Integrarea inteligenței artificiale generative în practica didactică se află, în cele mai multe cazuri, într-un stadiu artizanal: profesorul formulează o cerere, evaluează rezultatul, reformulează — și reia procesul de la zero la următoarea activitate.
Articolul de față propune trecerea la un stadiu sistematic, prin configurarea unui agent persistent — un set de instrucțiuni permanente care codifică într-un singur document expertiza pedagogică a profesorului și o face reproductibilă. Contribuția este de natură teoretico-metodologică: prezintă arhitectura agentului și fundamentarea sa pedagogică.
Agentul descris aici generează activități didactice de 50 de minute care integrează trei metode complementare: problematizarea ca ancoră motivațională, descoperirea ghidată ca strategie de procesare activă și investigația de grup (Group Investigation) ca amplificator prin prezentare structurată și interdependență cognitivă.
Activitatea durează 50 de minute: scenariu-problemă (5 min), studiu în echipă pe material-sursă (15 min), prezentări inter-echipe (15 min), sinteză colectivă (7 min), test individual (8 min). Fiecare etapă activează un mecanism cognitiv distinct.
1. De ce aceste metode?
1.1 Problematizarea ca ancoră motivațională. Scenariul-problemă
Activitatea debutează cu o situație reală și o misiune concretă — de exemplu, o echipă de consultanți convocată pentru a opri deșertificarea din sudul României. Abia după aceea elevii primesc materialul de studiu. Această secvențiere — problema înainte de informație — este deliberată: Bransford și Johnson (1972) au demonstrat că un context relevant oferit înainte de text produce scoruri de înțelegere și reamintire semnificativ mai mari decât același context oferit după. Barrows și Tamblyn (1980) au fundamentat această abordare sub denumirea de Problem-Based Learning, iar Cerghit (2006) descrie mecanismul sub termenul de problematizare: decalajul dintre ceea ce elevul știe și ceea ce ar trebui să știe orientează întreaga procesare ulterioară.
1.2 Descoperirea ghidată ca strategie de procesare activă. Studiul materialului-sursă
Elevii primesc un material teoretic complet și ghiduri de studiu pentru fiecare dimensiune a problemei. Nu ascultă o expunere — citesc, caută, selectează și formulează singuri. Materialul este complet, dar efortul rămâne al elevului. Fiorella și Mayer (2016) au demonstrat că elevul care extrage, reorganizează și reformulează informații construiește reprezentări mentale mai durabile decât cel care le receptează pasiv.
1.3 Prezentarea în echipe de experți
Cinci echipe, fiecare responsabilă de o dimensiune a problemei, investighează materialul-sursă, selectează informațiile esențiale și prezintă descoperirile în briefing-uri de 3 minute. Nimeni nu are imaginea completă până nu au prezentat toți. Această structură urmează modelul Group Investigation (Sharan și Sharan, 1992): clasa este organizată în grupuri, fiecare grup investighează o sub-temă folosind ghiduri de studiu, iar învățarea colectivă se produce prin prezentarea și integrarea rezultatelor tuturor grupurilor.
Mecanismul cognitiv central este cel descris de Roscoe și Chi (2007): cel care explică reține mai mult decât cel care ascultă, deoarece explicarea forțează reorganizarea cunoștințelor. Spre deosebire de lecția frontală, în care numărul elevilor care participă activ la schimbul verbal este semnificativ mai mic decât totalul clasei (Mercer și Dawes, 2014), investigația de grup garantează că toți elevii procesează simultan — fiecare echipă fiind responsabilă pentru o dimensiune pe care trebuie să o comunice celorlalți.
1.4 Testul individual
Activitatea se încheie cu un test de 10 întrebări grilă, toate verificând informații prezente explicit în materialul-sursă. Rolul său nu este doar de evaluare, ci și de consolidare: efectul de testare (retrieval practice) arată că simpla încercare de a recupera o informație din memorie întărește retenția ei ulterioară (Roediger și Karpicke, 2006).
2.De la utilizarea fără cadru stabil a AI-ului la agentul persistent
2.1 Problema repetiției
Cadrele didactice care utilizează AI generativ recurg adesea la o utilizare fără un cadru stabil: pentru fiecare solicitare de creare a unei activități de învățare sau a unui plan de lecție, formulează de la zero cerințele privind structura, nivelul, durata, evaluarea și sursele. Această abordare generează trei probleme care pot fi analizate din perspectiva managementului cunoașterii.
Prima este pierderea cunoașterii tacite. Prin încercare și eroare, profesorul ajunge la principii de proiectare funcționale — de exemplu, că materialul trebuie să fie autosuficient sau că fiecare întrebare din ghidul de studiu trebuie să trimită la o secțiune precisă din text. Acestea sunt micro-decizii de design care separă o activitate funcțională de una care eșuează la clasă. Dacă nu sunt formalizate, ele rămân ceea ce Nonaka și Takeuchi (1995) numesc cunoaștere tacită: utilă celui care a dobândit-o, dar imposibil de transferat sistematic. Profesorul care preia metoda pornește inevitabil de la zero.
A doua problemă este costul temporal nerecuperabil. Fiecare activitate nouă presupune reconfigurarea integrală a parametrilor — structura pe minute, numărul de echipe, formatul materialului, tipul de evaluare. Efortul investit este același cu fiecare iterație.
A treia este fragmentarea expertizei în echipă. În cadrul unei catedre, profesorii utilizează AI-ul pentru sarcini similare, dar în mod independent, pe baza propriilor formulări și descoperiri. În lipsa unui mecanism comun de stocare și transfer, aceste contribuții rămân izolate, reflectând ceea ce literatura descrie ca o barieră în circulația cunoașterii organizaționale (Nonaka și Takeuchi, 1995).
2.2 Agentul ca depozitar de expertiză pedagogică
Soluția este trecerea la agentul configurat — un set de instrucțiuni permanente (system prompt) care definesc identitatea, regulile și fluxul de lucru al AI-ului. Agentul nu presupune competențe de programare; este, în esență, un document text structurat care codifică expertiza pedagogică a profesorului și o face reproductibilă. Odată configurat, agentul știe permanent ce structură să respecte, ce surse să utilizeze, cum să organizeze echipele și cum să construiască evaluarea. Profesorul scrie doar tema — și primește pachetul complet, la un nivel de calitate comparabil, de fiecare dată. Analogia potrivită este cu șablonul didactic dar spre deosebire de un șablon static, agentul AI este un șablon activ: nu doar structurează, ci generează conținut structurat conform unor reguli de verificare prestabilite, adaptat la temă.
3. Ghid practic: configurarea agentului
Platformele actuale de AI generativ (Claude Projects, OpenAI Custom GPTs, Google Gems) permit crearea de asistenți personalizați prin intermediul unui set de instrucțiuni permanente, numite system prompt. Aceste instrucțiuni se încarcă automat la fiecare conversație nouă, fără a fi necesară reformularea lor. System promptul agentului descris în acest articol codifică șapte componente si a fost folosit pentu CLAUDE:
- Rol și identitate — cele 5 roluri integrate intern: designer instrucțional, expert în conținut, facilitator, evaluator, curator de resurse.
- Audiență — elevi de liceu (15–19 ani); adaptarea limbajului și a complexității.
- Flux de lucru — etapele obligatorii: documentare → verificare surse → redactare material → scenariu → echipe + ghid → test + barem.
- Structura materialului — definiție, dimensiunea problemei, studiu de caz, soluții, tabel cu cifre-cheie.
- Format de output — secțiuni ale documentului livrate, în ordine fixă.
- Restricții — interdicția de a fabrica cifre sau surse; fiecare întrebare să aibă răspunsul în material; limita de 50 de minute.
- Checklist de calitate — 10 verificări parcurse înainte de livrare.
Pașii concreți de implementare: (1) accesarea platformei AI și crearea unui proiect nou; (2) copierea system promptului în câmpul de instrucțiuni permanente; (3) testarea cu o primă temă din disciplina proprie; (4) evaluarea produsului 5) ajustarea instrucțiunilor (6) utilizarea agentului pe parcursul anului, cu o singură propoziție drept cerere.
4. Valoare adăugată și limite
Modelul propus aduce trei câștiguri: eficiență temporală (pregătirea unei activități se reduce substanțial), consistență calitativă (fiecare activitate generată respectă aceleași standarde) și accesibilitate metodologică (profesori fără formare în metode active pot utiliza imediat o structură validată pedagogic).
Limitele trebuie recunoscute cu aceeași onestitate. Agentul nu înlocuiește judecata profesorului: materialul generat necesită verificare umană, în special a cifrelor și a relevanței contextuale. Calitatea activității depinde în continuare de facilitarea la clasă. Nu orice conținut se pretează acestei structuri: procedurile, formulele și algoritmii se predau mai eficient prin demonstrație și exersare.
Persistența agentului introduce și riscuri specifice. Un agent configurat și niciodată revizuit poate rigidiza practica: profesorul reia aceeași structură fără a o adapta la evoluția clasei sau a programei. Tot astfel, funcționarea fluidă a agentului poate genera o falsă siguranță — profesorul care nu mai verifică outputul deoarece „a funcționat bine până acum” se expune la erori nedetectate. Aceste riscuri nu invalidează instrumentul, dar subliniază că agentul este un amplificator al judecății profesionale, nu un substitut al ei.
Cu toate acestea, pentru temele complexe cu dimensiuni multiple — probleme de mediu, dileme etice, fenomene socio-economice — cadrul problematizare + descoperire ghidată + investigație de grup, operaționalizat prin agentul AI, oferă un câștig cognitiv semnificativ: transformă 50 de minute de audiție pasivă potențială în 50 de minute de procesare activă pentru fiecare elev din clasă.
Referințe
Barrows, H. S., & Tamblyn, R. M. (1980). Problem-Based Learning: An Approach to Medical Education. New York: Springer.
Bransford, J. D., & Johnson, M. K. (1972). Contextual prerequisites for understanding: Some investigations of comprehension and recall. Journal of Verbal Learning and Verbal Behavior, 11(6), 717–726.
Cerghit, I. (2006). Metode de învățământ. Ediția a IV-a. Iași: Polirom.
Fiorella, L., & Mayer, R. E. (2016). Eight ways to promote generative learning. Educational Psychology Review, 28(4), 717–741.
Mercer, N., & Dawes, L. (2014). The study of talk between teachers and students, from the 1970s until the 2010s. Oxford Review of Education, 40(4), 430–445.
Nonaka, I., & Takeuchi, H. (1995). The Knowledge-Creating Company: How Japanese Companies Create the Dynamics of Innovation. New York: Oxford University Press.
Roscoe, R. D., & Chi, M. T. H. (2007). Understanding tutor learning: Knowledge-building and knowledge-telling in peer tutors’ explanations and questions. Review of Educational Research, 77(4), 534–574.
Roediger, H. L., III, & Karpicke, J. D. (2006). Test-enhanced learning: Taking memory tests improves long-term retention. Psychological Science, 17(3), 249–255.
Sharan, Y., & Sharan, S. (1992). Expanding Cooperative Learning Through Group Investigation. New York: Teachers College Press.