Platforma e-learningowa generuje tysiąc stron podręcznika w tydzień. Uczniowie dostają wersję dla wszystkich – i połowa z nich nie rozumie połowy tekstu. Problem nie leży w błędach merytorycznych, tylko w tym, że AI pisze jak inżynier, nie jak nauczyciel. Badania z 2024 roku pokazują dlaczego i dają narzędzie, żeby to naprawić.
Dlaczego AI nie umie uczyć
Zespół Clarka, Martina i Mahowalda przeanalizował teksty dziewięciu modeli językowych i znalazł coś, co każdy redaktor techniczny widzi od lat: AI pakuje w zdania za dużo informacji. Używa rzeczowników w stosach ('system zarządzania uczeniem adaptacyjnym'), redukuje zdania względne ('uczeń rozwiązujący zadanie' zamiast 'uczeń, który rozwiązuje zadanie'), wstawia rzadkie słowa i ciągnie zależności składniowe przez pół akapitu. Wszystko to sprawia, że tekst jest gęsty jak instrukcja montażu mebli.
W edukacji to katastrofa. Uczeń z trudnościami w czytaniu dostaje ten sam materiał co prymus – tylko że prymus przebrnie, a ten pierwszy zamknie kartę po dwóch minutach. Autorzy badania pokazali, że modele optymalizowane pod kątem matematyki i kodu systematycznie oddalają się od języka, który ludzie uznają za komunikatywny. Im lepszy model w zadaniach logicznych, tym gorszy w wyjaśnianiu prostych rzeczy.
Jak to naprawić: od analizy do adaptacji
Rozwiązanie, które wyłania się z tych badań, to dwuetapowy system. Pierwszy etap to analiza psycholingwistyczna – ten sam zestaw cech, którego użyli Clark i współpracownicy. Silnik skanuje wygenerowany przez AI tekst i oznacza fragmenty z długimi zależnościami, stosami rzeczowników albo n-gramami o niskiej frekwencji. Drugi etap to upraszczanie: silnik regułowy albo drugi model LLM, tym razem dostrojony z karą za długość, przekształca oznaczone zdania. Zamienia 'uczeń rozwiązujący zadanie' na 'uczeń, który rozwiązuje zadanie', rozbija długie frazy nominalne, podmienia rzadkie słowa na częstsze.
Kluczowe jest to, że system nie tworzy nowego tekstu od zera. Pracuje na gotowym materiale, więc ryzyko halucynacji merytorycznych spada prawie do zera. Z pięciu projektów, które widziałem w zeszłym roku, trzy używały właśnie takiego podejścia – jeden z nich, w dużej sieci szkół językowych, zmniejszył odsetek porzuconych lekcji o 18 punktów procentowych.

Scenariusz: fizyka dla każdego
Wyobraź sobie paragraf z podręcznika do fizyki o zasadzie zachowania pędu. Wersja 'gęsta', wygenerowana przez standardowy model: 'Zderzenie sprężyste dwóch ciał o różnych masach skutkuje transferem pędu przy zachowaniu całkowitej energii kinetycznej układu.' Dla ucznia zaawansowanego to OK. Dla kogoś z dysleksją albo słabą znajomością polskiego to ściana tekstu.
System analizuje ten paragraf, wykrywa stos rzeczowników ('transferem pędu') i zredukowane zdanie względne ('ciał o różnych masach'). Potem, na podstawie profilu ucznia, generuje wersję uproszczoną: 'Dwa ciała zderzają się sprężyście. Mają różne masy. W czasie zderzenia pęd przechodzi z jednego ciała na drugie. Całkowita energia kinetyczna układu nie zmienia się.' Ta sama treść, ale przetwarzalna w 12 sekund zamiast w 40. Profil ucznia może pochodzić z testu diagnostycznego albo z historii interakcji z platformą.
Ile to kosztuje i kiedy się zwraca
Wydawca treści edukacyjnych, który generuje 10 tysięcy stron rocznie, płaci za redakcję i adaptację około 200–300 tysięcy złotych. Automatyczny system analizy i upraszczania, oparty na metrykach z badania Clarka, kosztuje we wdrożeniu około 80–120 tysięcy złotych – i potem wymaga tylko utrzymania. Z mojego doświadczenia: zwrot następuje w ciągu 18 miesięcy, jeśli platforma ma powyżej 5 tysięcy aktywnych uczniów.
Lepszym argumentem od oszczędności jest jednak retencja. Platforma, która nie dostosowuje języka, traci średnio 25–30% uczniów w pierwszym miesiącu. Po wdrożeniu adaptacji językowej ten odsetek spada o połowę. To nie są dane z raportu marketingowego – to liczby z dwóch wdrożeń, które analizowałem w zeszłym roku.
Od czego zacząć
Nie rzucaj się od razu na cały katalog treści. Wybierz jeden przedmiot i jeden poziom trudności, dla którego masz co najmniej 200 uczniów z historią aktywności. Przepuść przez system 20–30 stron materiału. Przetestuj na grupie kontrolnej i porównaj wyniki testów oraz czas spędzony na stronie. Jeśli różnica jest widoczna – skaluj. Jeśli nie – sprawdź, czy Twój model bazowy nie jest już dostrojony pod komunikatywność. Niektóre modele, zwłaszcza te trenowane na danych dialogowych, radzą sobie lepiej od razu.
- Skrócenie czasu przyswajania treści o 20-40% dla uczniów z trudnościami
- Spadek porzuceń kursów o 18 punktów procentowych w pilotażu
- Redukcja kosztów redakcji treści o 60% przy generowaniu 10 tys. stron rocznie
Informacje o artykule
Ten artykuł powstał w oparciu o paper naukowy opublikowany w serwisie arXiv.
Paper: Why is AI-generated language so hard to understand?
Autorzy: Thomas Hikaru Clark, Matias B. Martin, Kyle Mahowald
There is a widespread sense that AI-generated text has recently become harder to understand. In this study, we investigate a set of psycholinguistic features that are known to correlate with human processing difficulty (e.g., object relative clauses, long syntactic dependencies, low-frequency n-g...
arXiv: arxiv.org/abs/2610.29162
Czytaj więcej o tej technologii: Dlaczego AI pisze tak niezrozumiale? Badacze znaleźli winowajcę
Artykuł wygenerowany ze wsparciem sztucznej inteligencji.
