Ki irányítja az egyénre szabott tanulást az MI korában? Bessenyei István és Apáti Balázs írása

Ebben a modellben az MI nem tantervi döntéshozóként, hanem diagnosztikai, variációképző és visszacsatoló eszközként működik.

Bessenyei István két egymásra épülő tanulmányban vizsgálta az egyénre szabott tanulás lehetőségeit.

Bessenyei István: Ember, gép, tanulás. Educatio, 29. évfolyam, 2020/2., 279–285.

Bessenyei István: Egységesítés és egyénítés a tanulási rendszerekben. Educatio, 31. évfolyam, 2022/4., 658–663.

A 2020-as tanulmány azt kérdezte, rábízható-e az egyéni tanulási utak kialakítása külső algoritmusokra. Arra is figyelmeztetett, hogy a tanulói adatokat kezelő technológiai cégek nemcsak a tanulási algoritmusok és tartalmak meghatározásában szerezhetnek befolyást, hanem a tanulói választásokat is alakíthatják.

A cikkek még az MI-korszak beköszöntése előtt keletkezetek. Kíváncsivá tett bennünket, hogy a cikkek által leírt pedagógiai dilemmákra születtek-e új, innovatív válaszok az MI-korszak beköszöntése után. Ezért az általunk fejlesztett Cognito Thinking System segítségével megvizsgáltuk a kérdést.

A 2022-es tanulmány az oktatás egyik régi ellentmondását vizsgálta: hogyan biztosítható a mindenkitől elvárt közös tudás úgy, hogy az iskola közben figyelembe vegye a tanulók eltérő előismereteit, képességeit, érdeklődését és tanulási tempóját.

A válasz nem a közös követelmények feladása volt. Ellenkezőleg: világosan meghatározott kimeneteket javasolt, amelyekhez többféle, helyileg és egyénileg kialakítható tanulási út vezethet. A 2022-es tanulmány megfogalmazása szerint: „Így az oktatási folyamat lesz változatos, amiben tér nyílik az egyénre szabásra…” Ennek következtében a kimeneti eredmények egységesebbé, a tanulók teljesítménye közötti különbségek pedig kisebbé válhatnak.

Mindkét írás a generatív mesterséges intelligencia tömeges, nyilvános használata előtt született. Ezért az általunk fejlesztett Cognito Thinking System segítségével felbontottuk a problémát, majd nemzetközi szakpolitikai példákat és hatásvizsgálatokat vetettünk össze. A Cognitót nem forrásként, hanem a kérdés szerkezetének feltárására és a különböző bizonyítékok összevetésére használtuk.

Elemzésünk fő következtetése, hogy az MI nem oldja fel az egységesítés és az egyénítés régi ellentmondását. Jelentősen kibővíti a lehetséges tanulási utakat, ugyanakkor megosztja az utak alakítása fölötti döntési hatalmat a tanár, a tanuló, az intézmény, az oktatásirányítás és a technológiai szolgáltató között.

A kérdés ezért már nemcsak az, hogy képes-e az MI személyre szabni a tanulást, hanem az is, hogy ki irányítja ezt a személyre szabást.

Nem minden oktatási MI ugyanaz

Az „oktatási MI” kifejezés legalább három, egymástól különböző rendszert takar.

A generatív MI magyarázatokat, példákat, feladatokat és visszajelzéseket állít elő. Ugyanazt a fogalmat más nyelvi szinten, más példával vagy más nézőpontból képes bemutatni.

Az adaptív tanulórendszer a tanuló teljesítménye alapján választja ki a következő feladatot, annak nehézségét, sorrendjét és a segítség mértékét.

A tanulási analitika adatokból profilt, előrejelzést vagy kockázati jelzést készít. Megpróbálja azonosítani például a tudáshiányt, a lemorzsolódás veszélyét vagy a tanuló feltételezett erősségeit.

Ezek a rendszerek összekapcsolhatók, de pedagógiai hatásuk, adatvédelmi kockázatuk és bizonyítékaik nem azonosak. Más kérdéseket vet fel egy alkalomszerűen használt szöveges chatbot, és mást egy olyan intézményi rendszer, amely folyamatosan adatokat gyűjt, tanulói profilt készít, majd ennek alapján alakítja a tanulási útvonalat.

A hatalmi kérdés elsősorban akkor válik élessé, amikor a generatív MI, az adaptív feladatválasztás és a tanulási analitika egyetlen rendszerben kapcsolódik össze.

A régi ellentmondás új döntési rétege

A 2022-es modellben az egyénre szabás elsődleges megvalósítója az autonóm tanár és a rugalmasan működő iskola volt. A tanár választott a tudásforrások közül, differenciálta a feladatokat, átszervezte a tanulás idejét és terét, és a tanulóval együtt alakította ki a haladás következő lépéseit.

Az MI megjelenésével új döntési réteg kerül közéjük. A rendszer közvetlenül kommunikálhat a tanulóval, elemezheti a válaszait, következtethet a tudásszintjére, feladatot választhat, visszajelzést adhat, majd újabb lépést ajánlhat.

Ez lényegesen több, mint egy új szemléltetőeszköz. A tanulási út kialakítása többé nem kizárólag pedagógiai döntésekből áll, hanem részben számítógépes ajánlásokból.

Ebből négy alapvető kérdés következik:

• Ki határozza meg, mit tekint a rendszer tudásnak, hibának és fejlődésnek?
• Ki ellenőrzi, hogy helyes-e az MI diagnózisa?
• Ki jogosult felülbírálni a felkínált útvonalat?
• Ki rendelkezik a tanulóról közben keletkező adatokkal?

Az algoritmus önmagában nem hatalmi szereplő. A hatalom azoknál van, akik meghatározzák a rendszer célját, kiválasztják a felhasznált adatokat, beállítják a teljesítmény mércéjét, beszerzik a technológiát és szabályozzák a felülbírálás lehetőségét. A veszély éppen az, hogy ezek a döntések a technikai működés mögött láthatatlanná válhatnak.

A személyre szabás még nem tanulás

A generatív MI ugyanazt a tartalmat egyszerűbb vagy összetettebb nyelven, hétköznapi vagy tudományos példával, szövegként, párbeszédként, képként vagy feladatsorként is megjelenítheti. Változtathatja a segítség mértékét, a gyakorlás mennyiségét, a feladat nehézségét és a haladás tempóját.

A technikailag előállítható változatok száma szinte korlátlan. A pedagógiailag értékes tanulási utaké azonban nem az.

A többféle lehetőség önmagában még nem javítja a tanulást. Egy adaptív rendszer például úgy is alkalmazkodhat a gyenge teljesítményhez, hogy egyre könnyebb feladatokat ad. Ez rövid távon sikerélményt teremthet, de egyúttal észrevétlenül leszállíthatja az elvárásokat. Az egyénre szabás ekkor már nem a közös célhoz vezető másik út, hanem a közös cél fokozatos feladása.

A tanulás ráadásul nem minden nehézség megszüntetése. Szükség van erőfeszítésre, bizonytalanságra, kudarcra, újrapróbálkozásra és olyan feladatokra is, amelyek pillanatnyilag meghaladják a tanuló kényelmes teljesítőképességét. Ha a rendszer minden nehézséget azonnal kiküszöböl vagy maga végzi el a problémás gondolkodási műveletet, eltűnhetnek azok a helyzetek, amelyekben a tanulás valójában megtörténne.

Az adaptív rendszer pedagógiai értéke ezért azon múlik, képes-e megtalálni a tanuló számára még teljesíthető, de valódi erőfeszítést kívánó következő lépést. Nem az a jó rendszer, amely mindig megkönnyíti a feladatot, hanem az, amely megfelelő nehézséget teremt.

Rendszerszintű válaszok

Szingapúr: tantervhez kötött adaptivitás

Szingapúrban a központi Student Learning Space a nemzeti tantervhez igazított digitális tanulási környezetet biztosít. A matematikai Adaptive Learning System 2023 júniusában kezdetben az általános iskola ötödik évfolyamának három témájában ajánlott személyre szabott tanulási útvonalakat.

A rendszer célja, hogy több segítséget adjon a lemaradóknak, megfelelő gyakorlást biztosítson a középső csoportnak, és nehezebb feladatokat kínáljon a gyorsabban haladóknak. Az egységességet a közös tanterv és tanulási cél, az individualizációt az eltérő feladatút és visszajelzés biztosítja.

Az MI ebben a modellben nem önálló tantervi döntéshozóként, hanem szabályozott, tantervhez kötött infrastruktúraként működik. A tanár szakmai döntése marad az első és az utolsó ellenőrzési pont.

A szingapúri oktatási minisztérium jelenlegi álláspontja azt is hangsúlyozza, hogy a tanulás emberi és társas tevékenység. Az iskolának továbbra is teret kell adnia a közös munkának, a produktív küzdelemnek és a kudarc megtapasztalásának. (Szingapúri Oktatási Minisztérium)

Dél-Korea: a technikai lehetőség nem elég

Dél-Korea ennél jóval nagyobb léptékű átalakítást tervezett. A minisztérium 2025-től MI-alapú digitális tankönyvek bevezetését hirdette meg matematikából, angolból és informatikából.

A koncepció szerint az MI diagnosztizálta volna a tanuló teljesítményét és személyre szabott tartalmakat ajánlott volna, miközben a tanár maradt volna a folyamat pedagógiai irányítója. A hivatalos dokumentum a tanárok és az MI-asszisztens tanárok együttműködéseként írta le a modellt. (Dél-koreai Oktatási Minisztérium)

A bevezetés azonban komoly ellenállást váltott ki. A tanárok, a szülők és a diákok részéről felmerültek a felkészültséggel, a képernyőidővel, a finanszírozással, a tanári munkaterheléssel, a pontatlan tartalmakkal és az adatvédelemmel kapcsolatos aggályok.

A dél-koreai parlament 2025 augusztusában megfosztotta az MI-tankönyveket hivatalos tankönyvi státusuktól. Azóta választható kiegészítő tananyagként használhatók. (Yonhap, Rest of World)

A történet nem azt bizonyítja, hogy az adaptív technológia pedagógiailag használhatatlan. Azt mutatja meg, hogy egy országos technológiai rendszer nem vezethető be megfelelő tanári felkészítés, társadalmi vita, fokozatos kipróbálás és egyértelmű adatkezelési garanciák nélkül. A technikai működőképesség önmagában nem teremt pedagógiai legitimitást.

Észtország: először a tanárok

Észtország más irányból közelít. A 2025-ben elindított AI Leap program 2025–2026-os első üteme húszezer középiskolást és közel ötezer tanárt érint.

A program nem egyszerűen hozzáférést kíván adni az MI-eszközökhöz. Tanárképzést, tantárgyspecifikus módszertani fejlesztést, iskolai szakmai tanulóközösségeket és kifejezetten tanulást támogató alkalmazást is épít. A tanári felkészítés megelőzte a tanulói eszközök széles körű hozzáférhetővé tételét. (AI Leap)

Ettől még nem tudjuk, hogy a program javítja-e majd a tanulási eredményeket. Jelentősége egyelőre inkább szerkezeti. Az észt modell abból indul ki, hogy az autonómia alapja nem pusztán a technológiai hozzáférés, hanem a felkészített tanár és tanuló.

A három ország nem három bizonyítottan eredményes módszert mutat. Három eltérő irányítási modellt látunk: tantervhez kötött és fokozatosan bővülő infrastruktúrát, felkészületlenül felskálázott országos rendszert, valamint tanári kapacitásépítésre támaszkodó programot.

Mit mutatnak a hatásvizsgálatok?

A szakpolitikai bejelentések és az országos programok önmagukban nem bizonyítják, hogy a tanulók többet vagy mélyebben tanulnak. Ehhez olyan vizsgálatokra van szükség, amelyek nemcsak a rendszer használatát és elfogadottságát, hanem a tanulási eredményeket is mérik.

Jól körülhatárolt részfeladatok

A brazíliai Espírito Santo államban használt Letrus-rendszer egy szűk feladatra vállalkozott. A középiskolai esszék helyesírási, nyelvi és más szabványosítható jellemzőiről adott gyors visszajelzést, valamint előzetes pontszámot készített.

A 2018 és 2020 között 178 állami iskolában végzett randomizált vizsgálat szerint a tanulók több esszét írtak, több visszajelzést kaptak, és javult az írásbeli teljesítményük. A tanárok az ismétlődő technikai korrekciók helyett több időt fordíthattak a szöveg összefüggéseire és a tanulóval folytatott személyes megbeszélésre.

A vizsgálat ugyanakkor nem a generatív MI hatását mérte. Egy korábbi, automatizált írásértékelő rendszert vizsgált, amely jól meghatározott részfeladatokat végzett. Éppen ettől tanulságos: az MI ott bizonyult hasznosnak, ahol nem az egész pedagógiai folyamatot akarta átvenni, hanem egy szűk keresztmetszetet oldott fel. (J-PAL)

Több idő a tanári differenciálásra

Az Education Endowment Foundation vizsgálatában 259 angliai tanár használta útmutatóval együtt a ChatGPT-t természettudományos órák és tananyagok előkészítésére.

A tervezési idő átlagosan 31 százalékkal csökkent, miközben a résztvevők csoportját nem ismerő szakértői értékelők nem találtak kimutatható minőségromlást az elkészült anyagokban.

Ez nem bizonyítja, hogy a generatív MI javítja a tanulók eredményeit. Azt viszont jelzi, hogy növelheti a tanár differenciáló kapacitását, ha a felszabaduló időt valóban a tanulók támogatására fordítják. (Education Endowment Foundation)

Adaptív rendszerek: ígéretes, de nem általánosítható eredmények

Az indiai Mindspark egy 2015-ben indult, 4,5 hónapos kísérletben jelentős javulást ért el matematikából és hindiből azzal, hogy a feladatokat a tanulók tényleges tudásszintjéhez igazította.

A beavatkozás azonban nem tisztán szoftveres volt. A tanulók 45 percet töltöttek az adaptív programmal, majd 45 perc kiscsoportos, oktató által vezetett foglalkozáson vettek részt. A vizsgálat ezért egy emberi támogatással összekapcsolt adaptív modell eredményességét mutatja, nem egy autonóm MI-tanárét. (J-PAL Mindspark)

Az EEF 2026-ban közzétett angliai vizsgálata frissebb példát kínál. A Maths-Whizz nevű adaptív matematikai tutor 63 általános iskolában átlagosan egyhavi többlethaladást eredményezett. A hátrányos helyzetű tanulóknál kéthavi többletet mértek.

A rendszer nem generatív MI, hanem a tanuló matematikai profiljához igazodó adaptív technológia. A vizsgálat azt mutatja, hogy az intelligens tutor bizonyos feltételek között támogathatja a tanulást, de nem bizonyítja, hogy ugyanez az eredmény más tantárgyban, más életkorban vagy más intézményi környezetben is megismételhető. (EEF Maths-Whizz)

Teljesítmény és tanulás nem ugyanaz

Az OECD 2026-os Digital Education Outlook jelentése szerint a generatív MI javíthatja a tanulók által elkészített feladatok minőségét anélkül, hogy tartós tanulási többletet okozna. Ha a tanuló a szükséges gondolkodási műveleteket kiszervezi a rendszernek, a jobb produktum mögött nem feltétlenül áll jobb megértés.

A pedagógiai céllal kialakított vagy tudatos tanítási eljárásba illesztett generatív MI ugyanakkor támogathatja a tanulást, az érvelést és az együttműködést. Nem önmagában a technológia, hanem a feladat szerkezete, az emberi irányítás és az alkalmazás módja dönti el, melyik hatás érvényesül. (OECD Digital Education Outlook 2026)

Az EEF 189 oktatástechnológiai vizsgálatot feldolgozó áttekintése átlagosan pozitív hatást talált, de a hátrányos helyzetű tanulóknál kisebb volt az átlagos eredmény, és a rájuk vonatkozó bizonyítékok is bizonytalanabbak voltak. Ez nem mond ellent az egyes sikeres programoknak. Azt mutatja, hogy a technológia társadalmi hatása nem automatikus: ugyanaz az eszköz megfelelő hozzáféréssel és pedagógiai támogatással csökkentheti, ezek nélkül pedig növelheti a különbségeket. (EEF-áttekintés)

Az UNESCO 2024-ben még arra figyelmeztetett, hogy nem áll rendelkezésre általános, meggyőző bizonyíték a ChatGPT-hez hasonló rendszerek tanulási eredményeket javító hatásáról. Egyúttal hangsúlyozta, hogy az oktatás társas és közösségi tevékenység, amelyet semmilyen személyre szabott feladatsor nem helyettesít. (UNESCO)

Azóta több ígéretes eredmény született, de az alapvető következtetés nem változott: abból, hogy az MI képes megfelelőnek látszó tananyagot vagy jobb produktumot előállítani, még nem következik, hogy a diák valóban tanult is.

Egy háromszintű pedagógiai szerkezet

A nemzetközi példákból és a kutatási eredményekből egy háromszintű szerkezet rajzolódik ki.

1. Közös mag

Világosan meg kell határozni azokat a fogalmakat, összefüggéseket, készségeket és teljesítményszinteket, amelyekhez minden tanulónak el kell jutnia.

Ehhez ma már az MI-műveltségnek, a forráskritikának, az algoritmikus rendszerek megértésének és a kapott válaszok ellenőrzésének is hozzá kell tartoznia.

A közös minimum azonban nem lehet mindenkire ráhelyezett plafon. Nem azt határozza meg, meddig juthat el a tanuló, hanem azt, milyen alapokról nem mondhat le az iskola.

2. Adaptív tanulási utak

Az MI módosíthatja a magyarázat nyelvezetét, a példák kontextusát, a segítség mértékét, a gyakorlás mennyiségét, valamint a feladatok sorrendjét és nehézségét.

Nem módosíthatja azonban észrevétlenül a végső követelményt. A tanulási út lehet eltérő, de az eltérés nem jelentheti automatikusan a cél leszállítását.

A tanárnak és a tanulónak is látnia kell, miért ajánlott a rendszer egy adott feladatot, és hogyan kapcsolódik az a közös tanulási célhoz.

3. Emberi és intézményi kontroll

A tanárnak kell az adott helyzetben konkretizálnia a tanulási célt, ellenőriznie az MI diagnózisát, és szükség esetén felülbírálnia az ajánlott útvonalat.

Az intézménynek kell szabályoznia az adatkezelést, az alkalmazható rendszereket, az átláthatóság követelményeit és azokat a helyzeteket, amelyekben nem szabad MI-t használni.

Ebben a modellben az MI nem tantervi döntéshozóként, hanem diagnosztikai, variációképző és visszacsatoló eszközként működik.

Ember–MI–Ember

A pedagógiai munkamegosztás egyik lehetséges tanórai formája az „Ember–MI–Ember” modell:

1. A tanuló elkészíti az első megoldását.
2. Az MI technikai és szerkezeti visszajelzést ad.
3. A tanuló átdolgozza a munkáját, és megindokolja, mely javaslatokat fogadta el vagy utasította el.
4. A tanár a gondolatmenetet, a tartalmi minőséget, az érvelést és az eredetiséget értékeli.
5. A tanuló szóban vagy új helyzetben is alkalmazza és megvédi a tudását.

Az MI visszajelzése ebben a folyamatban nem végső ítélet, hanem köztes lépés. A tanulónak mérlegelnie és ellenőriznie kell a javaslatot, majd saját döntést kell hoznia róla.

Projektmunkánál ugyanez kiegészülhet egy rövid MI-naplóval:

• Mire használta a tanuló az eszközt?
• Mit ellenőrzött?
• Melyik javaslatot utasította el?
• Miben változott közben a saját gondolkodása?

Az MI-műveltséghez nem elegendő megfelelő utasításokat megfogalmazni. A tanulónak a kapott válaszokat is értékelnie kell, és felelősséget kell vállalnia a végső döntéseiért.

Ez a modell nem minden feladatra alkalmazható recept. Arra azonban alkalmas, hogy a generatív MI használata ne tüntesse el a tanulási folyamatot, hanem láthatóvá tegye az ellenőrzést, az átdolgozást és a tanulói döntéseket.

A tantervi centralizáció második rétege

A személyre szabás mögött hatalmi kérdés is áll.

Az algoritmikus centralizáció nem feltétlenül váltja fel a tantervit. Rá is épülhet. A tanterv meghatározza, mit kell megtanulni; a platform pedig azt, milyen adatok alapján, milyen sorrendben és milyen nehézségű úton vezeti hozzá az egyes tanulókat.

Így a nyilvános tantervi szabályozás mellé egy második, kevésbé látható döntési réteg kerülhet.

A központi tanterv legalább elvileg nyilvános, megvitatható és jogilag számonkérhető. Egy üzleti szolgáltató ajánlási logikája gyakran nem látható. A tanári autonómia formálisan megmaradhat, miközben a gyakorlatban egyre nehezebbé válik eltérni a rendszer diagnózisától és javaslataitól.

Ha a tanuló profilját egy szolgáltató rendszere készíti el, akkor a szolgáltató és az őt megbízó intézmény részben azt is meghatározza:

• milyen tartalmat lát a tanuló?
• melyik hibát tekinti jelentősnek?
• mikor könnyít vagy nehezít a feladaton?
• milyen fejlődést tart kívánatosnak?
• és milyen következő lépést ajánl?

Ezért minden oktatási MI-rendszernél tudnunk kellene:

• milyen adatok alapján készül a tanulói profil?
• meddig és milyen célból őrzik meg ezeket az adatokat?
• felhasználják-e őket más rendszerek vagy modellek fejlesztésére?
• milyen pedagógiai modell alapján születik az ajánlás?
• láthatja-e a tanár és a tanuló az ajánlás indokát?
• felülbírálható-e a rendszer döntése?
• megtámadható-e egy hibás vagy hátrányos besorolás?
• átvihetők vagy törölhetők-e az adatok?
• és ki vállalja a felelősséget, ha a rendszer tévesen diagnosztizál?

Az egyénre szabás csak akkor növeli az autonómiát, ha a tanuló és a tanár nem válik közben a rendszer átláthatatlan döntéseinek tárgyává.

Nem a közös célok feladása a tét

A 2022-es modell így foglalható össze:

közös kimenetek + autonóm tanárok + változatos tanulási utak.

Az MI-korszakban ezt a következőképpen kell továbbírni:

közös, kompetenciaalapú kimenetek + tanári és tanulói autonómia + MI által támogatott adaptív utak + átlátható adat- és ajánláskezelés + folyamatos emberi és intézményi ellenőrzés.

A 2022-ben megfogalmazott probléma nem tűnt el. Az MI jelentősen kibővítette az egyénre szabás technikai lehetőségeit, de az alapvető pedagógiai kérdést nem döntötte el. Továbbra is meg kell határoznunk a közös követelményeket, és azt is, hogy a hozzájuk vezető utak alakításában mekkora szerepet kaphat a technológia.

Az adaptív rendszerek akkor illeszthetők ebbe a modellbe, ha működésük átlátható, a tanár felülbírálhatja a javaslataikat, a tanuló megértheti és vitathatja a róla hozott döntéseket, az egyéni tanulási út pedig nem jár a követelmények észrevétlen csökkentésével.

Az egyénre szabást valójában az irányítja, aki meghatározza a célt, a teljesítmény mércéjét, a tanulói profilhoz felhasznált adatokat, az ajánlás szabályait és a felülbírálat jogát.

Ha ezek a döntések átláthatók, vitathatók és pedagógiailag ellenőrizhetők, az MI növelheti a tanár és a tanuló autonómiáját. Ha nem, a személyre szabás az autonómia nyelvén végzett rejtett irányítássá válhat.

A kérdés ezért végül továbbra is pedagógiai és politikai marad: mit akarunk közösen megtanítani, milyen utakat engedünk hozzá, és mely döntéseket akarjuk továbbra is emberekre bízni?