База знания AIEdAIEd KB
На тази страница

Прочетете тази страница на английски

Понятия

Преподаването

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

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

Преподаването - как AI преобразява работата, идентичността и самостоятелността на преподавателите. С над 50 статии, изследващи това измерение, базата знания документира фундаментална трансформация: от единствен авторитет по знанието към оркестратор на човешко-AI учебни среди. Тази страница отива отвъд описването на този преход - тя детайлизира какво учителите действително правят различно, как могат да адаптират практиката си и как се свързват с дизайна на обучение, AI грамотността и академичната почтеност.

Malyn-Smith et al. (2026) наричат това парадоксът на повечето човешко: в шест сценария за 2030 г., съвместно изградени от 20 изследователи от 13 държави, насищането с AI засилва, а не измества човешката педагогическа работа. Сценариите описват AI като „системата за обработка на въздуха на учебната екосистема“ - забелязвате я само когато се повреди.

Въпроси за размисъл

  • Страницата описва прехода на учителя „от единствен авторитет по знанието към оркестратор на човешко-AI учебни среди“. Какво печелите и какво губите като преподавател, когато спрете да бъдете основният източник на съдържание?
  • Тя твърди, че AI преразпределя най-оскъдния ресурс на учителя - вниманието - от произвеждане на материали към разбиране на обучаемите. Звучи ли ви вярно това преформулиране и какво бихте направили действително с освободеното време?
  • Цитираните на страницата изследвания показват учителите като активни дизайнери на AI - пишещи подканващите инструкции и скелетата, които оформят как AI се държи пред учениците им - а не като пасивни потребители. Какво би било нужно, за да се почувствате вие (или учители, които познавате) като дизайнер на AI, а не като негов потребител?
  • В крайния край на спектъра на „екипирането учител-AI“ учителят оркестрира екип от човешки обучаеми, AI преподаватели и ресурси от учебната програма. Къде човешката преценка остава незаменима в този екип и какво може тихо да се разпадне, ако оркестрацията бъде оставена предимно на AI?
  • Ако вниманието на учителя се преразпредели от произвеждане на материали към разбиране на обучаемите, какви нови компетентности и рискове въвежда това - и кой подкрепя учителя в развиването им?

Въведение

Преподаването тук назовава професионалната роля така, както AI я преобразява: по-малко предаване на съдържание, повече оркестрация на човешки и машинни участници, разбиране на това какво обучаемите действително разбират, и дизайн на условията, при които използването на AI е легитимно. Страниците, събрани под тази концепция, документират екипирането учител-AI и промяната на работните процеси, компетентностите, които ролята сега изисква, и напрежението между печалбите в ефективността и вниманието, което индивидуалната подкрепа изисква. Тя стои редом с образователното развитие, AI грамотността и оценяването като една от ролите, които определят дали интеграцията на AI променя практиката, или само я украсява. Науките за обучението са изследователската област, чиито доказателства преобразуват тази позиция: те описват и проверяват как се случва обучението и кои дизайни го променят, докато тази страница обхваща ролята в класната стая, която трябва да действа въз основа на тези доказателства в момента.

Как AI преобразява преподаването

  • От инструктор към оркестратор: Петте нива на екипиране учител-AI и изследването на оркестрацията на самостоятелността картографират спектъра от AI като инструмент до AI като партньор в преподаването. В крайния край учителят оркестрира екип, който включва човешки обучаеми, AI преподаватели и ресурси от учебната програма, вместо сам да предава цялото съдържание.

  • Трансформация на работните процеси: How AI Is Changing Teaching Workflows документира как AI измества времето на учителя от предаване на съдържание към дейности с по-висока стойност, като индивидуална подкрепа, обратна връзка и дизайн на учебната програма. Най-оскъдният ресурс на учителя - вниманието - се преразпределя от произвеждане на материали към разбиране на обучаемите. Систематичен преглед на преподаватели по езици (Li et al. 2026) потвърждава това: преподавателите ценят GenAI най-много за подготвителна работа (планиране на уроци, създаване на материали, подкрепа при писане), докато се колебаят за използване на живо в класната стая, а приемането им се оформя от фактори на професионалната идентичност, педагогиката, техниката, институцията и академичната почтеност - като пропуските в компетентността се отнасят до епистеме (разбиране на способностите и границите на AI), техне (prompt engineering, проектиране на задачи и оценяване с AI, откриване на генериран от AI текст) и фронезис (етична преценка, работа с пристрастие и поверителност, контекстно чувствителна преценка). документира как AI измества времето на учителя от предаване на съдържание към дейности с по-висока стойност, като индивидуална подкрепа, обратна връзка и дизайн на учебната програма. Най-оскъдният ресурс на учителя - вниманието - се преразпределя от произвеждане на материали към разбиране на обучаемите.

  • Изисквания за компетентност: Рамките за компетентност на учителите по AI дефинират какво трябва да знаят преподавателите, от базова работа с инструменти до педагогически обоснована оркестрация. Изследванията за приемане идентифицират реалните бариери: увереност, институционална подкрепа и тревоги за натоварването. Bai & Hsieh (2026) добавят емпирична тежест към това в SEM на 898 китайски университетски преподаватели: подкрепяната от GenAI иновация в преподаването зависи по-малко от изолирано технологично знание за AI и повече от педагогически и дисциплинарно вградена AI компетентност (AI грамотност и професионална идентичност), които и двете частично медиират връзката компетентност към иновация - сигнал да се изгражда развитието на преподавателите около вградена, свързана с идентичността AI компетентност, а не само около обучение по инструменти.

  • Готовността като дизайнерска способност, а не като нагласа: Charles (2026) твърди, че готовността на учителите за богато на AI интерактивно обучение не може да се прочете от приемането, увереността или дигиталната компетентност, защото нито едно от тях не предсказва качеството на дизайните, които учителите действително произвеждат. Готовността чрез дизайн е ориентирана към осъществяването: учителите мобилизират свързано с AI педагогическо знание, педагогически убеждения, самочувствие за компетентност и етична ориентация чрез дизайнерско посредничество (избор на инструмент, дизайн на задачи и подканващи инструкции, скафолдинг, прозрачност, проверка, препроектиране на оценяването, планиране на достъпността и човешки надзор) в институционална и политическа екология, която позволява и модерира превода. Две твърдения имат практическа тежест. Самочувствието за компетентност е ресурс за мобилизиране, а не показател за качество, така че увереност без свързано с AI педагогическо знание или етична ориентация може да ускори лош дизайн. А яснотата на политиката и материалната подкрепа са отделни модератори, така че едно добре ресурсирано училище може въпреки това да остави учителите да гадаят какво е разрешено. Charles също отказва да приравнява неизползването с неподготвеност: обмислено решение да се въздържиш от AI може само по себе си да демонстрира готовност.

  • Съвместен дизайн и самостоятелност: Написаните от учители подканващи инструкции и vibe coding за учители показват преподавателите като активни дизайнери на AI, а не пасивни потребители - пишещи подканващите инструкции и скелетата, които оформят как AI се държи пред учениците им. В планирането на STEAM уроци по изкуства за деца Luo и Tahir (2025) експериментално потвърждават, че как учителят делегира на ChatGPT има значение: запълването на съдържателни пропуски в урок, очертан от самия учител (методът, предпочитан от 60% и препоръчан), запази дизайнерската самостоятелност на учителя, като същевременно повиши оценяваното от експерти качество на плана (медиана 20,5 срещу 17,6; p = 0,002; голям ефект), превъзхождайки оставянето на AI да генерира цели планове или само проверката на готов план. AI служеше главно като сътрудник за вдъхновение и откриване на пропуски, а не като източник на напълно оригинална иновация - което подсилва, че учителят остава дизайнерският агент и съдия на резултата, включително при улавянето на недостатъци за безопасността на децата и културни пристрастия, които инструментът е пропуснал. Систематичен преглед на съвместния дизайн на учебни задачи от учител и AI (Wang, Liu & Islam 2026) установява, че тази позиция на съвместен дизайнер остава неравномерна - доминиращият модел все още е AI като асистент и генератор на съдържание - а Talebzadeh (2026) показва, че самостоятелността на учителя като „двуезичен дизайнер на обучение“ е това, което превръща проектираните от AI групови дейности в диференцирано обучение, съобразено със зоната на близкото развитие.

  • Да създадеш бот не е същото като да контролираш какво преподава. Двадесет и седем учители от средното училище, които конфигурираха инструмент за създаване на чатбот с цел и правила, видяха само частична вярност в генерираното поведение - съответствието падна от 88,9% за отзивчивост и 81,5% за персона на 70,4% за правила и 59,3% за цел, а спазването на правилата варираше според избрания модел - пропускът между изпълнение и оценяване, който прави ролята на учител-дизайнер репетиция на намерението, а не гаранция за него (Riahi et al. (2026)).

  • Преддипломна подготовка: Обучение, основано на TPACK, и програмите за образователно развитие подготвят бъдещите учители за класни стаи, разширени с AI, преди те да влязат в тях. Ролевата игра със симулиран ученик разширява това в практическа работа: персонализиран ChatGPT бот (Student GPT), който играе средношколник със заблуди по математика, позволява на бъдещите учители да репетират диагностициране и насочване на разсъждението на ученика в среда с нисък риск, подготвяйки ги за централна преподавателска задача - четене и коригиране на мисленето на ученика.

  • Фронт, обърнат към учителите, в който доказателствената база едва е навлязла: Štefánik et al. (2026) събират Edustories, 1 492 написани от учители казуси от реални начални и средни класни стаи - предизвикателно поведение на ученик, интервенцията, която учителят е опитал, и какво е последвало - точно защото повечето изследвания за AI в образованието са се насочили към индивидуализирана помощ за учениците, докато по-голямата част от преподаването се случва в колективни класни стаи. Бенчмаркването на четири семейства езикови модели върху предсказването дали интервенцията е успяла показа, че най-силните модели достигат 58% точност срещу 64% за човешките експерти; авторите четат разликата в двете посоки - като ограничение на настоящата помощ, обърната към учителите, и като доказателство за зараждащ се потенциал. Страницата печели от това измерен таван, а не твърдение за способност: съветът към учителите трябва да е по-добър от експертната преценка, преди да може да му се вярва, а днес подредбата е обратната. Паралелен пропуск се появява в PRISMA прегледа на Yalçın et al. (2026) на 46 емпирични изследвания за GenAI в университетското обучение по програмиране: ролите на преподавателите и институционалните практики бяха сред най-слабо изучените области, а 26 от 46 изследвания не даваха кодоописуемо описание на инструкционния си подход, така че дизайнерските решения, довели до отчетените резултати, често остават невидими дори за други преподаватели.

  • Къде AI действително влиза в работата, по задачи: Holster (2026) разделя приемането от разпределението, използвайки данни от TALIS 2024 за 56 669 учители, с извадка за разпределение от 24 058 потребители на AI в 46 образователни системи. Задача, оценена с една точка над средното за самия учител натоварване, беше по-вероятно да получи помощ от AI (OR = 1,163), но посоката се различава по вид задача: планирането расте с натоварването (OR = 1,084), оценяването и проверката падат (OR = 0,921), а подкрепата и адаптацията за специално образование растат стръмно (OR = 1,442, прогнозиран размах от 34,0% до 50,3% по диапазона на натоварването). Прочитът през компетентността и политиката е, че учителите вече запазват оценяването с висок залог за хора, а се обръщат към AI за индивидуализирана адаптация, така че насоки, които третират използването на AI от учителя като едно поведение, ще пропуснат къде подкрепата действително е нужна.

Как изглежда променящата се роля в действителност: конкретни примери

Абстракцията „оркестратор“ се разбира по-лесно чрез конкретни ежедневни промени в работата на преподавателя:

  • От писане на всеки раздатъчен материал към подбор на генерирани от AI чернови. Преподавател, който някога прекарваше вечер в изграждане на диференциран работен лист, сега подканва AI да произведе три версии с различна трудност и после прекарва същата вечер в преглед и адаптиране на тях - преход от авторство към редакторска преценка. Работните процеси Curriculum-as-Code правят този конвейер явен, а систематичният преглед на Kibar & Ilgaz показва AI като „сътрудник“, който изготвя съдържание, а дизайнерът после го усъвършенства. Експертната валидация на генерирани от AI планове за уроци по природни науки прави явно какво трябва да претегли тази редакторска преценка: Karaismailoglu, Surmeli и Yildirim (2026) установяват, че единадесет специалисти по природонаучно образование оцениха плановете на ChatGPT-4 и на ориентиран към образованието инструмент за шести клас като използваеми чернови - 7 от 11 ги прецениха като „приложими след корекция“, само 3 директно като „приложими“ - а предпочитанията се разминаваха с суровите оценки (7 предпочетоха по-високо оценения ориентиран към образованието инструмент, 4 - плана на общия модел), защото преценката претегляше афективни и контекстуални измерения отвъд структурната вярност. Учителите остават арбитрите дали и как една чернова на AI се превръща в урок, който може да се преподава и е контекстуално обоснован.
  • От лекции към коучинг в реално време. Вместо да предава едно и също обяснение на целия клас, учителят все по-често насочва рутинните въпроси към AI преподавател и съсредоточава времето лице в лице върху учениците, които се нуждаят от човешка преценка - изследванията на работните процеси документират точно това преразпределение на вниманието.
  • От оценяване към проектиране на оценки, които AI не може да заобиколи. Преподавателите спират да разчитат на задачи, основани на припомняне, които LLM решават тривиално, и вместо това проектират автентични оценки, скали за оценяване и формативни задачи, които запазват придобивките в обучението.
  • От преподаване на съдържание към преподаване на употреба. Работата на учителя все по-често включва моделиране на това как да се подканва, оценява и отговорно използва AI - учебна програма по AI грамотност, вградена във всеки курс, а не отделен предмет.
  • От четене на табла към действие по тях - контекстуално. Mejia-Domenzain et al. (2026) показват, че начинът, по който учителите действително използват аналитични табла, се различава според контекста: учителите в обърната класна стая (университет) следваха последователно изследване и предпочитаха адаптация на ниво курс и показване на таблата в клас, докато професионалните учители се връщаха към обобщени страници и използваха инструмента главно за индивидуални коучинг сесии. Действията, които учителите предлагаха, бяха оформени от представеното съдържание и от тяхното преподавателско ниво, а не от вида графика - университетските учители предпочитаха седмични тестове и адаптация на курса, професионалните - директно, индивидуализирано коучинг. Това сочи към контекстно осъзнат дизайн на таблата и диференцирани нужди от подкрепа на учителите, а не към универсален аналитичен интерфейс.
  • От получаване на сигнали към преценяване на сигналите. Swidan (2026) проследява един учител и осем високопоставени гимназисти в урок по геометрия с GeoGebra, където Dash4Emotion ограждаше учениците с червени правоъгълници, сигнализиращи негативна емоция, и установява, че сигналите не определяха резултатите - ходът на учителя след всеки сигнал го правеше: преформулирането на задачата на Mira от намиране на минимална стойност към геометричното място на минималните точки отвори отново изследването й, три едновременни сигнала предизвикаха преформулиране пред целия клас, а едно съзнателно невмешателство в час само по себе си беше педагогическо решение. Позицията на изследването е, че генериран от AI емоционален сигнал е знак за интерпретиране редом с това, което учителят вижда, а не инструкция за изпълнение.
  • От пазач на вратата към принципен фасилитатор на обратна връзка за сътрудничество. Пилотите на Community Builder (CoBi) в класни стаи показват, че ролята на учителя решаващо оформя интегритета на изпълнението: учителите, които използваха наблюденията и визуализациите на AI, за да предизвикат метакогниция и критична рефлексия върху сътрудничеството, постигнаха употреба с висок интегритет, докато тези, които оставиха системата да се отклони към мониторинг на представянето - или да се разлее в общи разговори за AI - не го направиха. Учителите се тревожеха и от това да бъдат поставени „на тясно“ от обратна връзка в реално време и предпочитаха преглед преди и след действието пред показване на живо, което подчертава, че оркестрирането на AI за сътрудничество в целия клас изисква значително професионално обучение, а не само работа с инструмента.
  • От преподаване с AI към заместване на AI. Където дигиталната пропаст не оставя устройство за всеки ученик, учителят може да стане физическият интерфейс към системата - посредник, а не неин оркестратор. В модела „AIED unplugged“ на Rodrigues et al. (2026) учениците продължават да работят с хартия и химикал, докато учителят снима решенията им, а AI връща персонализирани списъци с упражнения и специфична за грешката обратна връзка, които да бъдат върнати. Това е клъстерен квазиексперимент в 19 автентични бразилски начални класа, а не демонстрация на прототип, и двата му резултата се отнасят директно до ролята. Първо, предимството в обучението спрямо обичайната практика идваше от една 50-минутна сесия за обучение на учители, а не от технологията: условията с обучение и с обучение плюс система не се различаваха по придобивки (-4,33; 95% CI [-17,29; 7,23]), така че подготовката, а не инструментът, е активната съставка. Второ, собствената полза на системата действаше непряко, чрез учителя - намаленото усилие медиираше положителен ефект върху придобивките (3,649; 95% CI [1,097; 6,398]) - така че ефектът достига до ученици, до които AI не се докосва, а описаният от учителите труд по заснемане и проверка (снимане на листове, изчакване на обработка, коригиране на грешки при разпознаване) е част от педагогическата цена на разширяването на AI към класни стаи с недостатъчни ресурси.
  • От доставчик на информация към дизайнер на обучение. Hochberg и Waitzman (2026) проследяват 93 учители през осемседмична програма за AI и установяват, че практиката се измества към хеутагогичен дизайн за самостоятелност на обучаемия, макар самоотчетените промени да не бяха значими след корекция и резултатите на обучаемите да не бяха измерени.

Метафората на оркестрацията

Доминиращата метафора в базата знания е оркестрацията: учителите координират човешки обучаеми, AI преподаватели и ресурси от учебната програма. Това контрастира с наративите за заместване - AI разширява, а не замества човешкото преподаване. Емпиричните доказателства подкрепят тази позиция: ръководен от PRISMA систематичен преглед на 42 изследвания (2023-2025) установява, че LLM се равняват на човешките оценители при кратки, добре структурирани задачи, но представянето им пада при по-дълга, многоезична и нюансирана работа - и заключава, че LLM не могат напълно да заменят учителите и че хибридните системи за оценяване с човек в контура постигат най-висока ефективност на оценяването (Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback). Оркестрационната перспектива преформулира основното умение на преподавателя като преценка: решаване кога човек, AI или проектирана учебна дейност е правилният инструмент за даден обучаем и момент. PRISMA преглед от 2026 г. на 29 изследвания върху учителската интервенция в K-12 обучение, основано на AI изостря метафората в четирифазен цикъл - наблюдение, преценка, интервенция, оркестрация - и показва защо нито една фаза не може да се приема за даденост. Учителите предпочитаха споделен контрол, приемайки, променяйки, отхвърляйки или отменяйки предложения на AI; някои отлагаха интервенцията съзнателно, за да могат учениците първо да се борят продуктивно; а таблата, които разширяваха осведомеността, можеха и да претоварят вниманието или да надхвърлят това, което един учител физически може да извърши. Трите му стратегии - педагогически превод на резултата от AI, дизайн на учебна подкрепа и реконструкция на структурите на взаимодействие - описват работата като реконтекстуализация, а не като одобрение, което поставя учителя по-близо до медиатор, отколкото до ролята на проверяващ с човек в контура. Наблюдението в класната стая назовава същите поведения като типове. Шест урока с опитен учител добавиха три типа оркестрация към четирите на Drijvers - наблюдение чрез табло, коригиране на AI и медииране чрез AI - като съдържателната и етичната роля на учителя бяха най-видими, когато той коригираше генерирана от AI обратна връзка (Noh & Kim, 2026).

Развиващи се и критични роли на учителя

Скорошна работа разширява метафората на оркестрацията в по-богати концептуализации на ролята:

  • Съоркестратор при преходите между дейности. Yang et al. (2026) използват партиципативно „скоростно запознанство“ с 17 учители и 13 ученици, за да картографират как контролът трябва да се разпределя между етапите на една класна дейност - преходите преди, по време и след индивидуалната и съвместната работа - в инструмент за съоркестрация, поддържащ динамично сдвояване в реално време. Изведеният дизайнерски принцип е, че контролът не е фиксирана точка: учителите и учениците искат различно количество самостоятелност на всеки етап и инструментът трябва да позволява на учителя да настройва групирането, преходите между дейности и момента на интервенция в реално време, като запазва възможност за намеса от страна на учителя. Това позиционира учителя като съоркестратор на цялата жива учебна среда - роля по-конкретна от общата метафора на оркестрацията, насочена към детайлните решения от момент на момент кой с кого работи, кога и с каква подкрепа - и свързва изследванията на индивидуалното преподаване с дизайна на ниво класна стая.
  • „Когнитивният хореограф“. Постхуманистичните рамки преформулират учителя като когнитивен хореограф, който оркестрира познание, разпределено между биологични и изкуствени системи, излизайки отвъд инструменталистки модели като Technological Pedagogical Content Knowledge (TPACK) и SAM (Pedagogical Symbiosis: conceptualizing the Post-Human Learner in the age of cognitive AI).
  • Фасилитатор, съизследовател, етичен надзорник. В природонаучното обучение ролите на учителите се изместват от предаващи знание към фасилитатори и съизследователи и придобиват нови отговорности като етични надзорници на отговорното използване на AI от учениците (Artificial Intelligence in Science Learning within the Framework of Situated Learning Theory: A Qualitative Investigation of Teachers' Perspectives).
  • Медиатор на принципите на обучение. Преподавателите операционализират вековни принципи на обучение (емпирично, ситуирано и разпределено познание) чрез AI, третирайки AI като инструмент, който разширява, а не замества водещата роля на преподавателя (Empowering Educators: Operationalizing Age-Old Learning Principles Using AI).
  • Критичен медиатор, който превръща резултата от AI в обект на критика. Canonigo (2026) проследява десет учители по математика в средното образование през осемседмична интервенция с ChatGPT-4 и идентифицира пет медиационни практики: формулиране на задачи от AI, подсказки-скелета, проектирани да отслабват, критично сравнение на резултата от AI със собствената работа на учениците, диференцирано подканване (визуална аналогия за затрудняващ се ученик, кубично разширение за негов връстник) и AI като партньор в рефлексивен диалог. Където учителите осъществяваха тези практики, резултатът ставаше нещо, с което да се спори, а не ключ с отговори, и учениците се насочваха към предположения и метакогнитивни въпроси; където медиацията липсваше, авторитетът се преместваше към алгоритъма - учениците се консултираха с AI преди учителя си и се връщаха само за потвърждение, което подтикна един учител да опише прехода от „оракул“ към „редактор“. Откритието за равенството е острото: при 300 отговора на модела безплатното ниво беше неточно в 32,7% от случаите срещу 12% за премиум модела (χ²(1) = 17,5; p < 0,001), така че учителите в училището с недостатъчни ресурси го нарекоха „на границата на безполезното за математика“. Качеството на инструмента, а не само достъпът до инструмент, става педагогическа променлива, а политиката за приемлива употреба в училището на един учител беше на десетилетие и мълчеше за AI, оставяйки пропуска в управлението на класната стая.
  • Нестабилна и уязвима професионална идентичност. Farazouli et al. (2026) документират емоционалната страна на преконфигурирането на ролята: 24 шведски университетски преподаватели преживяха появата на GAI като тревожна и смазваща, съобщавайки „състояние на уязвимост“ (ниска увереност, несигурност, страх да не са „изостанали от студентите“) и усещане за „заседнали“ между утопични и антиутопични дискурси. GAI ги подтикна да преоценят приоритетите си - култивиране на критическо мислене, оценъчна преценка и етично използване на GAI - и да поставят под въпрос своята бъдеща роля и тази на университета в пейзаж, който се усещаше „извън контрол“. Това рамкира промяната на ролята на учителя като промяна на ниво идентичност и емоционално натоварена, а не просто промяна на умения или работен процес.
  • Академичните разработчици като дигитални медиатори, включително като спирачка. Sithole (2026) интервюира дванадесет академични разработчици и дизайнери на обучение в две южноафрикански исторически неравностойни институции и установява, че ролята се измества от улесняване на рефлексивното преподаване към технологичен посредник и решаващ проблеми, с медиация, обхващаща педагогиката, етиката и институционалната политика. Отличителният ход е третирането на забавянето като част от работата: един участник описва превода между „какво иска ръководството, какво може технологията и какво действително тревожи преподавателите“ и назоваването на плагиатството, зависимостта на студентите и възлагането на мисленето навън, преди ентусиазмът да определи темпото - „Това не е само техническа подкрепа; това е и преговаряне.“ Същото изследване документира афективната цена („Чувствам се като измамник. Уча AI в движение, а институцията очаква експертиза“) и отговора чрез професионално обучение: пространства с връстници, които тестват и съзнателно чупят инструменти, целящи преценка, а не умение, и явен отказ от бинарността приемане или съпротива - „Не съм против AI; аз съм за контекста.“
  • Принципна избирателност вместо приемане или съпротива. Adiozaman и Segar (2026) интервюират двама академици с повече от десет години опит три пъти в рамките на един семестър и установяват, че работата по идентичността се организира около три взаимосвързани напрежения - педагогика срещу платформа, преподавател срещу фасилитатор и грижа срещу съответствие - които се разрешават не в установена позиция, а в принципна избирателност: контекстно чувствителни решения, водени от педагогически ценности, етичен ангажимент и професионална преценка. Те описват траектория от имплицитна ориентация, през стратегии в средата на семестъра като молба към студентите да обяснят мисленето си и препроектиране на задачи и оценяване, до позиции, останали съзнателно отворени, а не фиксирани, с отказ от конкретна употреба, третиран като легитимно упражняване на преценка, а не като провал в приемането. Това дава конструктивния противовес на документираната по-горе уязвимост: промяната на ролята изисква преценка, така че институционалните отговори, изградени около обучение по инструменти, адресират грешния проблем.
  • Полуавтономията като предпочитана работна точка. Dai et al. (2026) анкетират 287 учители с опит с GenAI в 27 държави и региона и установяват, че те поставят инструмента на полуавтономните нива на скала за автоматизация - 130 избраха ниво 2 („подпомагане на учителя“), 94 ниво 3 („частична автоматизация“) и точно един избра ниво 6 - описвайки го като „спомагателен“, „скеле“, „допълнение“ или „партньор“. Възприеманата полезност доминираше намерението им за приемане (β = 0,832; p < 0,001), докато възприеманата изкуствена автономност влияеше на намерението само непряко чрез полезността, а избягването на риска понижаваше намерението без да накърнява полезността, защото тревогите им се отнасяха до употребата от студентите - измами и почтеност, отслабени фундаментални знания и висше мислене, халюцинации, намалено човешко взаимодействие и етични, правни и свързани с равенството рискове. Етикетът „frenemy“ на авторите улавя позицията точно: GenAI, ценен като инструмент за подкрепа, но недоверен като автономен агент. Следствието за преподавателската роля е, че учителите искат да останат решаващият агент и да уреждат употребата случай по случай - дисциплина, нужди на учениците, вид задача, момент - така че инструментите за оркестрация трябва да се изграждат около човешки надзор и преценка на ниво случай, а не около обещания за автономност.
  • Авторитетът остава у учителя; способността се разширява само в него. Reichert, Briceno, Tabarsi & Barnes (2026) дават на шест учители от 6 до 12 клас (обществени науки, математика, животновъдство, природни науки и информатика и роботика) задачата да прототипират на хартия LLM чатбот за собствената си класна стая и установяват, че всеки прототип кодира една и съща позиция: системата е ограничен експерт, специализиран, но привързан към определен домейн и под надзора на учителя. Учителите начертаха две граници. Границите на авторитета следваха от професионалната и правната отговорност - контролът върху това какво учат учениците и как се пазят в безопасност не можеше да бъде делегиран, така че надзорът (пълни логове на разговорите, сигнали в реално време за неподходящи въпроси и ръчна намеса) се третираше като задължение на ролята, а не като проверка на инструмента. Границите на експертизата следваха от това, което моделът не може да знае: историята на отделните ученици, динамиката на класната стая и институционалните норми. Делегирането после се разпределяше избирателно в преподаването - учителите приветстваха AI да представи съдържание, да предостави задачи за упражнение, да осигури скафолдинг и да даде формативна обратна връзка, но запазваха за себе си информирането на учениците за целите и сумативното оценяване. Това дава на документираното по-горе предпочитание за полуавтономия конкретна архитектура: авторитетът на учителя е фиксираният елемент, а способността на AI расте само вътре в него.
  • Учителите като оценяващи, натоварени с ценности. Luo & Dawson (2026) показват, че оценяването на работа с помощта на GenAI не е неутрален, основан на критерии акт, а ценностна преценка, оформена от предположенията на учителите за това кой е студентът (честност, старание), на какво е способен (самостоятелност, умение с GenAI, дисциплинарно овладяване), как се отнася с другите (доверие) и дали решението води до добри резултати (справедливост, благодеяние). Учителите често не осъзнават ценностните ориентации в основата на оценяването си, а те се различават по дисциплина (хуманитарните науки по-критични към употребата на GenAI; твърдите и приложни науки - с по-малко предизвикателства при оценяването) и по епистемологична позиция (абсолютистка, мултиплистка, евалуативна). Това позиционира учителя като оценяващ професионалист, чиято преценка - а не само използването на инструменти - трябва да бъде подкрепяна и правена прозрачна.
  • Учителят като арбитър на педагогически смислени обяснения. Тъй като доверието на учителите в препоръките на AI расте, когато обясненията са формулирани на своя учебнопрограмен и педагогически език, а не в суровите вътрешности на модела, ефективните инструменти трябва да „говорят“ езика на домейна на учителя. В експеримент в рамките на участниците Feldman-Maggor et al. (2025) установяват, че обясненията, водени от домейна, за инструмент за групиране с AI се доверяват и приемат много повече от обясненията за важност на характеристиките, водени от данни, което позиционира педагогическия речник на учителя като интерфейса, чрез който AI печели доверие и употреба - и преценката му дали едно обяснение е педагогически обосновано като решаващ фактор при приемането.
  • Фасилитатор, чиято функция може частично да се делегира. Kuhail et al. (2026) карат 32 STEM студенти да дебатират под човешки модератор, под AI чатбот (GPT-4, подканен с поведенията, очаквани от преподавател: неутралност, равно време за говорене, кратки указания, спазване на темата, последващи въпроси, деескалация) или последователно и в двата режима, и не установяват значима разлика по ефективност, удоволствие, удовлетвореност, полезност или намерение за повторна употреба (t = 0,23 до 1,30; p = 0,198 до 0,818). Авторите четат нулевия резултат като нормализиране на човешко-AI сътрудничеството в дискусия с правила, а не като еквивалентност. Пътят към повторна употреба обаче се различаваше: при човешка модерация удовлетвореността движеше намерението за използване, докато при AI модерация това правеше възприеманата полезност (0,806 срещу 0,495), така че една дейност, улеснявана от AI, оцелява чрез демонстрирана полезност, а не чрез това колко приятна се усеща. Практическият прочит е AI модерацията като помощ за мащабиране в големи курсове или курсове с малко персонал под човешки надзор, с непроверено равенство при сарказъм, непряк език и комуникационни стилове на малцинства.
  • Задаващ целите, не само компетентностите. Fagerlund et al. (2026) интервюират 13 финландски учители от предучилищна възраст до 9 клас за това защо учениците трябва да учат за и с AI, четейки разказите им през квалификацията, социализацията и субектификацията на Biesta. Квалификацията беше най-ясната и конкретна цел, обхващаща AI като обект на обучение и като инструмент за него; социализацията се появи като култивиране на благосклонни позиции към AI и подготовка на учениците като бъдещи работници, разбиращи AI; субектификацията - самоопределен и лично значим ангажимент - беше одобрена като важна, но без конкретни инструкционни стратегии зад нея, почивайки на „обсъждане и размисъл“. Авторите предлагат информирана AI самостоятелност, със субектификация в центъра и компетентности като нейна основа, което дава на преподавателската роля задължение да поставя цели: да прави „защо“-то явно, така че уменията да придобият контекст, вместо да стоят като самоцел, и да допълва технически рамки като Technological Pedagogical Content Knowledge (TPACK) с трайно внимание към образователната цел.
  • Приемането не е същият лост като представянето. При 200 учители в Северна Суматра използването на AI нямаше пряк ефект върху представянето на учителите (β = 0,112; p = 0,087), докато организационното гражданско поведение го медиираше при β = 0,370, така че именно извънролевата, съвместна работа около инструмента, а не самият инструмент, превръща употребата в представяне (Sherly et al. (2027)).

Тези роли свързват работата на учителя с разпределеното познание, ситуираното обучение, въплътеното обучение и критичната педагогика и преформулират учителя като дизайнер и етичен водач на медиирано от AI обучение, а не просто като потребител.

  • Подкрепяните от AI решения се струпват там, където има поведенчески данни. Köroğlu et al. (2026) преглеждат 27 емпирични изследвания (2016-2025) и идентифицират осем типа решения на преподавателя, установявайки, че подкрепата от AI е съсредоточена върху инструкционни решения, решения за обратна връзка и за оценяване, докато решенията за учебната програма, учебната среда, емоционалните, етичните и административните решения рядко бяха подкрепяни. Таблата за анализ на обучението бяха най-честата система, преработваща текстови и лог данни в поведенчески показатели за представяне и ангажираност; мултимодалните и базираните на взаимодействие данни, агентните системи и когнитивните, метакогнитивните, мотивационните и афективните резултати бяха относително редки в прегледания корпус. Практическият прочит за преподавателите е, че пространството от решения, което един AI инструмент отваря, е ограничено от данните, които показва, така че изборът на инструмент е също избор кои преподавателски решения получават ресурс.

Как преподавателите да адаптират практиките си към AI

Доказателствата в базата знания се събират около набор от конкретни адаптации:

Проектирайте педагогическата обвивка на AI, а не само инструмента. Същият AI дава големи придобивки в обучението или чиста вреда в зависимост от това как е проектирана дейността около него. Kibar & Ilgaz и доказателствата за придобивките в обучението са последователни: работата на преподавателя е да проектира учебното преживяване, третирайки AI като компонент в структурирана дейност, а не като машина за отговори. Първо осигурете скеле за опита на ученика, после оставете AI да води - това е разликата между оценяване и надуване на представянето.

Изисквайте контролна точка с човек в контура. Вместо да приемате резултата от AI за чиста монета, учете студентите да оценяват, коригират и поемат собственост върху работата с помощта на AI. AI грамотността за справедливо използване рамкира това като балансиране на продуктивността на AI срещу истинското човешко развитие и авторство. Проектирайте задачите така, че AI да помага при чертането, но обучаемият да остава агентът на оценяването и преработката.

Подбирайте черновите на AI обратна връзка; не ги препращайте. Chen et al. (2026) дават на 64 китайски бъдещи учители обратна връзка с помощта на ChatGPT върху аргументативно писане и установяват, че третирането на резултата като чернов материал, а не като готов коментар, премести критическото мислене там, където обратната връзка само от учител не го направи (след теста d на Cohen 3,74 срещу 0,25 преди теста; p < 0,001). Преносимата част е какво направиха учителите с черновата: копираха подходящо съдържание на ниво, близко до своето (28%), разшириха го с по-дълбок принос (16%), допълниха го (16%), преработиха го (14%) или го изхвърлиха напълно (14%), като още 9% се нуждаеха от корекция. Подпомогнатата обратна връзка клонеше към моделиране (демонстрация, 33,1% срещу 10,9%) и разпитване (задаване на близък въпрос, 21,5% срещу 6,0%), а студентите я преработваха към анализ, оценяване и създаване, вместо към разпознаване, но шест от осем интервюирани все още съобщаваха за неточност и непрофесионализъм. Стъпката на проверка от учителя е това, което прави хибрида безопасен.

Адаптирайте оценяването към епохата на AI. Отдалечете се от задачи, които LLM могат да изпълнят дословно, към автентични, основани на процеса и присъствени оценки. Скалите за оценяване дават на преподавателите рубрика за решаване колко помощ от AI е легитимна на всеки етап, а мета-аналитичните доказателства показват, че AI може да подкрепи висшето мислене, когато дизайнът на оценяването го изисква.

Пазете условията за трайно обучение. Тъй като отговорите на AI правят обучението да изглежда лесно, преподавателите трябва да проектират срещу пропастта между представяне и обучение. Lodge & Loble предупреждават, че безпроблемният успех с AI може да прикрие липсата на обучение; преподавателите трябва да вградят продуктивна борба, да изискват демонстрация на овладяване без помощ и да третират подкрепените от AI отговори като начална точка, а не като готов резултат.

Планирайте за средата на доставяне. Адаптацията не е неутрална спрямо средата: онлайн преподаването с AI умножава както възможностите (мащабируема персонализация, подкрепа по всяко време), така и рисковете (почтеност, изнасяне). Проектирайте обвивката на AI също толкова съзнателно онлайн, колкото и в присъствени контексти (Can AI deliver appropriate support for diverse student profiles? A large-scale evaluation).

Вграждане на AI грамотността в преподаването

AI грамотността не е отделен модул - тя е вградена в начина, по който преподавателите проектират всеки курс. Ефективните подходи включват:

Осигуряване на академична почтеност в епохата на AI

Академичната почтеност с AI е проблем на дизайна, а не на полицейщината. Преподавателите се адаптират, като:

  • Преформулират почтеността около процеса и авторството. Вместо откриване, наблягайте на академичната почтеност като прозрачна, документирана употреба. Изследванията за агентен AI и студенти фантоми показват, че рискът за почтеността се измества, когато студентите използват AI агенти от свое име, така че преподавателите трябва да дефинират какво означава авторство, когато „фантомът“ е AI.
  • Използват разкриване и рамкиране. Как използването на AI се рамкира за учениците - като патерица или като легитимен инструмент - оформя дали те ще го разкрият. Нормите за прозрачност (например разкриване на използването на AI) намаляват стимула да се крие употребата на AI.
  • Проектират отвъд стимула за измама. Автентичните, основани на процеса и присъствени оценки (устни изпити, портфолиа, наблюдавано решаване на проблеми) правят възлагането навън по-малко привлекателно, отколкото го правят инструментите за откриване на AI. Скалите за оценяване и автентичното оценяване са конструктивната алтернатива на надпреварата с откриването.
  • Регулирането на ниво задача е как преподавателите действително управляват AI. Изследването на Chirikov (2026) върху над 31 000 учебни програми показва, че преподавателите все по-често действат като регулатори на ниво задача, а не прилагат общи правила: те ограничават AI за чертане и преработване (79% от курсовете) и за разсъждение и решаване на проблеми (65%), разрешават го за редактиране и корекция (83%) и за учебна подкрепа (80%), и оставят генерирането на идеи и планирането най-оспорвани (46% разрешават, 54% ограничават). Тази диференциация - изградена върху това кои задачи AI измества срещу кои разширява - е конкретна, водена от преподавателите алтернатива на политиката приемане или забрана и дава на ролята на учителя централно място във формирането на политика.
  • Хората на срочни договори носят тежестта на оценяването без мандата. Двадесет преподаватели на срочни договори, някои преподаващи в три или повече институции едновременно, описват разкриването на нарушения чрез необучен занаят, без да притежават какъвто и да е авторитет върху учебната програма или политиката (Andriamora & Andriamora, 2026).

Свързване на преподаването с дизайна на обучение

Преподаването и дизайнът на обучение са две страни на една монета - ежедневните преценки на преподавателя са живото изпълнение на проектираното учебно преживяване. AI затяга тази връзка:

  • Учителите като дизайнери на обучение. LearnAI и дизайнът на подканващи инструкции от учители показват преподавателите в ролята на дизайнери: специфициращи дейността, ролята на AI и скелетата, които структурират обучението. Това е дизайн на обучение в действие в точката на употреба.
  • Принципите на дизайна на обучение управляват педагогиката на AI. Същите принципи на дизайна на обучение - ясни цели, съгласувано оценяване, скафолдинг и обратна връзка - определят дали AI помага или вреди. ISD-Agent-Bench емпирично валидира, че обосноваването на дизайна на AI във формални модели за инструкционен дизайн побеждава подканването без теория.
  • Проектирайте за оркестрацията на учителя. Ефективните учебни среди с AI се проектират с мисъл за учителя - инструментите, които предоставя ориентираният към човека AI, трябва да намаляват натоварването на учителя и да разширяват преценката, а не да добавят още една непрозрачна черна кутия. Когато преподавателите съвместно проектират учебни дейности с AI (перспективи от теорията на дейността), и приемането, и качеството се подобряват.

Връзка с идентичността на обучаемия

Ролята на учителя и идентичността на обучаемия са взаимни лица на един и същ човешки процес, а AI преобразява и двете.

  • Идентичността на учителя е професионална идентичност; идентичността на обучаемия е учебна идентичност. Страницата за ролята на учителя документира как AI преобразява работата, идентичността и самостоятелността на преподавателите - тяхното развиващо се професионално саморазбиране (вж. рамката на Laidlaw за GenAI като криза на идентичността). Идентичността на обучаемия е паралелният конструкт за студентите: кои са и какви стават като обучаеми, в дисциплинарни, професионални, творчески и академични измерения.
  • Те са причинно свързани. Учителите, които преживяват нарушаване на идентичността (несигурност за професионалната си цел сред GenAI), са по-малко способни да подкрепят развитието на идентичността на своите ученици - учител, който се съмнява в ролята си, се затруднява да утвърди зараждащото се самоусещане на учениците в същия домейн. Обратно, учителите, които поддържат уверена професионална идентичност, са по-добре позиционирани да осигурят скеле за принадлежността и авторството на учениците.
  • Различни режими на провал. Идентичността на учителя е застрашена от остаряване на ролята и цел (въпросът „какъв е смисълът да преподавам?“). Идентичността на обучаемия е застрашена от загуба на авторство и компетентност (въпросът „това наистина ли е мое / достатъчно добър ли съм?“). И двете са отговори на ниво идентичност (а не само умения) на AI.
  • И двете са въпроси на професионално развитие и на педагогика. Подкрепата за идентичността на учителя принадлежи на образователното развитие и на компетентността на учителите за AI; подкрепата за идентичността на обучаемия принадлежи на преживяването на студентите, на автентичното оценяване и на самостоятелността. Добре проектирана система с интегриран AI се грижи и за двете - защото идентичността на учителя е условието, при което се формират идентичностите на обучаемите.

Съвместен дизайн от учители на ранна AI грамотност

  • Съвместен дизайн от учители в ранната AI грамотност. Lee (2026) показва, че две учителки в предучилищна и две в детска градина, които съвместно проектираха учебната програма Play With AI (PL-AI), преживяха значителен растеж в увереността и педагогическата самостоятелност, като съвместният дизайн насърчи собственост върху учебната програма, рефлексивна практика и осмислена адаптация. Това позиционира учителите като централни съдизайнери - а не само изпълнители - на съобразени с развитието учебни програми по AI грамотност, модел с последици за подготовката на учители в ранното детство и AI образованието.

Учители, съвместно проектиращи учебни ресурси с AI

  • Ролята на учителя се разширява и до съвместно проектиране на учебни ресурси с AI: съвместно проектираните от учители и AI симулации за STEM обучение с дронове запазиха резултата на GenAI педагогически валиден и контекстуално релевантен, а учителите са предвидените бенефициенти на Скалата за AI грамотност на учителите. Ефективната интеграция на GenAI все повече зависи от участието на учителите в дизайна.

Системите за AI рефлексия трябва да се адаптират към опита на учителя

  • Аналитиката за AI рефлексия, обърната към учителите, трябва да е адаптирана към експертизата, а не универсална. Проучване на 100 учители от K-12 в САЩ (разделяне по медиана при девет години; биномни тестове; откриваеми разлики в избора от 15% при мощност около 83%) установи систематични разделения в предпочитанията. По-неопитните учители посочват липсата на време за рефлексия като основна пречка 3 пъти по-често от опитните (37% срещу 12%; p < 0,001) и искат аналитика за отпадането на ангажираността на учениците (48% срещу 33%; p = 0,028) и за емоциите (31% срещу 18%; p = 0,036).
  • Изведеното от разделението дизайнерско правило е режими на препоръки, адаптирани към опита. Опитните учители искат аналитика за подобреното обучение след помощ на ученик (40% срещу 26%; p = 0,019) и за своите методи на преподаване (42% срещу 26%; p = 0,012); тяхната основна пречка е проследяването на представянето (28% срещу 15%; p = 0,009). Дизайнерско правило: режим за начинаещи - структурирани подкани и аналитика на ангажираността; режим за експерти - гъвкав надлъжен анализ, което е пряк аргумент срещу еднообразните табла (How expertise levels shape preferences and reflection needs — towards AI reflection systems for teacher empowerment).

Чести заблуди

„AI ще намали или замени педагогическата работа на преподаването.“ Доказателствата от експертните сценарии сочат обратното. Malyn-Smith et al. (2026) наричат това парадоксът на повечето човешко: в шест сценария за 2030 г., съвместно изградени от 20 изследователи от 13 държави, насищането с AI засилва, а не измества човешката педагогическа работа. Сценариите описват AI като „системата за обработка на въздуха на учебната екосистема“ - инфраструктура, която забелязвате само когато се повреди. Променя се не количеството необходима човешка преценка, а нейният обект: вниманието се измества от произвеждане на материали към разбиране на обучаемите.

„Компетентността на учителя по AI означава да научи инструментите.“ Работата с инструменти е най-слабият наличен предиктор. В SEM на Bai и Hsieh (2026) върху 898 китайски университетски преподаватели подкрепяната от GenAI иновация в преподаването зависеше по-малко от изолирано технологично знание за AI и повече от педагогически и дисциплинарно вградена AI компетентност заедно с професионална идентичност, като и двете частично медиираха резултата. Работилница за функции, която не докосва педагогиката или дисциплинарната идентичност, е насочена към грешната променлива - затова Laidlaw et al. рамкират отговора на преподавателите към GenAI като въпрос на идентичност, а не като пропуск в умения.

„Учителите вече са съдизайнери на AI, така че преходът е в ход.“ Стремежът е реален; описанието още не е. Систематичният преглед на Wang, Liu и Islam (2026) на съвместния дизайн на учебни задачи от учител и AI установява, че позицията на съдизайнер остава неравномерна, като доминиращият модел все още е AI като асистент или генератор на съдържание. Четенето на този преглед като доказателство за осъществен преход би скрило пропастта между учителите, които страница като тази препоръчва, и учителите, които повечето институции действително имат.

„Как учителят делегира на чатбот едва ли има значение, щом моделът върши работата.“ Моделът на делегиране е интервенцията. В планирането на STEAM уроци по изкуства за деца Luo и Tahir (2025) експериментално установяват, че запълването на съдържателни пропуски в очертан от самия учител урок запазва дизайнерската самостоятелност на учителя, като същевременно повишава оценяваното от експерти качество на плана (медиана 20,5 срещу 17,6; p = 0,002; голям ефект), превъзхождайки алтернативата моделът да предостави плана. Същият модел, същата задача, различно разделение на труда, съществено различен резултат.

Практическа начална последователност

Доказателствата подкрепят конкретен ред на операциите за преподавател, който приема AI, а не списък с функции за изучаване.

  1. Напишете дейността, преди да изберете инструмента. Специфицирайте целта, първия опит на ученика и какво се брои за доказателство за разбиране. Инструментите, избрани първи, обикновено пренаписват дейността около себе си.
  2. Решете модела на делегиране изрично. Очертайте урока сами и оставете AI да запълни съдържателните пропуски, вместо да приемете генериран план - моделът по-горе с измерената разлика в качеството.
  3. Поставете човешката контролна точка там, където е собствеността. Проектирайте така, че обучаемият да оценява, коригира и притежава работата с помощта на AI, и така че обратната връзка от AI да пристига като чернова, която учителят подбира, а не като коментар, който учителят препраща.
  4. Пазете времето за интерпретация, което преходът създава. Ако вниманието се измества от производство на материали към четене на обучаемите, това преразпределено време трябва да оцелее при сблъсъка с календара; ако бъде погълнато от нова административна работа, обещаната промяна на ролята не се случва.
  5. Проверете дали ви обучават на инструменти или на педагогика. Предвид резултата от SEM, предпочитайте професионално развитие, което работи върху дисциплинарни задачи и идентичност, пред обиколки на функции.

Свързани концепции

Свързани статии

Свързани ЧЗВ

Метаданни

НивоK 12, Higher Ed
Целева аудиторияInstructors, Faculty Developers, Learners
Обучение и преподаванеScaffolding
Технологии и техникиIntelligent Tutoring
Основи на AI в образованиетоAI грамотност, Образователно развитие, Дизайн на обучение, Компетентност на учителите за AI
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.