Studiul investighează integrarea inteligenței artificiale (AI) în educația nonformală, printr-un demers experimental derulat în cadrul unor activități STEM și de robotică educațională LEGO WeDo 2.0. Grupurile participante au realizat proiecte tematice legate de îmbunătățirea condițiilor de viață pe Marte, dezvoltând roboți funcționali asistați de instrumente AI. Analiza evidențiază beneficiile utilizării AI în predare, învățare și evaluare, dar și dificultățile care apar în contexte nonformale. Rezultatele oferă un cadru aplicabil pentru educatorii interesați de integrarea responsabilă a AI în activități extracurriculare.
Educația nonformală este astăzi un spațiu de experimentare și inovare, un teren fertil pentru formarea competențelor STEM, a creativității și a gândirii critice. În acest context, integrarea inteligenței artificiale (AI) devine nu doar oportună, ci necesară pentru a alinia activitățile extracurriculare la competențele secolului XXI.
Studiul de față se concentrează pe utilizarea AI în proiecte STEM și de robotică realizate cu copii de 8–10 ani, în cadrul echipelor TerraFormers și STEMinators. Activitățile au avut ca temă îmbunătățirea condițiilor de viață pe Marte, iar elevii au construit roboți funcționali (robot pentru găsirea apei, robot explorator, robot excavator, robot producător de oxigen).
În acest cadru, AI a fost folosită pentru designul proiectelor, generarea de idei, simulări, optimizarea programelor robotice și evaluarea progresului.
Metodologie: Cadru experimental
a) Context educațional
Experimentul a fost realizat în două grupuri STEM (TerraFormers și STEMinators), participante la concursuri de robotică LEGO WeDo 2.0, cu aproximativ 20 de copii cu vârste între 8 și 10 ani.
Tema comună de proiect:
„Cum putem îmbunătăți condițiile de viață pe Marte folosind tehnologia și inovația?”
b) Instrumente AI utilizate
Pe parcursul activităților, au fost integrate următoarele tipuri de AI:
• Generare de idei și scenarii – utilizarea AI generative pentru brainstorming și simulări conceptuale (ex.: cum ar putea un robot detecta apă ?).
• Asistență la proiectare – generarea de modele conceptuale pentru:
o brațe robotice,
o mecanisme de excavare,
o sisteme de senzori simulați.
• Optimizarea programării – analiza codului elevilor pentru reducerea erorilor și propunerea de ajustări.
• Evaluare formativă – feedback automat, liste de verificare, estimarea nivelului competențelor STEM.
c) Procedura experimentală
Intervenția educațională s-a desfășurat în patru etape:
Etapa 1 – Explorare și definirea problemei
Elevii au analizat provocările vieții pe Marte (lipsa apei, oxigenului, sol nefertil).
AI a fost utilizată pentru generarea de scenarii și explicații adaptate vârstei.
Etapa 2 – Designul roboților
Elevii au proiectat 4 prototipuri:
1. Robot foreză pentru detectarea apei
2. Robot explorator autonom
3. Robot excavator pentru prelucrarea solului marțian
4. Robot producător de oxigen (STEMinators)
AI a asistat procesul prin:
• propunerea unor schițe alternative,
• explicarea mecanismelor de transmisie,
• simularea modului în care ar funcționa roboții într-un mediu cu gravitație redusă.
Etapa 3 – Programare și testare
Copiii au programat roboții utilizând LEGO WeDo 2.0.
AI a fost folosită pentru:
• corectarea logicii blocurilor,
• optimizarea secvențelor,
• explicarea buclelor și condițiilor într-un limbaj adaptat copiilor.
Etapa 4 – Evaluare și reflecție
Evaluarea a inclus:
• feedback AI asupra proiectelor,
• autoevaluare asistată (rubrici generate automat),
• evaluare sumativă realizată de facilitator.
Rezultate și discuții
Rezultate pozitive observate:
a) Creșterea motivației și a implicării
Elevii au manifestat entuziasm crescut atunci când AI le sugera idei noi („Cum ar arăta robotul nostru dacă ar trebui să sape la 2 metri adâncime?”).
AI a funcționat ca un „mentor invizibil”, stimulând creativitatea.
b) Învățare accelerată și personalizată
Copiii au cerut explicații suplimentare direct AI-ului, fără timiditatea prezentă uneori față de adulți.
Ex.: „De ce are nevoie robotul de roți mai mari pe Marte?”
c) Dezvoltarea gândirii inginerești
Simulările generate de AI i-au ajutat să înțeleagă:
• cum funcționează rezistența materialelor,
• de ce un robot explorator are nevoie de un centru de greutate stabil,
• ce înseamnă un algoritm de căutare.
d) Progrese în programare
AI a indicat erorile din logica programului („Buclele repetă acțiunea prea mult; robotul se blochează în colț.”), ceea ce a redus timpul de depanare.
e) Evaluare mai obiectivă
Portofoliile digitale au fost analizate automat:
– numărul de iterații,
– timpul de construire,
– complexitatea programului,
– nivelul colaborării (extras din observații asistate).
Provocări identificate:
a) Supradependența de AI
Unii elevi cereau soluții complete, în loc să experimenteze singuri. A fost necesară intervenția constantă a facilitatorului.
b) Nivelul tehnologic disponibil
În anumite sesiuni, dispozitivele au fost insuficiente, ceea ce a limitat explorarea individuală.
c) Dificultăți în interpretarea răspunsurilor AI
Copiii mici au necesitat mediere, deoarece uneori AI oferea explicații prea complexe.
d) Necesitatea unui cadru etic
Fiind activități cu minori, utilizarea AI a trebuit gestionată cu reguli clare:
- fără colectare de date personale;
- folosire doar în scop educațional;
- supraveghere permanentă.
Concluzii
Studiul experimental demonstrează că integrarea AI în activități nonformale STEM și de robotică:
- accelerează învățarea,
- crește motivația,
- dezvoltă competențe tehnologice,
- sprijină creativitatea,
- optimizează procesul de evaluare.
Totodată, necesită o abordare atentă, echilibrată și etică, precum și o bună pregătire a facilitatorilor.
În proiectele despre Marte, AI nu a fost doar un instrument tehnologic, ci un amplificator al imaginației, ajutând copiii să înțeleagă știința din spatele explorării spațiale.
Educația nonformală devine astfel un spațiu ideal pentru experimente educaționale asistate de AI, cu potențial de replicare în contexte similare.
Bibliografie
1. Crompton, H. (2023). Artificial Intelligence in Education: Ethical and Pedagogical Implications.
2. Holmes, W. (2023). AI-Assisted Learning: Personalization and Adaptivity.
3. Luckin, R. (2022). Machine Learning and Human Intelligence: The Future of Education.