AI грамотност

Автоматичен машинен превод на тази английска страница, който още не е проверен от носител на езика.

AI грамотност — знанията, уменията и критичните диспозиции, необходими за разбиране, оценяване и ефективно използване на AI Technologies в образователен контекст. AI грамотността обхваща фундаментално разбиране на това как работи AI, практически компетентност в използването на AI инструменти, критично оценяване на AI резултатите и етическа осведоменост за обществените последици на AI.

Въпроси за размисъл

• Какво означава да си „AI-грамотен“? Дали е да знаеш как да използваш инструментите, да разбираш как работят, или да можеш да оценяваш критично тяхното съдържание — и кое от тях е най-важно за вашите собствени цели?
• Собственодокладваната AI грамотност се разминава рязко с измерената ефективност — преподавателите надценяват уменията си с около 40%. Колко сте уверени в собствените си AI умения и какви доказателства бихте приели, за да проверите наистина тази увереност?
• AI грамотността е описана като метакогнитивна социална практика, а не като списък с умения. Тъй като LLM са вероятностни и непрозрачни, какво означава да „оценяваш критично“ съдържание, когато не можеш да видиш вътре в модела?
• Съществува напрежение между грамотността за критично използване в академична среда и грамотността за интегриране в работния процес при наемане на работа — преподаватели и работодатели ценят различни умения. Кой вид AI грамотност вашият контекст всъщност преподава?
• Само техническото обучение по AI грамотност, без подкрепа за самоефективността и саморегулацията, всъщност може да увеличи зависимостта от AI. Как ученето да използваш AI може да те направи по-зависим, вместо по-способен?
• AI грамотността е и умение за разпознаване: засичане кога AI се съгласява с теб, защото е подхамващо настроен, а не защото си прав. Хващали ли сте някога AI да ви казва точно това, което искате да чуете?

Въведение

AI грамотността бързо се утвърждава като основна компетентност за обучаеми, преподаватели и институции, тъй като Generative AI става все по-вграден в образованието. За разлика от общата дигитална грамотност, AI грамотността изисква разбиране на вероятностни системи, които могат да халюцинират, да проявяват предубеждения и да преместват Learner Agency от човека към машината — което прави Critical Thinking и прекомерната зависимост централни за конструкта.

Измерения на AI грамотността

AI грамотното проучване в тази база знания обхваща четири взаимосвързани измерения:

Рамките все по-често проследяват как тези измерения се осъществяват на практика: Dai & Chan (2026) показват как аспирантите-изследователи осъществяват четирите измерения, когато използват Generative AI в работния процес на научното изследване, и извеждат от тях специфични за изследването указания за отговорно използване, докато Şan & Orhan Karsak (2026) използват картиране чрез словесни асоциации, за да покажат, че AI познанието на турските студенти бакалаври е инструментално доминирано от „черната кутия“, при етическо-управленските концепции, структурно изолирани (τ=−0.819) — доказателство, че дизайнът на квалификациите трябва умишлено да свързва емпиричното използване на инструменти с етическите рамки.

Изискването зависи от това какво студентът и системата съвместно вършат. Рамките за грамотност обикновено описват един общ набор от компетенции, но това какво изисква дадена подкрепяна от GenAI дейност варира според това как е разпределена епистемичната работа в нея. Sun, Dohn and Rehm (2026) класифицират 102 емпирични проучвания в висшето образование спрямо таксономията на Strobel и др. за приложенията на GenAI и установяват, че преплетенията от тип Assistant и Enabler доминират с по 42.16% от корпуса, докато Generator, Reimaginator и Synthesizer заедно отговарят за по-малко от една пета — отклонение, което приписват на институционалната легитимност, а не на възможностите на модела, тъй като едни и същи модели поддържат и петте. Четенето на всеки тип през трите нива на контекст на Dohn (вътрешно в домейна, вътрешно в дейността, рамкиращо дейността) показва, че изискванията се слепят за работата тип Assistant и се разпадят за маргиналните типове, където това, което дейността изисква от студентите, се разминава с това, което институцията признава за легитимна компетентност. Тяхното заключение отдалечава грамотността напълно от владеенето на инструментите: GenAI грамотността е способността да разпознаваш как е разпределена епистемичната работа и отговорността в дадено преплетение и да действаш уместно в него.

Фундаментални знания: Разбиране какво са LLM, как се различават от базираните на правила системи и какви са основните им ограничения. Това включва осведоменост за възможностите на моделите, пристрастията в тренировъчните данни и разликата между AI за конкретна задача и модели с общо предназначение. Проучванията в Prompt Engineering разглеждат как разбирането на механизмите на подканите влияе върху ефективното използване на AI.

Практическа компетентност: Способността да използваш AI инструменти ефективно — от Prompt Engineering до интерпретиране на резултатите. Проучванията на моделите на използване на GenAI от студенти разкриват, че самият достъп до инструментите не създава компетентност; структурираната практика и Scaffolding са от съществено значение. Рамката „vibe coding“ показва как преподавателите в K-12 могат да развиват практически AI грамотност чрез насочено създаване на инструменти. Miles, Haber-Curran and Arar (2026) твърдят, че това измерение има част, която оптимизиращото обучение пропуска: грамотността за подканите, за разлика от подканното инженерство, третира подканването като риторически и етичен акт, така че обучението, което само настройва резултатите за по-добра ефективност, оставя ненадникнати етичните и епистемичните измерения на използването на LLM.

Критично оценяване: Способността да оценяваш резултатите на AI за точност, пристрастие и уместност. Проучванията върху оценяването на грамотността показват 40% разлика между собственодокладваната и базираната на изпълнението AI грамотност — хората последователно надценяват уменията си за оценяване. Това отклонение е най-ясният случай в базата знания на самодокладваща мярка, която не успява да проследи компетентността, която назовава. Това се свързва с проучванията за прекомерната зависимост, показващи, че студентите, които доверяват се на AI некритично, се учат по-малко. Скорашната концептуална работа насочва оценяването към верификация: рамката PEARLS (Wang) третира изхода на AI като предварително твърдение за знание, чието основание трябва да бъде събрано и разгледано по шест измерения (Process, Evidence, Access, Reproducibility, Legitimacy, Source), и представя обучението, водено от верификация, като механизма, чрез който обучаемите изграждат експертност, докато проверяват твърденията на AI. В допълнение, рамката за отговорно използване, центрирана върху студента (Alsammani) предлага десет указания, насочени към студентите, разпределени по стълбовете Learning and Growth, Ethics and Integrity, и Awareness and Safety, които външно третират метакогнитивните подкани в момента на решението. За средношколските обучаеми рамката AI-Assisted Research Competency (AARC) (Beau, Flaquière & Lazar 2026) го основава на епистемологията на добродетелите и на AI интуицията, като дефинира изследователската грамотност като провеждане на изследване с AI, без да се предават авторството, преценката, верификацията или отговорността — операционализирана като аналитична рубрика и рутинен ангажимент „провери – цитирай – осмисли“. В края на оценяването, Saleh (2026) предлага тест за човешките способности, който превръща оценяването в принцип на дизайна: запитайте какво трябва да демонстрира студентът самостоятелно, какво може да бъде усилено чрез AI надграждане и какво студентът трябва да провери, защити и поеме отговорност за.

Дисциплинарната верификация вдига допълнително същата летва. Vega-Baudrit and Rivera Alvarez (2026) твърдят, че в университетската химия основното изискване на AI грамотността е репрезентационният превод между макроскопската, субмикроскопската и символната области на Johnstone, защото даден резултат може да бъде локално убедителен в една област, като същевременно противоречи на зарядовия баланс, на механизъм или на граница за безопасност в друга. Тяхното лекарство е интеграция, центрирана върху верификацията: направете верификацията оценявана дейност, пазете журнали на подканите и истории на ревизиите като следи на разсъждението, и третирайте подканването като епистемичен акт, който специфицира ограничения, допускания и критерии за адекватност, като студентите идентифицират фалшиво допускане или обосновават отхвърлянето на генериран отговор.

Етическа и институционална осведоменост: Разбиране на по-широките последици на AI — от Academic Integrity до Equity до поверителността. AI грамотността на институционално ниво включва разработване на политики, Educational Development и рамки за управление — институционалната AI грамотност е въпрос на политика не по-малко, отколкото на педагогика. Рамката EPIQ-AI представя институционалната AI грамотност като социотехнически предизвикателство за подравняване, а не просто индивидуално обучение.

• AI грамотността като управленска способност за устойчиво развитие. Islam, Morshed, and Islam (2026) реконцептуализират AI грамотността като управленски ориентирана способност, а не като чисто образователно или техническо умение, като я свързват с всичките седемнадесет Цели на ООН за устойчиво развитие. Тяхната шестстепенна таксономия AIRE (Recognize → Comprehend → Apply → Analyze → Integrate → Govern) разширява йерархията на Блуум, като добавя етичен синтез и стратегическо предвиждане, позиционирайки напредналите компетенции (Analyze–Govern) като пътя от фундаменталната грамотност към управлението на институционално и политическо ниво — евристика за „18-та ЦУР“, която третира грамотността като междусекционен когнитивен и етичен мост. Проучване на 300 професионалисти в национален контекст намира силна техническа осведоменост, но ограничена етическа и управленска готовност, като етичното разсъждение и рефлексивното мислене са най-силните предиктори за устойчиво, достойно доверие използване на AI, а управленската грамотност е най-силният предиктор за осведоменост за връзката AI–ЦУР (β = 0.64). Това емпирично основава акцента на базата знания върху грамотността за критично използване и свързва AI грамотността направо с Sustainability и с интегрирането на политиката. Предлагането на рамки вече е само по си си проблем. Fitsilis (2026) сравнява 16 институционално одобрени рамки за AI компетентности за образование и развитие на работната сила и намира споделено ядро от десет области на компетентност, но с широка вариация в структурата, прогресията и указанията за внедряване — практическата трудност е да избираш между тях, а не липса.

Как се развива AI грамотността

Проучванията посочват съвместните и активните подходи като най-ефективни. Rismanchian & Doroudi позиционират AI грамотността като нещо повече от приложимо умение: в тяхната рамка AI×Ed обучаемият е отчетлив краен потребител на AI (достъпван чрез AI грамотността и AI образованието), и те защитават възобновена работа по AI грамотността, която насърчава рефлексия върху самото учене — третирайки грамотността като път обратно към изследванията на „AI като аналогия на човешкия интелект“ за това как хората се учат, направление, което областта до голяма степен изостави. Рамката ICAP Framework (Interactive → Constructive → Active → Passive) предоставя полезна таксономия на когнитивното ангажиране: студентите се учат на AI грамотност най-добре, когато съ-конструират знание, вместо пасивно да приемат информация. Проектантите трябва да избират режима, който отговаря на учебната цел, и да предпочитат по-дълбоките (конструктивни и интерактивни) режими, когато е възможно. Практическите дейности — проектиране на подкани, оценяване на резултати в групи, диспутиране на AI Ethics — надминават лекциите.

Съчинението започва от преживяния — но дълбочината на концепциите се нуждае от scaffolding. Burriss et al. (2026) установяват, че младите хора закотвят абстрактните принципи на AI Ethics в системи, с които се сблъскват всекидневно — електронни „hall passes“, училищни лаптопи със защита, детектори за плагиатство — като една група обяснява, че AI в училище „беше лично за всички членове на групата“, и 15 от 18 отговора в проучването в края на модула докладват, че създаването на видеото е променило разбирането им за AI етиката. Авторите са изрични относно ограничението: самото съчиняване не гарантира концептуално основание — „informed consent“ беше преведено като „We gotta approve“, а някои термини (напр. „failsafe“) никога не бяха обяснени, което ги подтикна да планират по-дълбока концептуална работа в следващите итерации. Творческото производство развива AI грамотността най-добре, когато изричният концептуален Scaffolding придружава създаването, вместо да се предполага, че произтича от него.

AI интуицията като емпирично допълнение на грамотността. Повтарящ се пропуск е, че рамките за K-12 приемат, че обучаемите се доближават AI чрез декларативни, базирани на правила знания, когато на практика те първо развиват практическо „усещане“ за това как AI отговаря — експериментирайки с подкани, наблюдавайки поведението, адаптирайки стратегиите — преди да могат да формулират официални принципи. Beau & Lazar (2026) го формализират като AI интуиция: емпирично, индуктивно, често подразбиращо се разбиране, което се развива чрез итеративно взаимодействие с AI системите и поддържа контекстно-чувствителна преценка при несигурност. Тяхната двойна рамка поставя AI грамотността (структурирани, до голяма степен статични компетенции) редом с AI интуицията (динамичен процес на учене), като картографира и двете през стандартните измерения — разбирай концепциите, използвай инструментите, оценявай критично, прилагай етично, осмисляй — така че обучаемите съчетават концептуална яснота и Guardrails (грамотност) с практическата мъдрост да се доверяваш, но да проверяваш, и да решаваш кога да се оттеглиш (интуиция). Тъй като интуицията култивира „експертното наблюдение“ на AI (напр. стресиране на подканите, за да се намери където моделът се проваля), авторите твърдят, че тя е предпазна мярка срещу прекомерната зависимост и ерозията на критичното мислене; тя се различава от Prompt Engineering (което оптимизира резултатите) с това, че изпъква епистемичната преценка. Това свързва грамотността с Experiential Learning, Constructivism и развитийно основана класна практика, и насочва подготовката на преподавателите към улесняване на индуктивно проучване, вместо само излагане на концепции.

Мотивацията е предпоставка, а не просто резултат. Liang et al. (2026) установяват, че при 2,086 средношколци в едногодишна AI учебна програма, студентите, които преминаха към или останаха в Self-Determined мотивационен профил (висока автономност, компетентност и задоволяване на потребността от свързаност), показаха най-големите придобивки в AI грамотността. AI грамотността се развива чрез продължително ангажиране, и това ангажиране само по си се оформя от мотивацията и подкрепата за психологическите потребности — така че ефективното обучение по AI грамотност трябва да обръща внимание на мотивацията на обучаемите, а не само на уменията им.

Акцентът в обучението и отвореността на задачите достигат до ефективността през различни потребности. Yu, Lin and Chen (2026) рандомизират 320 студенти бакалаври в четири групи в експеримент 2 x 2 върху задача за генериране на изображения с AIGC, оценена с обективна рубрика (ICC = 0.89), и намират, че обучението, базирано на мислене, обхващащо ограниченията на моделите, критичното оценяване и етиката, надминава обучението за подканване, базирано на умения (M = 9.21 срещу 7.69, F(1, 316) = 50.79, p < 0.001, частичен eta на квадрат = 0.138), с по-голямата разлика при задачите с отворен край (10.10 срещу 8.00). Структурният модел показва, че двете решения по дизайна пътуват по различни пътища: обучението работи непряко през автономността (beta = 0.035) и компетентността (beta = 0.079), докато отвореността на задачата действа главно през автономността (beta = 0.029), компетентността е най-силният предиктор за ефективността (beta = 0.358), а свързаността няма самостоятелен ефект. Следователно това, което съдържа обучението, е по-важно от това дали обучаемите получават практика в подканване, и то е най-важно, когато задачата е с отворен край.

Променливите, обкръжаващи AI грамотността, оттогава са картографирани по-широко. Систематичният преглед от 2025 г. на корелатите на AI грамотността синтезира 31 проучвания от 14 държави (N = 12,071) и намира най-последователните асоциации в афективната и поведенческата зона: AI самоувереността, положителните AI нагласи, мотивацията и дигиталната компетентност се движат заедно с AI грамотността, докато AI тревожността и негативните нагласи се движат против нея. Демографските променливи почти не се отчитат, като възрастта и социално-икономическият статус корелират слабо или изобщо не. Предупреждението на прегледа е за инструментите: същите проучвания, които произвеждат силни корелации от самооценяване, показват и много по-слаби, когато AI грамотността е тествана, а не самооценена.

Структурно-уравнително проучване на 502 преподавателски респондента в един китайски изследователски университет намира AI грамотността като най-силния предиктор за AI благополучието (β = 0.713), срещу малък път на технологическата самоувереност (β = 0.082), като социалната и организационната подкрепа достигат до благополучието само непряко (Liu et al. (2026)).

Една видима негативна асоциация се обръща под контрол: сред 303 хонконгски студенти бакалаври технологическата тревожност корелира негативно с AI грамотността (r = −0.14), но предсказва β = 0.15 в съвместен модел — ефект, ограничен до критичното оценяване и етическата компетентност (Chow et al. (2026)).

Hu (2026) добавя подреден отчет за това какво предсказва AI грамотността, а не какво я предсказва. Проучвайки 450 университетски студенти в континентален Китай, които вече използват ChatGPT, проучването намира AI грамотността пряко свързана с продължаващото използване (beta = 0.16, p = 0.002) и непряко по сериен път през Trust и академическата Self-Efficacy (непряк ефект = 0.07, 95% CI [0.04, 0.10]), като връзката грамотност–доверие е най-голямата асоциация в модела (beta = 0.50). AI тревожността модерира тази първа връзка (интерактивен beta = -0.25, като простите наклони падат от 0.76 до 0.25 в диапазона на тревожността), така че веригата се изтънява за по-тревожните студенти, и не бива да се приема, че самото обучение по грамотност достига до тях. Дизайнът е напречен, а извадката е ограничена до съществуващи потребители, така че подредбата е допускане на модела, а не наблюдавана последователност.

Една основна приложена цел на AI грамотността е Reducing AI Misuse: да се научат студентите да използват AI етично и продуктивно, вместо да го заместват със собствената си когнитивна работа. Докато AI грамотността изгражда способността да оценява и използва AI критично, намаляването на злоупотребите е поведенческата и структурната изгода — съчетаваща защитен дизайн на инструментите, редизайн на оценяването, и образователни лостове като scaffolding-ирани последователности „първо мисли, после AI“ и практика в подканване с умишлена Feedback. Двете концепции са взаимно усилващи: AI грамотността предоставя критичните диспозиции, които правят интервенциите за намаляване на злоупотребите трайни, докато доказателствата за намаляване на злоупотребите (напр. пропускът между ефективност и учене) мотивират защо грамотността трябва да надминава оперативното умение към критична преценка.

AI грамотността се нуждае и от развитийно уместни форми за най-малките обучаеми. AI-Play превежда компетенциите по AI грамотност в игрови, не включени в мрежата дейности за обучаеми от Pre-K–K2 — организирани около AI Body (AI като система, изградена от части), AI Food (AI се учи от примери), AI Brain (AI се подобрява чрез модели и обратна връзка) и Pre/Post-AI етична леща — адресирайки постоянната липса на развитийно основани указания за AI грамотност за ранното детство и прави AI грамотността достъпна за нетехнически преподаватели и семейства. В допълнение, Vahedian Movahed & Martin (2025) намират, че деца на възраст 6–14 широко са се доверявали на съобразен с възрастта чатбот като на източник на информация и повечето са го моделирали като „умна компютърна програма, която се учи“ (възникващо разбиране на Machine Learning), но са показвали пропуски в критичното ангажиране и осведомеността за дигитална безопасност — доказателство, че доверието на малките обучаеми може да изпреварва уменията им за критично оценяване, което прави изричното Trust Calibration и обучението за безопасност необходима част от AI грамотността за деца.

Измерването води крачка с това развитийно завиване в младия край. Валидирането през 2025 г. от Thianwan and Srikoon на въпросник за самооценяване на AI грамотността за горнокласници разработва 15-точков инструмент за 4 до 6 клас, организиран около Learning About AI, Learning About How AI Works, и Learning for Life with AI, и потвърждава трифакторна структура в две извадки (n = 335 и n = 579) с обща алфа на Cronbach от .934. Авторите го рамкират като формативна диагностика на възприетата, а не демонстрирана грамотност, и отбелязват, че точността на самооценяването при децата е ограничена от метакогнитивната способност, която все още се развива.

Проектно-базираното учене като механизъм на доставка. Zhu & Kong (2026) разработват и валидират скала за AI проект-базирано учене (AI-PBLS) и в хонконгска извадка от 1,027 средношколци и университетски студенти (446 с пълни данни) използват структурно моделиране на уравнения, за да покажат, че уполномощаването в използването на AI за решаване на проблеми и AI етическата осведоменост съвместно посредничат връзката между възприето Project-Based Learning и удовлетвореността от курс по AI грамотност. Това позиционира PBL не просто като формат на доставка, а като механизъм, който изгражда увереността на обучаемия и етичното разсъждение редом с компетентността, подсилвайки връзката между PBL и осмисленото развитие на AI грамотност. Той също така предоставя валидиран инструмент за измерване за бъдещо измерване на преживяванията от курсове по AI грамотност.

Повишаването на етичното измерение на грамотността има проблем със знака. Сред 584 студенти бакалаври, които са се учили сами на AI, компетентността повишава етичната осведоменост (β = 0.644, p < .001), а етичната осведоменост след това повишава AI тревожността (β = 0.439, p < .001), вместо да я понижава — обратното на предсказаната посока (Mu et al. (2026)). Урокът, който извличат авторите, е, че обучението за това как се управляват етичните опасения, трябва да придружава самото етично измерение, иначе работата по грамотността може да остави обучаемите по-тревожни, отколкото ги е намерила.

AI грамотността като основен пропуск в рамките за Conversational AI. Зонтичният преглед на разговорните AI агенти (Ganguly et al. 2025, 34 прегледа) идентифицира ограничената подкрепа за AI грамотност като основен пропуск в рамките за CAI, а неговата пътна карта за етично използване прави фундаменталното оценяване (включително подсилване на AI грамотността) първия стълб редом с партисипативен дизайн, указания за етично използване и непрекъснато оценяване на когнитивното въздействие. Той открива също, че AI грамотността, обучението и осведомеността са сред най-подчертаните етични направления в литературата за CAI.(Conversational AI agents in education: an umbrella review of current utilization, challenges, and future directions)

Ефективност на интервенциите за AI грамотност. Тристепенна мета-анализ на 59 проучвания (172 размери на ефекта, 7,211 участници) оценява голям общ ефект на интервенциите за AI грамотност (g = 0.837, p < .001) — но с широк предиктивен интервал [−0.292, 1.966], така че ефективността варира значително между средите. Интервенциите в Източна Азия и Европа надминават тези в Северна Америка, а интервенциите, фокусирани върху знанието, надминават тези, насочени към умения, нагласи или етика. Авторите твърдят, че образованието по AI грамотност трябва да се придвижи отвъд знанието към умения, практики, етика и нагласи, поддържани от интегрирани и рефлексивни педагогики (проектно- и проблемно-базирани, базирани на изследване, емпирични) и подкрепени от GenAI инструменти — отместване, което се подравнява с партисипативните, ориентирани към продуцент форми на Computational Thinking, описани другаде в тази база знания.

Втора синтеза достига до подобна величина на по-тясна база и изостря проблема с измерването. Yu, Kim, Chang and Huang (2026) обединяват 57 размери на ефекта от 16 проучвания, обхващащи 3,837 студенти в K-12, които са били учени за самия AI, а не с AI, и оценяват Hedges' g = 0.892 (95% CI [0.548, 1.236], p < .001), устойчив към приетите корелации преди-след от 0 до 1 и стабилен след „trim-and-fill“ при g = 0.952. Всеки един от 57-те ефекта е показан положителен (диапазон от 0.16 до 4.93), и нито един модератор (източник на публикация, година, училищно ниво) обяснява съществената хетерогенност (I² = 94.68%). Предпочитаното от авторите обяснение е измерването: включените проучвания наричали всичко — от AI знания и етика до нагласи, мотивация, самоувереност и интерес към кариерата — „AI грамотност“, така че обединената цифра описва разпределение на положителни намирания под един свободен етикет, а не една еднообразна интервенция. Прочетени редом с Liu et al., двете оценки се съгласяват, че обучението по AI грамотност работи, и се съгласяват на малко друго, което само по си е сигнала на измерването в областта.

Класните доказателства за умишлено кратки дизайни са по-малко обилни, но вървят в същата посока и добавят изход на поведенческо ниво, който проучванията не могат да доставят. Clerc et al. (2026) дават на 116 френски студенти в 8–9 клас двучасов семинар за това как работят LLM и как се провалят, съчетан с практика в предсказване дали дадена подкана ще предизвика използваем отговор, оценяване на отговора и преработване или ново запитване. Два дни по-късно, по време на шест научни проблема с подкрепа на LLM с контролна група, обучените студенти приемали недостатъчно специфицирани подкани по-рядко (51.5% срещу 66.7%, OR = 0.47), задавали последващи въпроси след слаб отговор много по-често (59.2% срещу 27.9%, d = 0.80), и преценявали коректността на отговора по-чувствително към качеството на подканата (интерактивен OR = 2.52), със скромна разлика в резултатите (11.38 срещу 10.29 от 20, p = .040). Семинарът никога не е репетирал задачите от теста, така че това, което се е пренесло, е регулаторна позиция, а не запознатост със задачата — и авторите са изрични, че два дни не са трайност.

Критична медийна грамотност с подкрепа на AI в началното училище. Demir and Akar (2026) предоставят конкретна демонстрация в началното училище на обучение по грамотност с подкрепа на GenAI: 18-часова програма по модела 5E за четвъртокласници турци, в която ChatGPT и Grammarly са вградени фаза по фаза като педагогически агенти (ChatGPT за рефлексивни въпроси и Q&A, Grammarly и Canva AI за прецизиране на съдържанието, Padlet за взаимна обратна връзка), съобразена с учебните програми по български език и социални науки. Групата с AI подкрепа показа големи придобивки в медийното четене (+3.50), писането (+1.67) и цялостната медийна грамотност (+5.17, всички p < .01) с размери на ефекта между групите на Cohen's d = 1.12–1.31, докато контролната група напредвала само скромно. Качественият анализ извади шест области на растеж в критичната медийна грамотност — дигитална самозащита и поверителност на данните, целесъобразно и отговорно използване на медиите, безопасна комуникация и осведоменост за граници, критично оценяване и осведоменост за дезинформация, осведоменост за онлайн рискове, и медийна етика/дигитално гражданство — доказателство, че развитийно уместното, вградено в дисциплината използване на GenAI може да изгради измеренията на критично оценяване и етика на AI грамотността, а не само оперативното умение.

Рамки за структуриране на AI грамотността. Няколко скорешни приноса предлагат структурирани прогресии за изграждане на AI грамотност. Marienko, Markova, and Semerikov (2026) предлагат петстепенна рамка (Awareness, Application, Evaluation, Creation, Ethics), интегрирана с три парадигми на AI в образованието (AI-directed, AI-supported, AI-empowered), разработена чрез смесено-методно проучване на украински средношколски преподаватели (национално проучване n = 2018; оценка на професионалното развитие n = 1130). Те намират, че 84% от преподавателите използват AI, но само 11% могат да идентифицират специализирани услуги извън ChatGPT, а интервенция за професионално развитие произвежда 24% подобрение в AI компетентността — доказателство, че целенасоченото професионално развитие придвижва грамотността отвъд повърхностната запознатост с инструментите. Основаването на рамката в Constructivism, конективизма и TPACK я свързва с Technological Pedagogical Content Knowledge (TPACK) и Teacher AI Competency. В допълнение, Moore et al. (2026) използват двугодишен процес на DBR с консултативен съвет от младежи и AI експерти, за да проектират интегрирана в науката ML учебна програма за гимназисти, като намират придобивки в ML знанията в двете когорти (Cohort 2 M2−M1 = 0.175 срещу Cohort 1 0.076) и по-големи придобивки сред участниците от женски пол и небели — доказателство, че партисипативният, интегриран в дисциплината дизайн може да придвижи както AI грамотността, така и Equity.

Преглед по PRISMA на 39 STEAM проучвания (2016–2025) намира, че тези реализации развиват главно технически грамотности — фундаментални AI концепции, изчислително мислене, грамотност за данни — докато недоразвиват етическата осведоменост, творческото въображение и създаването, управлението и проектирането с AI, така че вградените в дисциплината модули все още могат да пропуснат елементите от по-висок ред (Niri et al., 2026).

Конструктът е оспорван точно там, където преподавателите са засегнати. Преглед на 34 проучвания за AI грамотността в подготовката на преподаватели намира, че областта няма консенсус за това какво означава AI грамотността за професионални преподаватели, за разлика от общата дигитална грамотност, а AI Competency Framework на UNESCO за преподаватели специфицира 15 компетенции в пет измерения, докато функционира като глобален политически референтен документ, а не като указание за внедряване. Преподавателите в междуинституционалната кооперативна лаборатория за подготовка на преподаватели третираха AI грамотността като интегрирано измерение на професионалната подготовка, а не като отделно технологично умение, така че от кандидатите се очакваше да одитират, сравняват и обосновават изхода на AI в рамките на дисциплинарните курсове, вместо да демонстрират запознатост с инструментите.

Първоначалната подготовка на преподаватели е там, където структурата е най-тънка. Pinto et al. (2026) преглеждат 11 проучвания за AI в първоначалната подготовка на преподаватели за бъдещи начални учители по математика и намират, че девете са една сесия или шепа сесии, вградени в съществуващи курсове, подканването е било изрично учебно съдържание само в някои от тях, а Ethics се появява само в три, нито едно от които е адресирало прозрачност, алгоритмично пристрастие или отчетност. Рисковете, които съобщават, са провали на ниво грамотност: бъдещите преподаватели не забелязвали концептуални грешки, произведени от ChatGPT, приемали генерирано съдържание некритично, и делегирали повече решаване на проблеми на инструмента, докато задачите стават по-трудни. Тяхната препоръка е да се изгради AI компетентност по цялата последователност на обучението, от подготвителна фаза в практиката, вместо в изолиран модул.

Разказите на преподавателите за защо се преподава AI образование добавят слой на целите, който рамките за компетентности оставят подразбиращ се. Fagerlund et al. (2026) интервюират 13 финландски учители от детска градина до 9 клас, до голяма степен нови в AI образованието, и четат техните изявления за целта през трите области на Biesta. Квалификацията, придобиването на компетенции, е била най-ясната и конкретна цел, и е действала като път към другите две: студентите трябвало да схванат AI като социотехнически феномен и да използват неговите инструменти, като AI служи едновременно като цел и като помощ в ученето. Социализацията се появява като култивиране на ентусиазъм, представяне на AI като „супер“, и рамкиране на студентите като бъдещи работещи, AI-подковани, които трябва да отговорят на изискванията за компетентност. Субектификацията, ангажирането, самопределящо се и лично смислено, което Biesta третира като централно, е назовано като важно, но нямало конкретен instructional репертоар отвъд обсъждане и съзерцание, а учителите не са предлагали разработени примери за оспорване на авторитета на AI. Авторите предлагат информирана AI агенция, евристика, която поставя субектификацията в центъра, докато третира компетенциите като обяснителни рамки за самопределени избори. Значението за дизайна е, че „защо“-то на AI образованието се нуждае от същото внимание в дизайна като „как“: когато субектификацията почива на общо обсъждане, обучението по AI грамотност се връща към квалификацията, до която е трябвало да седне редом.

Готовността сама по си е оспорвана цел. Charles (2026) твърди, че готовността на преподавателите за учене, богато на AI, трябва да се чете от качеството на дизайните, които преподавателите произвеждат, а не от възприемане, увереност или дигитална компетентност, и изгражда рамка около посредничество в дизайна: наблюдаеми решения като избор на инструмент, дизайн на задачи и подкани, scaffolding, верификация, прозрачност, редизайн на оценяването, планиране на достъпността и човешки надзор. Две от твърденията му имат директни последици за професионалното развитие. Първо, Self-Efficacy е ресурс за мобилизация, а не показател за качество, защото увереността без специфично за AI педагогическо знание или етическа ориентация може да ускори лош дизайн, вместо да го предотврати, което ограничава обичайното четене на увереността на преподавателя като сигнал за готовност. Второ, яснотата на политиката и институционалната подкрепа са отделни модератори, така че материалната подкрепа може да е висока, докато очакванията остават двусмислени, и готовността все още се превежда лошо. Рамката също така отказва да отъждествява неизползването с неготовността, тъй като обосновано решение да се задържи AI само по си може да демонстрира дизайнерска преценка. Тя е концептуална и невалидирана, така че предоставя твърдения и източници на доказателства, а не установени ефекти.

Грамотност за AI взаимодействие: интеракционното измерение. Brunnström and Palmqvist (2026) предлагат по-тясна, интеракционна компетентност — способността да насочваш, оценяваш и се учиш от итеративно взаимодействие с GenAI — като конкретно осъществяване на приложните, оценъчните и интеграционните измерения в по-широки рамки като AI Literacy Heptagon. Тяхната рефлективна демонстрация показва от какво се състои на практика: разпознаване, че плавен отговор е насочен над собствената ти схема, искане за опростяване, стесняване на обхвата, и пренасочване на системата към фокусирана практика. Две последици за дизайна следват — умението е неравномерно разпределено, така че ненасоченото използване може да облагодетелства вече уверените студенти и да разшири пропустите (Equity), и то трябва да се преподава изрично, вместо да се приема, като преподавателите покриват как да се формулират продуктивни подкани и кога да се спре използването на инструмента (Self-Regulated Learning).

Критична AI грамотност: отвъд уменията към власт и съпротива

Отделно направление в базата знания третира AI грамотността не просто като умения или критично оценяване, а като критична и политическа практика, която интерпилира власт, авторитет и чието знание се броя. Това свързва AI грамотността с Critical Pedagogy и Equity:

• „Съпротива срещу AI“ като позиция на грамотността. Critical AI Literacy (CAIL) може да обхваща съпротива срещу AI — отказване на неизбежността и техно-солюционизма на доминантния дискурс, и култивиране на колективна агенция чрез диалогични, съвместни педагогики.(Reorienting Critical AI Literacy: A Community-Rooted Praxis of “Resisting AI”) Това позиционира образованието като пространство, където общностите въобразяват и изграждат алтернативни бъдещи, вместо просто да се адаптират към даден технологичен ред.
• Общностно-базирани епистемологии. Общностно-базираното AI учене закотвя AI ангажирането в преживяните и общностно-базираните начини на знание на обучаемите, преразпределяйки епистемичния авторитет на AI чрез епистемично фино настройване, преразпределяне на авторитета и situиранна проницателност.(Community-Based AI Learning: Redistributing Artificial Intelligence's Epistemic Authority in Education)
• Критични и феминистки рамки. Критичната, феминистка литература твърди, че AI грамотността трябва да се рамкира в рамките на педагогики на справедливост, съпротива и културна Sustainability — питайки чие знание произвежда AI, кой печели, и кой е отчетен, когато системите се провалят.(Can we disrupt the momentum of the AI colonization of science education?)
• Situирани учебни устройства. AI грамотността може да се изгражда чрез situирани, активни преподавателски инструменти (напр. Episodes of Situated Learning), които развиват AI компетенции през нивата, вместо чрез абстрактно обучение.(Towards AI literacy: A proposal of a framework based on the Episodes of Situated Learning)
• Творческото съчиняване като педагогика на критичната AI грамотност. Вместо да третира AI грамотността като техническо знание или индивидуални компетенции, проектирай възможности за обучаемите да съчиняват съобщения за AI за реални аудитории — мултимодален продукт като публично обявление за общественически цели едновременно демонстрира и комуникира критична компетентност. В класното проучване на Burriss et al. (2026) 22 единадесетокласници избират свои собствени AI етични проблеми и правят видео ПСА за училищното наблюдение, информирано съгласие, и алгоритмично обвинение; във всичките седем филма вредът произтича от човешко-машинно преплетение, а не от злонамерен инструмент, сюжетите все още завършват с надежда и Learner Agency, а авторите позиционират разказването на истории и адвокацията — устойчиви на традиционното оценяване — като сърцевина на педагогиката на критичната AI грамотност, която центрира идентичността на студента, избора и гласа.("Young Scholar[s] on the Beat": Multimodal Composition as a Form of Critical AI Literacy Pedagogy)
• Регулаторна компетентност, а не приемане. Kim (2026) рерамкира AI грамотността в висшето образование като регулаторна компетентност — осъществена практика на верифициране, преработване, избирателно приемане или отхвърляне на AI изход по време на академична работа — показвайки, че оценъчната способност и етическата осведоменост (не просто готовността да се използва AI) предсказват активно, критично ангажиране.(From AI Anxiety to Strategic Regulation: How University Students Transform Generative AI into a Strategic Learning Resource)
• Разпознаване на подхамването като умение на грамотността. Основна оценъчна компетентност е разпознаването кога AI се съгласява с обучаемия, а не е правилен. Контекстуалното подхамване показва, че AI грамотността и обучението в подканване намаляват — но не елиминират — подхамващото огледално отразяване на грешките на потребителя, а подхамващият AI е предпочитан от потребителите точно защото ги кара да се чувстват разбрани. AI грамотността следователно трябва да учи обучаемите да засичат съгласие-ради-самото-съгласие и да ценят коригиращото триене, свързвайки се с Trust Calibration и Reducing AI Misuse.
• Оценка, не само верификация. O'Byrne (2026) намира, че студентите, които проверявали изхода само за точност, достоверност и значимост, все още приемали концептуално сплескана работа, докато тези, които съдили и нюанса, гласа и епистемичната позиция, са я пре-авторизирали — правейки „кога да не се делегира преценката“ въпросът на грамотността.

Тези критични направления допълват оперативните и когнитивните измерения на AI грамотността: докато последните питат „може ли обучаемият да използва и оцени AI?“, критичната AI грамотност пита „разбира ли и оспорва ли обучаемият структурите на власт, които AI въплъщава?“

AI грамотността в STEM образованието

Най-развитата дисциплинарна доказателствена база за AI грамотността идва от STEM образованието, и Hallström, Chiu, Ding, Koretsky и Li (2026) синтезират десетте му най-цитирани проучвания (2022–2026), за да покажат както основата, така и границите му. В целия корпус AI грамотността се дефинира чрез шест припокриващи се конструкции — знание/умения/отношения (Su & Yang 2024), концептуално-процедурно-контекстуално знание (Stolpe & Hallström 2024), познаване-разбиране/използване-прилагане/оценяване-създаване/етика (Ng et al. 2022) и рамката използване–комуникация–оценяване на Long и Magerko (Hornberger et al. 2023) — така че „концептуалната двусмисленост“ на областта е проблем на измерването: две проучвания могат да оценяват „AI грамотност“, без да оценяват един и същ конструкт. Само две от десетте предлагат пълни рамки. Най-острото откритие на прегледа е асиметрията — корпусът измерва почти изцяло грамотността на студентите, докато почти нищо не развива тази на преподавателите, пропуск, който оставя интервенциите за AI грамотност, насочени към преподаватели, да се основават на предположение, а не на доказателства, и който авторите свързват с практическото изискване преподавателите самите да бъдат AI-грамотни, за да провеждат такива интервенции.(AI Literacy and STEM Education: Emerging Frontiers and Research Priorities)

Доказателствата за чатботите в този корпус са срещу обучението, базирано на беглост. Ding и съавтори (2023) установяват, че чатбот-туториране по физика в университета повишава увереността и знанието, но подсилва заблудата за „свръхчовешки и непогрешими“ ИИ, като заключават, че AI грамотноста е „преди всичко подобряване на уменията на студентите за критично мислене при оценяване на информация“. Xu и съавтори (2026) установяват, че подкрепяното от ChatGPT STEM програмиране подобрява увереността и знанието, но оставя изчислителното мислене и самостоятелната мисъл непроменени — печалби от беглост, съществуващи заедно с липса на печалба в мисленето. И двете открития оглеждат притесненията за Trust Calibration и прекомерна употреба другаде в тази страница: тутор, който никога не противоречи на студента, може да създаде уверени учащи, които не могат да оценяват. Отношението, а не готовността или самоефективността, се оказва най-силният детерминант за действителната употреба на ИИ инструменти сред студенти по STEM (Falebita & Kok 2025), а прегледът отбелязва, че дисциплинарното покритие на STEM е изкривено към биологията и физиката, докато технологията като предмет е почти отсъстваща. За дисциплинарно-специфичния дизайн практическото предупреждение на прегледа е, че всеобхватните рамки на компетенциите (UNESCO, ЕС/ОИСР) „често нямат връзка с емпирични проучвания или достатъчно теоретично основание“ и малко са приложими в класната стая.

Чии AI умения се броя? Разделянето между рамката на преподавателя и работодателя

Централен отворен въпрос в AI грамотността е кои умения имат значение и за кого. Проучване на Ithaka S+R, сравняващо как американски преподаватели и работодатели приоритизират 26-те умения от HiBob AI Skills Framework, намира, че се съгласяват по важността само на едно (задаване на реалистични очаквания за AI-подобрена работа). Преподавателите тежат критична, отговорно-използваща ориентация — разпознаване на ограниченията на AI, прозрачност и атрибуция, човешка отчетност, проактивен преглед на резултатите — която се подравнява с академичните ценности на атрибуция, преглед и информационна грамотност. Работодателите тежат продуктивно ориентирани умения — оценка и редизайн на работния процес, автоматизация и човешко-AI екипиране — отразяващи ефикасността на базиран на екипи работен процес. Тъй като само три от 26-те умения се преподават от половината или повече преподаватели, а преподаваните се отклоняват към категориите за критично използване, докладът идентифицира конкретен пропуск в AI уменията: цели категории, които работодателите ценят, не са нито приоритизирани, нито преподавани в колежаните учебни програми.(AI skills for college graduates: Exploring how instructors and employers prioritize AI skills differently) Това разделяне рамкира AI грамотността като оспорван конструкт — грамотност за критично използване в академична среда срещу грамотност за интегриране в работния процес при наемане на работа — напрежение, значимо за Framing AI Use for Students, Curriculum Design и Workplace Learning.

Собствените оценки на студентите разказват свързана, но различно подредена история. ElSayary and Ragab (2026) проучват 380 университетски студенти, предимно записани в STEM и чести потребители на AI, и намират, че собственодокладваната AI грамотност носи по-голямата част от обяснението на възприетата готовност за наемане на работа: четирите измерения на грамотността добавят ΔR² = 0.554 (p < .001) върху фоновите контроли, струващи само 0.054, а пълният модел достига 60.8% от дисперсията. В рамките на набора грамотност оценъчното измерение е най-силно (Analyze & Evaluate, β = 0.286), последвано от афективното (Attitudes & Mindsets, β = 0.266), с практическите умения (β = 0.217) и фундаменталното знание (β = 0.187) след тях; за възприетата кариерна готовност специфично, само Analyze & Evaluate (β = 0.216, p < .001) и Attitudes & Mindsets (β = 0.192, p = .004) са значимо асоциирани. Прочетено срещу разделянето на Ithaka, собственото усещане на студентите за готовност за работното място се накланя към ориентацията на критично оценяване, която преподавателите предпочитат, а не към уменията за интегриране в работния процес, които работодателите тежат. Дизайнът е единична сесия самооценка с равномерно високи средни стойности (4.17 до 4.57 от 5) и без мярка за работодател или заетост, така че това, което показва, е че самооценената AI грамотност и самооценената наемаемост се движат заедно, с оценъчните и диспозиционните части да вършат повечето от работата, а не че тези студенти са доказуемо готови за работната сила.

Проектиране на интервенции за AI грамотност

Рамките и емпиричните проучвания на базата знания сходят към набор от практически указания за преподаватели и дизайнери на обучение, изграждащи интервенции за AI грамотност:

1. Използвай структурирана рамка за компетентности като scaffolding, а не като списък за отметки. Зрелите рамки дават на дизайнерите споделен речник и развитийно подредена цел. Рамката SAIL организира AI грамотността в три домейна (AI Concepts; Application and Technical Skills; AI Digital Citizenship) през четири scaffolding-ирани нива — Understand and Explore → Apply and Integrate → Evaluate and Create → AI++. AI Literacy Heptagon пресича седем измерения (техническо знание, приложение, критично мислене, етика, социално въздействие, интеграция, правно/регулаторно) с четири нива на владеене, подравнени с Блуум, и подчертава, че акцентът трябва да бъде адаптиран към дисциплинарния контекст — техническите програми тежат приложението, хуманитарните програми тежат етичното и социално-въздейващо разсъждение.(The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education)(The AI Literacy Heptagon: A Structured Approach to AI Literacy in Higher Education)

2. Ангажирай обучаемите през режимите на ICAP. Прилагайки ICAP Framework, ефективното обучение дава на обучаемите възможности за ангажиране на множество когнитивни нива — пасивно излагане (лекции за AI концепции), активна манипулация (практическо използване на инструменти), конструктивно генериране (създаване на AI артефакти, самообясняване), и интерактивен диалог (съвместно решаване на проблеми с връстници и AI) — избирайки режима, който отговаря на учебната цел. Систематичен преглед намира, че успешните съвместни интервенции за AI грамотност обхващат всичките четири режима на ICAP.(Systematic Review of Collaborative Learning Activities for Promoting AI Literacy)

3. Оценявай демонстрираната компетентност, а не самовъзприятието. Собственодокладваната AI грамотност се разминава рязко с измерената ефективност — преподавателите надценяват AI уменията си с ~40%, а базираните на изпълнението мерки корелират с класната AI интеграция много по-добре от самооценките (r≈0.72 срещу 0.31). Проектирай интервенции около оценяване, базирано на изпълнението, и калибриране, а не около проучвания на увереността, и използвай диагностични профили (надценяващи срещу истински начинаещи), за да целонасочиш подкрепата.(How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures)

4. Изграждай метакогнитивни и критични диспозиции, не само оперативно умение. AI грамотността се разбира по-добре като метакогнитивна социална практика, отколкото като списък с умения: тъй като LLM са вероятностни и непрозрачни, обучаемите трябва да наблюдават и коригират стратегиите си, да култивират научен скептицизъм и да интерпилират как алгоритмите оформят производството на знание — не просто да се научат да оперират инструментите. Партисипативният съвместен дизайн и емпиричните, проект-базирани пространства (не еднократно обучение с инструменти) са там, където тази осведоменост расте.(Metacognitive AI literacy: going beyond the AI skills gap agenda)

5. Вграждай грамотността в дисциплината и я прави продължителна. Движението към по-високи етапи на AI грамотност (от некритично използване → информирано използване → критично оценяване → подобрение) е най-видимо, когато преживяванията са продължителни и вградени в дисциплината, вместо да се доставят като самостоятелни семинари. Проектирай за повтаряща се, контекстуална практика в рамките на автентични курсове.(Beyond Tool Adoption: A Practical Five-Stage Developmental Continuum for AI Literacy in Higher Education) Конкретен модел на критична грамотност, вградена в дисциплината, е базираната на задачите таксономия на Dierickx et al. (2026) за журналистика: тя картографира подкрепяните от LLM задачи през четирите етапа на новинарския работен процес (newsgathering, sensemaking, editing, publication/distribution), всеки свързан с базова подкана и стратегия за риск и смекчаване. Чрез третиране на дефиницията на задачата и подканването като situирана форма на професионална преценка — не неутрално техническо умение — тя превръща самото подканване в превозно средство за критична AI грамотност (пристрастие, халюцинация, прекомерна зависимост, и трайната стойност на човешкия редакторски надзор), а нейната основна логика се пренася към други знания-интензивни професии (право, медицина, публична политика). В допълнение към такива специфични за дисциплината таксономии, таксономията Dohn et al. (2026) класифицира дейностите за учене с GenAI по шест измерения, от които Epistemic Engagement (understanding / using / critiquing / constructing GenAI) директно операционализира AI грамотността като дълбочината на когнитивното отношение на обучаемите към технологията — от пасивно излагане до активна критика и конструиране.

6. Третирай равенството и дигиталното разделение като ограничения в дизайна. AI грамотността е механизъм за адресиране на тристепенното дигитално разделение (достъп, умения, резултати): затварянето на устройствения пропуск е недостатъчно, освен ако уменията и критичното използване не бъдат изградени, така че ползите да се разпределят справедливо. Интервенциите трябва да планират изрично за обучаеми, които влизат с по-малко предварителен AI достъп, и да включват културни и управленски перспективи, вместо да третират грамотността като културно неутрална.(The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education)(Digital Divide)

7. Сдвоявай грамотността с лостовете за намаляване на злоупотребите. Тъй като AI злоупотребите активно вредят на трайното учене, обучението по грамотност трябва да се сдвоява със структурните и образователни лостове, документирани под Reducing AI Misuse — защитен дизайн на инструментите тип „подсказка, не отговор“, редизайн на оценяването, и scaffolding-ирани последователности „първо мисли, после AI“ с умишлена практика в подканване.

8. Започни от действителната отправна точка на обучаемите. Обучаемите влизат с различни ориентации — избягване, водено от страх, недоверие или липса на достъп, срещу некритична зависимост, която маскира неразбиране. Диагностичен, етапно-базиран подход (а не еднообразна учебна програма) позволява на дизайнерите да посрещнат студентите там, където са, и да ги придвижат към критично, отговорно ангажиране.(Beyond Tool Adoption: A Practical Five-Stage Developmental Continuum for AI Literacy in Higher Education)

9. Разширявай предлагането отвъд аудиториите, които формалното образование вече достига. Рамката AI Literacies за медиите с обществена услуга твърди от преглед на пейзажа на повече от 40 рамки и 35 експертни интервюта, че предлагането се е наклонило към технически и функционални умения, и че AI грамотностите се припокриват и трябва да бъдат свързани с дигиталната, медийната и информационната грамотност, вместо да се преподават като самостоятелен предмет. Нейната структура — шест области на компетентност, пет ценности и три нива на прогресия (Understanding and Applying, Analysing and Evaluating, Synthesising and Specialising) с указание за оценяване — е използваем шаблон за доставчици извън формалното училище, а нейният аргумент за равенство е указание в дизайна: достигане до млади хора, които са дигитално или иначе маргинализирани, изисква умишлени партньорства, а не универсална публикация.(Supporting AI Literacies for Young Adults Aged 14-19: A value-based, practical framework for public service media organisations)

Измерване на AI грамотността

Отделна научна нишка третира AI грамотността не само като цел на обучението, но и като конструкт за измерване. Направлението на оценяване на базата знания разграничава собственодокладваната от базираната на изпълнението грамотност: самооценките се разминават рязко с демонстрираната компетентност (преподавателите надценяват с ~40%), а базираните на изпълнението мерки предсказват класната AI интеграция много по-добре от проучванията на увереността (r≈0.72 срещу 0.31). Работата с интервенции възпроизвежда това отклонение на ниво поведение: в Clerc et al. (2026) нито GenAI нагласите, нито обща скала за метакогнитивна осведоменост не предсказват регулацията на взаимодействието с LLM от страна на студентите или крайните им резултати по задачите (r = .01 и r = .04, и двете незначими), докато поведенията, които семинарът промени — отхвърляне на недостатъчно специфицирани подкани, преценка на коректността на отговора, задаване на последващ въпрос — проследиха качеството на отговора. Валидираните инструменти се появяват, за да затворят този пропуск — GLAT предоставя психометрично валидирана оценка на генеративната AI грамотност, а диагностичните профили (надценяващи срещу истински начинаещи) позволяват на дизайнерите да целонасочат подкрепата там, където е нужна. Guo et al. (2026) картографират директно този пейзаж на инструментите, преглеждайки 80 валидирани рамки — 69 за дигитална грамотност и 11 за AI грамотност — публикувани между януари 2014 и февруари 2025. AI е изтеглила дигиталната грамотност към етиката и е прекроила комуникацията, за да включи човешко-AI взаимодействие, докато метакогнитивната регулация и специфичното за преподавателите човешко-AI сътрудничество остават най-малко специфицирани. За дизайн и изследване, това свързва AI грамотността с Educational Measurement и с оценяването като цяло: рамка за грамотност е толкова полезна, колкото инструментите, използвани за проследяване на растежа, а етапно-базираните континууми изискват надеждно измерване, за да поставят обучаемите по протежението им.

32-точков шестфасетен инструмент разширява четириизмерния модел с две допълнителни фасети — отговорно използване и саморазвитие — и държи скаларна инвариантност сред подрастнали (12–17), млади възрастни (18–40) и средновъзрастни възрастни (41–60), въпреки че авторите предупреждават, че ΔCFI се приближава до конвенционалната граница (Liu et al. (2026)).

Zhi, Yang and Huang (2026) изграждат модел, специфичен за магистри, върху таксономията на Marzano: анализ по обоснованата теория на интервюта с 14 професори кондензира 329 сурови етикета в 96 концепции, 15 категории и пет измерения (когнитивна основа, оперативни умения, мислене от по-висок ред, метакогнитивна рефлексия, етическа отговорност), след което ги операционализират като 15-точкова скала на Лайкерт, чиито пет фактора възникват в експлоративен факторен анализ (83.14% кумулативна дисперсия) и се държат в конфирматорен факторен анализ върху втора подизвадка (CFI = 0.934, RMSEA = 0.083), с надеждност от 0.796 до 0.842 в 308 валидни въпросника.

Critical 3wAI Literacy Scale (Bozkurt, Ertan & Cömert, 2026) валидира същата тричастна структура за възрастни обучаеми като самодокладващ инструмент (n = 546 и n = 647; χ²/df = 4.93, CFI = 0.931, α = 0.913). Нейните фактори Know-How и Know-Why излязоха най-тесно свързани (HTMT = 0.544), докато самото теоретично знание не се превърна в практическа ефикасност. Като самодокладваща мярка тя споделя проблема с отклонението, документиран по-горе, така че е валидирана диагностика, а не мярка на изпълнението — и авторите призовават за ревалидиране през възрастови групи и културни контексти.

Свързан въпрос е какво инструментите могат да измерят изобщо. Burriss et al. (2026) отбелязват, че съществуващите скали за AI грамотност и рамки за компетентности приемат индивидуално измерима ефективност и така структурно изключват съвместното, творческо изразяване — доказателството на тяхната единица е било мултимодални филмови артефакти, рефлексии и граждански дискурс, а не сумиращ резултат, и авторите твърдят, че такива доказателства могат да допълват, а не да заменят конвенционалните мерки. Разширяването на конструкта следователно може да изисква разширяване на допустимите доказателства, а не просто добавяне на богати на модалности въпроси към съществуващите скали.

Допълнителна нишка измерва как обучаеми и преподаватели приемат материалите за AI грамотност, а не самата им грамотност. Wang, Chuang and Wu (2026) канили 794 студента и 37 учители да оценят две издания на наръчници, изградени според възрастовата граница на UNESCO (възраст 9-12 и 13-18), след около 30 минути насочено класно излагане. Приемането е държало четирифакторна структура (Performance Expectancy, Effort Expectancy, Perceived Playfulness, Behavioral Intention) с поддържана инвариантност на измерването между двете студентски издания, по-младите обучаеми са оценявали по-високо по всичките четири конструкта, а възприетата забавност е носила най-голямата асоциация с намерението и в двете когорти. Авторите са изрични какво не е това: възприетото приемане на ресурс, делен по възраст, не е постижение в AI грамотност, етично разсъждение, възприемане или продължително използване, и приемането на ниво материал не бива да се чете като доказателство, че грамотността се е подобрила.

Измерването се простира и до преподавателите, които посредничат ангажирането на обучаемите с AI. Повечето оценки на AI грамотността са насочени към студенти или общи потребители, оставяйки пропуск в подготовката на преподаватели — пропуск, който Teachers' AI Literacy Scale (TAILS) адресира: основана на рамката ED-AI с шест измерения (знание, оценяване, сътрудничество, контекстуализация, автономност и етика), тя е валидирана чрез експлоративен и конфирматорен факторен анализ с бъдещи учители по езици. Такива инструменти поддържат измерването и развитието на AI грамотността на преподавателите, които посредничат ангажирането на обучаемите с AI. От студентска страна, Nie et al. (2026) разработват и валидират Generative AI Assessment Literacy Scale (GAA-LS) за студенти във висше образование — 18-точков, петфакторен инструмент, чиито резултати проследяват ангажирането с Feedback, Academic Integrity и отговорното използване на AI, с непряк път към интегралността, минаващ през обратната връзка — доказателство, че специфичната за оценяването AI грамотност е измерима и се свързва с поведението по интегралността. Какво този корпус от преподавателски инструменти всъщност съдържа, оттогана е било одитирано: прегледът от 2026 г. на Zainal, Mohd Matore and Maat на инструментите за измерване на AI грамотността на преподаватели оцени 33 инструмента, публикувани между 2019 и 2025, и намира, че 31 (93.9%) са били самодокладващи скали на възприета увереност, само два са тествали знанието обективно, и нито един не е използвал базирани на изпълнението задачи, докато доказателствата за справедливост са била най-слабата качествена област, като само пет инструмента са докладвали инвариантност на измерването или диференциално функциониране на въпросите.

Актуализацията от 2026 г. на тази литература по измерването я реорганизира в четири домейна — знание и използване, епистемичен надзор, калибриране на зависимостта и оперативен контрол върху използващи инструменти агенти — и докладва, че нито един валидиран инструмент на индивидуално ниво в корпуса не покрива пълната комбинация от обхват, разрешения, възстановяване, изолация на състоянието, независим преглед и доказващо затваряне, която използването на агентни инструменти изисква. Неговата обединена субективно-обективна корелация през три ефекта от една и съща извадка е била r = .055, съответстваща на описаното по-горе отклонение, а не на самооценките като използваем заместител (Verí (2026)).

Пейзажът на измерването сам по си е разстроен, и вече е частично картографируем. He, Zhang, Wang and Ji (2026) анализират корпуса от инструменти за AI грамотност с базиран на LLM конвейер за кодиране и намират, че областта измерва много конструкти под един етикет — проблем на jangle, с един конструкт, носещ няколко имена (Behavioral Commitment се появява в осем двойки-кандидати, Intrinsic Motivation в пет), редом с кандидат-случаи на jingle, където инструментите споделят етикет, но не съдържанието си на въпроси. Тяхното възстановяване на структурата на въпроси и конструкт чрез семантична подобност корелира само умерено с докладваните от инструментите собствени надеждности (r = 0.49 на ниво въпрос срещу 0.45 и 0.35 на ниво конструкт), и те предлагат метода като скрининг, а не като пресъждане. Последицата за всеки, който избира мярка, е, че конвергентните твърдения през проучванията не са безопасно приети: два инструмента с едно и също име може да не операционализират един и същи конструкт.

Какво могат да поддържат тези инструменти, вече е било одитирано, и одитът е отрезвяващ. Jin, Gašević, Martinez-Maldonado and Yan (2026) скринират 8,056 записа надолу до 58 проучвания, покриващи 47 уникални инструмента, оценени с COSMIN спрямо конструкт, чието „прозорче“ на развитие на инструменти се е стегнало в три години (два инструмента преди 2023 г., 28 само през 2025 г.). Корпусът остава 37-от-47 самодокладващ, а доказателствата се трупат плътно около вътрешната структура: структурната валидност е била достатъчна в 32 от 58 проучвания и вътрешната съгласуваност в 32, като нито една не е оценена като недостатъчна, но валидността на конструкта е докладвана само от 15 проучвания (12 достатъчни), критерийната валидност — от едно, инвариантността на измерването — от пет (всички достатъчни), и само 2 от 58 са спечелили достатъчна обща оценка за валидност на съдържанието — всестранността е била недостатъчна в 53, въпреки че 43 проучвания са докладвали когнитивно интервюиране. Картината е, че практиката на измерване изглежда здрава точно там, където е най-евтино да се демонстрира, и тънка там, където доказателствата трябва да дойдат извън инструмента, така че чиста факторна структура и висок коефициент (които могат да отразяват излишък на въпросите не по-малко, отколкото представителност на конструкта) не бива да се четат като демонстрирана способност. Предписанието на авторите е консолидация, а не разрастване: прецизирай съществуващите скали, тествай инвариантността, когато една пресича език или образователен етап, и добавяй критерийни доказателства, като свързваш резултатите с задачи за изпълнение.

Едно от изключенията е изградено да сравнява групи. Zhang et al. (2026) разработват Generative AI Literacy Scale (GAILS) — 43 въпроса, намалени до 34 чрез преглед от пет експерти по метода Делфи и пилот от седем души, след това валидирана в 341 възрастни северноамериканци — и тествали скаларната инвариантност, като намират, че тя се е държала при жени и мъже респонденти и при студентски и работни групи. Това е това, което разрешава сравненията на средните стойности, които инструментът докладва — мъжете, оценяващи умерено по-високо по Adaptive Operational Skills, студентите по-високо по Adaptive Operational Skills и Responsible GenAI Literacy — като разлики в компетентността, а не като диференциално функциониране на въпросите, и е това, което прави скалата използваема в висшето образование и работни среди, вместо само сред студенти. Собствените ѝ доказателства не са без оскърбления: съответствието е било смесено (CFI = .967 и SRMR = .058 в конвенционалните граници, RMSEA = .087 над тях), α на цялата скала = .973 седи редом с едно неуспешно сравнение за дискриминантна валидност на Fornell–Larcker (Factor 1 √AVE = .828 срещу r = .873 с Factor 3), и, както почти всичко в корпуса, тя измерва възприета компетентност без поведенчески критерий. Валидирана скала в тази област е отправна точка за работата по инвариантност и критерии, която прегледът изисква, а не завършен Benchmark.

Връзки в рамките на базата знания

AI грамотността се пресича с AI наставничеството (разбиране кога и как AI наставниците са ефективни), Teacher AI Competency (готовността на преподавателите), Academic Integrity (знаенето какво съставлява уместно използване на AI), и AI в образованието като цяло. Тя е едновременно предпоставка за ефективно използване на AI и резултат от добре проектирана AI интеграция — студентите се учат на AI грамотност, КАТО използват AI критично, а не просто като се учат ЗА AI.

AI грамотността е двуостра за прекомерната зависимост: Maizel et al. (2026) намират, че базираните на умения измерения на AI грамотността (използване/разбиране, засичане) са били позитивно асоциирани с докладваната AI зависимост, докато AI самоувереността и академическата увереност са били негативно асоциирани — така че техническото обучение по AI грамотност, без scaffolding за самоефективност и Self-Regulated Learning, може да увеличи зависимостта. Тук AI грамотността става разрешаваща способност, чиято посока зависи от допълнителните мотивационни ресурси.

• Привичките за верификация се изплащат само през регулацията. В проучването на Davor, Larbi and Boateng (2026) сред 533 университетски студенти в Гана, AI грамотността за верификация нямала значим пряк ефект върху критичното мислене (beta = .076, p = .090) или техническото решаване на проблеми (beta = .043, p = .385) и е имала значение само през метакогнитивната саморегулация (beta = .167, p < .001), пълно посредничество, което авторите наричат метакогнитивна активация. AI scaffolding-ът на задачите предсказвал и двата резултата (beta = .185 и .170), докато склонността към когнитивно разтоварване ги предсказвала негативно (beta = -.240 и -.312) и е потискала регулацията също (beta = -.294). Ученето на студентите да проверяват AI изхода следователно не е достатъчно само по си: оценъчните привички се нуждаят от планиране, наблюдение и рефлексия, вградени в задачата.
• Критиката на AI изхода като практика на грамотността: Hosseini (2026) третира оценяването на генерирани от AI грешки като основно умение на AI грамотността, използвайки анализ на режимите на провал и итеративно прецизиране на подканите в курс по проектиране на бази данни. Проучването намира, че студентите са надценявали AI способностите си (собственодокладваната грамотност, слабо, негативно корелирана с обективната компетентност), и че базираното на критика учене е засилило калибрирането.
• Социалистически хуманистична AI грамотност (2026): Литературен преглед критикува грамотността, ориентирана към съответствие, и предлага социалистически-хуманистично рамкиране на асинхронна AI грамотност и справедливо използване във висшето образование, свързвайки историческото дигитално разделение със съвременната AI грамотност и призовавайки за подходи, които служат на човешкото развитие и равенството, вместо на механическото съответствие с политики (From Mechanical Compliance to Human Flourishing: A Socialist Humanist Approach to Asynchronous AI Literacy and Fair Use in Higher Education).
• Евтините, леки предупреждения притъпяват AI убеждаването — без да струват на общото доверие. Orchinik and Rand (2026) пред-регистрират два експеримента (общо N = 3,208 американски възрастни), в които участниците са разговаряли с Large Language Models (LLMs), инструктиран да променя възгледите им по политически теми. Едно кратко предупреждение — че моделите могат да бъдат подканени да убеждават и могат да представят информация избирателно — намалява промяната на убежденията с около половина (-48.1%, 95% CI [-59.5%, -36.8]) спрямо контролата, а добавянето на предупреждения за конкретни техники на убеждаване не произвежда допълнителна изгода. Свойството, което има значение за преподаването, е от другата страна на ефекта: общото доверие в Generative AI не пада, така че интервенцията изгражда калибрирано доверие, а не сляп скептицизъм. Това е интервенция от един абзац, без улеснение, което е рядък профил на разходите за дизайн на AI грамотност.
• Управлението на AI от страна на обучаемия е по-важно от дизайна на инструмента. Azimi (2026) рандомизира 33 студенти в магистърски курс по анализ на данни между AI Study Coach със scaffolding, вграден в тетрадките (n = 16), и неограничено използване на каквито и да било Generative AI инструменти, които са избрали (n = 17), за седем седмици. Ефективността по заданията и придобивките в инвентара на концепциите са били неразличими; вместо това условието Coach е докладвало по-висока увереност. Това, което е разделяло студентите, е AI грамотността на практика: тези, които са си формулирали собствени правила кога да използват AI, са оценявали по-високо в двете условия, а студентите с най-дълбоко разбиране на модела — всеки от тях самоук — са подканвали най-умишлено. Значението за дизайна върви срещу рефлекса на контрол: преподавай саморегулационните и разбиращите модела компоненти на AI грамотността, вместо да ограничаваш инструментите.

Свързани концепции

• Pedagogical Patterns — разработени от стъпките за критическа оценка в тези последователности
• Learners — Обучаеми: зонтичната концепция за концепциите от страна на обучаемия
• Generative AI — технологията, върху която AI грамотността е насочена
• Large Language Models (LLMs) — системите в сърцевината на AI грамотността
• Critical Thinking — основна оценъчна диспозиция
• Prompt Engineering — основна практическа компетентност
• Metacognition — грамотността като метакогнитивна социална практика
• Cognitive Offloading — рискът от прекомерна зависимост, който грамотността противодейства
• Reducing AI Misuse — поведенческата изгода на грамотността
• Academic Integrity — знаенето какво съставлява уместно използване на AI
• Self-Assessment — преценка на собствената си работа и умение, като техника и като мярка
• Trust Calibration — калибриране на уместното доверие
• AI Sycophancy — умение на грамотността за засичане на съгласие
• Equity — справедливо разпределение на грамотността
• Digital Divide — пропускът достъп/умения/резултати
• Ethics — измерението на етичната осведоменост
• Teacher AI Competency — готовност на преподавателите
• Educational Development — изграждане на грамотността на преподавателите
• AI-Assisted Educational Research — AI-подпомогнато образователно изследване
• K-12 — грамотност на училищно ниво
• Higher Education — грамотност на университетско ниво
• Career Development and Readiness — изгодата за наемаемост, която се твърди, че AI грамотността изгражда
• AI в образованието — по-широката област

Свързани статии

• Modeling the Relationships Between University Students' AI Competence, AI Ethical Awareness, and AI Anxiety: A Dual-Stage PLS-SEM and ANN Analysis - Повишаването на етичното измерение на грамотността без рамка за справяне може да остави студентите по-тревожни

• Reconceptualizing digital literacy in the AI era: A systematic review of validated frameworks from an ecological perspective — 80 валидирани рамки показват AI, разширяваща дигиталната грамотност към етиката, докато човешко-AI сътрудничеството на преподавателите остава недоспецифицирано (Guo et al. 2026)

• Supporting AI Literacies for Young Adults Aged 14-19: A value-based, practical framework for public service media organisations — Шест области на компетентност, пет ценности и три нива на прогресия за медиите с обществена услуга

• The AI Literacy Heptagon: A Structured Approach to AI Literacy in Higher Education — AI Literacy Heptagon

• Beyond Tool Adoption: A Practical Five-Stage Developmental Continuum for AI Literacy in Higher Education — Практически петстепенен континуум за AI грамотност

• Clarifying the Conceptual Landscape in AI Literacy Measurement: A Large Language Model Based Approach — Картографиране на корпуса от инструменти за AI грамотност: 55 конструкта, двойки на jangle и jingle, базирано на LLM кодиране

• Measuring Artificial Intelligence Literacy: A Systematic Review of Instrument Development, Conceptual Foundations, and Psychometric Quality — Оценка с COSMIN на 58 проучвания и 47 инструмента за AI грамотност: доказателствата за валидност се трупат около вътрешната структура, докато критерийните, съдържателните и инвариантните доказателства остават до голяма степен липсващи (Jin et al. 2026)

• The Generative Artificial Intelligence Literacy Scale (GAILS): Development, Validation, and Measurement Invariance Across Sex and Occupational Status Groups — GAILS: 34-точкова скала за GenAI грамотност, валидирана в 341 възрастни, скаларно-инвариантна през пол и студентски/работни групи (Zhang et al. 2026)

• GLAT: The Generative AI Literacy Assessment Test — GLAT: валидиран тест за оценка на генеративната AI грамотност

• How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures — Оценка на AI грамотността: несъответствие между собственодокладвано и изпълнение

• Development and validation of the generative AI assessment literacy scale for higher education students — GAA-LS: валидирана Generative AI Assessment Literacy Scale за студенти във висше образование (Nie et al. 2026)

• Beyond AI Literacy: A Structured Review and Exploratory Meta-Analysis of Measures for Competent Generative-AI Use — Отвъд AI грамотността: структуриран преглед и експлоративна мета-анализ на мерките за компетентно използване на генеративен AI

• How AI literacy correlates with affective, behavioral, cognitive and contextual variables: A systematic review — систематичен преглед на това с което корелира AI грамотността

• Assessing teachers' AI literacy: a systematic review of measurement tools — систематичен преглед на инструментите, които измерват AI грамотността на преподавателите

• Development of an AI literacy self-assessment questionnaire in upper primary school students — въпросник за самооценяване за ученици в горнокласен етап

• Metacognitive AI literacy: going beyond the AI skills gap agenda — AI грамотността като метакогнитивна социална практика

• AI Literacy Interventions in Education: A Meta-Analysis of Effects and Moderators — Мета-анализ на ефектите от интервенции за AI грамотност

• The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education — Рамката Scaffolded AI Literacy (SAIL)

• Measuring Acceptance of Age-Tiered AI Literacy Guidebooks: A Developmentally Informed Study of K-12 Students and Teachers — Наръчници за AI грамотност, разделени по възраст, оценени с 794 студента и 37 учителя: четирифакторна структура на приемането, инвариантна между изданията за 9-12 и 13-18, с по-младите обучаеми по-високо по всеки конструкт

• Reorienting Critical AI Literacy: A Community-Rooted Praxis of “Resisting AI” — Критична AI грамотност: власт, съпротива, агенция

• Prompts to Practice: A Pedagogical Framework for Human-Centered AI Engagement — Грамотността за подканите като фундаментална грамотност, отлична от подканното инженерство: петфазовият човеко-центриран модел на ангажиране с GenAI (Miles, Haber-Curran & Arar 2026)

• The Hidden Cost of Contextual Sycophancy: an AI Literacy Intervention in Human-AI Collaboration — Контекстуалното подхамване като интервенция за AI грамотност

• Understanding Student Dependency on AI: The Role of AI Literacy, Academic Self-Efficacy, and Resource Management Strategies — AI грамотност, самоефективност и зависимост

• Teaching Students to Question the Machine: An AI Literacy Intervention Improves Students' Regulation of LLM Use in a Science Task — двучасов семинар промени регулацията на взаимодействието с LLM при средношколци, докато самооценките не предсказваха нищо (Clerc et al. 2026)

• Artificial Intelligence Literacy and Sustainable Development: An Ethical Governance and Development Goals Framework — AI грамотността като управленска способност за устойчиво развитие: таксономията AIRE и връзката AI–ЦУР (Islam, Morshed & Islam 2026)

• AI Literacy in Secondary Education: Framework, Assessment, and Professional Development in the Ukrainian Context — Петстепенна рамка за AI грамотност за украински средношколски преподаватели (Marienko et al. 2026)

• STEAM Education for AI Literacy: A Systematic Literature Review — STEAM образование за AI грамотност: систематичен преглед

• Systematic Review of Collaborative Learning Activities for Promoting AI Literacy — Рамка за съвместна AI грамотност

• Co-Constructing AI Boundaries: Agency, Judgment, and Ethical Literacy in AI-Mediated Meaning-Making — рерамкира AI грамотността като преценка коя интерпретативна работа не бива да се делегира

• Artificial intelligence-supported learning and higher-order cognitive outcomes: the mediating role of metacognitive self-regulation — AI грамотността за верификация имаше значение само през метакогнитивната саморегулация, докато когнитивното разтоварване предсказваше по-ниско критично мислене и решаване на проблеми (Davor et al. 2026)

• Designing for AI literacy: psychological mechanisms and self-determination — Обучението, базирано на мислене, победи обучението, базирано на умения, върху обективно оценена задача, с автономност и компетентност, носещи ефекта (Yu, Lin & Chen 2026)

• Psychological predictors of continued ChatGPT use among university students: the roles of AI literacy, trust, and academic self-efficacy — Пътят от AI грамотността към продължаващо използване на ChatGPT минава през доверие и академическа самоефективност, а AI тревожността изтънява първата връзка (Hu 2026)

• Modeling and measuring graduate students’ generative AI literacy: a study based on Marzano’s taxonomy — Петизмерен модел, основан на Marzano, и 15-точкова самодокладваща скала за GenAI грамотност при магистри (Zhi et al. 2026)

• Artificial intelligence in initial teacher training for pre-service primary school teachers in mathematics: a systematic review — Единадесет проучвания за AI в първоначалната подготовка на учители по математика, предимно краткосрочни, с етика, адресирана само в три (Pinto et al. 2026)

• Generative artificial intelligence in university chemistry education: a critical review using Johnstone’s chemistry triplet and Biggs’ 3P model — Интеграция на GenAI, центрирана върху верификация, в университетската химия, с репрезентационния превод като основно изискване на AI грамотността (Vega-Baudrit & Rivera Alvarez 2026)

• Who Acts, Who Knows, Who Answers? A Corpus-Assisted Discourse Analysis of Agency, Epistemic Responsibility, and Accountability in Generative AI Higher Education Research — Who Acts, Who Knows, Who Answers? A Corpus-Assisted Discourse Analysis of Agency, Epistemic Responsibility, and Accountability in Generative AI Higher Education Research

• Bridging the Gap: Investigating Students' Self-Reported AI-Literacy and Perceived Employability Competencies for an AI-Enabled Workforce — Собственодокладваната AI грамотност обясни 60.8% от възприетата готовност за наемане на работа, с оценъчните и афективните измерения най-силни (ElSayary & Ragab 2026)

• From Competency to Agency: Teachers' Views of the Purposes of AI Education — Целите на преподавателите за AI образованието, четени през квалификация, социализация и субектификация на Biesta, и евристиката на информираната AI агенция (Fagerlund et al. 2026)

• Teacher Readiness-By-Design for AI-Rich Interactive Learning — Готовността на преподавателя като качество на дизайна, а не като възприемане или увереност, с самоефективността като ресурс и неизползването не като неготовност (Charles 2026)

• The Effects of K-12 Artificial Intelligence Education in Enhancing AI Literacy: A Meta-Analysis — AI образованието в K-12 повиши AI грамотността с обединен g = 0.892 през 57 положителни ефекта, а несъгласието в измерването обяснява хетерогенността (Yu et al. 2026)

• Literacy demands placed on students in student–GenAI entanglements in higher education — Изискванията за грамотност се различават по тип преплетение студент–GenAI; формите Assistant и Enabler доминират, докато останалите остават маргинални по институционални причини (Sun, Dohn & Rehm 2026)

• The AI Competence Framework Landscape: A Comparative Analysis of Frameworks for Education and Workforce Development — Сравнителен анализ на 16 рамки за AI компетентности за образование и развитие на работната сила

• A Multidimensional Analysis of AI Literacy Determinants: External Resources, Digital Skills, and Psychological Profile Among University Students — Външни ресурси, дигитална компетентност и психологически профил като съвместни детерминанти, с обръщане на знака на технологическата тревожност

• The Six-Facet Artificial Intelligence Literacy Questionnaire (SFAILQ): Assessing AI Literacy in Adolescents, Young Adults, and Midlife Adults — Шестфасетен инструмент, добавящ фасети за отговорно използване и саморазвитие, скаларно-инвариантен сред подрастнали, млади възрастни и средновъзрастни възрастни

• Exploring University Faculty's AI Well-Being: A Structural Equation Model of Social Supports, AI Literacy, and Technological Self-Efficacy — Структурно уравнение за AI благополучието на преподавателите, социалните подпори и AI грамотността

• What Does It Mean to Be AI Literate? Psychometric Validation of the Critical 3wAI Literacy Scale — Валидирана 17-точкова самодокладваща скала с три различни фактора на AI грамотност (Know What/How/Why); Know-How и Know-Why най-свързани (HTMT = 0.544)

• AI Literacy and STEM Education: Emerging Frontiers and Research Priorities — Синтез на десетте най-цитирани проучвания за AI грамотност в STEM образованието (Hallström и съавтори, 2026)