Skip to content

Jak oceniać kompetencje w zakresie AI? Od uczniów po pracowników

October 1, 2026
•20 min read•14 views
Jak oceniać kompetencje w zakresie AI? Od uczniów po pracowników

Ocena kompetencji w zakresie AI oznacza mierzenie naszej zdolności do zadawania pytań, weryfikowania, podejmowania decyzji i stawiania człowieka w centrum dokonywanych wyborów.

Jak oceniać kompetencje w zakresie AI? Od uczniów po pracowników

 

W miarę jak sztuczna inteligencja staje się częścią codziennej nauki i pracy, organizacje stają przed nowym pytaniem: jak właściwie oceniać kompetencje w zakresie AI?

Stosunkowo łatwo jest sprawdzić, czy ktoś potrafi zdefiniować uczenie maszynowe, wyjaśnić, czym jest halucynacja AI, lub rozpoznać chatbota. Znacznie trudniej ustalić, czy uczeń lub pracownik potrafi rozpoznać niewiarygodną odpowiedź AI, zidentyfikować stronniczość, zweryfikować dowody, zakwestionować automatyczną rekomendację lub zrozumieć, kiedy decyzja musi pozostać w rękach człowieka.

Dlatego ocena kompetencji w zakresie AI nie może opierać się wyłącznie na tradycyjnych quizach. Kompetencje w zakresie AI łączą wiedzę, praktyczne wykorzystanie, krytyczną ocenę, odpowiedzialne użycie, ludzki osąd i rozwiązywanie problemów. Model oceny musi odzwierciedlać tę złożoność.

W szkołach oznacza to wyjście poza sprawdzanie znajomości terminologii AI.

W przedsiębiorstwach oznacza to wyjście poza pytanie, czy pracownicy ukończyli kurs uświadamiający dotyczący AI.

W obu przypadkach prawdziwe pytanie brzmi, czy ludzie potrafią korzystać z AI krytycznie i odpowiedzialnie w realistycznych sytuacjach.

 

Od wiedzy o AI do podejmowania decyzji z AI

Tradycyjna ocena mogłaby zawierać pytania:

  • Czym jest generatywna AI ?
  • Czym jest stronniczość ?
  • Czym jest halucynacja AI ?
  • Czym jest uczenie maszynowe ?

Te pytania nadal mają znaczenie, ponieważ podstawowa wiedza jest ważna. Jednak znajomość definicji nie świadczy jeszcze o kompetencji.

Wiedza o tym, czym jest halucynacja, nie dowodzi, że ktoś potrafi ją rozpoznać w raporcie wygenerowanym przez AI.

Świadomość, że AI może zawierać stronniczość, nie oznacza, że pracownik potrafi ją wykryć w rekomendacji rekrutacyjnej ani że uczeń potrafi ją rozpoznać w wyjaśnieniu historycznym wygenerowanym przez AI.

Umiejętność napisania promptu nie musi oznaczać, że ktoś rozumie, w jaki sposób kontekst, jakość informacji przekazanych AI lub wybór modelu mogą wpływać na odpowiedź oraz czy można jej zaufać.

Lepsza ścieżka rozwoju wygląda następująco :

Wiem, czym jest AI  →  potrafię z niej korzystać  →  potrafię ją kwestionować  →  potrafię ją oceniać  →  potrafię z nią tworzyć  →  potrafię podejmować odpowiedzialne decyzje dotyczące jej wykorzystania.

Ta ścieżka ma takie samo zastosowanie w edukacji i w miejscu pracy.

 

Kompetencje w zakresie AI są wielowymiarowe

Rzetelna ocena powinna obejmować kilka wymiarów.

1.  Wiedza
Czy osoba ucząca się rozumie takie pojęcia jak dane, algorytmy, generatywna AI, uczenie maszynowe, stronniczość, halucynacje i prywatność?

2.  Praktyczne wykorzystanie
Czy potrafi skutecznie używać AI do odpowiedniego zadania?

3. Krytyczna ocena
Czy potrafi zakwestionować odpowiedź, porównać wyniki, zweryfikować twierdzenia, rozpoznać niepewność i wskazać brakujące dowody?

4. Odpowiedzialne wykorzystanie
Czy rozumie poufność, prywatność, własność intelektualną, uczciwość akademicką lub zawodową, sprawiedliwość i bezpieczne korzystanie?

5. Ludzki osąd
Czy potrafi rozpoznać, kiedy AI może wspierać decyzję, a kiedy odpowiedzialność musi pozostać po stronie człowieka?

6. Tworzenie i rozwiązywanie problemów
Czy potrafi wykorzystać AI do rozwiązania istotnego problemu, rozumiejąc jednocześnie jej ograniczenia?

Kompetencje w zakresie AI są więc bliższe modelowi kompetencyjnemu niż tradycyjnemu egzaminowi przedmiotowemu.

To sprawia również, że kompetencje w zakresie AI mają znaczenie daleko poza szkołą.

Te same umiejętności są coraz ważniejsze dla zespołów HR, menedżerów, pracowników obsługi klienta, inżynierów, marketerów, pracowników ochrony zdrowia oraz wszystkich osób korzystających w pracy z informacji generowanych przez AI.

 


Różne konteksty wymagają różnych metod oceny

Zasada jest ta sama, ale sytuacje powinny odpowiadać osobie uczącej się.

Uczeń może zostać poproszony o porównanie dwóch wyjaśnień wygenerowanych przez AI i wskazanie, które twierdzenia wymagają weryfikacji.

Menedżer może otrzymać wygenerowaną przez AI rekomendację dotyczącą wyników pracownika i musi zdecydować, jakie dowody należy przeanalizować przed podjęciem działania.

Rekruter może przeanalizować listę kandydatów wygenerowaną przez AI i ocenić, czy rekomendacja może zawierać stronniczość.

Pracownik marketingu może ocenić analizę rynku wygenerowaną przez AI i wskazać stwierdzenia wymagające weryfikacji źródeł.

Pracownik obsługi klienta może zdecydować, czy odpowiedź wygenerowana przez AI nadaje się do wysłania klientowi, czy wymaga interwencji człowieka.

W tym miejscu szczególnie przydatna staje się interaktywna platforma edukacyjna. Ocena może przejść od abstrakcyjnych pytań do realistycznych decyzji, zamiast jedynie sprawdzać, czy osoba ucząca się pamięta terminologię.

 

Kompetencje w zakresie AI wymagają czegoś więcej niż pytań wielokrotnego wyboru

Pytania wielokrotnego wyboru pozostają przydatne do sprawdzania podstawowej wiedzy, ale powinny stanowić tylko jedną część oceny.

Bardziej kompleksowa ocena może łączyć kilka formatów.

Zadania rozpoznawania

Pokaż osobom uczącym się treść wygenerowaną przez AI i poproś o wskazanie:

  • niepopartego dowodami twierdzenia;
  • informacji poufnych;
  • możliwej stronniczości;
  • mylącej pewności;
  • zmanipulowanych treści wizualnych;
  • stwierdzenia wymagającego weryfikacji.

Hotspoty i zadania oparte na rozpoznawaniu wizualnym są szczególnie przydatne, ponieważ sprawdzają, czy ktoś potrafi zauważyć problem, a nie tylko go zdefiniować.

Scenariusze decyzyjne

Kompetencje w zakresie AI często dotyczą podejmowania decyzji, a nie jedynie udzielania poprawnych lub błędnych odpowiedzi faktograficznych.

Wyobraźmy sobie, że system AI zaleca odrzucenie kandydata do pracy na podstawie danych historycznych.

Osobie uczącej się można zadać pytanie:

Co powinno wydarzyć się dalej?

Zaakceptować rekomendację?
Poprosić o weryfikację przez człowieka?
Przeanalizować dane źródłowe?
Sprawdzić możliwą stronniczość?
Poprosić o dodatkowe dowody?

Scenariusz rozgałęziony ocenia, jak osoba ucząca się stosuje zasadę w konkretnym kontekście. Ten rodzaj doświadczenia jest szczególnie przydatny w narzędziu AI do tworzenia treści dla L&D, ponieważ organizacje mogą odtwarzać sytuacje, z którymi pracownicy rzeczywiście się spotykają.

 

Porównywanie wyników AI

Osoby uczące się mogą porównywać:

  • dwa modele;
  • dwa prompty;
  • odpowiedzi wygenerowane przez AI z różnych perspektyw;
  • ogólną odpowiedź modelu oraz odpowiedź opartą na zaufanych źródłach.

Następnie mogą wskazać różnice w dowodach, założeniach, niepewności, kompletności i stronniczości.

Ocena pewności

Poziom pewności dodaje kolejny wymiar.

Osoba, która udziela poprawnej odpowiedzi z niską pewnością, może potrzebować utrwalenia wiedzy. Osoba, która udziela błędnej odpowiedzi z bardzo wysoką pewnością, może stanowić większe ryzyko.

Jest to szczególnie istotne w przypadku kompetencji w zakresie AI, ponieważ sama generatywna AI może przedstawiać nieprawidłowe informacje z pozorną pewnością.

Kategoryzacja

Osoby uczące się mogą klasyfikować przykłady jako: Wiarygodne  /  Wymaga weryfikacji / Niebezpieczne

Lub: Decyzja człowieka  /  Decyzja wspierana przez AI  /  AI nie powinna decydować

Sprawdza to praktyczne rozróżnienia, które mają znaczenie zarówno w edukacji, jak i przy wykorzystaniu AI w przedsiębiorstwach.

 

Kontrola człowieka przed i po ocenie wspieranej przez AI

Gdy AI uczestniczy w procesie oceny, nadzór człowieka powinien być zaprojektowany jako integralna część procesu, a nie dodawany później.

Jest to szczególnie ważne w kontekstach objętych unijnym Aktem w sprawie AI. Rozporządzenie klasyfikuje niektóre systemy AI wykorzystywane w edukacji i kształceniu zawodowym jako systemy wysokiego ryzyka, gdy oceniają wyniki uczenia się, decydują o dostępie lub w istotny sposób wpływają na ścieżkę edukacyjną lub zawodową danej osoby.

Dlatego rozsądny model kontroli człowieka w procesie oceny obejmuje dwa punkty kontrolne:

Przed oceną

Nauczyciel, trener, projektant dydaktyczny lub upoważniony ekspert merytoryczny powinien zatwierdzić:

  • cele uczenia się;
  • mierzone kompetencje;
  • pytania i scenariusze oceny;
  • logikę punktacji;
  • adekwatność wszelkich treści wygenerowanych przez AI;
  • wykorzystane źródła;
  • rolę, jaką AI może pełnić.

AI może pomóc przyspieszyć tworzenie, ale to człowiek zatwierdza, co i w jaki sposób jest oceniane.

Po ocenie

Jeżeli AI wspiera interpretację, punktację lub rekomendacje, wykwalifikowany człowiek powinien przeanalizować wynik, zanim zostanie on wykorzystany do podjęcia decyzji o istotnych konsekwencjach.

Oznacza to sprawdzenie:

  • czy wynik jest racjonalny;
  • czy jest poparty dowodami;
  • czy mogła wystąpić stronniczość lub nieoczekiwane zachowanie;
  • czy wyjątkowe przypadki wymagają zbadania;
  • czy osoba ucząca się powinna mieć możliwość weryfikacji lub odwołania, jeśli jest to właściwe.

Zasada jest prosta:

Weryfikacja przez człowieka przed  →  ocena wspierana przez AI  →  weryfikacja przez człowieka po.

Co ważne, nie każdy quiz szkoleniowy ani ocena wspierana przez AI automatycznie staje się systemem wysokiego ryzyka w rozumieniu unijnego Aktu w sprawie AI; klasyfikacja zależy od celu i sposobu wykorzystania, jednak kontrola człowieka jest dobrą zasadą projektową również wtedy, gdy szczególne przepisy dotyczące wysokiego ryzyka nie mają zastosowania.

 


Jak Mexty wspiera bardziej kompleksową ocenę kompetencji w zakresie AI

Moduł Evaluation w Mexty został zaprojektowany tak, aby łączyć różne formaty oceny w jedno punktowane doświadczenie.

Ocena może obejmować:

  • tradycyjne quizy;
  • hotspoty i rozpoznawanie wizualne;
  • rozgałęzione ścieżki decyzyjne;
  • losowe banki pytań;
  • ocenę pewności;
  • kategoryzację;
  • zadania porównawcze;
  • scenariusze praktyczne.

Istniejący moduł umożliwia również organizowanie ocen wokół jasno określonych celów zamiast tworzenia ogólnego „testu z AI”.

Przykładowy cel może brzmieć:

Ocenić, czy osoba ucząca się potrafi rozpoznać niewiarygodny wynik AI, zweryfikować odpowiednie dowody i zdecydować, kiedy wymagana jest interwencja człowieka.

Następnie wokół tej kompetencji można zestawić odpowiednie aktywności.

W tym miejscu znaczenia nabiera szersze pozycjonowanie Mexty jako platformy AI-native do tworzenia interaktywnych doświadczeń edukacyjnych. Ocena jest połączona z doświadczeniem edukacyjnym, zamiast funkcjonować jako oddzielny quiz na zakończenie kursu.

Dla zespołów L&D to samo środowisko może pomóc uprościć proces projektowania dydaktycznego poprzez połączenie tworzenia, interaktywnych aktywności i oceny. W edukacji może wspierać stopniową ocenę kompetencji w zakresie AI w ramach kursów i ścieżek edukacyjnych.

Jako bezpieczna infrastruktura edukacyjna AI-Native, Mexty ma wspierać zarówno twórców, jak i osoby uczące się, zachowując centralną rolę weryfikacji przez człowieka.

Platforma może również wspierać doświadczenia edukacyjne zgodne ze standardem SCORM dla organizacji, które muszą dostarczać treści za pośrednictwem istniejących środowisk LMS, a Interactive Course Creator i funkcje oceny Mexty pozwalają wyjść poza bierne przyswajanie treści.

 

Ocena powinna odzwierciedlać rzeczywiste wykorzystanie AI

Kompetencje w zakresie AI będą miały coraz większe znaczenie zarówno w salach lekcyjnych, jak i w miejscach pracy. Uczniowie muszą wiedzieć, czy można zaufać odpowiedzi wygenerowanej przez AI, a pracownicy — czy rekomendacja wygenerowana przez AI powinna wpływać na decyzję dotyczącą klienta, rekrutacji, finansów lub działalności operacyjnej. Menedżerowie muszą również rozumieć, w czym AI może ich wspierać i za co nadal ponoszą odpowiedzialność.

Celem oceny nie może więc być po prostu pytanie: „Czy ta osoba zna terminologię AI?”

Powinno ono brzmieć:

Czy ta osoba rozumie AI?
Czy potrafi odpowiednio z niej korzystać?
Czy potrafi ją kwestionować?
Czy potrafi rozpoznać niepewność i stronniczość?
Czy potrafi zweryfikować dowody?
Czy potrafi podjąć odpowiedzialną decyzję?
I czy wie, kiedy kontrola musi pozostać w rękach człowieka?

Na tym polega przejście od sprawdzania wiedzy o AI do oceny kompetencji w zakresie AI.

W miarę jak AI staje się integralną częścią edukacji i pracy, ta kompetencja może stać się jednym z najważniejszych rezultatów, które bezpieczna infrastruktura edukacyjna AI-native może pomóc organizacjom rozwijać i mierzyć.

 

O Mexty ….

Mexty przekształca naukę w spersonalizowane doświadczenia zaprojektowane tak, aby wspierać rzeczywiste wyniki.

Odkryj, jak nauka AI-native może przekształcić wiedzę w działanie dzięki Mexty.

 

Poznaj Mexty: platformę edukacyjną opartą na AI, która przekształca wiedzę w angażujące doświadczenia, realne umiejętności, trwałą zmianę zachowań i mierzalne rezultaty.

To właśnie tutaj Mexty zmienia sposób, w jaki działa nauka.

Wyjdź poza tradycyjny e-learning z Mexty, gdzie AI przekształca Twoją wiedzę ekspercką w spersonalizowane ścieżki edukacyjne, które angażują, inspirują i przynoszą realne efekty.

Gdy już poznasz i wypróbujesz Mexty, z przyjemnością poznamy Twoją opinię!

Podziel się z nami swoimi doświadczeniami i wrażeniami dotyczącymi tego nowego, interaktywnego sposobu uczenia się i tworzenia. Twoja opinia jest dla nas bardzo cenna.

Nie przegap najnowszych wiadomości. Obserwuj Mexty i odwiedź Mexty.ai, aby odkryć, co będzie dalej!

 

  

Umiejętność korzystania z AIOcena umiejętności korzystania z AIOcena kompetencji w zakresie AIOdpowiedzialna edukacja w zakresie AIKrytyczne myślenie z wykorzystaniem AIOcena umiejętności w zakresie AIPlatforma edukacyjna natywna dla AINadzór człowieka nad AI