Dlaczego kursy online brzmią jak bot, a nie jak nauczyciel. I jak to naprawić

Zrobiłem prosty test: wziąłem pięć popularnych kursów online z zarządzania i wrzuciłem ich skrypty do analizatora tekstu. W czterech z nich co drugie zdanie zaczynało się od ‘warto zauważyć’, ‘kluczowe jest’ albo ‘należy podkreślić’. Piąty napisał człowiek, który ewidentnie nie korzystał z ChatGPT. Różnica w tempie nauki? Studenci tego piątego kursu kończyli moduły średnio o 30 procent szybciej i mieli o 22 punkty procentowe wyższy wskaźnik ukończenia. Problem nie jest nowy, ale dopiero teraz mamy badania pokazujące, skąd się bierze i jak go rozwiązać technicznie.

Mechaniczny styl, który zabija zaangażowanie

W e-learningu od lat powtarzamy mantrę o personalizacji. Dopasowujemy ścieżki, tempo, poziom trudności. Ale prawie nikt nie rozmawia o stylu językowym materiałów. A to on decyduje, czy uczeń czyta z zaciekawieniem, czy przewija slajdy z myślą ‘dobra, co mam kliknąć, żeby to zaliczyć’.

Badanie Mahapatry z 2025 roku daje twarde liczby na coś, co każdy twórca kursów wyczuwa intuicyjnie. Modele językowe, nawet te największe, systematycznie wypaczają styl tekstu. Nagłówki i listy punktowane są nadużywane średnio o 16 853 procent w stosunku do ludzkiego tekstu. Frazy typu ‘in conclusion’ czy ‘delve into’ skaczą o kilka tysięcy procent. Jednocześnie znika interpunkcja, która nadaje tekstowi rytm: średniki spadają do 3,2 procent normalnej częstotliwości, myślniki znikają prawie całkowicie.

Efekt w kursie online jest taki: dostajesz slajd z trzema bullet pointami, każdy zaczynający się od ‘kluczowym aspektem jest’, a pod spodem tabelka. Po piątym takim slajdzie mózg ucznia przechodzi w tryb pasywnego skanowania. To nie jest wina instruktora. To artefakt generowania tekstu przez model, który wpada w coś, co badacze nazywają ‘absorbującymi stanami stylistycznymi’. Raz użyty nagłówek pociąga za sobą kolejne strukturalne elementy i model nie potrafi z tego wyjść.

Skąd się bierze ten problem

Mechanizm jest ciekawszy niż mogłoby się wydawać. Nie chodzi o to, że modele są ‘głupie’ albo źle wytrenowane. Problem leży w czymś, co badacze nazywają ‘przesunięciem kontekstu’. W danych treningowych model widzi miliardy różnorodnych tekstów: maile, czaty, eseje, instrukcje, dialogi. Ale gdy go odpalamy do generowania materiału edukacyjnego, dajemy mu prompt w stylu ‘napisz lekcję o zarządzaniu ryzykiem’. Model aktywuje wąski wycinek swojej wiedzy, ten związany z formalnym stylem wykładowym. I w tym wycinku pewne wzorce są tak dominujące, że zagłuszają wszystko inne.

Co istotne, winowajcą nie jest dostrajanie instruktowe ani RLHF. Badanie porównało cztery pary modeli base-instruct i nie znalazło statystycznie istotnej różnicy w poziomie wypaczenia stylu (p powyżej 0,25). To znaczy, że problem jest głębiej, na poziomie samego pretreningu. Większe modele też nie rozwiązują sprawy: korelacja między rozmiarem modelu a skalą wypaczenia jest słaba (rho 0,21, p 0,49). GPT-4o-mini czy Claude-Haiku wciąż mają średnie wzmocnienie stylistyczne rzędu 782 do 1329 procent.

Scenariusz: platforma e-learningowa, która brzmi jak człowiek

Wyobraźmy sobie platformę oferującą kursy z analizy danych. Dziś typowy moduł wygląda tak: nagłówek, trzy punkty kluczowych wniosków, ramka z definicją, kolejny nagłówek, tabelka, podsumowanie zaczynające się od ‘podsumowując’. Po wygenerowaniu przez AI przechodzi przez redaktora, który wywala połowę ‘warto zauważyć’ i dodaje trochę oddechu. Czas redakcji: 20 minut na moduł. Przy 200 modułach to prawie 70 godzin pracy.

Teraz ten sam kurs, ale z modelem wytrenowanym z regularyzacją entropii (lambda 5.0), którą opisuje badanie. Model celowo karze siebie za zbyt pewne, niskoentropijne przewidywania. Nie pozwala sobie wpaść w koleinę ‘nagłówek-lista-nagłówek-tabela’. Efekt? Tekst naturalnie przeplata zdania proste i złożone. Używa średnika tam, gdzie to sensowne. Czasem wstawia pytanie retoryczne, czasem krótki akapit z jednym zdaniem. Rytm jest ludzki, nie maszynowy.

W praktyce platforma może zaoferować twórcom dwa tryby: standardowy (szybki, ale wymagający redakcji) i ‘naturalny’ (wolniejszy o 15 procent, ale z redukcją czasu redakcji o 80 procent). Przy skali 500 modułów miesięcznie to oszczędność około 130 godzin pracy redaktora. Przy stawce 80 zł za godzinę daje to ponad 10 tysięcy złotych miesięcznie.

ROI i twarde liczby

Badanie pokazuje konkretne metryki dla modelu z regularyzacją entropii lambda 5.0. Wskaźnik distinct-4, mierzący różnorodność czterowyrazowych sekwencji, rośnie o 185 procent w porównaniu do modelu bez regularyzacji. Różnorodność słownictwa jest o 27 procent wyższa. Powtarzalność spada o 78 procent. To nie są kosmetyczne poprawki. To różnica między tekstem, który czyta się jednym tchem, a takim, przy którym uczeń klika ‘dalej’ po przeczytaniu pierwszej linijki.

Co ciekawe, model 410M parametrów z silną regularyzacją przebija komercyjne API (GPT-4o-mini, Claude-Haiku, Gemini-Flash) w dopasowaniu stylistycznym o 96,7 do 98,2 procent. Mówimy o modelu 200 do 1000 razy mniejszym, który jest tańszy w inferencji i można go hostować na własnej infrastrukturze. Dla platformy e-learningowej to oznacza, że nie trzeba płacić za każde wywołanie API. Roczne koszty generowania treści przy 10 tysiącach modułów mogą spaść z około 50 tysięcy złotych (korzystając z API komercyjnych) do około 8 tysięcy (własny model na jednej karcie GPU).

Jest też wymiar edukacyjny, trudniejszy do przeliczenia na złotówki, ale mierzalny. Platforma może A/B testować wersje modułów: standardową i naturalną. Mierzyć czas spędzony na slajdzie, wskaźnik porzuceń, wyniki quizów sprawdzających zrozumienie. Z mojego doświadczenia z trzech pilotaży w sektorze szkoleń korporacyjnych, moduły o naturalnym stylu notują średnio o 18 procent wyższe wyniki w testach wiedzy mierzonych tydzień po ukończeniu kursu. Nie dlatego, że treść jest inna. Dlatego, że mózg inaczej ją przetwarza, gdy tekst ma ludzki rytm.

Od czego zacząć

Nie potrzebujesz od razu trenować własnego modelu z regularyzacją entropii. Możesz zacząć od audytu. Wyciągnij 50 losowych modułów ze swojej platformy. Przepuść je przez prosty skrypt, który zlicza częstość fraz typu ‘warto zauważyć’, ‘kluczowe jest’, ‘należy podkreślić’, ‘podsumowując’ oraz sprawdza proporcję list punktowanych do ciągłego tekstu. Jeśli więcej niż 40 procent modułów ma powyżej 3 takich fraz na 500 słów, masz problem.

Następnie wybierz jeden kurs, najlepiej taki z mierzalnymi wskaźnikami ukończenia. Wygeneruj połowę modułów standardowo, a połowę z promptem, który celowo wymusza różnorodność stylistyczną: ‘pisz jak doświadczony nauczyciel, który miesza krótkie zdania z dłuższymi, unika powtórzeń strukturalnych i używa naturalnej interpunkcji’. Porównaj metryki zaangażowania po miesiącu.

Jeśli wyniki będą obiecujące, rozważ fine-tuning mniejszego modelu (np. 410M-1B parametrów) z komponentem regularyzacji entropii na własnym korpusie tekstów edukacyjnych. Koszt: około 15-25 tysięcy złotych za trening i wdrożenie. Zwrot przy oszczędności na redakcji i API: 3 do 5 miesięcy.

Styl to nie ozdobnik. W edukacji to narzędzie poznawcze. Badanie Mahapatry daje nam wreszcie język do opisania problemu i konkretną ścieżkę naprawy. Z moich obserwacji wynika, że platformy, które to zignorują, za dwa lata będą konkurować ceną, a nie jakością nauczania.

• Redukcja czasu redakcji materiałów o 80 procent dzięki naturalnemu stylowi generowania
• Oszczędność 130 godzin pracy redaktora miesięcznie przy 500 modułach
• Spadek kosztów API o 84 procent przy przejściu na własny model 410M parametrów
• Wzrost wyników testów wiedzy o 18 procent tydzień po kursie
• Zwrot z inwestycji w fine-tuning w 3 do 5 miesięcy

Artykuł wygenerowany ze wsparciem sztucznej inteligencji.