere

Lansarea ChatGPT a accelerat adoptarea modelelor lingvistice mari în contexte de învățare formală și informală – după doar doi ani, în februarie 2024, în Statele Unite, părinții afirmau că 54% dintre copiii lor de 3-5 ani utilizau deja GenAI pentru activități creative și 46% pentru căutarea de informații și sfaturi (Bickham et al., 2024; Kurian, 2025). Această penetrare a tehnologiei în viața cotidiană a copiilor și tinerilor ridică întrebări fundamentale privind natura învățării, rolul profesorului și finalitățile educației.

Raportul OECD Digital Education Outlook 2026 subliniază că instrumentele GenAI pot sprijini învățarea atunci când sunt ghidate de obiective didactice clare sau sunt concepute specific pentru educație. Totuși, atunci când IA elimină „efortul productiv” esențial pentru învățare, elevii pot finaliza sarcini mai rapid și pot obține rezultate imediate superioare, dar înțelegerea lor poate rămâne la un nivel superficial (Schleicher, 2026). Această observație empirică evidențiază necesitatea unei analize sistematice a modului în care GenAI afectează procesele cognitive, metacognitive și socio-emoționale implicate în învățare.

1. Inteligența artificială ca oglindă cognitivă

O primă direcție de analiză vizează caracterul fundamental reflexiv al sistemelor de inteligență artificială generativă. Aceste sisteme funcționează, în esență, prin returnarea într-o formă reformulată și sintetizată a informațiilor, pattern-urilor și reprezentărilor conținute în datele de antrenament. Calitatea output-ului este condiționată în mod direct de calitatea input-ului – un principiu care, transpus în context educațional, implică faptul că valoarea interacțiunii elev-IA depinde de capacitatea elevului de a formula întrebări relevante, de a evalua critic răspunsurile primite și de a distinge între informație validă și conținut factual eronat (așa-numitele „halucinații” algoritmice).

Această caracteristică conferă interacțiunii cu IA o dimensiune de test al maturității cognitive. După cum argumentează Schleicher (2026), „înainte de a învăța să formuleze prompturi, elevii trebuie să învețe să gândească” („students must learn to think before they learn to prompt”). Observația are implicații pedagogice semnificative: utilizarea educațională a GenAI presupune, ca o condiție preliminară, existența unor competențe metacognitive și de gândire critică pe care sistemul IA nu le poate genera, ci le poate doar reflecta – le amplifică sau, în cazuri nefavorabile, le atrofiază.

Proiectul „Project Zero” al Harvard Graduate School of Education, inițiat în urmă cu șase decenii, oferă un repertoriu de „rutine de gândire” (thinking routines) care invită elevii de orice vârstă să observe atent, să-și organizeze ideile, să raționeze riguros și să reflecteze asupra modului în care dau sens lucrurilor (Harvard Project Zero, 2025). Aceste instrumente metodologice capătă o relevanță sporită în contextul IA, oferind un cadru structurat pentru dezvoltarea competențelor de interogare și reflecție care condiționează utilizarea productivă a tehnologiei.

Astfel, în clasă, integrarea IA în activitățile didactice ar trebui precedată și însoțită de activități explicite de dezvoltare a competențelor de formulare a întrebărilor. Metodele socratice, în care IA este configurată pentru a ajuta la rafinarea întrebărilor și nu pentru a oferi răspunsuri directe, reprezintă o abordare promițătoare. Prompturile orientate pe gândire – de exemplu, „Sugerează întrebări care m-ar ajuta să înțeleg mai bine tema X” sau „Pune-mi întrebări pentru a-mi clarifica ideile” – pot stimula procesarea informației și înțelegerea profundă.

2. Riscul diminuării angajamentului metacognitiv

În ce privește efectele GenAI asupra proceselor cognitive și metacognitive implicate în învățare, cercetările empirice recente au început să cuantifice riscurile asociate reducerii cogniției și metacogniției umane în contexte de utilizare intensivă a IA (OECD, 2026, p. 52).

Raportul OECD Digital Education Outlook 2026 identifică un risc major: adoptarea necritică a GenAI poate submina în mod neintenționat dezvoltarea unor competențe umane cheie precum gândirea critică, metacogniția și judecata evaluativă – toate fiind fundamente ale expertizei autentice. Acest fenomen a fost conceptualizat ca „mirajul falsei măiestrii” (mirage of false mastery), care spune că rezultatele impresionante generate de IA maschează insuficienta dezvoltare a competențelor esențiale, inclusiv a competențelor hibride om-IA (OECD, 2026, p. 57).

Mecanismul subiacent implică reducerea angajamentului metacognitiv – ansamblul proceselor mentale reglatorii și efortului care transformă răspunsurile în înțelegere. Metacogniția cuprinde un set de proceduri de raționament care operează în creierul uman și verifică gândurile înainte de a fi exprimate (Veenman & al., 2006). Când elevii se bazează excesiv pe IA pentru a obține răspunsuri, acest angajament metacognitiv scade, rezultând într-o disociere între performanța la sarcină și învățarea autentică.

Molenaar (2022) conceptualizează această dinamică în cadrul modelului „reglării hibride om-IA” (Hybrid Human-AI Regulation). Sistemele adaptive de învățare bazate pe IA pot optimiza învățarea pe baza datelor de performanță, dar riscul este să preia complet de la elev procesele reglatorii. Ca urmare, elevii pot avea mai puține oportunități de a-și dezvolta competențele de învățare auto-reglată. Modelul HHAIR (Hybrid Human-AI Regulation) propune poziționarea reglării hibride ca sarcină colaborativă a elevului și a IA, cu transfer gradual de la reglarea realizată de IA la auto-reglare (Molenaar, 2022, p. 1).

Studiul efectuat de Tang și colab. (2024, apud OECD, 2026) demonstrează că feedback-ul structurat oferit de GenAI pe sarcini de scriere poate îmbunătăți semnificativ acuratețea autoevaluării elevilor – o competență cheie pentru învățarea independentă. Totuși, alte studii constată că elevii mai puțin familiarizați cu feedback-ul s-au angajat doar minimal cu un instrument de sprijin bazat pe GenAI, adesea din cauza nepotrivirii dintre răspunsurile instrumentului și așteptările lor (Jin & al., 2025). Astfel, devine evident că impactul feedback-ului GenAI depinde nu doar de calitățile sale tehnice, ci și de pregătirea elevilor de a-l interpreta și aplica eficient.

Pregătirea interacțiunilor cu IA necesită dezvoltarea explicită a competențelor elevilor de  formulare a prompturilor, de judecată evaluativă și metacogniție, pentru a facilita o interacțiune mai profundă și mai semnificativă cu GenAI în practicile de feedback (Zhan & Yan, 2025, apud OECD, 2026). Profesorii pot proiecta sarcini care solicită elevilor să compare, să evalueze critic și să rafineze răspunsurile generate de IA, transformând interacțiunea pasivă în angajament cognitiv activ.

3. Competențe specific umane

O transformare profundă a educației necesită, ca punct de plecare, definirea riguroasă a problemei. Care este cea mai mare diferență între competențele IA și cele umane? Ce competențe pot fi preluate cu ușurință de IA? Răspunsul paradoxal este că exact competențele favorizate de educația „clasică” sau tradițională – în special cele matematice și cele de exprimare orală și în scris – sunt cele în care IA performează deja mai bine sau va performa în curând mai bine decât oamenii (OECD, 2025).

Instrumentul OECD AI Capability Indicators (2025) oferă un cadru pentru monitorizarea capacităților IA în raport cu abilitățile umane. Bazându-se pe științe cognitive, psihometrie și psihologia ocupațională, cadrul identifică abilități umane fundamentale și le corelează cu capacitățile cheie ale IA la acestea. În prezent, sunt monitorizate nouă domenii: limbaj, interacțiune socială, rezolvare de probleme, creativitate, metacogniție și gândire critică, cunoaștere, învățare și memorie, viziune, manipulare și inteligență robotică. Această cartografiere ne ajută să identificăm zonele în care mașinile se apropie sau depășesc capacitățile oamenilor și  zonele care ar necesita prioritar investiții educaționale.

În paralel, FAB AI Benchmarks (2025) a lansat primul benchmark de evaluare a măsurii în care modelele lingvistice mari „cunosc” pedagogia – adică dacă pot ajuta elevii să învețe, nu doar să treacă examene. Programul include patru trasee: Pedagogie (testarea capacității LLM de a promova examene pentru profesori), SEND (nevoi educaționale speciale și dizabilități), Visual Maths (matematică vizuală elementară) și Visual Reasoning (raționament vizual). Rezultatele relevă un decalaj semnificativ: modelele AI avansate rezolvă aproape perfect probleme de matematică olimpiadă internațională, dar încă se luptă cu probleme vizuale de matematică elementară predate în țările cu venituri mici și medii. Concluzia este că, pentru moment, IA poate reproduce cunoștințe, dar nu poate înlocui expertiza pedagogică a profesorului.

Kurian (2025) propune conceptul de „design aliniat dezvoltării” (Developmentally Aligned Design – DAD) ca un cadru practic și etic pentru construirea sistemelor IA care să întâmpine copiii acolo unde se află cognitiv, social și emoțional. Cadrul teoretizează patru principii complementare: (1) potrivire perceptuală – alinierea ritmului și rezoluției stimulilor la lățimea de bandă senzorială în evoluție a copiilor; (2) sprijin cognitiv – menținerea provocărilor în zona proximei dezvoltări prin adaptare fină; (3) simplitatea interfeței – de exemplu, reducerea profunzimii navigaționale și a densității iconițelor pentru a respecta limitele memoriei de lucru; și (4) integritate relațională – instituirea de bariere care previn supra-atașamentul parasocial sau manipularea emoțională.

Implicațiile pentru practica educațională sunt copleșitoare. Competențele absolventului din învățământul obligatoriu trebuie reconceptualizate pentru a include nu doar competențe academice tradiționale, ci și competențe transversale (colaborare, comunicare, gândire critică, rezolvare de probleme), dispoziții sau procese psihice și abilități metacognitive (reziliență, curiozitate, motivație, perseverență). Spre exemplu, OECD (2025) demonstrează că adulții cu niveluri mai ridicate de deschidere la experiențe noi și stabilitate emoțională au șanse mai mari să atingă niveluri superioare de educație și să mențină competențe solide de citire, calcul și rezolvare de probleme. Unele dintre aceste abilități non-cognitive devin esențiale tocmai pentru că nu pot fi automatizate.

4. Curriculum umanizat și reconsiderarea evaluării

Proiectarea unui curriculum centrat pe om în era IA implică recunoașterea importanței crescânde a competențelor transversale și non-cognitive. Competențele socio-emoționale – definite ca capacitatea de a sincroniza gânduri, emoții și acțiuni pentru a genera interacțiuni pozitive cu sine și cu ceilalți (Hwang et al., 2023) – sunt recunoscute drept critice atât pentru rezultatele educaționale, cât și pentru bunăstarea pe termen lung.

Într-o studiu sistematic, Nanda și colaboratorii (2025) subliniază că învățarea socio-emoțională (SEL) a devenit o competență necesară pentru succesul academic, bunăstarea personală, modelarea personalității și pregătirea pentru viața profesională. SEL cuprinde dezvoltarea conștientizării de sine, a auto-managementului, a conștientizării sociale, a abilităților relaționale și a luării responsabile a deciziilor.

Palmquist și colaboratorii (2025) aduc argumente în favoarea integrării competențelor socio-emoționale în alfabetizarea IA pentru educație, propunând un cadru care vizează dezvoltarea atât a competențelor tehnologice, cât și a inteligenței emoționale la profesori și la elevi. Este o abordare holistică ce susține un mediu educațional echilibrat care promovează dezvoltarea cognitivă, emoțională și socială, pregătindu-ne pentru un viitor în care competențele digitale și cele relaționale sunt la fel de valoroase.

În ceea ce privește evaluarea, OECD (2026) subliniază că profesorii nu ar trebui să externalizeze evaluarea către IA: „Algoritmii pot sugera; profesorii trebuie să decidă”. Totuși, feedback-ul în timp real generat de IA poate juca multiple funcții pentru îmbunătățirea evaluării: (1) angajarea interesului elevilor când par dezangajați; (2) creșterea înțelegerii cerințelor sarcinii; (3) reducerea gradelor de libertate sau a numărului de acte constitutive necesare pentru a ajunge la o soluție; (4) menținerea direcției; (5) marcarea caracteristicilor critice, inclusiv a discrepanțelor dintre ceea ce a produs elevul și ceea ce ar recunoaște ca fiind corect; (6) demonstrarea sau modelarea soluțiilor; și (7) stimularea articulării și reflecției (Wood & al., 1976; OECD, 2025).

Colaborarea hibridă om-IA în educație poate lua trei forme distincte: IA care sprijină profesorul (de exemplu, prin instrumente de monitorizare și de analiză comprehensivă a învățării), IA care sprijină elevul (de exemplu, prin feedback adaptat și trasee de învățare personalizate) și IA care mediază colaborarea dintre elevi (de exemplu, prin facilitarea proceselor de interacțiune socială și metacogniție de grup) (Molenaar, 2024). În toate aceste configurații, principiul fundamental rămâne: IA nu produce învățare activă – profesorul o produce. IA poate doar să amplifice: întrebările, reflecția, colaborarea și creativitatea elevilor.

Monitorizarea și analiza procesului de învățare (learning analytics) oferă profesorilor date detaliate despre procesele de învățare ale elevilor, permițând înțelegerea modului în care aceștia aplică auto-reglarea în timpul învățării. Informațiile pot fi utilizate pentru rafinarea practicilor pedagogice și pentru proiectarea intervențiilor punctuale pentru dezvoltarea competențelor de învățare auto-reglată. OECD (2025, Education for Human Flourishing) propune conceptul de „coregrafie a evaluării” – dezvoltarea capacității profesorului de a orchestra multiple modalități de evaluare într-un ansamblu coerent care servește atât funcții sumative, cât și formative.

Concluzii

Inteligența artificială generativă reprezintă simultan cea mai mare oportunitate și cea mai semnificativă provocare pentru educația contemporană. Calea de urmat nu este respingerea tehnologiei, ci angajamentul pentru intenționalitate pedagogică și rigoare metodologică. În loc să ne întrebăm doar „crește IA performanța elevilor?”, trebuie să ne concentrăm pe modul în care poate fi folosită pentru a cultiva învățare profundă, semnificativă și durabilă.

Aceasta înseamnă reorientarea atenției de la produsele generate de IA către procesele centrate pe om, asigurându-ne că instrumentele IA sunt concepute pentru a sprijini, nu pentru a înlocui gândirea umană. Prin prioritizarea dezvoltării competențelor durabile și transferabile și prin integrarea conștientizării metacognitive atât în învățare, cât și în evaluare, putem debloca potențialul transformator al GenAI, creând un viitor educațional care nu este doar mai eficient, ci și autentic uman (OECD, 2026, p. 57).
Pentru cadrele didactice din învățământul preuniversitar, implicațiile practice pot fi structurate pe trei niveluri:

• La nivelul lecției: integrarea deliberată a momentelor de reflecție și auto-evaluare în activitățile care implică IA; utilizarea prompturilor orientate pe gândire; solicitarea elevilor de a compara, evalua și rafina output-urile generate de IA.
• La nivelul curriculumului: accentuarea explicită a competențelor transversale și socio-emoționale; proiectarea de sarcini autentice care nu pot fi finalizate prin simpla delegare către IA; diversificarea modalităților de evaluare.
• La nivelul dezvoltării profesionale: angajamentul continuu în lecturi despre IA, experimentare cu capacitățile și limitările sale, reflecție asupra propriei practici pedagogice și colaborare cu colegii pentru dezvoltarea de abordări eficiente.

Profesorii care folosesc IA nu vor fi înlocuiți de IA – dar vor transforma predarea. Iar elevii care învață să utilizeze IA ca instrument de amplificare a propriei gândiri, nu ca substitut pentru ea, vor fi pregătiți pentru o lume în care colaborarea om-mașină devine normă, nu excepție.

Bibliografie
Bickham, D.S., Schwamm, S., Izenman, E.R, Yue, Z., Carter, M., Powell, N., Tiches, K., & Rich, M. (2024). Use of Voice Assistants & Generative AI by Children and Families. Boston, MA: Boston Children’s Hospital Digital Wellness Lab. digitalwellnesslab.org/pulse-surveys/use-of-voice-assistants-and-generative-ai-by-children-and-families/
Chatfield, T (2025). AI and the future of pedagogy (White Paper). London: Sage. doi.org/10.4135/wp520172
Fartușnic, R., Istrate, O., & Fartușnic, C. (2025). Beyond Automation: A Conceptual Framework for AI in Educational Assessment. Journal of Digital Pedagogy, 4(1) 83-102. Bucharest: Institute for Education. doi.org/10.61071/JDP.2555
Harvard Project Zero. (2025). Thinking Routines Toolbox. pz.harvard.edu/thinking-routines
Hwang, S., Shapiro, V., Eldeeb, N., Lee, J., Robitaille, J., & Naglieri, J. (2023). Assessing Social and Emotional Competencies in Educational Settings: Supporting Resilience in Young People. In Handbook of Resilience in Children. Report #: 12. dx.doi.org/10.1007/978-3-031-14728-9_12  Retrieved from escholarship.org/uc/item/8mx0p5dq
Istrate, O. (2025). Artificial Intelligence for Educators – Practical Guidelines: Tool Selection, Attribution, and Assessment of StudentWork. Revista de Pedagogie Digitala, 4(1) 57-62. Bucharest: Institute for Education. doi.org/10.61071/RPD.2552
Jin, Y., L. Yan, V. Echeverria, D. Gašević and R. Martinez-Maldonado (2025). Generative AI in higher education: A global perspective of institutional adoption policies and guidelines. Computers and Education: Artificial Intelligence, 8. doi.org/10.1016/j.caeai.2024.100348
Kim, J., Yu, S., Detrick, R., & al. (2025). Designing AI-powered learning: adult learners’ expectations for curriculum and human-AI interaction. Education Tech Research Dev 73, 3397–3421. doi.org/10.1007/s11423-025-10549-z
Lelièvre, M., Waldock, A., Liu, M., Valdés Aspillaga, N., Mackintosh, A., José Ogando Portela, M., Lee, J., Atherton, P., Ince, R. A. A., & Garrod, O. G. B. (2025). Benchmarking the Pedagogical Knowledge of Large Language Models. arXiv:2506.18710. benchmarks.ai-for-education.org/. doi.org/10.48550/arXiv.2506.18710
Kurian, N. (2025). Developmentally aligned AI: a framework for translating the science of child development into AI design. AI Brain Child 1, 9. doi.org/10.1007/s44436-025-00009-z
Michalak, R., & Ellixson, D. (2026). Reimagining libraries in the AI era: ethical AI literacy and human-centered strategies. AI & Soc. doi.org/10.1007/s00146-025-02827-4
Molenaar, I. (2022). The concept of hybrid human-AI regulation: Exemplifying how to support young learners’ self-regulated learning. Computers and Education: Artificial Intelligence, 3, 100070. doi.org/10.1016/j.caeai.2022.100070
Molenaar, I. (2022). Towards hybrid human‐AI learning technologies. European Journal of Education, 57/4, pp. 632-645. doi.org/10.1111/ejed.12527
Molenaar, I. (2024). Human-AI collaboration in education: The hybrid future. Inaugural Speech RU. Radboud University, Nijmegen. hdl.handle.net/2066/316067
Molenaar, I., Baten, D., Bárd, I., & Stevens, M. (2025). Artificial Intelligence and Education: Different Perceptions and Ethical Directions. In: Smuha, N.A. (Ed.). The Cambridge Handbook of the Law, Ethics and Policy of Artificial Intelligence. Cambridge University Press. doi.org/10.1017/9781009367783.017
Nanda, S.B., Satapathy, D., Panda, G. & al. (2025). Socio-emotional learning and competencies in 21st-century education: a systematic review of teacher and student perspectives. Discov Educ 4, 338. doi.org/10.1007/s44217-025-00796-w
OECD (2025), Introducing the OECD AI Capability Indicators, OECD Publishing, Paris, doi.org/10.1787/be745f04-en ; aicapabilityindicators.oecd.org/
OECD. (2025). Education for Human Flourishing: A Conceptual Framework. OECD Publishing.
OECD. (2025). Skills That Matter for Success and Well-Being in Adulthood. OECD Publishing.
OECD. (2026). Digital Education Outlook 2026: Effective Uses of Generative AI in Education. OECD Publishing.
Okada, A., Sherborne, T., Panselinas, G., & al. (2025). Fostering Transversal Skills Through Open Schooling Supported by the CARE-KNOW-DO Pedagogical Model and the UNESCO AI Competencies Framework. Int J Artif Intell Educ 35, 1953–1998. doi.org/10.1007/s40593-025-00458-w
Palmquist, A., Sigurdardottir, H.D.I. & Myhre, H. (2025). Exploring interfaces and implications for integrating social-emotional competencies into AI literacy for education: a narrative review. J. Comput. Educ.. doi.org/10.1007/s40692-025-00354-1
Rethink, A. (2024). The Metacognition Revolution. AI is Playing a Central Role in Reshaping How We Learn. www.theatlantic.com/sponsored/google/metacognition-revolution/3924/
Schleicher, A. (2026). How to effectively use Generative AI in education. OECD Education Blog. oecdedutoday.com/
Veenman, M. V. J., Van Hout-Wolters, B. H. A. M., & Afflerbach, P. (2006). Metacognition and learning: Conceptual and methodological considerations. Metacognition and Learning, 1(1), 3–14. doi.org/10.1007/s11409-006-6893-0
Winne, P. H., & Hadwin, A. F. (1998). Studying as self-regulated learning. In D. J. Hacker, J. Dunlosky, & A. C. Graesser (Eds.), Metacognition in educational theory and practice. Lawrence Erlbaum Associates.
Wood, D., Bruner, J. S., & Ross, G. (1976). The role of tutoring in problem solving. Child Psychology & Psychiatry & Allied Disciplines, 17(2), 89–100. doi.org/10.1111/j.1469-7610.1976.tb00381.x
Zimmerman, B. J. (2000). Attaining self-regulation: A social cognitive perspective. In M. Boekaerts, P. R. Pintrich, & M. Zeidner (Eds.), Handbook of self-regulation (pp. 13–39). Academic Press. doi.org/10.1016/B978-012109890-2/50031-7

Instrumente utile

• aicapabilityindicators.oecd.org/ai-capability-indicator-tool.html
• www.fab-ai.org/initiatives/ai-for-education/edtech-quality/benchmarks?benchmark=VISUAL_REASONING&models=%5B%5D&cost=10&pageView=table
• poloclub.github.io/transformer-explainer/
• pz.harvard.edu/thinking-routines

Notă
În pregătirea acestui articol, autorul a folosit Elicit, Gemini, ChatGPT și Claude pentru a găsi surse bibliografice suplimentare, pentru a verifica acuratețea informațiilor incluse și pentru a găsi cele mai bune formulări ale ideilor prezentate. Toate sugestiile generate de inteligența artificială au fost selectate, verificate și revizuite independent de către autor. Autorul își asumă întreaga responsabilitate pentru conținutul final, interpretările și calitatea academică a acestui material.