Przeglądaj artykuły opublikowane w JOwS

Na tle dominującego modelu kształcenia masowego tutoring pozostaje jedną z nielicznych metod umożliwiających realną indywidualizację procesu uczenia się (Karpińska-Musiał 2012; 2016). W praktyce edukacyjnej pozostaje jednak rozwiązaniem trudnym do wdrożenia: wymaga czasu, kosztownej relacji jeden na jeden, stabilnych warunków organizacyjnych, których w szkołach i w uczelniach często brakuje. Współczesne narzędzia oparte na wykorzystaniu sztucznej inteligencji otwierają możliwość częściowego odtworzenia wybranych funkcji tutorskich. Niniejszy artykuł podejmuje próbę analizy możliwości i ograniczeń takiego zastosowania narzędzi AI w procesie nauczania/uczenia się języków obcych.

Tutoring w procesie (glotto)dydaktycznym

Tutoring to, w dużym uproszczeniu, forma nauczania oparta na indywidualnej współpracy nauczyciela (tutor) i ucznia (tutee). Wywodząca się z anglosaskiej edukacji spersonalizowanej, jest często ujmowana w perspektywie relacji mistrz–uczeń, której celem jest całościowe wsparcie rozwoju podopiecznego (zarówno wiedzy, umiejętności, jak i postaw) poprzez systematyczne spotkania w atmosferze dialogu i wzajemnego szacunku (Brzezińska i Rycielska 2009; Czekierda i in. 2018). W ujęciu czysto funkcjonalnym „[t]utoring zajmuje się wskazywaniem węzłowych problemów, których poznanie umożliwia zrozumienie danego obszaru wiedzy; pozwala na odróżnienie rzeczy zasadniczych od mniej ważnych; ułatwia uczniowi przyswajanie wiedzy zgodnie z własnymi preferencjami konstrukcji” (Czekierda i in. 2018: 35). Jest to więc zindywidualizowany proces, w którym tutor – jako bardziej kompetentny inny – projektuje adekwatne do potrzeb osoby uczącej się wsparcie, dążąc do stopniowego zwiększania jej samodzielności. Tak rozumiana koncepcja ma swoje zastosowanie w odmiennych kontekstach edukacyjnych. Choć z uwagi na swoją genezę i specyfikę tutoring kojarzony bywa przede wszystkim z kształceniem akademickim (Wojciechowska 2020), znajduje on zastosowanie także w edukacji szkolnej oraz w działalności organizacji pozarządowych (Budzyński i in. 2009). Stanowi również jedną z popularnych praktyk pracy z uczniami o szczególnych potrzebach edukacyjnych – zarówno z uczniami zdolnymi (Baranowska 2014), jak i z tymi doświadczającymi trudności w nauce (Wawrzyniak 2020). W zależności od przyjętych celów i obszaru rozwoju ucznia tutoring może przyjmować różne formy. W niniejszym ujęciu kluczowe pozostają dwie: tutoring naukowy (akademicki) i tutoring rozwojowy. Pierwszy koncentruje się na opanowaniu wiedzy i umiejętności w zakresie konkretnej dyscypliny, drugi zmierza do bardziej holistycznego rozwoju intelektualnego i osobistego poprzez kształtowanie konkretnych umiejętności i postaw oraz wzmacnianie autonomii ucznia. Biorąc pod uwagę powyższe, tutoring można postrzegać jako model współpracy, w którym uczestnicy procesu tutoringowego: nauczyciel/wykładowca i uczeń/student „dopełniają się w ramach swoich zasobów, [a] dynamika jest oparta na różnicy w kompetencjach i jednoczesnym partnerstwie” (Wojciechowska 2020: 219).

W kształceniu językowym nadrzędnym celem tutoringu pozostaje szeroko pojęty rozwój poznawczy i osobisty ucznia/studenta, ale zostaje on wzbogacony o doskonalenie kompetencji językowych i komunikacyjnych (Brudermann 2013; Karpińska-Musiał 2017; Baugnies 2021). W praktyce pozwala między innymi:

• diagnozować poziom językowy i potrzeby ucznia – określać kompetencje, cele i style uczenia się oraz planować indywidualną ścieżkę doskonalenia umiejętności językowo-komunikacyjnych;
• personalizować proces nauczania – dostosować materiał językowy, tempo i metody pracy do profilu ucznia, z uwzględnieniem jego zainteresowań i aktualnych potrzeb;
• prowadzić ocenianie kształtujące – udzielać precyzyjnej informacji zwrotnej (feedbacku) z włączeniem samooceny;
• wzmacniać motywację – budować warunki sprzyjające pokonywaniu bariery komunikacyjnej;
• rozwijać kompetencje metapoznawcze i samoregulacyjne – wspierać w formułowaniu celów nauki języka, planowaniu zadań, zachęcać do autorefleksji;
• kształtować postawy autonomiczne – przygotowywać do podejmowania samodzielnych decyzji dotyczących celów uczenia się, doboru materiałów i strategii uczenia się.

Biorąc pod uwagę przywołane tutaj aspekty tego typu kształcenia, tutoring może być wartościowym uzupełnieniem pracy nauczyciela w systemie lekcyjnym. Przypadki zastosowania tutoringu, opisane w literaturze przedmiotu, dowodzą, że ma on zastosowanie szczególne w obszarach trudnych do pogłębienia w warunkach grupowych. Przykładem mogą być działania ukierunkowane na niwelowanie deficytów uczniów w obrębie wybranych kompetencji ogólnych lub językowych, np. umiejętności fonetycznych (Jarosz 2016; Grobelna 2024), a także na regulację i wspieranie procesu uczenia się u uczniów ze szczególnymi potrzebami edukacyjnymi (Łodej i Huczkowska 2019). Warto przy tym pamiętać, że tutoring nie powinien być redukowany jedynie do narzędzia efektywności, lecz traktowany jako specyficzna praktyka spotkania i współpracy. W tym sensie może wspierać rozwój językowy, ale „nie jest formułą opartą na zasadach typowego procesu glottodydaktycznego, a zachodzący w jego ramach dyskurs relacyjny między uczniem a tutorem rządzi się innymi kryteriami i przesłankami” (Karpińska-Musiał 2017: 231). W porównaniu z klasycznym dialogiem interakcyjnym szczególnymi atutami dialogu tutorskiego są: odmienny kierunek modyfikacji struktur językowych polegający na dążeniu do wspólnego dochodzenia do rozwiązań, przewaga informacji zwrotnej o charakterze wspierającym oraz specyficzna przestrzeń refleksji językowej i poznawczej (Karpińska-Musiał 2017). Ten potencjał współpracy tutorskiej, wpisującej się w logikę dydaktyki autonomizującej (Holec 1982; Wilczyńska 1998; Ciekanski i Macaire 2022) oraz dydaktyki dialogu (Sujecka-Zając 2016), może stanowić istotne wsparcie dla procesu nauczania/uczenia się języków obcych.

Wirtualny asystent AI w roli tutora językowego

Współpracę tutorską między nauczycielem a uczniem mogą na wiele sposobów wspierać technologie cyfrowe. Szczególnym atutem jest dziś możliwość realizacji tutoringu na odległość poprzez wideorozmowy czy współdzielenie wirtualnego środowiska uczenia się. Współczesne narzędzia ułatwiają zarówno monitorowanie postępów podopiecznych, jak i przekazywanie spersonalizowanej informacji zwrotnej w różnych formach (np. adnotacje w tekście, komentarze audio/wideo). Coraz większą popularnością cieszą się również rozwiązania oparte na działaniu sztucznej inteligencji, które pozwalają zautomatyzować rutynowe działania nauczyciela/tutora i dostosować rozwiązania dydaktyczne do potrzeb ucznia/tutee. W tej perspektywie ciekawym rozwiązaniem może się okazać współpraca z tzw. wirtualnym asystentem. Ten ostatni rozumiany jest tu jako inteligentny system konwersacyjny, który tworzy treści na podstawie wyuczonych wzorców językowych i udoskonalany jest w toku interakcji z użytkownikiem. Stanowi komponent popularnych narzędzi generatywnej AI (GenAI) zbudowanych na dużych modelach językowych (LLM), takich jak ChatGPT (OpenAI), Google Gemini czy Microsoft Copilot. Z technologicznego punktu widzenia są to systemy trenowane na obszernych korpusach danych w architekturach głębokiego uczenia się, zdolne do tworzenia spójnych odpowiedzi na pytania, tłumaczenia z jednego języka na drugi, udzielania spersonalizowanych wyjaśnień i informacji zwrotnych oraz analizy różnorodnych danych, obejmujących tekst, obraz i dźwięk. Interakcja z narzędziem AI najczęściej odbywa się za pośrednictwem interfejsu konwersacyjnego (chatbota) z użyciem poleceń tekstowych lub głosowych, które naśladują rozmowę w czasie rzeczywistym. W praktyce oznacza to, że asystent AI może reagować na wypowiedzi ucznia/studenta w bardzo krótkim czasie, dostarczając mu natychmiastowej informacji zwrotnej, korekty językowej czy wyjaśnień. Takie funkcje wirtualnego agenta wpisują się w logikę tutoringu, szczególnie w zakresie spersonalizowanego doskonalenia kompetencji językowo-komunikacyjnych ucznia. Spróbujemy zatem w syntetyczny sposób przedstawić możliwości i ograniczenia wykorzystania wirtualnego agenta w roli tutora językowego (zob. tabela 1). 

Tab. 1. Możliwości i ograniczenia wirtualnego asystenta w roli tutora językowego

Przywołane tutaj zestawienie prezentuje jedynie wybrane, skrótowo sformułowane aspekty współpracy z asystentem AI. Są one ściśle powiązane z rodzajem wykorzystanego narzędzia oraz planem subskrypcji oferującym konkretne rozwiązania i funkcjonalności. Już pobieżna analiza zaprezentowanych funkcji wskazuje, że interakcja z systemem AI nie zastąpi relacyjnego wymiaru współpracy między tutorem a podopiecznym. Oferuje jednak wartościowe wsparcie językowe – niezależnie od czasu, miejsca, zakresu wiedzy czy poziomu kompetencji.

Współpraca z asystentem AI w perspektywie glottodydaktycznej

W przeciwieństwie do tutora, który jest nauczycielem, wirtualny asystent wymaga bardzo jasnych i precyzyjnych instrukcji ze strony ucznia. Rolą nauczyciela będzie więc wsparcie ucznia w komunikacji z modelem oraz stopniowe budowanie jego samodzielności w tym procesie. Poniżej przedstawiamy kilka podstawowych zasad prowadzenia interakcji z asystentem AI, które pozwalają ukierunkować jego działanie w taki sposób, by pełnił rolę tutora językowego.

Określenie sytuacji uczenia się

Sytuacja uczenia się to ramy, w obrębie których wirtualny asystent będzie współpracować z uczniem. Obejmuje ona precyzyjne wyznaczenie celów (ogólnych i szczegółowych), jasno określone wymagania programowe (interakcja na wybranym poziomie językowym, doskonalenie konkretnej sprawności/umiejętności językowej) lub zakres materiału (gramatycznego, leksykalnego) oraz specyfikę spodziewanego wsparcia (np. wyjaśnienia gramatyczne, przygotowanie planu uczenia się, zaprojektowanie ćwiczeń). Określenie tych podstawowych parametrów pełni funkcję kontraktu tutora z uczniem, umożliwiając dopasowanie interakcji do potrzeb ucznia.

Zdefiniowanie roli asystenta

Przypisanie roli (persony) pozwala modelowi działać zgodnie z konkretnym wzorcem. Służą temu polecenia typu: Rozmawiaj ze mną jak…, Działaj jak…, Jesteś…, Wciel się w rolę…, które określają specyfikę relacji uczestników komunikacji oraz granice interwencji asystenta AI. W zależności od potrzeb dydaktycznych asystent może występować jako diagnosta językowy, który rozpoznaje poziom biegłości i identyfikuje słabsze strony; jako egzaminator/korektor oceniający zgodnie z ustalonymi kryteriami, identyfikujący błędy i proponujący poprawki wraz z informacją zwrotną; jako twórca materiałów dydaktycznych, który projektuje spersonalizowane ćwiczenia i zadania dopasowane do celu, poziomu i stylu pracy ucznia; jako partner komunikacji prowadzący symulacje dialogów i odgrywanie ról; wreszcie jako trener uczenia się, który sugeruje strategie uczenia się i wspiera rozwój kompetencji uczenia się.

Sprecyzowanie parametrów informacji zwrotnej

Gdy celem interakcji z asystentem jest diagnoza lub korekta wypowiedzi na podstawie dostarczonych próbek (np. fragment wypowiedzi ustnej lub pisemnej, uzupełnione ćwiczenia lub zadania), kluczowe będzie opisanie formatu informacji zwrotnej. Może ona obejmować wskazanie elementów poprawnych, propozycję korekty, identyfikację obszarów do poprawy, a także uzasadnienie lub wyjaśnienie wskazanych błędów. W interakcji z modelem pomocne będą pytania typu: Co jest poprawne i dlaczego? Co wymaga poprawy? Jak to poprawić? Co trenować dalej? Format, sposób prezentacji, a także długość odpowiedzi zwrotnej mogą być dostosowane do wskazanych kryteriów merytorycznych oraz indywidualnych preferencji ucznia.

Dostosowanie poziomu wsparcia

Określenie poziomu i granic wsparcia asystenta AI może przyczynić się do stopniowego budowania samodzielności ucznia. Może się to przekładać na projektowanie zadań o rosnącej swobodzie – od zadań „silnie prowadzonych” do stopniowego wycofywania wsparcia. Przykładowa sekwencja może obejmować:

• ćwiczenia zamknięte i półotwarte (wybieranie odpowiedzi, dopasowywanie, uzupełnianie luk);
• zadania na transformacje/parafrazę;
• produkcję kierowaną (zadanie z określonymi ramami, podpowiedzi);
• produkcję samodzielną.

Szczegóły dotyczące poziomu wsparcia asystenta AI można określić poleceniami typu: W zadaniu […] podaj przykładową odpowiedź. W zadaniu […] nie podawaj rozwiązań. W zadaniu […] zadaj pytania naprowadzające. Takie dostosowanie poziomu wsparcia pozwala zminimalizować ryzyko nadmiernej zależności od narzędzia.

Projektowanie działań autonomicznych  

Podobnie jak w klasycznym procesie tutorskim starannie zaplanowana współpraca z asystentem AI może sprzyjać wzmacnianiu autonomii ucznia. Służą temu m.in.: wspólne formułowanie celów, praktyki samooceny lub systematyczna autorefleksja nad procesem uczenia się. Rezultatem interakcji z asystentem AI może być spersonalizowany plan powtórek w odniesieniu do wybranych zagadnień, tabela samooceny po wykonaniu zadania lub dziennik dokumentujący postępy i trudności w uczeniu się. Asystent może również generować narzędzia wspierające refleksję nad procesem uczenia się języka, takie jak szablony samooceny, zestawy pytań uruchamiających działania metapoznawcze lub spersonalizowany harmonogram sesji uczenia się. W takim układzie uczeń stopniowo przejmuje odpowiedzialność za planowanie, monitorowanie i modyfikowanie własnych działań.

Kontrolowanie wiarygodności odpowiedzi

Innym istotnym warunkiem efektywnej współpracy z asystentem AI jest kontrola wiarygodności odpowiedzi, które mogą zawierać błędy merytoryczne lub zniekształcenia. W tym kontekście dobrymi praktykami mogą być: prośba o odwołania do źródeł i reguły z podanymi kontrprzykładami; zadania „odwrócone” (uczeń wyjaśnia zasadę, a system zadaje pytania kontrolne); testowanie reguły na zestawie nowych przykładów oraz prośba o wskazanie niepewności (oznaczenie hipotez, wskazanie braków danych). Dodatkowym poziomem zabezpieczenia może być zestawienie otrzymanych wyników z rzetelnymi materiałami oraz weryfikacja nauczyciela.

Przedstawione tutaj zasady stanowią jedynie wybrane aspekty współpracy z wirtualnym
asystentem, które należałoby uwzględnić w planowaniu działań dydaktycznych. Efektywność tej współpracy zależeć będzie w dużym stopniu od jakości interakcji z asystentem AI.

Skuteczna interakcja z asystentem AI

Umiejętność efektywnej komunikacji z systemami AI, czyli prompt engineering (inżynieria podpowiedzi), stanowi kluczowy warunek świadomego i krytycznego wykorzystania narzędzi AI. Co więcej, coraz częściej traktuje się ją jako kompetencję kluczową również w profilach ucznia i nauczyciela (Pyżalski i Łuczyńska 2024; Bączyk-Lesiuk i in. 2024). Prompt engineering to umiejętność projektowania pytań (promptów) przy wykorzystaniu repertuaru technik umożliwiających efektywne wykorzystanie potencjału AI (Kacprzak 2024). W praktycznym wymiarze odpowiednio zaprojektowane zapytania i polecenia pozwalają na maksymalne dopasowanie do potrzeb i oczekiwań użytkownika (Łukawski i in. 2023). W tej części artykułu przedstawimy kilka podstawowych zasad komunikacji z modelami AI, które mogą mieć zastosowanie w procesie nauczania/uczenia się języków obcych, szczególnie w kontekście współpracy tutorskiej. 

Tak jak już wspomnieliśmy, podstawą skutecznej komunikacji z systemem AI jest odpowiednio zaprojektowany prompt. W zależności od intencji użytkownika wyróżnia się prompty pytające (mające na celu pozyskanie informacji), prompty zadaniowe (wykonanie konkretnego zadania), prompty zapewniające kontekst (doprecyzowanie celu, ograniczeń, odbiorcy), prompty porównawcze (porównanie opcji według wskazanych kryteriów), prompty opiniujące (ocena na podstawie kryteriów) oraz prompty specyficzne dla roli (nadanie modelowi konkretnej roli i powiązanych z nią reguł działania) (Kacprzak 2024). Aby asystent AI mógł pełnić funkcje tutorskie, istotne mogą się okazać również prompty diagnostyczne, pozwalające na określenie poziomu językowego użytkownika albo luk programowych, lub też prompty refleksyjne zachęcające do samooceny i planowania dalszych etapów doskonalenia kompetencji językowo-komunikacyjnych. W praktyce formułowanie zapytań w komunikacji z wirtualnym asystentem opiera się na kilku kluczowych elementach (Kacprzak 2024). Podstawą promptu jest jasno i bezpośrednio sformułowana instrukcja (np. „napisz”, „tłumacz”, „wyjaśnij”, „uporządkuj”), która jednoznacznie określa powierzone modelowi zadanie. Pomocne może być również określenie kontekstu, czyli celu zadania, poziomu trudności, ograniczeń oraz formatu odpowiedzi (np. opis, lista punktowana, dialog, scenariusz, quiz). Ten ostatni może być uzupełniony o dane wyjściowe, czyli specyficzne informacje od użytkownika stanowiące materiał do przetworzenia (np. fragment tekstu, zestaw zadań). Jeśli zadaniem asystenta jest wygenerowanie konkretnej treści, istotne będzie również dookreślenie stylu i tonu językowego. W konkretnych przypadkach przydatne będzie określenie persony, co ułatwia modelowi wejście w konkretną rolę. Dobrą praktyką jest także wskazanie kryteriów jakości (wskazanie, na co model ma zwracać uwagę), granic wsparcia (czego model nie powinien robić za ucznia) oraz prostych parametrów technicznych (np. sposób prezentacji treści, długość odpowiedzi). Tak zaprojektowany prompt może nie tylko usprawnić komunikację z modelem, ale również ograniczyć pojawienie się ewentualnych błędów i nieścisłości. Poniżej prezentujemy kilka przykładów poleceń zaprojektowanych zgodnie z przywołanymi zasadami.

Przykład 1

Jesteś moim nauczycielem języka angielskiego [persona]. Chcę poprawić swoje umiejętności w pisaniu tekstu argumentacyjnego na poziomie B2 [kontekst]. Zaprojektuj sekwencję 5 ćwiczeń/zadań [format] na formułowanie kontrargumentów [instrukcja]. Zwróć uwagę na wykorzystanie wyrażeń specyficznych dla tekstu argumentacyjnego [kryteria]. Posłuż się przykładami zadań i ćwiczeń, które realizuję na lekcjach [dane wyjściowe] (w załączniku). Instrukcje po polsku. Materiały dla ucznia (modele, ćwiczenia) w języku angielskim, rejestr akademicki (B2) [styl językowy].

Oto moje odpowiedzi na zadania [dane wyjściowe]. Sprawdź odpowiedzi i podaj poprawne [instrukcja]. Przekaż informację zwrotną i zwięzły komentarz: napisz, na co muszę zwrócić uwagę i co muszę poprawić (po polsku) [format i styl językowy].

Przykład 2

Chcę powtórzyć słownictwo w języku francuskim z tych dziedzin: czas wolny, miejsce zamieszkania, jedzenie na poziomie A2 [kontekst]. Potrzebuję dwutygodniowego planu pracy (15–20 min/dzień) [kontekst]. Opracuj szczegółowy plan uczenia [instrukcja]: listę 30 słówek z podanego zakresu tematycznego + 3 ćwiczenia na każdy dzień [format]. Przygotuj wariant „gdy mam tylko 5 min”. Instrukcje po polsku; słówka/ćwiczenia w języku francuskim (proste) [styl językowy]. Nie wykonuj za mnie zadań; przygotuj plan i ćwiczenia [granice wsparcia].

Przykład 3

Jesteś korektorem i nauczycielem języka hiszpańskiego [persona]. Sprawdź mój tekst narracyjny [dane wyjściowe] (w załączniku). Podczas pierwszej korekty wskaż jedynie główne elementy wymagające poprawy [instrukcja] i dodaj krótki komentarz naprowadzający [format]. Podczas drugiej korekty [instrukcja] wypisz wszystkie błędy zakłócające odbiór tekstu i zaproponuj poprawki wraz z krótkim wyjaśnieniem [format]. Na końcu podaj zwięzłą rekomendację, nad czym powinienem pracować w dalszej kolejności [kryteria]. Instrukcje i komentarze po polsku; poprawki w języku hiszpańskim [styl językowy].

Przykład 4

Jesteś moim tutorem językowym [persona]. Chcę prowadzić dziennik uczenia się języka niemieckiego na poziomie B2 [kontekst]. Opracuj [instrukcja] szablon dziennika [format], który będę wypełniać po każdej sesji nauki. Szablon powinien zawierać: 1) pytania do samooceny („czego się dziś nauczyłem?”, „co sprawiło mi trudność?”, „co wymaga powtórki?”), 2) rubrykę na planowanie kolejnych kroków oraz 3) miejsce na notatki z refleksji [kryteria]. Instrukcje i wyjaśnienia po polsku; pytania i rubryki dziennika w języku niemieckim [styl językowy].

Zawarte tutaj przykłady promptów służą inicjowaniu interakcji z wirtualnym asystentem. Następne polecenia zależeć będą od rodzaju uzyskanej odpowiedzi i kolejnych kroków ucznia. Dobrą praktyką w generowaniu promptów może być zapisywanie modelowych poleceń, które będą każdorazowo dostosowywane do aktywności ucznia.

Podsumowanie

Wirtualny asystent może stać się wartościowym narzędziem wspierającym proces nauczania/uczenia się języków obcych. Różnorodność funkcji, jakie może pełnić – od eksperta językowego po twórcę treści dydaktycznych, partnera komunikacji czy trenera uczenia się – czyni go szczególnie przydatnym w metodzie tutoringu. Wirtualny asystent, przejmując wybrane, rutynowe zadania tutora, takie jak przygotowanie materiałów dydaktycznych, dostarczanie cyklicznej informacji zwrotnej czy organizowanie procesu uczenia się, może usprawnić klasyczną współpracę nauczyciela z uczniem. Skuteczne wykorzystanie asystenta AI w funkcji tutora językowego wymaga świadomego zaprojektowania jego użycia przez nauczyciela i ucznia. Wymaga to zaplanowania działań wynikających ze znajomości mechanizmów działania modeli językowych, a więc precyzyjnego określenia sytuacji uczenia się, ról, które asystent ma pełnić, wykonując konkretne zadania, a także określenia granic jego wsparcia. Istotnym komponentem pozostaje również rozwijanie kompetencji skutecznej komunikacji z asystentem AI (prompt engineering). Odpowiednio sterowana interakcja, dzięki precyzyjnemu formułowaniu pytań i poleceń, staje się podstawą optymalnego i odpowiedzialnego wykorzystania narzędzi AI w edukacji językowej. Choć wirtualny asystent może przejąć niektóre standardowe działania dydaktyczno-organizacyjne, jego udział nie umniejsza roli nauczyciela. Co więcej, uwydatnia znaczenie czynnika ludzkiego, który stanowi fundament relacji tutorskiej. Wobec tego optymalnym rozwiązaniem będzie połączenie tradycyjnego tutoringu z możliwościami, które oferuje najnowsza technologia. Tylko takie podejście pozwala wykorzystać potencjał AI w sposób odpowiedzialny oraz zachować to, co w tutoringu jest najcenniejsze, czyli autentyczną relację nauczyciela z uczniem. 

Bibliografia
Baranowska, A. (2014), Tutoring jako alternatywna metoda pracy z uczniami zdolnymi w szkole, „e-mentor”, nr 5 (57), s. 10–19.

Baugnies, M. (2021), Le tutorat dans l’enseignement d’une langue étrangère : entre questions génériques et effets spécifiques, „Revue internationale de communication et socialisation”, nr 8(3), s. 16–35.

Bączyk-Lesiuk, K., Patkowski, K., Zieliński, M. (2024), Polska edukacja w cieniu AI, Poznań: Collegium DaVinci.

Brudermann, C. (2013), Tutorat en ligne et rétroactions correctives à distance – Vers un modèle de médiation pour la production en langue étrangère, „Alsic”, nr 16.

Brzezińska, A.I., Rycielska, L. (2009), Tutoring jako czynnik rozwoju ucznia i nauczyciela, [w:] P. Czekierda, M. Budzyński, J. Traczyński, Z. Zalewski, A. Zembrzuska (red.), Tutoring w szkole. Między teorią a praktyką zmiany edukacyjnej, Wrocław: Towarzystwo Edukacji Otwartej, s. 19–30.

Budzyński, M., Czekierda, P., Traczyński, J., Zalewski, Z., Zembrzuska, A. (2009), Tutoring w szkole: między teorią a praktyką zmiany edukacyjnej, Wrocław: Towarzystwo Edukacji Otwartej.

Ciekanski, M., Macaire, D. (red.) (2022), Notions en questions: L’autonomisation, „Recherches en didactique des langues et des cultures”, nr 19(2).

Holec, H. (1982), Autonomie et apprentissage des langues étrangères, Paris: Hatier.

Czekierda, P., Fingas, B., Szala, M. (2018), Tutoring: teoria, praktyka, studia przypadków, Warszawa: Wolters Kluwer.

Grobelna, B. (2024): Tutoring w praktyce akademickiej. Studium przypadku w nauczaniu fonetyki, „Języki Obce w Szkole”, nr 1, s. 15–19.

Jarosz, A. (2016), O tutoringu akademickim, czyli o nowej formie nauczania francuskiego jako trzeciego języka obcego w ramach lektoratu języka nowożytnego, „Linguodidactica”, nr 20, s. 119–132.

Kacprzak, A. (2024), Prompt engineering i ChatGPT. Poradnik skutecznej komunikacji ze sztuczną inteligencją, Gliwice: Helion.

Karpińska-Musiał, B. (2012), Tutoring akademicki jako rekonstrukcja relacji Uczeń – Mistrz wobec umasowienia kształcenia wyższego. Próba wplecenia koncepcji w kontekst wewnętrznego systemu zapewniania jakości kształcenia jako jednego z kryteriów akredytacji uczelni wyższych, „Nauka i Szkolnictwo Wyższe”, nr 2(40), s. 55–70.

Karpińska-Musiał, B. (2016), Edukacja spersonalizowana w uniwersytecie: ideologia – instytucja – dydaktyka – tutor, Kraków: Wydawnictwo Libron – Filip Lohner.

Karpińska-Musiał, B. (2017), Tutorial akademicki w naukach filologicznych na tle założeń interakcyjnego dyskursu glottodydaktycznego – krytyczna analiza różnic i podobieństw, „Neofilolog”, nr 49(2), s. 217–233.

Łodej, M., Huczkowska, D. (2019), Budowanie relacji nauczyciela z uczniem o specjalnych potrzebach edukacyjnych z wykorzystaniem metody tutoringu, „Języki Obce w Szkole”, nr 2, s. 31–36.

Łukawski, T., Łukawski, A., Rafał, M. (2023), Do czego AI nie służy. Przewodnik dla nauczycieli stworzony przez grupę roboczą ds. AI, Warszawa: Instytut Badań Edukacyjnych.

Pyżalski, J., Łuczyńska A. (red.) (2024), Sztuczna inteligencja. Prawdziwe zmiany w edukacji?, Warszawa: Fundacja Szkoła z Klasą.

Sujecka-Zając, J. (2016), Kompetentny uczeń na lekcji języka obcego. Wyzwania dla glottodydaktyki mediacyjnej, Lubin: Werset.

Wawrzyniak, S. (2020), Tutoring, mentoring i coaching w edukacji osób z trudnościami w uczeniu się, „Studia Edukacyjne”, nr 56, s. 221–234.

Wilczyńska, W. (1999), Uczyć się czy być nauczanym? O autonomii w przyswajaniu języka obcego, Warszawa/Poznań: Państwowe Wydawnictwo Naukowe.

Wojciechowska, J. (2020), Humanista w dobrym kontakcie, czyli o tutoringu akademickim, „Człowiek i Społeczeństwo”, nr 49, s. 215–222.

Artykuł został pozytywnie zaopiniowany przez recenzenta zewnętrznego „JOwS” w procedurze double-blind review