Demo prompty dla prowadzącego

Gotowe do wklejenia w m365.cloud.microsoft — Wykładowca Sztucznej Inteligencji, uczelnia techniczna

Jak używać: Każdy prompt jest gotowy do skopiowania i wklejenia. Bloki kod to prompty. Komentarze pod nimi opisują co pokazać uczestnikom.

Plan B: Jeśli Copilot nie działa lub odpowiedź jest słaba — pod każdym demo jest sugerowany fallback.

Tryby: Przy każdym demo zaznaczono zalecany tryb (Quick Response / Think Deeper / Auto).

Poziom 1 — Podstawy

Demo 1.1a — Zły prompt (pokazanie problemu)

Tryb: Auto

Napisz sylabus

Co pokazać: Copilot wygeneruje coś generycznego. Zapytaj uczestników: "Czy to jest użyteczne?"

Plan B: Jeśli Copilot odmówi lub da bardzo krótką odpowiedź, pokaż screenshot przygotowany wcześniej.

Demo 1.1b — Dobry prompt (4 elementy Microsoft)

Tryb: Think Deeper

Goal: Stwórz kompletny sylabus przedmiotu na jeden semestr akademicki.

Context: Jestem wykładowcą na wydziale informatyki uczelni technicznej.
Przedmiot: "Podstawy sztucznej inteligencji". Kierunek: Informatyka.
Rok studiów: III (semestr 5). ECTS: 5. Forma: wykład (30h) + laboratorium (30h).
Studenci mają za sobą: Programowanie w Pythonie, Algebra liniowa,
Rachunek prawdopodobieństwa.

Source: Standardy Polskiej Ramy Kwalifikacji (PRK) poziom 6 i typowe efekty
kształcenia dla kierunku Informatyka na polskich uczelniach technicznych.
Uwzględnij aktualne trendy w AI z 2025-2026 (LLM, transformery, AI Act).

Expectations:
- Sekcje: cele kształcenia, efekty kształcenia (3x wiedza, 3x umiejętności,
  2x kompetencje społeczne), treści programowe (15 tygodni — osobno wykład
  i lab), metody dydaktyczne, kryteria oceny (z wagami %), literatura
  (3 obowiązkowe + 5 uzupełniających)
- Treści lab: praktyczne projekty w Pythonie (numpy, scikit-learn, PyTorch)
- Uwzględnij: etykę AI i AI Act w minimum 1 tygodniu
- Format: dokument gotowy do wklejenia w system USOS
- Ton: formalny, zgodny ze standardami sylabusów uczelnianych
- Język: polski

Co pokazać: Dramatyczna różnica w jakości. Policz ile edycji potrzeba w wersji A vs B. Zwróć uwagę na efekty kształcenia PRK, tygodniowy rozkład, literaturę.

Plan B: Jeśli Think Deeper jest wolny (>60 sek), przełącz na Auto i kontynuuj.

Demo 1.2 — Identyfikacja grzechów (na żywo z uczestnikami)

Tryb: Quick Response

Hej Copilot, zrób mi jakieś materiały na zajęcia z sieci neuronowych,
może prezentację albo ćwiczenia, i jeszcze wyślij to do studentów
na Teams, i niech będzie po angielsku albo po polsku, zależy jak wyjdzie.
Użyj jakichś fajnych przykładów żeby wyglądało profesjonalnie.

Co pokazać: Poproś uczestników o identyfikację grzechów:

1. Bundling (prezentacja + ćwiczenia + wysyłka)
2. Ghost expectations ("jakieś fajne przykłady")
3. Brak Source ("użyj jakichś")
4. Niezdecydowanie (PL/EN — "zależy jak wyjdzie") Potem wspólnie naprawcie prompt.

Demo 1.3 — Generowanie pytań egzaminacyjnych (Bloom)

Tryb: Think Deeper

Goal: Stwórz zestaw 15 pytań egzaminacyjnych z taksonomią Blooma.

Context: Przedmiot: Podstawy sztucznej inteligencji. Kierunek: Informatyka,
uczelnia techniczna. Rok: III. Temat: Sieci neuronowe — perceptron, MLP,
backpropagation, funkcje aktywacji, overfitting, regularyzacja.

Source: Wiedza na poziomie podręcznika Goodfellow et al. "Deep Learning"
rozdziały 6-7, uzupełniona o Bishop "Pattern Recognition and Machine
Learning" rozdział 5.

Expectations:
- Rozkład: 4x Zapamiętywanie, 3x Rozumienie, 3x Stosowanie,
  2x Analizowanie, 2x Ocenianie, 1x Tworzenie
- Pytania poziomu 1-3: jednokrotny wybór (4 odpowiedzi),
  w tym pytania z fragmentami kodu Python
- Pytania poziomu 4-6: otwarte, z konkretnymi scenariuszami
- Klucz odpowiedzi z uzasadnieniem
- Punktacja: poziom 1-2 = 1 pkt, 3-4 = 2 pkt, 5-6 = 3 pkt
- Format: tabela (Nr | Bloom | Pytanie | Odpowiedzi/Klucz | Pkt)
- NIE używaj podchwytliwych sformułowań
- Język: polski, terminy techniczne mogą być po angielsku

Co pokazać: Gotowy egzamin. Sprawdź czy pytania odpowiadają poziomom Blooma.

Plan B: Jeśli Copilot nie daje 15 pytań, dodaj: "Kontynuuj — brakuje pytań 11-15."

Demo 1.4 — Feedback dla studenta

Tryb: Auto

Goal: Napisz konstruktywny feedback do projektu studenckiego.

Context: Jestem wykładowcą "Podstaw sztucznej inteligencji" na uczelni
technicznej. Oceniam projekt zaliczeniowy — student III roku informatyki
zaimplementował klasyfikator obrazów (MNIST) w PyTorch.

Source: Kryteria oceny projektu:
- Poprawność implementacji (30%)
- Jakość kodu (czystość, komentarze, struktura) (20%)
- Eksperymentowanie (porównanie architektur/hiperparametrów) (25%)
- Raport (opis, wykresy, wnioski) (25%)

Expectations:
- Minimum 3 konkretne pochwały
- Max 3 obszary do poprawy, KAŻDY z sugestią jak poprawić
- 2-3 pytania rozwojowe zamiast krytyki
- Ocena: 4.0 — student zrobił solidną implementację CNN, ale użył
  tylko jednej architektury, raport krótki (2 strony zamiast 5),
  za to kod jest czysty
- Ton: wspierający ale szczery
- Długość: 250 słów
- Format: gotowy do wysłania emailem

Co pokazać: Zbalansowany feedback — nie tylko "dobrze/źle" ale konkretne wskazówki. Pytania rozwojowe zamiast krytyki.

Demo 1.5 — Iterative refinement (fix-prompt)

Instrukcja: Po demo 1.4, w TYM SAMYM czacie wklej:

Tryb: Auto (kontynuacja)

Dobrze, ale zmień 3 rzeczy:
1. Dodaj na początku zdanie doceniające, że student wybrał trudniejszy
   temat (CNN zamiast prostego MLP)
2. W pytaniach rozwojowych dodaj jedno o data augmentation
3. Ton jest trochę za formalny — zamień "Należałoby rozważyć"
   na "Warto spróbować"
Resztę zachowaj bez zmian.

Co pokazać: Fix-prompt jest krótszy niż oryginalny prompt, celuje w konkretne problemy, mówi co zachować.

Poziom 2 — Nowe funkcje Copilot 2026

Demo 2.0 — Selektor modeli na żywo

Instrukcja: Pokaż uczestnikom selektor modeli w interfejsie Copilot Chat.

Wyjaśnij czym jest entropia w termodynamice.

Co pokazać:

1. Wklej ten sam prompt w Quick Response — odpowiedź w 3 sek, krótka
2. Przełącz na Think Deeper — odpowiedź w 15-30 sek, bardziej szczegółowa
3. Porównaj: długość, głębokość, czas Punkt: Quick = definicja. Think Deeper = wykład.

Demo 2.1 — Copilot Memory na żywo

Instrukcja: Pokaż konfigurację Memory na żywo.

Krok 1: Otwórz Ustawienia > Personalizacja > Instrukcje niestandardowe. Wklej:

Jestem wykładowcą Podstaw Sztucznej Inteligencji na uczelni technicznej.
Preferuję odpowiedzi w języku polskim, ton profesjonalny.
Domyślny format: tabela lub lista numerowana.
Moi studenci to III rok informatyki.

Krok 2: W nowej sesji czatu wklej:

Goal: Stwórz 3 pytania powtórkowe na następny wykład.
Context: Temat: sieci konwolucyjne (CNN).
Expectations: Format dopasowany do moich preferencji.

Co pokazać: Copilot automatycznie użył polskiego języka, tonu i formatu z Memory — BEZ przypominania w prompcie.

Plan B: Jeśli Memory nie zadziałał — pokaż jak go skonfigurować krok po kroku.

Demo 2.2 — Copilot Pages na żywo

Tryb: Auto

Goal: Stwórz plan semestralny przedmiotu "Podstawy AI" — 15 tygodni.

Context: Uczelnia techniczna, III rok informatyki.
Wykład (30h) + Lab (30h).

Source: Standardowy program kształcenia z AI na polskich uczelniach.

Expectations: Tabela: Tydzień | Temat wykładu | Temat lab | Uwagi

Co pokazać:

1. Po wygenerowaniu: kliknij "Edytuj w Pages"
2. Pokaż: edycja bezpośrednia, dodawanie notatek
3. Kliknij "Udostępnij" — pokaż jak wysłać link
4. W Pages: kliknij Copilot i dodaj kolumnę "Materiały"

Punkt: Pages = żywy dokument, nie jednorazowa odpowiedź.

Plan B: Jeśli Pages nie jest dostępny — pokaż screenshot i wyjaśnij koncept.

Demo 2.3 — Prompt Gallery na żywo

Instrukcja:

1. Otwórz m365.cloud.microsoft/copilot-prompts
2. Pokaż 3 zakładki: Sugerowane | Twoje prompty | Zespoły
3. Kliknij dowolny prompt Microsoft — pokaż jego strukturę
4. Zapisz prompt z Demo 1.3 do galerii
5. Udostępnij zespołowi Teams (jeśli dostępny)

Co pokazać: Galerię jako "bibliotekę promptów katedry". Standaryzacja jakości.

Plan B: Jeśli Gallery nie jest dostępna, otwórz stronę web i pokaż prompty Microsoft.

Poziom 3 — Zaawansowane techniki

Demo 3.1 — Chaining (łańcuch 3 promptów)

Prompt 1 (Think Deeper):

Goal: Przeanalizuj temat "Transformery i mechanizm uwagi (attention)"
pod kątem trudności dla studentów.

Context: Przedmiot: Podstawy AI, uczelnia techniczna, III rok informatyki.
Studenci znają perceptrony, MLP i CNN, ale NIE mieli NLP ani RNN/LSTM.

Source: Wiedza na poziomie podręcznika Goodfellow et al. "Deep Learning".

Expectations: Lista 5 najtrudniejszych konceptów + dlaczego są trudne
+ typowe błędy w rozumieniu. Format: numerowana lista.

Prompt 2 (w TYM SAMYM czacie, Quick Response):

Na podstawie tej analizy, stwórz plan 90-minutowego wykładu,
który adresuje te trudności. Zacznij od najłatwiejszego konceptu.

Format: tabela [Czas | Temat | Metoda | Jak adresuję trudność | Materiały]
Uwzględnij: 1 przerwę 5 min, 2 momenty interaktywne, 1 demo z kodem.

Prompt 3 (w TYM SAMYM czacie):

Dla najtrudniejszego konceptu (prawdopodobnie self-attention), stwórz:
1. Analogię ze świata codziennego dla studenta bez wiedzy o NLP
2. Wizualizację krok po kroku jak attention weights są obliczane
   dla zdania "Kot siedział na macie bo był zmęczony" — pokaż
   na co "zwraca uwagę" słowo "był"
3. Mini-ćwiczenie (5 min): student interpretuje macierz attention

Format: gotowy materiał do pokazania na slajdzie.

Co pokazać: Jak Copilot pamięta kontekst z poprzednich promptów. Trzeci prompt korzysta z analizy pierwszego — bez powtarzania.

Plan B: Jeśli Copilot "zapomni" kontekst — wklej kluczowe wnioski z promptu 1 na początku promptu 3.

Demo 3.2 — Tone control (4 wersje odpowiedzi)

Tryb: Auto

Goal: Napisz 4 warianty odpowiedzi na email studenta w różnych tonach.

Context: Student III roku pisze: "Panie doktorze, chciałbym przedłużyć
termin oddania projektu o 2 tygodnie. Mam dużo projektów z innych
przedmiotów i nie daję rady."

Jestem wykładowcą Podstaw AI. Regulamin: max 1 tydzień za -5% oceny.
Termin minął 2 dni temu.

Source: Regulamin studiów uczelni — sekcja o przedłużeniach terminów.

Expectations:
- Wariant A — Formalny: suchy, do dokumentacji
- Wariant B — Empatyczny: okaż zrozumienie
- Wariant C — Asertywny: 3. prośba w semestrze
- Wariant D — Mentorski: nauka zarządzania czasem
- Każdy: max 80 słów, jasna decyzja + warunki
- Na końcu: tabela (wariant | ton | kiedy użyć | ryzyko)

Co pokazać: Ten sam przekaz, 4 różne efekty. Zapytaj uczestników który wybraliby.

Demo 3.3 — Source attribution + halucynacje

Najpierw: prowokacja halucynacji

Tryb: Quick Response

Opisz 5 najważniejszych osiągnięć polskich naukowców w dziedzinie
sztucznej inteligencji z datami, instytucjami i publikacjami.
Max 300 słów.

Co pokazać: Sprawdź na żywo w Google Scholar 2-3 twierdzenia.

Następnie: ten sam temat z source attribution

Tryb: Think Deeper

Goal: Opisz 5 najważniejszych osiągnięć polskich naukowców w AI.

Context: Jestem wykładowcą AI na uczelni technicznej.

Source: Potwierdzone bazy naukowe, oficjalne strony instytucji.

Expectations:
- Dla KAŻDEGO twierdzenia: [źródło: autor, tytuł, rok, DOI jeśli znany]
- Jeśli nie jesteś pewien — napisz: [WYMAGA WERYFIKACJI]
- Jeśli nie masz źródła — napisz: BRAK POTWIERDZONEGO ŹRÓDŁA
- NIE wymyślaj tytułów publikacji
- Max 300 słów

Co pokazać: Porównanie — ile "pewnych" faktów zniknęło? Ile dostało tag [WYMAGA WERYFIKACJI]?

Demo 3.4 — Meta-prompting

Tryb: Think Deeper

Goal: Wygeneruj szablon prompta do tworzenia ćwiczeń laboratoryjnych,
który każdy prowadzący na wydziale może wypełnić.

Context: Jestem koordynatorem laboratorium AI na wydziale uczelni.
Mam 8 prowadzących, którzy piszą: "napisz ćwiczenie z sieci neuronowych".

Source: 4 elementy skutecznego promptu Microsoft: Goal, Context, Source,
Expectations.

Expectations:
- Pola: [TEMAT_LAB], [CZAS], [BIBLIOTEKI], [LEVEL], [EFEKTY_KSZTAŁCENIA]
- Gotowy szablon z instrukcją: "Wypełnij pola i wklej do Copilot Chat"
- 1 przykład wypełnionego szablonu
- Format: blok kodu gotowy do skopiowania + instrukcja w 3 zdaniach

Co pokazać: Daj wygenerowany szablon uczestnikowi do wypełnienia na żywo. Czy poradzi sobie bez pomocy?

Demo 3.5 — Self-consistency (3 czaty)

Instrukcja: Otwórz 3 osobne sesje Copilot Chat.

Czat 1 — Optymista:

Goal: Znajdź 5 mocnych argumentów ZA zastąpieniem egzaminu pisemnego
z "Podstaw AI" formatem project-based assessment.

Context: Wciel się w entuzjastę edukacji AI. Uczelnia techniczna,
III rok informatyki, 120 studentów.

Source: Badania nad project-based learning w edukacji wyższej.

Expectations: 5 argumentów z danymi/przykładami. Bądź przekonujący.

Czat 2 — Pesymista:

Goal: Znajdź 5 ryzyk zastąpienia egzaminu pisemnego z "Podstaw AI"
formatem project-based assessment.

Context: Wciel się w sceptycznego profesora z 30-letnim doświadczeniem.
120 studentów. Uwzględnij: plagiat (GitHub Copilot), nierówność
w zespołach, obciążenie prowadzącego.

Source: Doświadczenia z wdrożeń nowych form oceniania na uczelniach.

Expectations: 5 argumentów. Bądź szczery i konkretny.

Czat 3 — Analityk:

Goal: Stwórz zbalansowaną rekomendację.

Context: Argumenty ZA: [WKLEJ Z CZATU 1]
Argumenty PRZECIW: [WKLEJ Z CZATU 2]

Source: Oba zestawy argumentów powyżej.

Expectations:
- Tabela: argument | waga 1-10 | źródło | rekomendacja
- Podsumowanie w 3 zdaniach
- Propozycja kompromisu (np. hybryda 50/50)

Co pokazać: Jak różne perspektywy dają pełniejszy obraz. Czy optymista pominął argument o plagiacie?

Poziom 4 — Python Code Interpreter

Demo 4.1 — Prezentacja PowerPoint z Pythona

Tryb: Auto (Code Interpreter)

Goal: Napisz skrypt Python generujący prezentację PowerPoint
"Sieci neuronowe — od perceptronu do deep learning".

Context: Wykład 90 min, uczelnia techniczna, III rok informatyki.

Source: Wiedza z zakresu sieci neuronowych na poziomie podręcznika
Goodfellow "Deep Learning" rozdziały 6-7.

Expectations:
Skrypt Python z python-pptx tworzący .pptx z:
1. Slajd tytułowy (tytuł, dr [Imię], [UCZELNIA], luty 2026)
2. Slajd "Agenda" — 8 tematów z czasem
3. 8 slajdów merytorycznych (nagłówek + 3-5 bullet pointów)
4. 1 slajd z tabelą (funkcje aktywacji: Nazwa | Wzór | Zakres | Kiedy)
5. 1 slajd z wykresem matplotlib (krzywa uczenia, overfitting po epoce 30)
6. Slajd "Pytania?" — minimalistyczny

DESIGN: tło #1a1a2e, tekst #e0e0e0, akcent #00d4aa, Calibri, 16:9
Kompletny kod Python + instrukcja instalacji.

Co pokazać: Jeśli Code Interpreter aktywny — plik do pobrania. Jeśli nie — skopiuj kod, uruchom lokalnie.

Plan B: Jeśli Code Interpreter nie działa, pokaż wygenerowany kod i wyjaśnij jak uruchomić lokalnie.

Demo 4.2 — Interaktywne ćwiczenia HTML

Tryb: Auto (Code Interpreter)

Goal: Wygeneruj kompletny plik HTML z interaktywnymi ćwiczeniami
ze sztucznej inteligencji.

Context: Temat: Sieci neuronowe — podstawy. Studenci III roku
informatyki. Do samodzielnej pracy przed laboratorium.

Source: Wiedza z zakresu sieci neuronowych na poziomie wykładowym.

Expectations:
JEDEN plik HTML (inline CSS + JS, BEZ zewnętrznych zależności):
1. QUIZ (8 pytań): perceptron, aktywacje, backprop, overfitting
   - Natychmiastowy feedback + wyjaśnienie
   - Wynik X/8 + ocena słowna
2. DRAG & DROP: 6 terminów ↔ 6 definicji
3. "ZAPROJEKTUJ SIEĆ": wybór warstw, neuronów, aktywacji
   - Symulacja treningu (pasek postępu)
4. PODSUMOWANIE: łączny wynik %

DESIGN: responsive, ciemny motyw (#0a0a1a), akcent #00d4aa, system-ui
Nagłówek: "Sieci Neuronowe — Ćwiczenia interaktywne"
Język: POLSKI

Co pokazać: Otwórz HTML w przeglądarce na żywo. Jeden prompt = kompletne ćwiczenie.

Demo 4.3 — Wizualizacja danych (syntetyczne wyniki)

Tryb: Auto (Code Interpreter)

Goal: Wygeneruj syntetyczne dane egzaminacyjne i raport wizualny.

Context: Przedmiot: Podstawy AI, uczelnia techniczna.

Source: Syntetyczne dane wygenerowane na potrzeby demonstracji.

Expectations:
Skrypt Python:
1. DANE: 90 studentów, 3 grupy (A, B, C), 10 pytań (0-5 pkt)
   Grupa B najlepsza, C najsłabsza. Q7-Q10 trudniejsze.
2. ANALIZA: średnia, mediana, std per grupa i per pytanie
3. WYKRESY (4 na jednym figure 16x12):
   - Histogram ocen (3 grupy obok siebie)
   - Boxplot punktów per grupa
   - Heatmap trudności pytań
   - Scatter: Q1 vs Q10 z linią trendu
4. PODSUMOWANIE: najtrudniejsze pytanie + najsłabsza grupa + 3 rekomendacje

Styl: ciemne tło #1a1a2e, kolory: #00d4aa, #ff6b6b, #ffd93d, dpi 150

Co pokazać: 4 profesjonalne wykresy z jednego prompta.

Poziom 5 — Ekspert: awatary i ewaluacja

Demo 5.1 — Stwórz ćwiczenie + samoocena AI

Krok 1: Generowanie (Think Deeper)

Goal: Stwórz kompletne ćwiczenie laboratoryjne "Klasyfikacja obrazów
z CNN w PyTorch".

Context: Podstawy AI, uczelnia techniczna. III rok informatyki.
90 minut. Praca indywidualna. Pierwszy kontakt z CNN.

Source: Wiedza z zakresu CNN na poziomie podręcznika Goodfellow "Deep Learning"
rozdziały 9-10.

Expectations:
- Wprowadzenie (5 min): co to CNN, dlaczego lepsze niż MLP dla obrazów
- Instrukcja krok po kroku (60 min): 6 kroków od załadowania danych
  do ewaluacji z confusion matrix
- Zadanie samodzielne (20 min): dodaj dropout i data augmentation
- 3 pytania kontrolne
- Rubryka: 4 poziomy (5.0/4.0/3.0/2.0)
- Kod startowy z # TODO
- Format: gotowy do wydruku

Krok 2: Samoocena (w tym samym czacie)

Teraz oceń to ćwiczenie. Bądź SUROWY i OBIEKTYWNY.

Ocena w 8 aspektach (1-10):
1. MERYTORYKA — poprawność i aktualność
2. PEDAGOGIKA — struktura wspierająca uczenie się
3. TRUDNOŚĆ — adekwatność do III roku
4. INSTRUKCJE — zrozumiałość bez pytania prowadzącego
5. CZAS — realność 90 minut
6. ANGAŻOWANIE — czy to interesujące?
7. OCENIALNOŚĆ — jasność rubryki
8. PRAKTYCZNOŚĆ — powiązanie z przemysłem

Format: tabela + średnia ważona (merytoryka i pedagogika x2).
TOP 3 PROBLEMY do naprawienia.

Co pokazać: AI potrafi krytycznie ocenić swój output. Zwykle znajdzie realne problemy.

Demo 5.2 — Panel awatarów ewaluacyjnych

Tryb: Think Deeper

Goal: Oceń ćwiczenie "CNN w PyTorch" z perspektywy 4 awatarów.

Context: [WKLEJ ĆWICZENIE Z KROKU 5.1]

Source: Standardy dydaktyki akademickiej, PRK, oczekiwania rynku pracy.

Expectations:
AWATAR 1 — "Kasia" (studentka III roku, pilna):
- "Czy instrukcja jest jasna? Czy dam radę w 90 minut?"

AWATAR 2 — "Prof. Tomasz" (35 lat na uczelni, sceptyk):
- "Czy to uczy myślenia, czy to tutorial z YouTube?"

AWATAR 3 — "Dr Anna" (audytor PKA):
- "Czy to przejdzie wizytację? Czy efekty mierzalne?"

AWATAR 4 — "Michał" (CTO, zatrudnia ML engineerów):
- "Czy absolwent po tym napisze produkcyjny pipeline?"

DLA KAŻDEGO: ocena 1-10 + TOP 2 zmiany do 10/10 + cytat in-character.
Na końcu: tabela zbiorcza + KONSENSUS + KONFLIKTY między awatarami.

Co pokazać: Awatary dają różne oceny. Prof. Tomasz chce więcej teorii, Kasia chce prostszych instrukcji — to realny konflikt w dydaktyce.

Demo 5.3 — Pętla doskonalenia

W NOWYM czacie:

Goal: Przepisz ćwiczenie "CNN w PyTorch" tak, aby KAŻDY z 4 awatarów
dał minimum 9/10.

Context: Oryginalne ćwiczenie: [WKLEJ]
Oceny awatarów: [WKLEJ TABELĘ]

Source: Sugestie awatarów z oceny.

Expectations:
1. Zaimplementuj TOP 2 zmiany każdego awatara
2. Oznacz: [ZMIANA DLA KASI], [DLA PROF. TOMASZA], itd.
3. Sprawdź czy zmiana dla jednego nie psuje oceny innego
4. Ponowna ocena przez każdego awatara
5. Jeśli <9/10: kolejna iteracja

Format: ćwiczenie v2.0 + nowa tabela ocen (v1 | v2 | zmiana).

Co pokazać: Cykl tworzenia–oceny–poprawki. AI robi to w 2 minuty zamiast 2 tygodni.

Bonus: szybkie demo na zakończenie

"Zbuduj mi rubrikę do oceny TEGO warsztatu"

Tryb: Quick Response

Goal: Stwórz rubrykę do oceny jakości tego warsztatu.

Context: 5-godzinny warsztat "Microsoft 365 Copilot Chat dla Uczelni".
5 poziomów trudności. Uczestnicy: wykładowcy uczelni.

Source: Standardy ewaluacji szkoleń (model Kirkpatricka poziom 1-2).

Expectations:
- 5 kryteriów: praktyczność, angażowanie, poziom trudności,
  przydatność materiałów, gotowość do wdrożenia
- 4 poziomy per kryterium (1-4 pkt)
- Format: tabela do wydruku
- Na dole: pole na komentarze
- Pytanie: "Jaki JEDEN prompt z warsztatów wykorzystasz jutro?"

Co pokazać: Meta-moment — AI tworzy narzędzie do oceny warsztatu. Rozdaj jako formularz ewaluacji.

Quick Reference: Tryby Copilot Chat

Quick Reference: Nowe funkcje 2025-2026

Prompty przygotowane dla prowadzącego warsztaty AI | uczelnie w Polsce | 2026 Źródła zweryfikowane z Microsoft Learn | Marzec 2026