Inteligența artificială și viitorul educației: trei ipoteze privind învățarea și evaluarea
Susţine cursuri şi seminare de Instruire asistată de calculator, Medii virtuale de învățare și Noile media în educație și formare la Universitatea din Bucureşti, Departamentul pentru Formarea Profesorilor. A lucrat în cadrul Institutului de Ştiinţe ale Educaţiei în perioada 2002-2004, ca cercetător în Departamentul Curriculum. A coordonat peste 30 de cercetări evaluative și proiecte de utilizare a tehnologiilor digitale pentru a crește calitatea educației. Printre realizări: cofondator Academia Online (2003), fondator Elearning.Romania (2005), regional education manager la Intel (2007-2010), expert evaluator eContent și eContentplus, Comisia Europeană (2006, 2012), cofondator iTeach.ro (2010), coordonator național eTwinning (2011), senior education officer la Federația Crucii Roșii și Semilunii Roșii, Geneva (2013-2016), cofondator digitaledu.ro (2015), membru în rețeaua europeană Educational Repositories Network - EdReNe (din 2019), membru în EC National Advisory Services on Digital Education (din 2021), ambasador eTwinning în România - formarea inițială a cadrelor didactice - și expert în Professional Development Advisory Board pentru European School Education Platform (2022), expert în grupul de lucru pentru European Digital Education Hub (2022). Expert în grupul de lucru pentru competențe digitale în învățământul preuniversitar - alinierea curriculumului național cu cadrul DigComp (2024). Din 2010, coordonează activitățile de dezvoltare profesională continuă de pe platforma online iTeach (suntprofesor.ro).
Asistenții de inteligență artificială (IA) generativă au intrat în viața școlii în doar câțiva ani. Profesorii îi folosesc pentru a pregăti materiale, pentru a construi sarcini de lucru mai bine adaptate clasei sau pentru a reduce timpul petrecut cu activitățile administrative. Elevii îi folosesc la fel de firesc: pentru a înțelege o lecție, pentru a-și verifica temele sau, de multe ori, pentru a obține rapid un răspuns gata formulat. Situația are ceva paradoxal. Profesorul se străduiește să proiecteze o sarcină mai interesantă și mai relevantă pentru elevi, iar elevul încredințează rezolvarea ei aceluiași tip de instrument. Dusă la extrem, logica aceasta ar face ca IA profesorului să dialogheze direct cu IA elevului, fără ca vreunul dintre ei să mai învețe ceva.
Problema care se pune în aceste condiții este aceea de a înțelege ce se schimbă, de fapt, în învățare și în evaluare atunci când o parte din efortul intelectual poate fi delegată unei mașini și ce rămâne, în continuare, responsabilitatea profesorului. Articolul propune trei ipoteze de lucru, deschise discuției: fiecare dintre ele poate fi nuanțată, contestată sau verificată de cititor în propria practică la clasă.
1. Efortul care formează: trei idei ale lui Pascal Chabot
Pascal Chabot este un filosof belgian care scrie despre libertate, despre timp și despre sensul vieții; ultima sa carte se numește Nos vies encapsulées („Viețile noastre încapsulate”, august 2026). Într-un interviu recent pentru radioul public belgian RTBF (Carton, 2026), el a formulat trei idei care ne privesc direct, ca profesori.
Prima idee este imaginea răsturnată a ventrilocului – de obicei, ventrilocul (persoana) vorbește, dar spectatorii au impresia că vorbește păpușa. Chabot afirmă că, în relația cu IA, s-ar putea ca noi să devenim păpușa. Scriitorul, artistul, cercetătorul își ascultau, în mod tradițional, propriile voci interioare, propriile porniri creative, propriile intuiții profesionale. Astăzi, vocile care ne sugerează ce să scriem și cum să formulăm sunt, tot mai des, vocile unui sistem IA, iar omul devine canalul prin care acesta se exprimă. Fiecare dintre noi a citit deja un articol, un referat, o postare sau un mesaj care „sună a ChatGPT”: introducerea cu contextul, paragrafe perfect echilibrate, exprimare impersonală, concluzie categorică, cu construcții antitetice (nu X, ci Y). Pentru școală, consecința este importantă – ține de gândirea critică, de autonomie și de trăsăturile specific umane pe care suntem datori să le cultivăm.
A doua idee privește mândria de a face lucrurile noi înșine. Chabot nu susține că nu ar trebui să delegăm nimic: există sarcini plictisitoare, de care este bine să scăpăm. Mândria nu vine însă din produsul final, ci din felul în care o muncă ne hrănește, ne formează și ne dă sentimentul că suntem corecți cu noi înșine. Mai mult, el dă exemplul traducătorilor, o meserie în care rivalitatea cu mașina este trăită dureros, și vorbește despre o „reconfigurare psihică” a meseriilor: fiecare profesie trebuie să se întrebe ce anume încearcă să salveze. Întrebarea ne privește și pe noi: ce anume din meseria de profesor vrem să păstrăm, atunci când o parte din activități pot fi preluate de un asistent IA? Mai mult: ce anume din „umanitate” ne dorim să păstreze generațiile pe care le formăm?
A treia idee, poate cea mai importantă pentru educație, este că dificultățile ne umanizează. Chabot își amintește de problemele de matematică pe care nu reușea să le rezolve înaintea testului de a doua zi. Elevii de astăzi învață cu IA, ceea ce nu este un lucru rău, dar nu mai trec prin acest tip de încercare. În fața unei dificultăți cu rol formativ se întâmplă exact ceea ce vrem să învețe elevii: îndoiala, căutarea, răbdarea, încercarea greșită, încă o încercare și, în final, bucuria de a fi reușit singur. Psihologia cognitivă descrie acest mecanism prin conceptul de dificultăți dezirabile (desirable difficulties; Bjork, 1994). A învăța să fii om trece prin contactul cu îndoiala și cu efortul, iar IA ne poate priva de aceste momente. Dăm un exemplu similar pentru a completa și a nuanța argumentul lui Chabot: documentarea în vederea conturării temei lucrării de licență sau de doctorat. Sunt săptămânile în care studentul citește, nu înțelege, recitește și, într-o zi, „vede” structura tezei sale. Un asistent IA îi poate oferi o asemenea structură în două minute, însă studentul a pierdut tocmai experiența care l-ar fi format: acel moment de înțelegere profundă (insight) în care domeniul își dezvăluie structura și din care pornește, de fapt, orice contribuție autentică la dezvoltarea lui. În plus, o idee descoperită cu efort devine a ta: îți pasă de ea, o aperi, ți-o asumi și o duci mai departe, uneori ani la rând, pe când una primită de-a gata rămâne a altcuiva și ești mai dispus să o abandonezi.
IA generativă funcționează, în acest sens, ca o oglindă în care s-a adunat o mare parte din ce a scris, a desenat și a înregistrat omenirea și care produce imagini la cerere. Testul oglinzii din psihologia dezvoltării, explicat pe larg într-un articol anterior („Inteligența artificială în educație. Semnul de pe frunte. Petrică, doamna Preda și testul oglinzii”, Tribuna învățământului, 2026), îl dă, de fapt, cel care stă în fața ecranului: elevul care caută răspunsul în oglindă, în locul propriei gândiri, nu trece acest test al conștiinței de sine, al maturității. Lucrurile se complică prin faptul că asistenții IA sunt antrenați să ne fie pe plac. Cercetătorii numesc fenomenul complezență a modelelor (sycophancy): ne confirmă ideile, ne laudă textele, ne dau dreptate. Pentru cine învață, complezența aceasta are o consecință gravă: produsul obținut cu ajutorul IA pare reușit, iar validarea primită din partea aceluiași instrument întărește impresia că a fost și înțeles. OECD descrie efectul, în raportul Digital Education Outlook 2026, prin sintagma „mirajul falsei măiestrii”: rezultate impresionante, în spatele cărora abilitățile esențiale nu s-au format. Elevul nu numai că nu a gândit tema; oglinda i-a mai spus și că tema este foarte bună, recompensând exact comportamentul pe care școala ar trebui să-l corecteze.
Ideea concretă pe care o putem lua de aici este că o interdicție generală a IA rezolvă puțin și este, oricum, greu de verificat. Mai utilă este o decizie de proiectare: unde păstrăm, deliberat, dificultățile cu rol formativ. Profesorul poate stabili ce sarcini rezolvă elevul fără niciun ajutor, în ce moment al activității intră IA și ce anume rămâne de făcut de elev după ce a primit sprijinul instrumentului.
2. Performanță fără învățare – costul ascuns al exersării cu IA
Cercetarea recentă confirmă intuiția lui Chabot. Într-un studiu publicat în revista PNAS, aproape o mie de liceeni din Turcia au exersat matematica în trei condiții diferite (Bastani et al., 2025). Un grup a lucrat cu un asistent de tip ChatGPT, fără restricții; un al doilea grup a lucrat cu o variantă de tip tutor, care nu oferea răspunsul, ci indicii, și cerea mai întâi raționamentul elevului; al treilea grup, de control, a exersat doar cu manualul și cu notițele. La exerciții, elevii cu ChatGPT au obținut rezultate cu 48% mai bune decât grupul de control, iar cei cu tutorul, cu 127% mai bune. La testul final, susținut de toți fără IA, imaginea s-a schimbat: elevii care exersaseră cu ChatGPT fără restricții au obținut cu 17% mai puțin decât grupul de control, în timp ce elevii care lucraseră cu tutorul nu au avut rezultate semnificativ diferite de acesta. Rezultatul ilustrează distincția clasică dintre performanță și învățare (Soderstrom și Bjork, 2015): performanța din timpul exersării nu este un indicator fiabil al învățării durabile.
Același tip de instrument poate produce și efecte foarte bune. La un curs introductiv de fizică de la Harvard, folosirea unui tutor IA construit pe principiile învățării active a produs, într-un studiu randomizat controlat, câștiguri de învățare semnificativ mai mari, în mai puțin timp, decât lecțiile de învățare activă din clasă, proiectate după aceleași principii (Kestin et al., 2025).
Concluzia celor două studii este că problema nu constă în IA ca atare, ci în IA care oferă direct răspunsul. Același model poate funcționa ca tutor sau ca generator de răspunsuri, în funcție de felul în care profesorul îl integrează în activitatea de învățare.
Acest lucru are câteva implicații asupra a ceea ce le propunem elevilor zi de zi, ca profesori. Le putem rezuma în trei principii de lucru (figura 1).
Prima idee este că primul pas îi aparține celui care învață. Elevul formulează o soluție, o schiță de argument sau măcar o întrebare, iar IA intră în joc abia după aceea. Astfel, instrumentul lucrează în continuarea gândirii elevului, în loc să o înlocuiască.
A doua idee este că predicția trebuie să preceadă consultarea. Înainte de a întreba asistentul IA, elevul formulează și chiar notează propriul răspuns; abia apoi îl compară cu cel al IA și analizează diferențele. Anticiparea și comparația îl obligă să decidă care variantă este mai bună și de ce, adică exact tipul de judecată pe care vrem să îl dezvoltăm. Același principiu poate fi încorporat și în cererea adresată IA: „Nu-mi da soluția; întreabă-mă pas cu pas și spune-mi unde greșesc”.
În al treilea rând, verificarea, ca formă de autocontrol al gândirii, se exersează mai întâi în interacțiunea cu ceilalți și abia apoi se interiorizează. Propunerea se bazează pe ideile lui Vîgoțki (Vygotsky, 1978), care a formulat ceea ce numea legea genetică generală a dezvoltării culturale: orice funcție psihică superioară – atenția voluntară, memoria logică, formarea conceptelor – apare în dezvoltarea copilului de două ori, pe două planuri, întâi pe planul social (interpsihic), în activitatea comună și în dialog, și abia apoi ca dialog interior, pe planul psihologic (intrapsihic). De aceeași idee se leagă și conceptul de zonă a proximei dezvoltări: distanța dintre ceea ce copilul poate face singur și ceea ce poate face cu ajutorul unui adult sau al unui coleg mai avansat. Ce face copilul astăzi cu sprijin va face mâine singur.
Legat de IA, ideea are o consecință directă. Obiceiul de a nu lua de bun un răspuns primit de la un asistent IA este o asemenea funcție superioară, un autocontrol al propriei gândiri. El nu se formează prin simpla enunțare a unei reguli („verificați ce vă spune chatbotul”). Se formează atunci când elevii văd și aud verificarea făcută cu voce tare, în clasă: profesorul care spune „stați, asta nu sună bine, hai să verificăm”, grupul care compară trei răspunsuri diferite și caută sursa, colegul care întreabă „de unde știm asta?”. Cu timpul, acest dialog din clasă devine întrebarea pe care elevul și-o pune singur, în fața ecranului. De aceea, este necesar să îi ajutăm pe elevi să exerseze verificarea împreună, în mod repetat, înainte de a le cere să o facă independent. Încrederea calibrată în răspunsurile IA se construiește în timp, prin practică, împreună cu ceilalți.
3. Dovada învățării se mută de pe produs pe proces
Dacă performanța poate exista fără învățare, așa cum am arătat mai sus, atunci o evaluare care privește doar performanța riscă să certifice o învățare care nu a avut loc. În docimologie, aceasta este o problemă de validitate. O probă de evaluare este validă atunci când măsoară ceea ce pretinde că măsoară. Nota pusă pe un eseu este, în fond, o afirmație despre elev, de pildă „știe să construiască un argument”. Dacă eseul poate fi produs fără gândirea respectivă, afirmația din catalog devine falsă, oricât de bun ar fi textul. Înainte de apariția IA generative, produsul era el însuși o dovadă rezonabilă a procesului: un eseu bine construit presupunea, de regulă, că elevul a gândit argumentul. Astăzi, această legătură nu mai este garantată, așa că dovezile învățării trebuie căutate în altă parte.
De aici, ipoteza 1: dovada învățării se mută de pe produs pe proces. Evaluarea va acorda tot mai multă atenție drumului parcurs de elev: întrebărilor pe care și le-a pus, ciornelor și variantelor succesive ale lucrării, deciziilor pe care le-a luat și justificării lor, felului în care își poate susține ideile cu voce tare și poate răspunde la întrebări neprevăzute. Pentru profesor, aceasta înseamnă sarcini în mai multe etape, momente de lucru în clasă și scurte conversații despre lucrare, alături de evaluarea produsului final.
Detectoarele de text generat nu rezolvă problema, așa cum am arătat într-un alt articol („Inteligența artificială în educație. Evaluarea școlară. Petrică, doamna Preda și detectorul de IA”, iTeach: Experiențe didactice, 2026). Un asemenea detector nu „recunoaște” IA, așa cum recunoaște un profesor scrisul unui elev pe care îl cunoaște de ani buni; el calculează cât de previzibil este un text. Modelele de limbaj scriu foarte previzibil, dar la fel scrie și elevul conștiincios, care folosește formulările învățate la școală. O echipă de cercetători de la Stanford a arătat că mai multe detectoare clasificau drept generate de IA eseuri scrise de vorbitori nenativi de engleză, tocmai pentru că acestea aveau un vocabular mai simplu (Liang et al., 2023). Nici marcarea obligatorie a conținutului generat, cerută furnizorilor de IA de Regulamentul european privind inteligența artificială (art. 50), nu oferă o certitudine: semnalul indică doar o probabilitate, iar o rescriere parțială a textului îl poate estompa. Detectorul greșește, așadar, în două sensuri, iar fiecare greșeală are un cost educațional (tabelul 1).
| Detectorul: „scris de om” | Detectorul: „generat de IA” | |
| Elevul a scris singur | Corect | Fals pozitiv: elevul acuzat pe nedrept învață că nu merită să se străduiască |
| Elevul a folosit IA | Fals negativ: elevul învață că poate fi notat pentru ce nu a făcut | Corect |
Tabelul 1. Cele două erori ale unui detector de IA aplicat pe conținut de tip text
Tocmai pentru că miza este mare în ambele situații, decizia nu poate fi lăsată pe seama unui procent. O conversație scurtă cu elevul, în care acesta este rugat să explice de ce a început lucrarea așa cum a început-o sau cum a ajuns la o anumită concluzie, spune mai mult decât orice detector. Din acest motiv, tot mai multe voci din mediul universitar propun revenirea la examenele orale. Susținerea lucrării de licență, de disertație sau a tezei de doctorat capătă o greutate mai mare. Merită discutat, de aceea, dacă ponderea evaluării orale și a sarcinilor în care elevul sau studentul explică o lucrare și își susține un proiect nu ar trebui să crească, la toate nivelurile de învățământ.
Un instrument concret pentru proiectarea sarcinilor de evaluare este scala de utilizare a IA în evaluare (AI Assessment Scale, AIAS), propusă de Perkins, Roe și Furze (2024). Deși a fost gândită pentru evaluare, scala poate fi folosită la fel de bine pentru sarcinile de învățare, deoarece arată, pentru fiecare sarcină, ce rol poate avea IA.
Scala are cinci trepte (figura 2). La prima, sarcina se rezolvă fără IA, de regulă în clasă, sub ochii profesorului. La a doua, IA este utilizată pentru brainstorming și structurare, iar elevul dezvoltă singur ideile. La a treia, IA ajută la redactare și oferă feedback, iar elevul evaluează critic și modifică ce primește. La a patra, toate etapele sarcinii pot fi realizate cu IA, sub controlul și răspunderea elevului. La a cincea, folosirea IA în disciplina respectivă devine ea însăși obiect de explorare: elevul o utilizează creativ, pentru a rezolva probleme noi, într-o sarcină proiectată împreună cu profesorul. Importantă aici este decizia profesorului: alegerea nivelului în funcție de ceea ce vrea să învețe elevul prin sarcina respectivă și, mai ales, anunțarea clară a așteptărilor încă de la început. În practică, rezultă două culoare de evaluare complementare. Pe primul se află evaluările făcute în clasă, prin care certificăm ce știe și ce poate face elevul singur. Pe al doilea se află sarcinile deschise, în care elevul învață tocmai să lucreze cu IA, în mod responsabil și transparent.

Figura 2. Scala de utilizare a IA în proiectarea învățării și în evaluare (AIAS), după Perkins, Roe și Furze (2024)
4. IA în evaluare: un exemplu de utilizare
Și profesorul este tentat să delege inteligenței artificiale sarcinile administrative și pedagogice care îi consumă timpul, iar dintre acestea cea mai problematică este evaluarea. La sfârșit de semestru, cu zeci de lucrări de corectat și cu mediile de încheiat, gestul de a fotografia o lucrare și de a cere unui asistent IA o notă și un comentariu este ușor de înțeles.
Regulamentul (UE) 2024/1689 privind inteligența artificială include educația printre domeniile cu risc ridicat, iar evaluarea ocupă aici un loc central. În anexa III, la punctul 3, sunt vizate patru tipuri de sisteme IA: cele care stabilesc accesul sau admiterea în instituțiile de învățământ, cele care evaluează rezultatele învățării, inclusiv atunci când aceste rezultate sunt folosite pentru a orienta procesul de învățare, cele care stabilesc nivelul de educație la care va avea acces o persoană și cele care supraveghează comportamentul elevilor și al studenților în timpul examenelor. Pentru aceste sisteme, regulamentul cere, între altele, o supraveghere umană efectivă; obligațiile se aplică de la 2 decembrie 2027 și vizează în primul rând sistemele concepute special pentru aceste scopuri. Mesajul este, totuși, clar și pentru profesorul care folosește un asistent general: o notă care contează pentru parcursul unui elev trebuie să aibă în spate o judecată umană. În plus, lucrările elevilor conțin date personale, care nu pot fi încărcate oricum într-un instrument online.
Există însă situații de evaluare în care IA poate fi un ajutor real. Un exemplu este evaluarea diagnostică, adică evaluarea care nu urmărește o notă, ci informații despre ce știu elevii și despre ce trebuie făcut în continuare. Aici, IA poate prelua foarte bine munca mecanică, de la construirea testului până la ordonarea răspunsurilor. Calitatea rezultatului depinde în mare măsură de cererea adresată asistentului IA. O cerere generică, de tipul „scrie un test cu 10 întrebări cu alegere multiplă despre…”, produce de regulă întrebări de memorare și variante greșite ușor de eliminat. O cerere fundamentată pedagogic îi spune IA patru lucruri. Primul este contextul: scopul testului, clasa și ceea ce vrea profesorul să afle. Al doilea este baza teoretică: de exemplu, o progresie a itemilor de la simplu la complex, după taxonomia revizuită a lui Anderson și Krathwohl (2001), și respectarea regulilor de construire a itemilor sistematizate de Haladyna, Downing și Rodriguez (2002). Al treilea este procedura: câte variante de răspuns are fiecare item, ce greșeli tipice ale elevilor trebuie să se regăsească în distractori și în ce format trebuie livrat rezultatul. Al patrulea este verificarea: asistentul este rugat să-și revadă singur itemii, de pildă pentru a semnala dacă vreunul măsoară altceva decât și-a propus profesorul.
După aplicarea testului, răspunsurile elevilor pot fi exportate într-un tabel, iar IA le poate ordona într-o hartă Guttman, după metoda scalogramei propusă de Louis Guttman în anii 1940 (Guttman, 1944). Elevii sunt așezați de la cel cu cele mai multe răspunsuri corecte la cel cu cele mai puține, iar itemii, după numărul de elevi care i-au rezolvat, de la cel mai ușor la cel mai greu (figura 3). Granița dintre răspunsurile corecte și cele greșite arată, aproximativ, zona în care fiecare elev este pregătit să învețe mai departe, pe care o putem pune în legătură cu zona proximei dezvoltări descrisă de Vîgoțki (Griffin, 2014). Harta scoate la iveală și lucruri pe care nota nu le arată. Un elev care greșește itemi ușori, dar îi rezolvă pe cei grei, ridică o întrebare la care merită căutat răspunsul într-o conversație cu el, înainte de orice concluzie. Un item pe care nu l-a rezolvat nimeni este fie prost formulat, fie semnul că un conținut trebuie reluat. Pe această bază, profesorul poate organiza activitatea de a doua zi pe grupe, în funcție de intervenția de care are nevoie fiecare elev: extindere, cu sarcini care merg dincolo de ce s-a predat; exersare diferențiată, pe itemii din zona de învățare a clasei; reluare cu sprijin, pentru noțiunile de bază; și discuție individuală, pentru elevii al căror tipar de răspuns cere mai întâi înțeles. IA sortează, colorează și semnalează; ce înseamnă semnalele și ce facem mâine la clasă decide profesorul.

Figura 3. Harta Guttman a unei clase și o posibilă grupare a elevilor pentru activități ulterioare (date construite pentru demonstrație, după o idee a lui Anne-Marie Chase, Swinburne University)
5. Întoarcerea la pedagogie și școala ca loc al întâlnirii
Ipoteza 2, pe care exemplul din capitolul anterior o ilustrează: dacă IA preia o parte din munca mecanică a profesorului – corectatul de rutină, sortarea răspunsurilor, prima variantă a unui material sau a unui test –, profesorul câștigă timp pentru ceea ce contează cu adevărat: atenția la activitatea fiecărui elev, la felul în care învață, la dificultățile și la progresul lui, la relația cu el. Ipoteza presupune, desigur, ca timpul eliberat să fie reinvestit în pedagogie, și nu în alte sarcini administrative.
Despre școală se spune adesea că ar fi fost construită după un model industrial: aceeași lecție, același ritm, aceeași probă pentru toți. Organizarea pe clase și lecții este, de fapt, mai veche decât industria; o găsim descrisă de Comenius în Didactica Magna, în secolul al XVII-lea, iar epoca industrială a preluat-o și a extins-o la scara învățământului de masă. Prețul acestei extinderi a fost, în mare măsură, atenția acordată fiecărui elev: cu clase numeroase și sub presiunea programei, profesorul are rareori timp pentru fiecare în parte. IA poate grăbi o mișcare în sens invers: o umanizare a educației, o întoarcere la pedagogie. Gert Biesta (2012) critica tendința de a reduce educația la „învățare” și pleda pentru a readuce predarea în centrul educației: educația înseamnă întotdeauna a învăța ceva, de la cineva, cu un anumit scop. În același spirit, UNESCO (2015) pleda pentru o abordare umanistă a educației.
În școală nu se învață doar conținuturi. Se învață o disciplină a gândirii, în dialog și în relație cu alți oameni. Multe sensuri se transmit implicit: prin expresia feței, prin felul în care reacționează profesorul la o greșeală, printr-o remarcă făcută mai târziu. În această conversație implicită se formează, în mare parte, valorile și atitudinile elevilor. Un asistent IA poate împrumuta scopurile pe care i le dăm, dar nu le acordă o valoare și nu poate fi un model pentru elev în sensul în care este un profesor. Un raport McKinsey din 2007 (Barber & Mourshed) cita o afirmație devenită celebră: calitatea unui sistem de educație nu poate depăși calitatea profesorilor săi. În contextul IA, afirmația capătă și mai multă relevanță.
Ipoteza 3: învățarea care cere muncă și concentrare va deveni tot mai mult responsabilitatea elevului, acasă, după modelul studiului individual din învățământul superior sau al clasei inversate. Elevul va învăța acasă, după un plan construit împreună cu profesorii, cu ajutorul unor instrumente digitale tot mai performante. Școala va rămâne locul confirmărilor, al discuțiilor, al contactului uman autentic și al unei învățări mai libere, în care elevii se bucură de ceilalți și învață împreună cu ei.
Ipoteza intră însă în tensiune cu cele arătate mai sus. Studiul cu liceenii din Turcia arată că un asistent IA care oferă direct răspunsurile poate submina învățarea, iar discuția despre detectoare arată că tema făcută acasă nu mai poate fi considerată, în sine, o dovadă a învățării. Pentru ca învățarea de acasă să funcționeze, trebuie lămurite trei aspecte. Primul privește tipul de instrument: un tutor inteligent care stimulează raționamentul elevului, nu un generator de răspunsuri gata făcute. Al doilea privește regulile de utilizare, stabilite, explicate și asumate de elevi, de pildă cu ajutorul scalei AIAS. Al treilea privește verificarea la școală: conversația, aplicarea în situații noi și evaluarea în clasă trebuie să confirme că învățarea de acasă a avut loc cu adevărat.
Ambele ipoteze depind de o condiție comună: ca instrumentele de IA să fie cu adevărat competente din punct de vedere pedagogic. Cât de utile pot fi ele, fie ca asistent la catedră, fie ca sprijin pentru învățarea independentă a elevului, acasă? Un indiciu vine din benchmarkuri, adică din seturi standardizate de întrebări pe care sunt testate modelele IA, pentru a le putea compara. Benchmarkul pedagogic dezvoltat de AI-for-Education (Lelièvre et al., 2025) folosește întrebări cu alegere multiplă din examenele pentru profesori ale Ministerului Educației din Chile, din anii 2017–2023. Setul cuprinde 920 de itemi de pedagogie generală – strategii de predare, metode de evaluare, înțelegerea elevilor, teorii ale educației, managementul clasei – și 223 de itemi despre cerințele educaționale speciale și dizabilități. Un exemplu tipic: ce activitate favorizează cel mai bine dezvoltarea empatiei la preșcolari, dintre patru variante descrise. În lucrarea care a prezentat benchmarkul, au fost testate 97 de modele; cel mai bun dintre ele răspundea corect la aproximativ 89% dintre întrebările de pedagogie generală și la 86% dintre cele despre cerințele educaționale speciale. De atunci, clasamentul online a fost completat cu multe modele noi.
Rezultatele arată că IA „știe” foarte multă pedagogie: poate sugera strategii, poate explica teorii, poate ajuta la proiectarea unei activități și poate susține, ca tutor, învățarea de acasă. Testul măsoară însă cunoștințe pedagogice „din carte”, verificate prin întrebări grilă. A ști care activitate dezvoltă empatia este altceva decât a o face să se întâmple într-o grupă de copii de patru ani, într-o dimineață obișnuită, cu tot ce are ea imprevizibil. Această diferență dintre a cunoaște pedagogia și a o practica într-o relație vie cu elevii rămâne, deocamdată, specifică profesorului.
Considerații finale
Cele trei ipoteze converg spre o întrebare simplă, devenită tot mai insistentă odată cu dezvoltarea internetului: de ce mai venim la școală, dacă informația este peste tot – în rapoarte, în cursuri online sau la un asistent IA, care le poate explica elevilor orice lecție, la orice oră? Ipotezele discutate conturează un răspuns. Elevii vor continua să vină la școală pentru ceea ce informația singură nu poate oferi: confirmarea, de către cineva competent, că au înțeles cu adevărat; discuția care le arată alte perspective decât a lor; întâlnirea cu ceilalți; relația cu un profesor, prin care se conturează valorile și atitudinile; dificultățile asumate împreună, care îi formează.
Pascal Chabot oferă o imagine care ajută la înțelegerea acestui rol al școlii. Acum câțiva ani, spune el, când ajungeam la un hotel, ceream o hartă a orașului; astăzi cerem codul wi-fi. Pe harta orașului nu apăream noi: era o reprezentare impersonală, obiectivă, a unui oraș în care fiecare încerca să se integreze. Pe Google Maps, în schimb, suntem în centrul lumii, iar străzile apar în funcție de poziția noastră. La fel funcționează rețelele sociale și, într-o anumită măsură, asistenții IA: ne arată mai ales ce se potrivește cu felul nostru de a gândi și cu convingerile noastre. Din centrul propriei lumi vedem lumea mai puțin obiectiv, iar această filtrare poate duce la polarizarea societăților. Chabot numește aceste spații închise „capsule” și consideră că ieșirea din ele este, în primul rând, o chestiune de voință: de a lăsa loc întâlnirii, neprevăzutului și curiozității. Școala seamănă, în această privință, cu harta orașului: o lume comună, care nu este construită în jurul fiecărui elev, în care elevii întâlnesc perspective pe care nu le-ar fi ales singuri, colegi cu alte experiențe și alte convingeri decât ale lor, precum și o cunoaștere nefiltrată de propriile preferințe.
Sarcina profesorilor este să lase loc acestei întâlniri, neprevăzutului și curiozității și să folosească IA în slujba lor. În termeni concreți, aceasta înseamnă câteva lucruri. Înseamnă să păstreze, deliberat, dificultățile cu rol formativ și să proiecteze sarcini în care IA intervine abia după prima încercare a elevului. Înseamnă să mute dovada învățării spre proces, prin etape de lucru, conversații despre lucrare și evaluări în clasă. Înseamnă să lase IA să preia munca mecanică din evaluare și să păstreze pentru ei decizia pedagogică. Și înseamnă, mai ales, să cultive la elevi exact ceea ce un algoritm nu are: curiozitatea, gândirea critică, autonomia și răspunderea pentru propriile decizii. Acestea nu se dezvoltă de la sine și nu pot fi delegate; se formează în timp, la școală, împreună cu ceilalți.
Bibliografie
Anderson, L. W., & Krathwohl, D. R. (Eds.). (2001). A taxonomy for learning, teaching, and assessing: A revision of Bloom’s taxonomy of educational objectives. Longman.
Barber, M., & Mourshed, M. (2007). How the world’s best-performing school systems come out on top. McKinsey & Company.
Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26), e2422633122. https://doi.org/10.1073/pnas.2422633122
Biesta, G. (2012). Giving teaching back to education: Responding to the disappearance of the teacher. Phenomenology & Practice, 6(2), 35–49. https://doi.org/10.29173/pandpr19860
Bjork, R. A. (1994). Memory and metamemory considerations in the training of human beings. În J. Metcalfe & A. P. Shimamura (Eds.), Metacognition: Knowing about knowing (pp. 185–205). MIT Press.
Carton, A. (2026, 9 noiembrie). Pascal Chabot, écrivain et philosophe : « Avec l’IA, les élèves n’ont plus d’obstacle. Et pourtant, c’est l’obstacle qui nous humanise » [pe baza unui interviu realizat de L. Mathieu]. RTBF. https://www.rtbf.be/article/pascal-chabot-ecrivain-et-philosophe-avec-l-ia-les-etudiants-n-ont-plus-d-obstacle-et-pourtant-c-est-l-obstacle-qui-nous-humanise-11812882
Chabot, P. (2026). Nos vies encapsulées. Presses Universitaires de France.
Comenius, J. A. (1970). Didactica magna. Editura Didactică și Pedagogică.
Griffin, P. (Ed.). (2014). Assessment for teaching. Cambridge University Press.
Guttman, L. (1944). A basis for scaling qualitative data. American Sociological Review, 9(2), 139–150. https://doi.org/10.2307/2086306
Haladyna, T. M., Downing, S. M., & Rodriguez, M. C. (2002). A review of multiple-choice item-writing guidelines for classroom assessment. Applied Measurement in Education, 15(3), 309–333. https://doi.org/10.1207/S15324818AME1503_5
Istrate, O. (2026). Inteligența artificială în educație. Semnul de pe frunte. Petrică, doamna Preda și testul oglinzii. Tribuna învățământului. https://tribunainvatamantului.ro/opinie-de-olimpus-istrate-despre-inteligenta-artificiala-in-educatie-semnul/
Istrate, O. (2026). Inteligența artificială în educație. Evaluarea școlară. Petrică, doamna Preda și detectorul de IA. iTeach: Experiențe didactice 10/2026. https://iteach.ro/experientedidactice/inteligenta-artificiala-in-educatie-evaluarea-scolara-petrica-doamna-preda-si-detectorul-de-ia
Kestin, G., Miller, K., Klales, A., Milbourne, T., & Ponti, G. (2025). AI tutoring outperforms in-class active learning: An RCT introducing a novel research-based design in an authentic educational setting. Scientific Reports, 15, 17458. https://doi.org/10.1038/s41598-025-97652-6
Lelièvre, M., Waldock, A., Liu, M., Valdés Aspillaga, N., Mackintosh, A., Ogando Portela, M. J., Lee, J., Atherton, P., Ince, R. A. A., & Garrod, O. G. B. (2025). Benchmarking the pedagogical knowledge of large language models (arXiv:2506.18710). arXiv. https://doi.org/10.48550/arXiv.2506.18710
Liang, W., Yuksekgonul, M., Mao, Y., Wu, E., & Zou, J. (2023). GPT detectors are biased against non-native English writers. Patterns, 4(7), 100779. https://doi.org/10.1016/j.patter.2023.100779
OECD. (2026). OECD Digital Education Outlook 2026: Exploring effective uses of generative AI in education. OECD Publishing. https://doi.org/10.1787/062a7394-en
Perkins, M., Roe, J., & Furze, L. (2024). The AI Assessment Scale revisited: A framework for educational assessment (arXiv:2412.09029). arXiv. https://doi.org/10.48550/arXiv.2412.09029
Regulamentul (UE) 2024/1689 al Parlamentului European și al Consiliului din 13 iunie 2024 de stabilire a unor norme armonizate privind inteligența artificială. Jurnalul Oficial al Uniunii Europene, L, 12.7.2024.
Soderstrom, N. C., & Bjork, R. A. (2015). Learning versus performance: An integrative review. Perspectives on Psychological Science, 10(2), 176–199. https://doi.org/10.1177/1745691615569000
UNESCO. (2015). Rethinking education: Towards a global common good? UNESCO Publishing.
Vygotsky, L. S. (1978). Mind in society: The development of higher psychological processes (M. Cole, V. John-Steiner, S. Scribner, & E. Souberman, Eds.). Harvard University Press.
Notă de transparență
În pregătirea acestui articol am folosit instrumente de IA generativă (Claude, Gemini, ChatGPT) pentru căutarea și verificarea surselor, pentru o primă versiune a textului, pornind de la ideile mele, și pentru realizarea figurilor. Textul a fost revizuit și rescris de autor, iar fiecare citare a fost verificată la sursa primară. Îmi asum întreaga responsabilitate pentru conținut și pentru eventualele erori. Declarația este voluntară și urmează principiile de transparență din art. 50 al Regulamentului (UE) 2024/1689 și din Codul de practică privind transparența conținutului generat de IA (Comisia Europeană, 2026).
Cuvinte cheie: inteligența artificială în educație, evaluare școlară, viitorul educației, ipoteze privind învățarea
Accesări: 33





Ministerul Educaţiei