Eszközből gondolkodótárs? – Az új konstrukcionizmus a generatív MI korában
SZEMLÉZŐ
Friss kutatások, tanulmányok és szakmai publikációk nyomában
Levin, I., Semenov, A. & Gorsky, M. (2026). The new constructionism. Papert after Peirce: indexicality, navigational thinking, and learning in the age of generative AI. Frontiers in Education, 11, 1902338.
Megjelenés: 2026. október 21.
Műfaj: Lektorált, elméleti tanulmány (Hypothesis and Theory)
DOI: https://doi.org/10.3389/feduc.2026.1902338
Ha a gép már nemcsak végrehajt, hanem válaszol is
Mit kell megtanítanunk a diákjainknak egy olyan világban, ahol a mesterséges intelligencia már nemcsak végrehajtja az utasításainkat, hanem értelmezi a kérdéseinket, megoldásokat javasol, és akár összetett feladatokat is megold? Az új konstrukcionizmus éppen erre a megváltozott tanulási helyzetre keres választ.
Ez a kérdés túlmutat azon, hogy használhatják-e a tanulók a ChatGPT-t egy házi feladat elkészítéséhez. Sokkal alapvetőbb problémával szembesülünk: hogyan változik meg maga a tanulás, ha a gondolkodási folyamat egy részét átengedhetjük a gépnek?
Ilya Levin, Alexei Semenov és Mikael Gorsky 2026 októberében megjelent tanulmánya erre a problémára keres elméleti választ. A szerzők szerint a generatív mesterséges intelligencia megjelenése nem egyszerű technológiai változás, hanem az oktatás céljainak és módszereinek újragondolását is szükségessé teszi.
Javaslatukat új konstrukcionizmusnak (New Constructionism) nevezik, amely Seymour Papert tanuláselméletét értelmezi újra Charles Sanders Peirce szemiotikájának és a generatív MI működésének összefüggésében.
A tanulmány nem egy kipróbált oktatási módszer eredményességéről számol be. Elméleti keretrendszert kínál, amelynek pedagógiai következményeit és gyakorlati megvalósíthatóságát további kutatásoknak kell vizsgálniuk.
Tud-e gondolkodni egy gép? – Egy közel 140 éves kérdés
A gépi gondolkodás kérdése jóval régebbi a mesterséges intelligenciánál. Levin és munkatársai tanulmányuk bevezetésében arra emlékeztetnek, hogy az új technológiák megjelenése korábban is aggodalmat keltett a tanulás és a gondolkodás jövőjével kapcsolatban.
Platón Phaidrosz című dialógusában Szókratész például az írás elterjedésének az emlékezetre és a valódi tudásra gyakorolt következményeit kifogásolja. Az írás ugyanis lehetővé teszi az ismeretek külső rögzítését, de nem feltétlenül jár együtt azok belső elsajátításával. A tudás látszatát is megteremtheti anélkül, hogy valódi megértés állna mögötte. A szerzők ezután Charles Sanders Peirce amerikai filozófus 1887-ben megjelent Logical Machines (Logikai gépek) című tanulmányát idézik:
“Precisely how much of the business of thinking a machine could possibly be made to perform, and what part of it must be left for the living mind, is a question not without conceivable practical importance.”
Magyar fordítás: „Hogy a gondolkodás feladatainak pontosan mekkora részét lehetne géppel elvégeztetni, és mely részét kell az élő elmére hagyni, olyan kérdés, amelynek korántsem elhanyagolható gyakorlati jelentősége lehet.” (Peirce, 1887, 165. o.; idézi Levin et al., 2026, 2. o. Saját fordítás.)
Peirce kérdése ma meglepően aktuális. Különösen érdekes, hogy nem azt kérdezi, képes-e a gép emberi értelemben gondolkodni, hanem azt, hogy a gondolkodás mely műveleteit lehet gépekre bízni, és melyek maradnak szükségszerűen az ember feladatai.
A különbség pedagógiai szempontból is meghatározó. Amikor a diákokkal arról beszélgetünk, hogy tud-e gondolkodni egy gép, hamar eljutunk a gondolkodás fogalmának problémájához. Vajon gondolkodásnak nevezhetjük a problémamegoldást, a következtetést vagy egy új szöveg megalkotását akkor is, ha nem társul hozzá tudatos megértés?
Levin és munkatársai nem kívánják eldönteni a gépi tudatosság filozófiai kérdését. Ehelyett arra keresnek választ, hogyan kell átalakítanunk a tanulásról alkotott elképzeléseinket, ha a gépek egyre több, korábban kizárólag emberinek tekintett szellemi művelet elvégzésére képesek. Ez vezet el Seymour Papert konstrukcionista tanuláselméletéhez és annak újraértelmezéséhez a generatív mesterséges intelligencia korában.
A gépi gondolkodás kérdését egy korábbi írásomban is vizsgáltam: Tud-e gondolkodni egy MI? A két megközelítés más-más oldalról közelít ugyanahhoz a problémához: mit tekintünk gondolkodásnak, és mit jelent ez az ember és a mesterséges intelligencia együttműködésében?
Papert teknőcétől a generatív MI-ig
Seymour Papert konstrukcionista tanuláselméletének egyik alapgondolata, hogy a tanulás különösen eredményes lehet akkor, amikor a tanuló saját maga hoz létre valamilyen értelmezhető alkotást: programot, modellt, képet vagy más produktumot.
Papert Logo programozási környezetében a tanulók egy teknőcöt irányítottak. A teknőc a megadott utasításokat követve rajzolt, miközben a tanuló megfigyelhette, hogy elképzelései milyen eredményre vezetnek.
Ha a teknőc nem a kívánt alakzatot rajzolta meg, a diáknak újra kellett gondolnia az utasításait. A hibajavítás így nem pusztán technikai művelet, hanem a megértést elősegítő tanulási folyamat lett. Papert az ilyen eszközöket a gondolkodást segítő tárgyakként (objects to think with) értelmezte.
A generatív MI azonban lényegesen más helyzetet teremt. A Logo teknőce pontosan végrehajtotta az utasításokat. Egy mai nyelvi modell ezzel szemben a természetes nyelvű kérésekből értelmezést alakít ki, kiegészítheti a hiányos utasításokat, alternatívákat javasolhat, sőt vissza is kérdezhet. A szerzők ezt a változást a gondolkodást segítő tárgytól a gondolkodást segítő ágensig (agent to think with) történő elmozdulásként írják le.
Fontos azonban a fogalmi különbség: a mesterséges intelligencia ettől még nem válik tudatos, önálló szándékokkal rendelkező vagy erkölcsi felelősséget viselő gondolkodóvá. A szerzők az oktatási ágens alatt sem pusztán egy nyelvi modellt értenek, hanem olyan pedagógiailag kialakított rendszert, amely a tanuló előzetes munkájához, nehézségeihez és tanulási céljaihoz igazodik.
A változás tehát nem egyszerűen annyi, hogy egy újabb eszközt helyezünk a diák kezébe. A tanuló immár olyan rendszerrel dolgozhat együtt, amelynek válaszai befolyásolják a további gondolkodását, miközben az együttműködés eredményéért továbbra is neki kell felelősséget vállalnia.
Mi marad a tanuló feladata?
A tanulmány egyik legfontosabb kérdése, hogy mely gondolkodási műveleteket bízhatjuk a mesterséges intelligenciára anélkül, hogy ezzel éppen a tanulás lényegét veszítenénk el. A szerzők különbséget tesznek a gondolkodást támogató és a gondolkodást helyettesítő kognitív tehermentesítés között.
Az első esetben az MI átvesz bizonyos részfeladatokat, de közben lehetőséget teremt arra, hogy a tanuló összetettebb problémákkal foglalkozzon, több megoldást mérlegeljen vagy alaposabban ellenőrizze a következtetéseit.
A második esetben a gép a tanuló helyett végzi el azokat a gondolkodási műveleteket is, amelyeknek éppen a gyakorlása lenne a feladat célja.
A szerzők a 7.5. fejezetben így fogalmaznak:
“The educational question is not whether cognition will be offloaded […] but what kind of offloading enlarges the learner’s capacity for judgment.”
Magyar fordítás: „Az oktatás szempontjából nem az a kérdés, hogy a gondolkodási tevékenység egy részét átruházzuk-e […], hanem az, hogy az átruházás mely formája fejleszti a tanuló ítélőképességét.” (Levin et al., 2026, 15. o.)
Ez a gondolat különösen fontosnak tűnik az iskolai MI-használat szabályozásakor. Nem elegendő azt meghatároznunk, hogy a diák milyen feladatokhoz használhat mesterséges intelligenciát. Azt is tisztáznunk kell, hogy az adott feladatban mely gondolkodási műveletek elvégzését várjuk el tőle önállóan.
Ha például a tanuló egy programozási feladatban az MI segítségével megtalál egy hibát, attól még történhet tanulás. A döntő kérdés az, hogy megérti-e a hiba okát, képes-e ellenőrizni a javítást, és hasonló helyzetben önállóan is alkalmazni tudja-e a megszerzett ismeretet.
Ugyanez a különbség egy irodalmi elemzésnél is megfigyelhető. Az MI által felkínált értelmezési lehetőségek segíthetik a gondolkodást, ha a diák összeveti őket a mű szövegével, bizonyítékokat keres, és saját következtetésre jut. Ha viszont az értelmezést változtatás nélkül átveszi, a kész produktum mögött nem feltétlenül áll önálló szövegértési és elemző tevékenység.
A kész válasz helyett a gondolkodás folyamata
A szerzők a tanulói megismerés négy egymáshoz kapcsolódó műveletét emelik ki, korábbi fejlődéslélektani kutatásokra támaszkodva:
- Hipotézisalkotás (Hypothesis): A tanuló megfogalmaz egy lehetséges magyarázatot vagy megoldást.
- Értékelés (Evaluation): Megvizsgálja, hogy a feltevés összhangban áll-e a rendelkezésére álló adatokkal és tapasztalatokkal.
- Indoklás (Justification): Érvekkel, bizonyítékokkal támasztja alá a választott megoldást.
- Integráció (Integration): Az új felismerést beépíti a korábbi tudásába, és más helyzetekben is alkalmazhatóvá teszi. (Levin et al., 2026, 12. o.)
Az MI mind a négy művelethez segítséget nyújthat. Javasolhat hipotéziseket, ellenpéldákat kereshet, érveket rendszerezhet és összefüggéseket mutathat meg. A pedagógiai probléma akkor jelentkezik, amikor a rendszer a teljes folyamatot egyetlen gördülékeny válasszá alakítja.
A tanuló így látszólag eljut a megoldásig, miközben kimaradhatnak azok a gondolkodási lépések, amelyek a megértés kialakulásához szükségesek. Ebből számomra egy fontos értékelési következtetés adódik: a generatív MI korában a kész produktum vizsgálatát egyre inkább ki kell egészítenünk a megoldáshoz vezető folyamat értékelésével.
Nemcsak arra érdemes rákérdeznünk, hogy milyen eredmény született, hanem arra is, hogyan jutott el odáig a tanuló, mit ellenőrzött, milyen alternatívákat mérlegelt, és képes-e megvédeni a saját döntéseit. Ez természetesen nem jelenti azt, hogy minden feladatot MI-vel kellene megoldatnunk, vagy hogy az önálló munkavégzés jelentősége csökkenne. Éppen ellenkezőleg: az önálló magyarázat, ellenőrzés és rekonstruálás képessége válik különösen fontossá.
Az algoritmikus gondolkodás mellé navigációs gondolkodás?
A tanulmány egy másik figyelemre méltó fogalma a navigációs gondolkodás (navigational thinking). Az algoritmikus gondolkodás során rendszerint meghatározott problémából indulunk ki. Azonosítjuk a szükséges adatokat, részfeladatokra bontjuk a megoldást, szabályokat alkotunk, majd végrehajtjuk és ellenőrizzük a műveleteket.
A generatív MI-vel folytatott együttműködés azonban gyakran másképpen kezdődik. Előfordulhat, hogy még magát a problémát sem tudjuk pontosan megfogalmazni. Kérdéseket teszünk fel, lehetséges irányokat próbálunk ki, megfigyeljük a válaszokat, és fokozatosan pontosítjuk, mit is szeretnénk megoldani. A szerzők ezt a nyitott problématérben történő tájékozódást nevezik navigációs gondolkodásnak.
Ehhez szorosan kapcsolódik az abduktív következtetés (abductive reasoning), amely Peirce nyomán a lehetséges magyarázatok megalkotását jelenti. Nem bizonyított következtetésről van szó, hanem olyan feltevésről, amelyet később ellenőriznünk kell.
Levin és munkatársai nem az algoritmikus gondolkodás leváltását javasolják. Állításuk szerint a navigációs és a számítási gondolkodás egymást kiegészítő folyamatok: amíg nem világos a probléma szerkezete, tájékozódunk és hipotéziseket alkotunk; amikor már pontosabban látjuk a feladatot, algoritmusokat, formális módszereket és ellenőrzési eljárásokat alkalmazhatunk. Ez a megközelítés a promptolás tanítását is új megvilágításba helyezi.
A jól megfogalmazott prompt fontos, de nem feltétlenül az egyszeri, tökéletes utasítás megalkotása a legértékesebb készség. Legalább ilyen lényeges, hogy a tanuló felismerje, mikor kell pontosítania a kérdést, módosítania a feltevését, vagy elvetnie egy ígéretesnek tűnő, de hibás megoldást. A párbeszéd tehát nem egyszerűen az MI irányításának technikája lehet, hanem maga is a tanulási folyamat részévé válhat.
Mit jelent mindez az iskolában?
Az új konstrukcionizmus nem ad kész módszertani útmutatót, és nem kínál egységes szabályrendszert az MI iskolai használatához. Arra azonban alkalmas, hogy új kérdéseket tegyünk fel a saját pedagógiai gyakorlatunkkal kapcsolatban.
Amikor egy feladatban engedélyezzük a mesterséges intelligencia használatát, érdemes előre végiggondolnunk, hogy a tanulónak milyen ismeretet vagy készséget kell elsajátítania. Az MI mely részfeladatokban jelent valódi segítséget, és hol venné át éppen azt a tevékenységet, amelynek gyakorlására a feladatot létrehoztuk?
A szerzők hangsúlyozzák, hogy az MI-rendszerek hibái is válhatnak tanulási lehetőséggé. Ez azonban nem történik meg automatikusan. A hibás válasz csak akkor fejlesztheti a tanuló gondolkodását, ha felismeri a problémát, rendelkezik az ellenőrzéshez szükséges ismeretekkel, és lehetősége van a megoldás újragondolására. A tanári szerep ezért nem szűnik meg, és nem is korlátozódik az MI-használat ellenőrzésére.
A pedagógus feladata továbbra is a tanulási célok meghatározása, a megfelelő feladatok kialakítása, a bizonyítékok és az értékelési szempontok kijelölése, valamint annak biztosítása, hogy a tanuló ne veszítse el saját gondolkodási felelősségét.
Egyúttal az értékelésben is új szempontok jelenhetnek meg. A hibátlan végtermék mellett láthatóvá kell tenni az önálló döntéseket, a javításokat, az ellenőrzés módját és a megszerzett tudás más helyzetekben történő alkalmazását.
Nem kész válasz, hanem kutatási program
Levin, Semenov és Gorsky tanulmánya ambiciózus elméleti vállalkozás. A konstrukcionizmus, a szemiotika és a generatív MI összekapcsolásával azt kívánja megmutatni, hogy a technológiai változás a tanulásról alkotott elképzeléseinket is átalakíthatja. A javasolt modell ugyanakkor több ponton további bizonyítást igényel.
A szerzők maguk is nyitott kérdésként kezelik például, hogy miként mérhető a háromdimenziós tanuláselméleti keretrendszer, hogyan hatnak annak összetevői a motivációra, és milyen életkori különbségek határozzák meg a gondolkodási feladatok biztonságos átruházását.
Nem tekinthetjük tehát bizonyítottnak, hogy a generatív MI-vel támogatott konstrukcionista tanulás önmagában eredményesebb lenne más pedagógiai megközelítéseknél.
A tanulmány értékét inkább abban látom, hogy a technológiai lehetőségekről visszairányítja a figyelmünket az oktatás alapvető céljához: az önálló, felelős gondolkodás fejlesztéséhez.
A kérdés ugyanis nem csupán az, hogy mire képes a mesterséges intelligencia a diák helyett, hanem az is, hogy mire válik képessé a diák a mesterséges intelligenciával végzett munka során. És talán ez az a különbség, amelyet az iskolai MI-használat szabályozásában, a tanítási módszereinkben és az értékelésben egyaránt érdemes szem előtt tartanunk.
A tanulói gondolkodás értékelése egy másik kérdést is felvet: vajon a diákok saját MI-műveltségükről alkotott képe mennyire felel meg a tényleges tudásuknak? Ezt a problémát az MI-műveltség: Azt mérjük, amit tudnak – vagy amit gondolnak magukról? című írásomban tárgyalom.
