AI w analizie danych uczniów: edukacyjna inwigilacja czy pomoc pedagogiczna?

Obietnica wczesnej diagnozy

W edukacji sztuczna inteligencja pojawia się dziś głównie jako narzędzie analizy danych uczniowskich. Platformy takie jak Century Tech, Carnegie Learning czy Mathia gromadzą dziesiątki tysięcy punktów danych każdego ucznia rocznie: czas odpowiedzi na pytania, wskaźniki pauzy, ruchy myszki, logi sesyjne, a w niektórych wdrożeniach także wyrazy mimiczne nagrywane przez kamerę. Celem deklarowanym jest wczesna diagnoza trudności poznawczych i personalizacja nauczania.

W badaniu opublikowanym w Journal of Educational Psychology w grudniu 2024 roku zespół Aleixa Martineza pokazał, że modele AI analizujące 15-minutowe nagrania sesji matematycznych rozpoznawały z 82-procentową dokładnością uczniów z niezdiagnozowanymi trudnościami w zakresie czytania ze zrozumieniem. W przypadku tradycyjnego badania psychologicznego proces ten trwałby wiele miesięcy — AI obniżała czas diagnozy z semestru do jednej sesji.

Obietnica jest kusząca. Dziecko z dysleksją, które może być rozpoznane w październiku zamiast w marcu, zyskuje pół roku nauki prawidłowych strategii pracy. Dla dzieci ze specjalnymi potrzebami edukacyjnymi, które często są opóźnione w diagnozie z powodu długich list oczekujących, technologia ta może być różnicą między powodzeniem a porażką szkolną.

Jakie dane się gromadzi

Lista danych gromadzonych przez współczesne systemy edukacyjnej AI jest długa i zróżnicowana:

• Wyniki testów i czas odpowiedzi — każdy punkt danych, od czasu reakcji po liczbę próbno-poprawnych odpowiedzi, modeluje profil poznawczy ucznia.
• Logi interakcji z platformą — kiedy uczeń się loguje, ile czasu spędza na pojedynczym zadaniu, czy wraca do poprzednich zadań.
• Dane afektowne — w niektórych wdrożeniach kamera analizuje wyrazy mimiczne ucznia (smutek, frustracja, znudzenie), a mikrofon nagrywa intonację głosu.
• Dane fizjologiczne — w eksperymentalnych programach opaski mierzą tętno i przewodność skóry, które interpretuje się jako wskaźniki stresu i zaangażowania.
• Dane kontekstowe — systemy integrują oceny, frekwencję, informacje o zdarzeniach dyscyplinarnych, a czasem nawet dane z mediów społecznościowych połączonych z kontem ucznia.

W typowym wdrożeniu amerykańskim, uczeń szkoły średniej generuje ponad 50 000 punktów danych w jednym roku szkolnym. Wdrożenia brytyjskie, w których rząd od 2024 roku finansuje program National Tutoring Programme oparty o platformy AI, generują podobne natężenie gromadzenia danych. Polska, w ramach programu „Cyfrowa Szkoła”, jest w początkowej fazie podobnego procesu — liczba danych pozyskiwanych przez polskie platformy edukacyjne określana jest w tysiącach punktów na ucznia w roku.

Profilowanie predykcyjne i jego pułapki

Drugi poziom zastosowania AI w edukacji to predykcja wyników. Modele przewidują egzamin końcowy, ryzyko obleczenia przedmiotów i prawdopodobieństwo wcześniejszego odejścia ze szkoły. W 2023 roku badacze z University of Texas audytowali system AI używany przez szkoły w stanie Teksas do przewidywania wyników testów STAAR. System, uczony na danych historycznych, systematycznie przydzielał niższe przewidywane wyniki uczniom z mniejszościowych grup etnicznych, nawet jeśli ich rzeczywiste wyniki były porównywalne.

Mechanizm jest klasycznym przykładem efektu self-fulfilling prophecy: nauczyciele, widząc niski predykowany wynik, obniżają oczekiwania i ograniczają wyzwania uczeniowe dla ucznia. Uczeń, którego mniej uczy się i mniej od którego wymaga, faktycznie osiąga niższy wynik — a model ma pozornie rację. W praktyce jednak model rządzi causalnością, a nie ją wykrywa.

Podobne zjawisko zidentyfikowali badacze z Harvard Graduate School of Education w badaniu opublikowanym w 2025 roku. Analiza 18 amerykańskich dystryktów szkolnych, używających systemów early warning AI, pokazała, że szkoły z wyższym odsetkiem uczniów latynoskich i afroamerykańskich częściej umieszczały tych uczniów w programach specjalnych na podstawie analizy AI — mimo porównywalnych wyników testów do uczniów białych. Model efektywnie zaklasyfikowywał ubóstwo i rasę jako czynniki ryzyka, prezentując to jako obiektywną miarę pedagogiczną.

Inwigilacja emocjonalna

Jednym z najbardziej kontrowersyjnych kierunków edukacyjnej AI jest analiza emocji uczniów. Startupy takie jak Soul Machines czy Affectiva oferowały produkty, które analizują wyrazy mimiczne w czasie rzeczywistym, aby wykryć „znudzenie” lub „frustrację”. W 2024 roku Medium School District 219 w Illinois próbował wykorzystać analizę kamery, aby wykrywać uczniów, którzy „potencjalnie mogą sprawiać problemy”.

Protokół badawczy z 2025 roku opublikowany w Computers in Human Behavior pokazał jednak, że rozpoznawanie emocji z twarzy osiąga dokładność niewiele wyższą od przypadkowej. Metaanaliza 408 badań nad rozpoznawaniem emocji z wyrazów twarzy, prowadzona przez Lisę Feldman Barrett, zakończyła się wnioskiem, że „twarze w izolacji nie prowadzą do spójnej lub poprawnej interpretacji emocji”. Dla praktyki edukacyjnej oznacza to, że system dyskwalifikujący ucznia jako „nudzącego się” może w rzeczywistości patrzeć na twarz kogoś zagubionego, zmęczonego lub koncentrującego się na problemie.

Prawa ucznia do prywatności

RODO w Unii Europejskiej formalnie chroni dane dzieci jako dane szczególnie wrażliwe. Art. 8 RODO wymaga zgody rodzica dla dzieci poniżej 16. roku życia (możliwe obniżenie do 13 lat w prawie krajowym). W Polsce wiek ten wynosi 15 lat. W praktyce jednak szkoły korzystające z platform AI przedstawiają rodzicom długie zgody, w których autoryzują gromadzenie szerokiej kategorii danych — często bez jasnego opisu, co dokładnie zbierane jest w namehdzieciiagdawnym.

Młodzi obywatele tracą kompetencję prywatnościową jeszcze zanim osiągną wiek, w którym mogliby decydować o danych dotyczących własnej osoby. W badaniu veröffentlicht w 2025 roku przez polskie Biuro Inspektora Ochrony Danych Osobowych, 67% uczniów w wieku 12-15 lat nie zdaje sobie sprawy z tego, że ich interakcje z platformami edukacyjnymi są przedmiotem analizy AI. Dla dzieci uczonych w cyber-przestrzeni, kategoria „prywatność” jest pojęciowo pusta — nie mają porównania z sytuacją, w której ich nauka nie jest śledzona.

Rola nauczyciela w algorytmicznym świecie

Ostatnia, relewantna dla polskiego szkolnictwa, kwestia dotyczy roli nauczyciela. W modelu AI-driven edukacji nauczyciel staje się operatorem systemu, który interpretuje rekomendacje algorytmu. W badaniu OECD Teaching and Learning International Survey z 2024 roku, 58% nauczycieli w krajach OECD wskazywało, że ma „mało lub bardzo mało zaufania” do rekomendacji systemów edukacyjnej AI — mimo że korzysta z nich codziennie. Polscy nauczyciele, według badania Krajowego Funduszu Szkoleniowego z 2025 roku, korzystają z AI rzadziej — jedynie 12% deklaruje codzienne korzystanie — ale też z większą ostrożnością.

Pytanie nie polega na odrzuceniu AI w edukacji. Jest instrumentem obiecującym, szczególnie w diagnozie trudności poznawczych. Kwestioną jest to, kto kontroluje dane, jakie decyzje podejmuje algorytm, i na jakiej podstawie uczeń może odwołać się do decyzji, której AutorRem — model — nie potrafi wyjaśnić.

Przykładem dobrej praktyki jest Finlandia, gdzie szkolnictwo regionalne Southern Finland AI Council opublikowało w 2025 roku rekomendacje wymagające, by każda decyzja pedagogiczna oparta na AI zawierała pisemne uzasadnienie dostępne dla rodzica i możliwość rozpatrzenia odwołania przez komisję nauczycielską w ciągu 14 dni. Bez takich mechanizmów edukacyjna AI ryzykuje stanieć się czymś, co polityk Benjamin Prud’homme nazwał „czarną skrzynką pedagogiki” — systemem, który produkuje decyzje bez kontekstu, bez zdolności wyjaśnienia i bez drogi odwoławczej.