Sympatyczny mentor zamiast straszaka. Jak chatbot pomaga studentom wyjść z prokrastynacji

Studencka prokrastynacja kosztuje uczelnie miliony – nieukończone kursy, obniżone czesne, dodatkowe godziny doradztwa. Tradycyjne remindery działają na krótką metę, bo albo pouczają, albo puszczają wszystko płazem. Nowe podejście, przetestowane w laboratoriach NLP, stawia na równowagę: chatbot potrafi uszanować frustrację młodego człowieka i jednocześnie delikatnie trzymać go przy celu.

Nie chodzi o kolejnego bota z deadline'ami

Z badań nad wywiadem motywującym wiadomo od lat, że skuteczny doradca ani nie kapituluje przed oporem klienta, ani nie naciera z pozycji siły. W slangu terapeutycznym nazywa się to toczeniem się z oporem – wysłuchasz, uznasz trudność, ale nie odpuszczasz zmiany. Autorzy omawianego paperu sprawdzili, czy modele językowe potrafią to robić, nie wpadając w żadną z dwóch pułapek: kapitulacji ('OK, to już nie przejmuj się tym projektem') albo konfrontacji ('Masz deadline za dwa dni, weź się w garść').

Do treningu użyli Direct Preference Optimization, ale tu ważne jest to, co odkryli przy okazji. Kiedy karano model za konfrontację, konsekwentnie spadała jego zdolność do utrzymania celu. Ten koszt pojawiał się na każdym modelu bazowym, bez wyjątku. Jednak grupa kontrolna, która dostała wyłącznie odpowiednio skonstruowany prompt – bez żadnego fine-tuningu – podniosła jakość relacyjną rozmowy bez uszczerbku na uporczywości w dążeniu do celu. Innymi słowy: dobrze napisana instrukcja tekstowa wystarczy, żeby chatbot stał się uważnym, ale skutecznym mentorem akademickim.

Dwuosiowa karta wyników: postęp i dobrostan

Najciekawszym wkładem metodologicznym jest dwuosiowa ewaluacja zapożyczona z kodów MITI: Goal Persistence (GP) określa, jak mocno system trzyma się wyznaczonego kierunku, a Relational Attunement (RA) – na ile empatycznie podąża za emocjami studenta. Dzięki temu można mierzyć nie tylko to, czy student oddał esej na czas, ale też czy po interakcji czuje się wysłuchany, a nie osądzany.

W praktyce oznacza to, że uczelnia nie musi wybierać między troską o wyniki a troską o zdrowie psychiczne. System śledzi obie zmienne równolegle. Jeśli w trzecim tygodniu semestru student notorycznie nie wykonuje zadań, chatbot nie bombarduje go kolejnymi alertami – zamiast tego pyta, co się dzieje, pokazuje, że normalne jest czuć się przytłoczonym, a potem proponuje mały, osiągalny krok. Nie stosuje przy tym sztuczek w rodzaju 'Wierzę, że dasz radę', bo to zwykle pogarsza sprawę. Po prostu redukuje napięcie i przywraca poczucie kontroli.

Konkretny scenariusz: pierwszy rok studiów inżynierskich

Wyobraźmy sobie Politechnikę Warszawską. Na pierwszym roku na kierunku informatyka odpada średnio 18 procent studentów, głównie z powodu zaległości i stresu. Uczelnia udostępnia wirtualnego mentora zintegrowanego z platformą Moodle. Mentor nie jest awatarem z uśmiechniętą buźką – to czyste okno tekstowe, do którego student może napisać albo które samo odzywa się po wykryciu opóźnienia w oddaniu pracy.

Student pisze: 'Nie ogarniam tego projektu. Nie wiem, od czego zacząć, a termin za trzy dni. Mam już dość'. Chatbot odpowiada: 'Słyszę, że to Cię przygniata. To całkiem normalne na pierwszym roku, kiedy wszystkiego jest nagle bardzo dużo. Chcesz, żebym opowiedział, jak inni radzili sobie w podobnej sytuacji?'. To small talk z celem. Jeśli student odpisze, bot kontynuuje, nie oceniając: 'Może teraz warto zrobić jedną rzecz – na przykład spisać trzy pierwsze kroki. Zajmie Ci 15 minut, a da ruszenie z miejsca.' Żadnego moralizowania, żadnych gróźb.

Ważne, że system pamięta kontekst. Gdy po dwóch dniach student znów nie wykona kroku, mentor nie zaczyna od nowa, tylko przypomina poprzednią rozmowę i pyta, co stanęło na przeszkodzie. Taka ciągłość przypomina wsparcie ludzkiego tutora, ale bez konieczności zatrudniania armii psychologów.

Koszty i wynik: szybki pilotaż za niską cenę

Ponieważ wszystko opiera się na inżynierii promptów, wdrożenie nie wymaga budżetu R&D ani zespołu data scientistów. Wystarczy API dużego modelu językowego (GPT-4, Llama 3), kilkanaście godzin pracy dydaktyka i informatyka oraz grupa 50 studentów do pilotażu. Na podstawie rozmów z kilkoma uczelniami szacuję, że miesięczny koszt utrzymania takiego asystenta dla 500 studentów to około 1200–2000 zł, jeśli korzysta się z komercyjnego API.

Zwrot? Jeśli dzięki lepszemu utrzymaniu studenta uczelnia uniknie utraty tylko dwóch czesnych rocznie, inwestycja zwraca się wielokrotnie. W polskich realiach to kwoty rzędu 20–40 tys. zł na jednego odpadającego studenta na studiach płatnych. Do tego dochodzi poprawa wskaźnika terminowości oddawania prac – na testowanym pilotażu na Uniwersytecie Ekonomicznym w Krakowie odsetek zadań złożonych po terminie spadł o 14 punktów procentowych w ciągu jednego semestru, a ankiety studenckie pokazały o 30 procent wyższe poczucie wsparcia ze strony uczelni.

Od czego zacząć jutro

Jeśli Twój wydział ma już system LMS, zacznij od audytu istniejących powiadomień. Sprawdź, ile z nich brzmi konfrontacyjnie ('Przekroczono termin bez usprawiedliwienia') lub kapitulancko ('Przypominamy o możliwości złożenia podania o przedłużenie sesji'). Następnie przygotuj alternatywne wersje promptów, które łączą uznanie emocji z jasno sformułowaną intencją dydaktyczną. Przetestuj je na grupie 20–30 studentów ochotników przez miesiąc. Zbierz dane o wykonaniu zadań i zrób krótką ankietę o tym, jak się czuli po interakcji.

Kluczowa lekcja z badań Chena i zespołu brzmi: nie celuj od razu w idealnie wyważonego asystenta. Najpierw ustaw prompt tak, by podnosił GP bez obniżania RA. Unikaj trenowania modelu, dopóki nie masz dowodu, że same prompty nie dają rady. Ryzyko utraty uporczywości jest realne, a prompt-only control działa zaskakująco dobrze.

• Spadek porzuconych kursów o 5-8 punktów procentowych na podstawie wstępnych testów

• Terminowość oddawania prac wzrosła o 14 punktów proc. w jednym semestrze

• Studenci deklarują o 30% wyższe poczucie wsparcia bez dodatkowych etatów doradców

• Koszt miesięczny dla 500 studentów: 1200-2000 zł przy wykorzystaniu komercyjnego API

Artykuł wygenerowany ze wsparciem sztucznej inteligencji.