База знания AIEdAIEd KB
На тази страница

Прочетете тази страница на английски

Понятия

Компетентност на учителите за AI

Създадена 2026-10-27 · Актуализирана 2026-10-27

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

Компетентност на учителите за AI - знанията, уменията и нагласите, които учителите се нуждаят, за да интегрират AI в преподаването и обучението ефективно, етично и справедливо. Тя надхвърля техническата употреба на инструменти и включва педагогическа интеграция, грамотност за оценяването, етична преценка и увереността да използваш AI добре. Компетентността на учителите за AI е двойникът от страната на учителя на AI грамотност и се развива чрез професионално развитие. Тя е централна за това как ролята на учителя се преобразява в класни стаи, подсилени с AI.

Въпроси за размисъл

  • Страницата твърди, че учителят е „решаващият фактор“ за това дали AI подобрява обучението - че инструментите помагат само когато учителите могат да планират за тях, да дават скафолдинг при употребата и да оценяват изходите. Съответства ли това на опита ви, или смятате, че самият инструмент е по-важен от учителя?
  • Компетентността на учителите за AI обхваща техническа сръчност, педагогическа интеграция, грамотност за оценяването и етична преценка. Кое от тези според вас липсва най-много на учителите и кое е най-трудно за обучение?
  • Изследванията документират разлика между самооценените и действителните AI умения на учителите. Защо според вас хората надценяват готовността си и какво би било нужно, за да се затвори тази разлика честно?
  • Интензивна програма за професионално развитие даде големи печалби в педагогическото умение за AI в цитираните изследвания, което подсказва, че техническо-педагогическото умение е обучимо. Ако това е вярно, защо толкова много учители все още изглеждат неподготвени - какво им пречи?
  • Ако един учител може „да използва AI добре“, какво означава „добре“ за вас - и как бихте разбрали, че учителят го е постигнал, а не само че е приел инструмента?

Въведение

Компетентността на учителите за AI има значение, защото учителят е решаващият фактор за това дали AI подобрява обучението. Изследванията последователно показват, че AI инструментите се превръщат в по-добри резултати само когато учителите могат да планират за тях, да дават скафолдинг на ученическата употреба, да оценяват изходите и да ги интегрират в последователно преподаване. Литературата в базата знания изследва измеренията на тази компетентност, разликите между самовъзприятието и действителното умение и професионалното развитие, което я изгражда.

Nunez-Canal et al. (2026) свързват компетентността на преподавателите за AI пряко с резултатите на учениците, използвайки теории за човешкия капитал и заинтересованите страни върху проучване на преподаватели по бизнес и икономика, за да твърдят, че инвестицията на университетите в компетентността на преподавателите не е по избор.

  • Обучението по подкани купува време, а не по-добри материали. В предварително регистриран RCT с 204 учители Appel, Fervers и Piepenburg (2026) установиха, че ChatGPT подобрява качеството на материалите за подготовка на уроци и съкращава времето за подготовка с 34%, докато предишно обучение по AI добавя още 21% намаление на времето, без да подобри оценяваното качество (Appel et al., 2026). Обучените учители пишеха по-дълги подкани и итерираха по-малко; и двата пътя стигнаха до еднакво качество.

Основни измерения на компетентността

Изследванията в базата знания се сближават около няколко взаимосвързани измерения:

  • Техническа сръчност: създаване на ефективни подкани за образователни цели, оценяване на AI инструменти за педагогическа пригодност и безопасност, и отстраняване на проблеми в реално време. Интензивна програма за професионално развитие по генеративен AI документира значими печалби по всичките пет компонента на AI-PCK (общо d = 2,36), което показва, че техническо-педагогическото умение е обучимо.

  • Специфициране на работни процеси на агенти: когато учителите конфигурират чатбот на естествен език, доминиращият провал е загубата на намерение, а не грешните факти - ботовете пропускат задължителни стъпки от работния процес в 53,8% от разговорите с крайни потребители и пропускат настройката на очакванията в 33,4% (Liu et al. (2026)), така че писането на подредени, експлицитни стъпки е обучимо измерение на компетентността само по себе си.

  • Педагогическото знание е решаващият слой. Проучване на между нива в средното образование по AI (46 учители, 2832 ученици) установи, че само техническото знание за AI е недостатъчно - и дори може леко да намали възприятията на учениците за AI в полза на обществото - докато педагогическото знание за AI движеше възприятията на учениците и намерението им да учат AI. Следователно рамките за компетентност трябва да придават тежест на педагогическото знание за AI като основно измерение, а не като мек допълнителен елемент.

  • Педагогическа интеграция: съотнасяне на употребата на AI към целите на обучението, проектиране на Scaffolding, който подкрепя метакогницията и саморегулацията на ученика, и интегриране на AI в дизайна на обучението. Изследванията върху AI-TPACK моделират как учителите съчетават технологично, педагогическо и съдържателно знание чрез работни процеси с множество агенти, докато рамка за работата учител-AI на пет нива (от транзакционна към синергична) улавя как генеративният AI може да замени, допълни или разшири компетентността на учителя.

  • Грамотност за оценяването: оценяване на генерирано от AI съдържание и на AI изходите на учениците, и разбиране на това как валидността се променя, когато учениците използват AI. Това се свързва с Automated Assessment, AI Detection и по-широката програма за препроектиране на оценяването. За системите за препоръки това се разширява до преценка дали обясненията на AI са наистина разбираеми и педагогически смислени: Feldman-Maggor et al. (2025) установиха, че учителите се доверяваха повече на препоръките на AI за групиране, когато обясненията бяха формулирани на езика на дисциплината (учебната програма), отколкото когато разкриваха сурови характеристики на модела - умение да се изисква и оценява качеството на обяснението, вместо да се приема непрозрачен изход.

  • Изборът на модел и дизайнът на подканата като демонстрируеми умения: инструменталната AI грамотност включва знанието кой модел да се използва и как да се формулира задачата. Jacobsen et al. (2026) подложиха целите за планиране на уроци на 153 бъдещи учители на критика от ChatGPT-4, Claude 3 и Gemini Advanced при четири систематично варирани подкани (N = 240 обратни връзки в Изследване 1, 345 в Изследване 2), като обратната връзка беше оценявана по девет категории за качество. Само изборът на модел обясняваше 26,9% от дисперсията в оцененото качество (18,4% в Изследване 2), а дизайнът на подканата добавяше значими 15,9% (5,7%) отгоре; единствената решаваща характеристика на подканата беше специфичният за дисциплината технически език, чието премахване значително понижи качеството (β = -0,412), докато добавянето на примери и премахването на инструкцията за верига от разсъждения не дадоха значима разлика в Изследване 1. Тяхното четене - че предметната терминология едновременно отключва релевантно съдържание от обучителните данни и рамкира заявката професионално, подобно на ролева подкана - плюс правилото да се използва най-способният наличен фронтиер модел, прави избора на модел дидактическо, а не техническо решение.

  • Етична и критична употреба: разпознаване на пристрастие в изходите на AI, защита на данните на учениците (Privacy) и осигуряване на справедливи резултати (Equity). Културно релевантната употреба на AI изследва как учителите могат да използват LLM, за да разнообразяват материалите, вместо да затвърждават доминиращите норми.

  • Етичната отговорност е разпределена, а не индивидуална. В седем национални случая учителите са позиционирани като морални пазители на употребата на AI, докато им липсва институционална и епистемична подкрепа, така че етичната AI грамотност трябва да се разшири до критична и политическа самостоятелност, а не само до техническо умение (Raffaghelli et al. (2026)).

  • Увереност и нагласи: увереността на учителя оформя приемането. Изследванията на приемането установяват, че увереността, подкрепата и възприеманата полезност определят дали учителите действително използват AI, а ориентациите на преподавателите оформят приемането в изследванията и преподаването.

  • В проучване в пет държави с 1405 учители от K-12 готовността за AI предсказваше положителни вярвания за инструкционната стойност на генеративния AI (B = 0,59, R² = 0,50), но предсказваше по-голяма загриженост за креативността (B = 0,18), а същите предиктори обясняваха само 7% и 6% от загрижеността - изграждането на готовност само по себе си оставя загрижеността незасегната (Xiu et al. (2026)).

Готовността трябва да бъде подредена и измервана съответно: Моделът способност-решение поставя демонстрираната способност за AI преди нагласата и увереността и предлага показатели за представяне, а не само самоотчитане - задачи за дизайн на уроци, задачи за оценка на подкани, заредени с грешки, преценки за валидността на съдържанието и рубрики за артефакти от класната стая (Mnguni (2026)).

Емоционалната и моралната готовност е отделно измерение. Vassallo (2026) анкетира академичния състав на малтийски университет (109 респонденти) и изгради Индекс на вината за AI (α = 0,88) от четири морално-емоционални пункта, установявайки, че очакваната вина надвишава разкаянието, изпитано след употреба: най-силното съгласие беше безпокойството, че употребата на AI подкопава кредибилността на човека (34,9% съгласни), следвано от усещането, че изневеряваш, когато го използваш (25,7%), докато разкаянието след употреба събра само 9,2%. Находките, които имат значение за рамките на компетентността, са, че неползващите съобщават по-висока вина от ползващите (M = 3,25 срещу M = 2,32) и че вината спада с нарастването на кариерната сигурност - академиците в началото на кариерата съобщават най-много (M = 2,71), а старшите академици най-малко (M = 2,03). Следователно емоционалната готовност не се улавя от мерки за умение или увереност, и статията твърди, че рамките на компетентността трябва да третират вината и загрижеността за идентичността като нормални преходни реакции, а не като дефекти за поправяне.

По-силна версия на това преформулиране твърди, че генеративният AI е прагова концепция, а не липса на умения: автоетнографски разказ твърди, че тревожността и съпротивата на преподавателите са същностни за преминаването на прага, така че обучението, основано на умения, се проваля, а принципното неприемане трябва да бъде уважавано, а не коригирано (Laidlaw (2026)).

Разликата в компетентността

Ключова находка е разликата между самоотчетената и базираната на представяне компетентност. Изследванията върху оценяването на AI грамотността документират съществено несъответствие (до около 40%) между това, което учителите вярват, че могат да направят, и това, което действително могат да демонстрират - учителите, уверени в AI уменията си, често нямат основополагащи способности за подкани и оценяване. Това мотивира оценяване, основано на представяне на учителската компетентност вместо разчитане на самоотчитане и се свързва с калибрираната самооценка. Национално проучване с 2586 нигерийски средношколски учители измери двете страни с отделни инструменти - умерена осведоменост за AI (M = 3,13 от 8) срещу по-ниско педагогическо умение за AI (M = 2,47 от 5) - като учителите в началото и средата на кариерата съобщаваха по-високо умение от опитните си колеги (Olurinola et al., 2026).

Готовността е най-документираната пречка в литературата по математика. Преглед на 54 изследвания в математическото образование установи технологично-педагогическата интеграция и готовността на учителите като най-често съобщаваното предизвикателство (38 от 54), пред валидността и почтеността на оценяването (26) и свръхразчитането (24) (Manto et al. (2026)).

Разликата е не само между възприеманото и действителното умение, но и в широчината на това, което учителите знаят: национално проучване с 2018 украински средношколски преподаватели установи, че 84% съобщават, че използват AI в професионалната си практика, докато само 11% могат да назоват специализирана AI услуга извън ChatGPT (Marienko, Markova & Semerikov (2026)). Втора теснина се вижда в това, което учителите сами предлагат, а не в това, което могат да назоват: 53 работещи учители, които маркираха собствените си случаи от класната стая спрямо Рамката за AI грамотност на OECD, описаха 43 практики за AI грамотност срещу само 10 провала (Wang et al., 2026). Техните избори на компетентности се групираха около практическата преценка (оценяване на изходите на AI, N = 38) и рядко достигаха до общественото пристрастие (N = 5), етичното съответствие (N = 6) или енергопотреблението на AI (N = 9).

Проучване с 132 учители в Индонезия установи почти универсално приемане наред с тънко механистично разбиране: 96,2% одобряват употребата на AI от учители, но само 4,6% назовават токенизацията или декодирането, а 21,5% вярват, че ChatGPT търси в база данни или в интернет (Aji et al. (2026)). Благоприятната нагласа не е доказателство за работещ мисловен модел на инструмента.

Разликата е видима в артефакта, както и в самоотчитането. Междуинституционална лаборатория за преподаватели в подготовката на учители, в която преподавателите на учители проектираха AI в собствените си методически курсове, съобщи, че кандидатите можеха да произведат излъскани планове на уроци с помощта на AI, без да могат да обяснят защо планът пасва на обучаемите и на стандартите, тъй като самият план не казва нищо за разсъждението зад него. Оценяването на обосновката, а не на продукта, е един отговор. Рамката на педагогиките на практиката предлага друг, третирайки репетицията като приближение на практиката: опосредствана от AI репетиция със структурирана обратна връзка след нея повиши използването на изследващи и проучващи въпроси от кандидатите, но собствените преценки на кандидатите за представянето им все още се разминаваха с това, което наблюдателите записаха.

Спадащата самооценка след обучение може да сигнализира учене, а не загуба. В шестмесечна програма за професионално развитие по Intelligent-TPACK с 64 университетски учители от Хонконг срещу 61 в контролна група общата AI компетентност нарасна с около половин стандартно отклонение (Cohen's d = -0,521), но някои учители и в двете групи се представиха по-слабо на посттеста, отколкото на претеста (Tan, Cheng & Ling, 2025). Интервютата приписаха спадовете на преминаване от несъзнателна към съзнателна некомпетентност - прекалибрирането, което ефектът на Дънинг-Крюгер предсказва - а не на загубено умение. Авторите заключават, че самоотчитането преди и след подценява интервенцията, защото част от печалбата идва като корекция надолу в самия инструмент.

Разликата се проявява и като неучастие. Watson & Rainie (2026) анкетираха 1057 американски университетски преподаватели в края на 2025 г. и установиха, че 26% изобщо не използват инструменти с генеративен AI, като една трета избират да не ги използват за преподаване, а неупотребата е концентрирана в изкуствата и хуманитарните науки (40%). Институционалната страна на разликата беше по-голяма от индивидуалната: 68% казаха, че училищата им не са подготвили преподавателите да използват генеративен AI за преподаване и менторство, а преподавателите посочиха съпротивата на колегите (82%) и непознаването (83%) като водещи пречки пред приемането в катедрата - картина, в която изграждането на капацитет, колегиалните норми и политиката трябва да се движат заедно.

Преддипломната подготовка до голяма степен заобикаля етичното измерение на компетентността. Систематичен преглед на AI в началната подготовка на учители за бъдещи учители по математика в началното училище (Pinto et al. 2026, 11 изследвания, избрани от 341 записа) установи, че интервенциите се концентрират върху краткосрочни технически и педагогически печалби, като девет от единадесет са кратки интервенции от една до шест сесии, и съобщи, че етиката е адресирана само в три от единадесетте изследвания. Рамките за компетентност назовават етичната преценка като измерение; литературата за преддипломна подготовка, която трябва да я изгради, рядко я преподава или измерва.

  • Седем клъстера на компетентност, с етиката като най-слабото звено. Тематичен синтез на 78 изследвания дава клъстери за prompt engineering, критично оценяване на изходите на AI, етична осведоменост и откриване на пристрастия, педагогическо-съдържателно съответствие, концептуална AI грамотност, човешки надзор и рефлексия. Prompt engineering беше най-последователно документираният и се държи като развиващ се спектър, а не като едно умение, което накара рецензентите да твърдят, че той се разбира най-добре като педагогическо разсъждение, провеждано чрез нова среда - подканата като екстернализирано дизайнерско решение. Етичната осведоменост беше най-слабо документираната компетентност в изследванията за преддипломна подготовка (Spyropoulou & Kameas, 2026).
  • Учителите надценяват собственото си умение за оценяване. Отвъд находката, че само 38,3% от генерираните от AI цели на обучението отговарят на всички критерии за качество без преработка, бъдещите учители систематично надценяват способността си да оценяват изхода на чатбот - което рецензентите четат като възможен перцептивен, а не декларативен дефицит. Затова те твърдят, че компетентността трябва да се оценява чрез артефакти от представянето (планове на уроци, дневници на решения, микро-преподаване), а не чрез самоотчитане: ненадеждността на самооценката се демонстрира в самата литература, която обучението има за цел да адресира.

Професионално развитие, което работи

Литературата за професионално развитие в базата знания идентифицира ефективни подходи:

  • Интензивни, теоретично обосновани програми: Интензивна програма за професионално развитие по генеративен AI с 163 учители и бъдещи учители даде значими печалби по всички компоненти на AI-PCK, като бъдещите учители се облагодетелстваха най-много. Професионално развитие, основано на теорията на самоопределянето показва, че обучението, подкрепящо потребностите, подобрява AI грамотността, нагласите и ангажираността на учителите, като същевременно намалява тревожността.
  • Базирани на дизайн и интегрирани подходи: Обучение по генеративен AI грамотност, базирано на DBR адресира свръхакцента върху техническото знание и инструментите отпреди генеративния AI; интегративни, развиващи се рамки и интегриране на социално-емоционални компетентности разширяват грамотността отвъд чистата техника.
  • Изследване и автентична практика: Модели за изследване с подкрепата на AI изграждат AI грамотност и автентично представяне у бъдещите учители.
  • Готовност, специфична за контекста: Рамката за готовност EPIQ-AI подчертава, че готовността на преподавателите е социотехнически въпрос, изискващ съответствие между капацитета на преподавателите, управлението и осигуряването на качество.
  • Подкрепата трябва да бъде диференцирана по опит и владеене на AI. Choi et al. (2026) установиха, че начинът, по който учителите действително взаимодействат с AI при дизайна на уроци, зависи от взаимодействието на преподавателския опит и владеенето на AI, а не от всяко от тях само. Опитните учители с високо владеене на AI критично адаптират изхода на AI към контекста (повторни подкани, разработване), докато новите - дори технически свободните - са склонни да приемат отговорите на AI директно и рядко обмислят учениците и контекста. Това говори за професионално развитие, основано на профилиране: контролни списъци за оценяване на отговори и шаблони за подкани за новите, и практическо изграждане на умения за опитните учители с по-ниско владеене на AI.
  • Самата печалба във време следва опита и увереността, а не само дизайна на подкрепата. В изпитанието на Roy et al. (2026) на AI асистент за планиране на уроци намаляването на натоварването беше по-голямо за учителите с по-ниска увереност в предметното знание, по-ниско педагогическо знание, по-малко време в професията или по-висока увереност с технологиите. Следователно владеенето и увереността са част от ефекта на интервенцията, а не само от приемането ѝ.

Конфигурацията на вярванията е втора ос за профилиране: сред 40 680 учители в TALIS 2024 един и същ статут на неупотреба маскираше противоположни пречки - 83,3% от профила „Безразлични“ посочиха педагогически резерви, докато 66,2% от „Премерено одобрение“ посочиха недостатъчни знания и умения (Fang & Jin (2026)). Професионалното обучение, свързано с AI, следваше принадлежността към профил по-последователно от възрастта или образованието.

  • Учителите не споделят една представа за AI. Феноменографско изследване с 16 датски университетски учители откри три представи за преподаване с AI и три за учене с AI, така че един единствен модел на работна среща достига само до част от всяка група преподаватели (Stenalt (2026)).

  • Съвместният дизайн и педагогическата грамотност за подкани са компетентности, а не допълнения. Систематичен преглед на съвместния дизайн на учебни задачи от учители и AI (Wang, Liu & Islam 2026, 28 изследвания) установява, че доминиращият режим на сътрудничество е AI като асистент и генератор на съдържание, и локализира разлика в по-пълните способности на учителите за съвместен дизайн и диалогично партньорство. Talebzadeh (2026) показва, че професионалното развитие, което съчетава техническо обучение по AI с педагогическо разсъждение - изграждане на „педагогическа грамотност за подкани“ (кодиране на PCK в подкани) - е това, което позволява на учителите да превърнат изхода на AI в ефективни диференцирани групови дейности.

  • Структури, които изграждат компетентност, а не списъци с нея. Perl-Nussbaum и Finkelstein (2026) проведоха общност за обучение на преподаватели в шест сесии на две седмици в голяма публична физическа катедра R1 - деветнадесет преподаватели през серията, около десет на всяка среща - където всяка сесия започваше с местни данни, преминаваше към тестване на AI в малки групи срещу реални анонимизирани домашни работи на ученици и завършваше с колективна дискусия, и тя произведе общ хранилище с пет записа, а не обучителен пакет. Грамотността за оценяването може да се изгради по същия начин чрез инструмент за дизайн: в пилота на Paula et al. (2026) осем опитни координатори на курсове по STEM и здраве разшириха грамотността си за оценяването, като критикуваха черновите за оценяване на персонализиран GPT спрямо дисциплинарните стандарти, макар изходите многократно да пропускаха дисциплинарния контекст, да игнорираха последователността на темите и в един случай да носеха измислени референции през повторни подкани. И осемте запазиха академичната преценка при себе си и отказаха автоматизация от край до край, което прави структурираната критика на генерираните чернови механизъм за развитие, а не обучение по инструмента.

  • Кратките сесии могат да променят приемането, без да променят усвояването. Mesenhöller и Böhme (2026) оцениха тричасова сесия INSIGHT със 100 германски учители и установиха, че възприеманата полезност и възприеманата лекота на използване се повишиха значително (полезност t(99) = -3,24, p = 0,002, d = 0,32; лекота на използване d = 0,25), докато поведенческото намерение да използват технологии, базирани на AI, за диференциация не се промени. Авторите отбелязват, че изходните им стойности вече са били благоприятни, така че ефект на тавана е възможен. Четенето за дизайна на професионално развитие е тясно, но полезно: кратка сесия може да промени как учителите преценяват AI инструментите, без да промени дали планират да ги използват, което е вид промяна, която се нуждае от последващи действия, а не от еднократно събитие.

  • Преподавателите предпочитат гладкостта, но приписват ученето на скафолдинга. При 41 преподаватели базовата линия с GPT-4o беше предпочитана като цяло (21 срещу 13), но на фино настроения тристъпков модел (идентифицирай, изследвай, развий) по-често се приписваше учене (18 срещу 13), а двете преценки съвпадаха само в 39% от случаите (Molnar et al. (2026)).

  • Институционална подкрепа: професионалното развитие трябва да бъде съчетано с институционална инфраструктура (политика, институционална промяна) за устойчиво приемане.

  • Инструментите за създаване не гарантират педагогическа вярност. Riahi et al. (2026) изследваха 27 учители от средното училище, конфигуриращи образователни чатботове в работни срещи за професионално развитие, анализирайки фокус групи наред с регистрите за конфигурация и взаимодействие. Учителите третираха чатбота като инструкционен скафолдинг, ограничен от правила, зададени от учителя, но съответствието между намерение и поведение по регистрите беше по-силно за отзивчивостта (88,9%) и персоната (81,5%), отколкото за правилата (70,4%) и целта (59,3%). Само конфигурируемите контроли не пренасят педагогическото намерение в поведение, така че изразяването, тестването и усъвършенстването на педагогиката на чатбота е сама по себе си компетентност, която инструментите за създаване трябва да подкрепят.

Контрапример, базиран на дизайн, третира компетентността като ситуационна, а не като стъпало по стълба. Базираното на дизайн изследване на Eyal от 2025 г. с 22 преподаватели на учители във висшето образование накара участниците да разгледат пет публикувани рамки за оценяване и да създадат съвместно алтернатива, организирана около три взаимносвързани оси: съответствие с контекста (инфраструктура, социокултурни фактори, местни потребности, етап на развитие), професионални потребности (дисциплина, педагогика, лидерство, подкрепа) и динамично развитие. Моделът отхвърля фиксирани нива на компетентност и позволява нелинейно развитие, и се предлага с въпросник за рефлексивна самооценка от 20 пункта, оценяван от 1 до 5. Валидирането му е само качествено, без количествено тестване на надеждността, така че той стои като дизайнерски принос, а не като валидиран инструмент.

  • Мета-аналитична оценка. Guo et al. (2026) обединиха 212 размера на ефекта от 34 изследвания и оценяват професионалното развитие по AI грамотност на учителите на g = 0,76 (95% CI [0,50, 1,02]), най-силно за уменията (g = 0,91) и най-слабо за нагласите и ценностите (g = 0,61); коригирането за очевидна селекция на публикуване понижава оценката до около g = 0,49.

  • Присъствието предсказва печалби, докато усещането за участие не. В същата шестмесечна програма процентът на присъствие предсказваше печалбата в компетентността (β = 0,407, p = 0,001), докато самовъзприеманото участие не (β = 0,049, p = 0,692), а дисциплината, преподавателският опит и професионалната титла обясняваха малко; авторите четат присъствието като поведенческа инвестиция, а възприеманото участие като повърхностна ангажираност (Tan, Cheng & Ling, 2025).

  • Ценностите изостават от уменията и в програма, специфична за дисциплината. В едногодишна програма в Хонконг с 30 учители по английски знанието за мултимодални стратегии за оценяване се покачи от 3,13 на 4,15 от 5 (частична η² = 0,571), а компетентността в подкрепата на учениците от 3,05 на 3,98 (0,482), и двете значими, докато всяка ценностна подобласт остана статистически плоска при алфа, коригирана с Bonferroni, от 0,006. Учителите приписаха печалбите на съвместното планиране в училище и на срещите на междуучилищни клъстери, а не само на работните срещи (Jiang et al., 2026).

  • Микрообучението може да развие AI компетентността на университетските учители. Cechovsky (2026) усъвършенства два модула за Vocational Education and Training в две онлайн групови дискусии до пет принципа за дизайн - ясна структура и ориентация, насоки и подкрепа за навигация, сегментиране и модуляризация, мултимодално представяне и активиране на обучаемия - и установи, че навигацията в платформата и намирането на модулите са основните практически пречки.

Компетентността на учителите за AI и преобразяващата се роля на учителя

Тъй като AI поема рутинни инструкционни и оценителни задачи, отличителният принос на учителя се измества към оркестрация, преценка и взаимоотношение: решаване кога и как се използва AI, скафолдинг на самостоятелността на ученика и критичната употреба, осигуряване на равенство и предоставяне на социалната и емоционална подкрепа, която AI не може. Това преформулира учителската компетентност около надзора с човек в контура, етичната преценка и подкрепата на саморегулираното обучение - свързвайки се с Преподаването и с предпазването от свръхразчитане.

Последици за AI в образованието

  • Оценявайте представянето, а не само самоотчитането: учителската компетентност трябва да се оценява чрез демонстрация, предвид документираната разлика в самоотчитането.

  • Обучавайте цялата компетентност, а не само инструментите: професионалното развитие трябва да изгражда техническото, педагогическото, оценителното и етичното измерение заедно, обосновано в теорията на обучението.

  • Изграждайте увереност наред с умение: нагласите и Self-Efficacy оформят приемането, така че професионалното развитие трябва да намалява тревожността и да изгражда увереност чрез автентична, подкрепена практика.

  • Подкрепяйте институционалния слой: устойчивата учителска компетентност изисква съгласувана политика, управление и капацитет, а не изолирано обучение.

  • Дигиталната компетентност на учителя за дизайн на учебната програма с генеративен AI. Guillén-Gámez (2026) валидира базиран на TAM диагностичен инструмент с 434 работещи учители; поведенческото намерение беше основният предиктор на дигиталната компетентност за използване на генеративен AI при планиране на учебната програма, със самочувствието за компетентност като основен двигател.

Психометричен инструмент за компетентността на учителите за AI

  • Психометрично изследване разработи Скалата за AI грамотност на учителите (TAILS), за да измерва AI грамотността специално в обучението на учители по езици, операционализирайки шестте измерения на рамката ED-AI. Разработването на инструмента запълва разлика в оценяванията, насочени към ученици или общи потребители, подкрепяйки измерването на компетентността на учителите за AI.

Самата среда на инструментите беше прегледана след това. Систематичният преглед на Zainal, Mohd Matore и Maat от 2026 г. на инструментите за измерване на AI грамотността на учителите оцени 33 инструмента, публикувани между 2019 и 2025 г., и установи, че областта е методологично еднообразна: 31 (93,9%) са скали за самоотчитане на възприемана увереност, само два (6,1%) тестват знанието обективно и нито един не използва задачи, базирани на представяне. Вътрешната последователност беше най-силната област на качество (28 от 33 на ниво A), а справедливостта най-слабата, като пет инструмента (15,2%) съобщават доказателства за инвариантност на измерването или диференциално функциониране на пунктовете. Съдържанието също изостава от технологията, тъй като 29 инструмента (87,9%) са насочени към общи AI концепции и само четири (12,1%), всички от 2025 г., адресират генеративния AI.

Чести заблуди

  • „Обучението по подкани прави материалите на учителите по-добри.“ Обучението по подкани купува време, а не по-добри материали: в предварително регистриран RCT с 204 учители Appel, Fervers и Piepenburg (2026) установиха, че ChatGPT подобри изразходваното време, докато качеството на материалите не последва. Печалбата в ефективността е реална и не е печалбата в качеството.
  • „Когато учителите конфигурират чатбот, провалът е фактическа грешка.“ Когато учителите конфигурират чатбот на естествен език, доминиращият провал е загубата на намерение, а не грешните факти - ботовете пропускат стъпката, която учителят е имал предвид. Следването на инструкции се проваля структурно, а не фактически.
  • „Техническото умение е решаващият слой.“ Педагогическото знание е решаващият слой: проучване на между нива в средното образование по AI Shen et al., 2026. Компетентността, която определя резултата, е тази, в която повечето обучителни програми инвестират най-малко.

Свързани концепции

Свързани статии

Свързани ЧЗВ

Свързани ресурси

  • Claw-ED
    A local-first AI teaching assistant that turns your own curriculum into editable lesson drafts, student materials, and slides using a model you choose.
  • EduGems
    A growing library of pre-made Google Gemini 'Gems': shareable, pre-written prompts for planning, feedback, forms, images and AI-use reflection.
  • Playlab
    A nonprofit creator platform where educators build, share and evaluate their own AI apps, grounded in their curriculum, run on the model of their choice, with teacher visibility built in.
  • TeacherServer
    A large free library of single-purpose teaching generators for K-12 teachers and college faculty: lesson plans, worksheets, IEP goals, rubrics, case studies, math problems.

Метаданни

НивоK 12, Higher Ed
Целева аудиторияFaculty Developers, Learners, Instructors
Обучение и преподаванеSelf-Efficacy
Технологии и техникиGenerative AI, Intelligent Tutoring, Large Language Models (LLMs)
Равнопоставие, етика и отговорна употребаEquity
Основи на AI в образованиетоAI грамотност, Образователно развитие, Преподаването
ИзточникИсторияРедактиранеЧат

Вграждане на тази страница

Копирайте кода по-долу, за да вградите тази страница в система за управление на обучението или друг уебсайт. Вгражданата версия показва само съдържанието на страницата — скрива заглавната част, навигацията и долния колонтитул на сайта.