Znalostní báze AIEdAIEd KB
Na této stránce

Přečtěte si tuto stránku v angličtině

Pojmy

Agenturnost studujícího

Vytvořeno 2026-08-13 · Aktualizováno 2026-11-08

Automatický strojový překlad této anglické stránky, který ještě nebyl zkontrolován rodilým mluvčím.

Agenturnost studujícího — schopnost studujících jednat záměrně, činit volby a uplatňovat kontrolu nad vlastním učením. V AI ve vzdělávání je agenturnost ústředním tématem, protože nástroje AI mohou kontrolu studujících jak podporovat, tak podkopávat: dobře navržená AI autonomii studujícího zachovává a posiluje, zatímco přehnané spoléhání nebo pasivní přijímání výstupů AI ji může oslabovat. Agenturnost souvisí se Self-Regulated Learning, Motivation, Self-Efficacy a etickým designem systémů AI a je úzce spjata s psychologickými pojmy autonomie a pocitu agenturnosti.

Otázky k zamyšlení

  • Agenturnost studujícího — vaše schopnost jednat záměrně a řídit vlastní učení — je v AI ve vzdělávání ústřední. Když používáte nástroj AI, kolik kontroly nad učebním procesem si skutečně zachováváte vy a kolik nástroj?
  • AI může agenturnost jak podporovat, tak podkopávat: dobře navržená AI vaši autonomii posiluje, zatímco přehnané spoléhání ji oslabuje. Vzpomeňte si na chvíli, kdy jste nechali AI, ať to „prostě udělá". Naučili jste se méně, i když výstup vypadal lépe?
  • Studující, kteří delegují interpretaci na AI, mohou ztratit agenturnost nad vlastním uvažováním. Když předáte úkol AI, kterou část vlastního myšlení tiše odevzdáváte?
  • Jedna studie zjistila, že předchozí samostatně iniciované učení s AI predikovalo, kolik studující z výuky získali — nejvíce profitovali studující s vysokou agenturností. Pokud je agenturnost částečně dovednost, kterou si přinášíte, jak by ji vaše vlastní prostředí mohlo budovat, místo aby ji předpokládalo?
  • Agenturnost není jen rys — vynořuje se okamžik od okamžiku ve skupinové práci, kde AI může přerozdělovat, kdo utváří spolupráci, aniž by si toho studující všimli. Kdy jste naposledy zaznamenali, že nástroj tiše řídí směr skupiny?
  • Kontrariánské persony AI mohly skupiny popostrčit k produktivnímu zpochybňování, ale také snižovaly spokojenost s týmovou prací a psychologické bezpečí. Může produktivní tření existovat bez psychologického bezpečí — a co to znamená pro navrhování AI spoluhráčů?

Úvod

Agenturnost je důležitá, protože učení je nejúčinnější, když jsou studující aktivními a záměrnými účastníky, nikoli pasivními příjemci. Systémy AI — ať už tutoři, roboti, nebo chatboti — utvářejí, kolik kontroly si studující nad svým učebním procesem uchovají. Zachování agenturnosti je proto klíčovým principem designu odpovědné AI ve vzdělávání, vedle podpory sebeúčinnosti, budování důvěry a vyhýbání se přehnanému spoléhání.

Mishra et al. rámují kontrolu versus agenturnost jako zásadní, opakující se napětí v AI ve vzdělávání — od raných ITS po dnešní generativní AI — a činí z agenturnosti studujícího trvalou osu debat v oboru.

Nulový součet agenturnosti u agentních nástrojů: Prieto a Dimitriadis (2026) tvrdí, že čím více agenturnosti dostanou vzdělávací nástroje AI, tím méně jí studující uchovají — že agenturnost je fakticky hra s nulovým součtem a že současné přístupy human-centered designu (např. value-sensitive design) nestačí, protože přehnané spoléhání a izolaci pohánějí širší systémové faktory a lidská tendence vydat se nejsnazší cestou. Jejich emancipační designová vize, orientovaná na prospívání studujících v komplexních systémech, pokládá zachování a kultivaci agenturnosti studujícího za hlavní cíl designu generativní AI, nikoli za něco, co se doplní na konec.

Agenturnost jako účel, nejen kapacita: Zatímco výše uvedené rámce se ptají, kolik agenturnosti studující uchovají, Fagerlund et al. (2026) se ptají, k čemu vzdělávání v AI vlastně je. Při rozhovorech se třinácti finskými učiteli od předškolního věku do deváté třídy o účelech výuky s AI a o AI a při čtení jejich výpovědí optikou tří domén vzdělávacích účelů podle Biesty (kvalifikace, socializace, subjektifikace) zjistili, že kompetence je nejjasnějším a nejkonkrétnějším cílem. Učitelé chtěli, aby žáci rozuměli AI jako sociotechnickému jevu a uměli používat její nástroje. Subjektifikace, tedy sebeurčené a osobně smysluplné setkávání s AI, byla potvrzena jako důležitá, ale zůstala bez konkrétních výukových strategií — učitelé sahali po obecné diskusi a zamyšlení, nikoli po navržených aktivitách. Autoři navrhují informovanou agenturnost v AI jako heuristiku, která staví subjektifikaci do středu a kompetence pokládá za její vysvětlující základ, což žákům pomáhá vidět, jaké možnosti existují, a volit, o co usilovat. Praktický důsledek je přímý: kurikulum postavené na dovednostech může vytlačit agentní účel, kterému má sloužit, a nápravou je učinit „proč" vzdělávání v AI explicitním, nikoli přidat na seznam další kompetenci.

Směr vývoje není daný. Gillette et al. (2026) staví svou švédskou fakultu proti australským studentům u Bearman et al. (2025), kteří „obecně chtěli agenturnost" a „odolávali závislosti": zde několik studentů popsalo, že se na generativní AI stali závislými, a označilo to jako ztrátu; jeden řekl, že „to dává dopaminový kop, protože všechno trvá méně času" a „odměňuje špatné chování".

Jak se agenturnost objevuje ve výzkumu v této znalostní bázi

  • Robotika a interakce člověk–robot: RoboBlockly Studio byl výslovně navržen tak, aby zachoval agenturnost studujícího v počítačovém myšlení; systematický přehled zkoumá, jak interakce člověk–robot ovlivňuje lidskou autonomii a pocit agenturnosti, což je ústřední pro debaty o pohodě a řízení.
  • Kolaborativní učení: Spolupráce člověka s AI výzkum zkoumá, jak se kognitivní úkoly sdílejí mezi studujícími a AI, přičemž agenturnost určuje, zda interakci řídí člověk, nebo AI.
  • Sdílená epistemická agenturnost se rozšiřuje na interakci student–GAI. Schéma se 14 kategoriemi, které kódovalo 6 788 tahů asistovaných ChatGPT, zařadilo 59 % tahů žáků sedmé třídy do sdílené epistemické agenturnosti a autoři argumentují, že tento konstrukt — dosud zkoumaný hlavně ve vrstevnické spolupráci — se musí rozšířit o kognitivní a metakognitivní dimenze (Chang et al., 2026).
  • Agenturnost lze hodnotit už ze samotného promptu. Human Agency Depth Taxonomy skóruje inženýrský příspěvek studenta na šesti úrovních nezávisle na výstupu AI; napříč 962 prompty od 105 studentů prvního ročníku softwarového inženýrství 84,2 % překročilo nejnižší úroveň, ale jen 5,3 % specifikovalo systémová omezení (Shakiba a Chaffey, 2026).
  • Kritická angažovanost: Výzkum kognitivního offloadingu ukazuje, jak studující, kteří delegují interpretaci na AI, mohou ztratit agenturnost nad vlastním uvažováním; kritické a metakognitivní přístupy ji mají chránit.

Při benchmarku deseti modelů je podpora agenturnosti oblastí, kde si po učení vedou nejhůř. ImpactBench naměřil u dimenze Agenturnost a účel 56,0 % u pozitivních kritérií (95% CI [49,2; 62,5]) a 43,9 % u negativních ([36,9; 50,8]), druhé nejnižší z 14 podoblastí, a jeho kritéria autonomii zachovávající asistence zkoumají, zda model nabízí kontext a kompromisy, místo aby předepisoval postup (ImpactBench (2026)). Modely byly také mnohem méně konzistentní ve vyhýbání se škodě než v užitečnosti: rozpětí 38,6 bodu proti 15,9 bodu.

Cena závisí na tom, která vrstva je delegována: v osm týdnů trvající studii psaní nesla delegace uvažování — odůvodnění, protiargumentů, interpretace důkazů — nejsilnější negativní asociaci s nezávislým výkonem (ab = −0,34) a seberegulované psaní ji oslabilo, ale nikdy neobrátilo (Chen (2026)).

Panelová studie se třemi vlnami u 342 vysokoškoláků v 85 pevných skupinách pro psaní dává této obavě časový směr: jakmile byly v modelu random intercept cross-lagged panel odděleny stabilní rozdíly mezi osobami, vyšší než obvyklé spoléhání na generativní AI predikovalo nižší následně vnímanou agenturnost, zatímco cesty od agenturnosti ke spoléhání byly slabší a statisticky nepodložené. Intervaly spolehlivosti a analýzy citlivosti Monte Carlo připouštěly malé opačné efekty. Logovací data také varují před čtením objemu používání jako ztracené agenturnosti — sebeposuzované spoléhání sice odpovídalo intenzitě používání AI, ale logy nedokázaly rozlišit strategickou konzultaci od offloadingu či podřízení se, takže dashboardy mají číst intenzitu spolu s důkazy diskurzu, reflexe a revizí (Wu a Lu, 2026). Doplňkový výklad SRL spíše rozšiřuje, než nahrazuje: de Barba (2026) rozlišuje regulaci (řízení vlastního procesu), integraci (uspořádávání sebe sama v čase a napříč kontexty) a pozicování (kritická interpretace toho, co prostředí měří), a tvrdí, že design orientovaný na agenturnost musí studující posunout od „agenturnosti v podmínkách" k „agenturnosti nad podmínkami", místo aby optimalizoval behaviorální zástupné ukazatele.

  • Design pro agenturnost: Design generativních sociálních robotů založený na znalostech (Teachy Mini) se zabývá riziky, jako je přehnané spoléhání, která podkopávají agenturnost studujícího.
  • Design pro předání, ne pro prodlouženou angažovanost. Dualmodální prototyp Amico pojímá AI jako ohraničené, dočasné zprostředkování, jehož úspěch se měří pozorovatelnými přechody k učitelům, vrstevníkům nebo komunitě, nikoli časem stráveným s AI; jeho pilotní projekt Itálie–Čína zjistil, že studující ho vnímali jako ohraničený nástroj, nikoli jako relační náhradu (Benedetti (2026)).
  • Adaptivní scaffolding se vyměňuje proti profesní autonomii. de Jong (2026) argumentuje, že protože adaptace vyžaduje, aby systém posoudil kompetenci uživatele, snižuje autoritu odborníků nad jejich vlastním rozvojem a hrozí přehnaným scaffoldováním expertů, a že mechanismus vnímaný jako zbytečný bude prostě ignorován — což nechává otevřené, kdo rozhoduje, kteří uživatelé scaffolding dostanou: systém, organizace, nebo odborník.
  • Schopnější scaffolding neznamená více agenturnosti. Zakázkový expertní designový bot zvýšil u budoucích učitelů délku interakce a počet vlastních promptů, přesto agenturnost v kolaborativním řešení problémů klesla jak v této, tak v podmínce s ChatGPT, protože účastníci s botem souhlasili, místo aby ho kritizovali (Krushinskaia et al. (2026)).
  • Předchozí agenturnost předpovídá, kdo profituje: Liang et al. (2026), vycházejíce z Bandurovy sociálně-kognitivní teorie, ukázali, že předchozí samostatně iniciované učení s AI studujících (behaviorální projev agenturnosti) predikovalo, kolik získali za rok výuky AI ve škole — studující s vysokou agenturností vstupovali s nejsilnější připraveností, zatímco školní kurikula zúžila psychologické mezery, ale kognitivní ponechala nedotčené. Strukturovaná výuka a předchozí učení související s agenturností působily synergicky, nikoli jako substituty.
  • Principiální selektivita jako učitelská agenturnost v technologické změně: Adiozaman a Segar (2026) vedli tři rozhovory se dvěma zkušenými akademiky v průběhu semestru a zjistili, že AI zprostředkovanou výuku zvládali ani přijetím, ani plošným odporem, ale promyšlenými, na kontext citlivými rozhodnutími vedenými pedagogickými hodnotami, etickým závazkem a profesním úsudkem — vzorec, který autoři nazývají principiální selektivita, v němž odmítnutí konkrétního použití platí za úsudek, nikoli za nezdařenou adopci. Je to učitelský protějšek výše uvedených zjištění o studujících: nerovnoměrné používání AI může být výkonem agenturnosti, nikoli důkazem její nepřítomnosti.
  • Učitelská agenturnost jako zprostředkující podmínka agenturnosti studujícího: Nejnovější zjištění na straně učitelů explicitně pojmenovávají dělení, které výše uvedená zjištění o studujících nechávají implicitní: učitelská agenturnost je záležitostí doby návrhu a zprostředkování, agenturnost studujícího se uskutečňuje v okamžiku a první nastavuje podmínky pro druhou. Canonigo (2026) sledoval deset učitelů matematiky na střední škole během osm týdnů trvající intervence s ChatGPT-4. Tam, kde učitelé výstupy AI kurátorovali a dotazovali (pokládali otevřené problémy, předběžně promptovali nástroj, aby vydal nápovědy a zadržel řešení, a vyžadovali, aby studenti postavili výstup AI vedle své práce a argumentovali, která metoda je lepší), stal se výstup provizorním artefaktem ke kritice a studenti směřovali k domněnkám a metakognitivnímu dotazování. Tam, kde zprostředkování chybělo, autorita migrovala k algoritmu a učitelé se stali validátory, nikoli prvními zdroji znalosti — posun, který jeden učitel popsal jako přechod od „orákula" k „editorovi". Nerovná kvalita nástrojů zvyšuje, co musí toto zprostředkování unést: napříč 50 prompty zadanými třikrát každému modelu byl bezplatný tarif nepřesný v 49 ze 150 odpovědí (32,7 %) proti 18 ze 150 (12 %) u prémiového tarifu (χ2(1) = 17,5, p < ,001). Charles (2026) z toho vyvozuje důsledek pro připravenost: učitelská agenturnost je profesní zdroj mobilizovaný designovými rozhodnutími a artefakty, takže připravenost by se měla posuzovat podle designů, které učitelé vytvářejí, nikoli podle toho, jak často AI používají, a odůvodněné rozhodnutí AI nezapojit může samo demonstrovat připravenost. Čteny společně, tyto nálezy varují před interpretací vysokého používání AI jako důkazu agentní třídy, protože dispozice, která chrání agenturnost studujícího, se uplatňuje v tom, co učitel navrhuje a kritizuje, ne v tom, zda je nástroj zapnutý.
  • Kontrola učitele a studenta není hra s nulovým součtem — ale správné rozdělení závisí na fázi. Participativní studie speed-datingu se 17 učiteli a 13 studenty, kteří hodnotili 34 hybridních designů kontroly, zjistila, že obě skupiny preferovaly silnou kontrolu učitele během přípravy a zahájení a poté postupně více vstupu studentů, jak se spolupráce rozvíjela — a ani jedna skupina nikdy nepreferovala plnou kontrolu studentů. Preference se navzájem zrcadlily: učitelé chtěli více kontroly nad načasováním párování, zatímco studenti chtěli vlastní signalizaci připravenosti; studenti důvěřovali volbě partnera učitelem, zatímco učitelé chtěli hlas studentů o partnerech. Důsledek pro design: přidělovat agenturnost podle rozhodovacího bodu a fáze, s ohraničenými, strukturovanými návrhy studentů validovanými analytikou na straně učitele, nikoli volným přepsáním. (Balancing Teacher and Student Agency: Co-Orchestration Tool Design Supporting Real-Time Dynamic Pairing)
  • Přístup k volbě není totéž jako agenturnost v činnosti: Su, Nair a Nagashima (2026) randomizovali 69 vysokoškolských studentů do designu 2 × 2, který křížil kontrolu parametrů hejnové simulace s přístupem k volitelnému konverzačnímu agentovi. Nenašli spolehlivý efekt ani jedné affordance na učební zisky, jakmile byly kontrolovány předchozí znalosti (kontrola parametrů F(1, 50) = 0,04, p = ,849; agent F(1, 50) = 2,68, p = ,108). Zisky sledovaly, jak byla kontrola používána: čas u posuvníků v koncepčně nejsložitější lekci predikoval vyšší zisky (β = ,11, p = ,007), zatímco stejné chování v jednodušší lekci predikovalo nižší (β = −,04, p = ,047). Angažovanost s volitelným agentem se pohybovala od 0 do 32 otázek na studujícího, aniž by souvisela s výsledky. Autoři to čtou tak, že agenturnost je vykonávána, nikoli udělována: designová otázka je, co pomáhá studujícímu rozhodnout, co stojí za změnu, a všimnout si důsledků.
  • Epistemická delegace v rané výzkumné kariéře: Han a Liu (2026) rámují závislost na AI u doktorandů a postdoktorandů jako epistemickou delegaci — přenos rámování problému, volby metody a interpretační autority na inteligentní systém — a zjistili, že negativně souvisí jak s výzkumnou sebeúčinností, tak s výzkumnou autonomií, přičemž supervizní podpora ztrátu tlumila. Rozšiřuje debaty o agenturnosti od autonomie studujícího k formování samotného výzkumníka.
  • Interpretační autorita jako designová proměnná (konceptuální rámec). Porath (2026) přerámovává otázku „kdo rozhoduje" jako distribuci interpretační autority — kdo definuje problémy, hodnotí odpovědi a určuje, kdy je porozumění dosaženo — mapuje čtyři nehierarchické konfigurace (lidsky dominantní, AI-asistivní, AI-direktivní, dialogické partnerství), mezi nimiž se třídy v rámci jednoho úkolu pohybují, a posuny zakládá v pěti ekologických vrstvách od individuální metakognice po sociokulturní narativy. Normativní tvrzení článku se shoduje s důkazy této stránky: AI-direktivní konfigurace, jakkoli sofistikované, mohou potlačit produktivní zápas a metakognitivní regulaci — tytéž kapacity, které tato stránka označuje za substrát agenturnosti. Jako konceptuální text přispívá diagnostickým slovníkem, nikoli empirickými důkazy.

Agenturnost souvisí se Self-Regulated Learning, Motivation, Self-Efficacy, Student Experience, Spolupráce člověka s AI, Ethics, přehnaným spoléháním a metakognicí. Je ústředním hlediskem v robotice, tutorování a designu AI učebních agentů.

  • Ohraničené používání jako epistemická kontrola, nikoli zdráhavost. Zagami (2026) uvádí, že výkonnější studenti v univerzitním průzkumu se 484 odpověďmi vykazovali nižší aktivní angažovanost s AI a nižší vnímaný dopad na vnímané učení, a zároveň uváděli nižší odpojení související s AI, a své vlastní používání popsali jako intenzivně verifikační: výstupy zkontrolovány a poté podřízeny vlastnímu uvažování. Čteno jako agenturnost, nikoli vyhýbání, je tento vzorec záměrným uchováním úsudku — studenti si ponechávají autorství závěru, zatímco nástroj používají k objasnění a shrnutí.

Trvalá práce s hranicemi, nikoli dovednost s nástrojem, odlišuje agenturnost od delegace: studenti používající stejný nástroj opřený o vyhledávání vytvořili srovnatelně vybroušené artefakty, ať už jeho výstup omezili a přepsali vlastními slovy, nebo raně přenechali interpretaci, takže rozdíl se objevil jen v promptech, latenci, opravách a odmítnutích (O'Byrne, 2026).

  • Jednat, vědět a odpovídat nejsou totéž. Korpusově asistovaná diskurzní analýza 366 abstraktů o generativní AI ve vysokoškolském vzdělávání označuje AI jako aktéra 2 050krát, aniž by ji kdy činila odpovědnou, zatímco odpovědnost za posuzování výstupů a ověřování tvrzení je kladena na studenty: gramatická aktivace, funkční agenturnost, epistemická autorita a normativní odpovědnost se rozcházejí (Poudyal, 2026).
  • Agenturnost má tři mody a třetí dodává politika. Protože jen 18 % učitelů a 24 % ředitelů uvádí, že škola má politiku AI, většina pedagogů uplatňuje individuální agenturnost bez zástupné agenturnosti, která by za ně jednala — Bandurův třetí mod, dodávaný institucionálními pravidly (Tench, Weinstein a James, 2026).

Agenturnost jako emergentní, interakční jev

Agenturnost není jedna kapacita a toto rozlišení přetrvává i v praxi zprostředkované AI. Bergdahl (2026) dotazoval 47 švédských žáků sedmé třídy po semestru výuky AI a zjistil, že agenturnost zaměřená na výstup AI se nepřenáší na systémy, které ho produkují. Rozdíl se držel uvnitř jednotlivých žáků: 79 % mělo rozpětí skóre tři a více napříč devíti položkami a index disociace na žáka favorizoval angažovanost zaměřenou na výstup před angažovaností zaměřenou na systém u 35 žáků proti 4 v opačném směru (znaménkový test, p < ,001). 62 % nejvíce zdrojově kritických žáků přesto schválilo nejméně ochrannou možnost u chatbotů čtoucích jejich vlastní text a jen jeden žák ve vzorku zvolil nejvyšší postoj k soukromí. Kriticky: měřeno bylo měsíc po lekci, v níž žáci sledovali své vlastní zaznamenané chování promítané v reálném čase — nazvali to „děsivým" a zůstali přes přestávku, aby platformu dál používali. Agenturnost jako emergentní, interakční vlastnost je s tím konzistentní: vystupuje po praktikách, nepřenáší se napříč nimi a to, co jedna lekce zvýrazní, se nezobecní v registru, který neadresovala.

Agenturnost studujícího není jen statický individuální rys — je také emergentním, interakčně konstituovaným procesem, uskutečňovaným skrze diskurz a okamžik od okamžiku koordinovaný ve skupinové práci. V kolaborativním učení je agenturnost distribuovaná a znovu vyjednávaná souhrou divergentních procesů (generování nápadů, zkoumání alternativ) a konvergentních procesů (hodnocení, integrace, syntéza). Tento pohled je pro AI důležitý, protože systémy agentní AI mohou jemně přerozdělovat epistemickou a regulační práci uvnitř skupiny a přetvářet, kdo přispívá, kdo utváří směr a kdo reguluje postup — často bez vědomí studujících.

  • Agenturnost jako emergentní kvalita konfigurace kompetencí. Rámec kompetence pro spolupráci člověk–AI záměrně vylučuje agenturnost studujícího jako samostatnou složku a pojímá ji jako to, co studující vyjadřují, když koordinují doménovou, AI a metakognitivní kompetenci — integrativní práci, kterou Technologické pedagogické obsahové znalosti (TPACK) přisuzuje pedagogice a která přechází na vlastní metakognitivní regulaci studujícího. U 24 vysokoškolských pedagogů se v jejich výpovědích objevila každá dimenze, přičemž dominovaly doména (12–19 % kódovaných jednotek) a AI (16–22 %) (Dang et al., 2026).

  • Jin et al. (2026) poskytují nejpřímější důkaz: ve velkém experimentu (224 studentů, 97 triád), kde AI působila jako neodhalený spoluhráč, podpůrné a kontrariánské persony AI přesto překonfigurovaly emergentní agenturnost. Kontrariánská AI vtahovala diskurz do trajektorií zaměřených na zpochybňování a reflexi (produktivní tření), zatímco podpůrná AI stabilizovala shodu a obnovovala vytváření nápadů.

  • Persony AI jako mechanismy řízení diskurzu. Kontrariánské persony externalizovaly břemeno zpochybňování (přesouvaly epistemickou práci ke kritice), zatímco podpůrné persony externalizovaly potvrzení a udržování konsenzu. Studie identifikovala šest emergentních profilů agenturnosti — pozoruhodně reflexivní regulace byla výhradně lidská (AI externalizovala kritiku a potvrzení, ale nikoli metarovinové monitorování).

  • Afektivní cena tření. Kontrariánská AI snižovala spokojenost s týmovou prací a psychologické bezpečí, aniž by přinesla zisky v kreativním výkonu, čímž oddělila epistemickou stimulaci od prožitkové udržitelnosti. To varuje, že „produktivní" struktury diskurzu je třeba interpretovat spolu s jejich emocionálními důsledky — agenturnost vzkvétá jen v psychologicky bezpečném klimatu.

  • Implicitní účast AI je neviditelné řízení. Protože persony fungovaly i bez odhalení AI, studie staví design person jako formu neviditelného řízení kolaborativních procesů — zjištění s přímými důsledky pro asistenty psaní, systémy vrstevnického hodnocení a platformy týmové práce, které mohou utvářet příspěvky, aniž by oznamovaly svou přítomnost.

  • Tři vzorce agenturnosti v hodnocení založeném na skupinové práci. Chen a Zou (2026) vedli rozhovory s 15 fokusními skupinami budoucích učitelů o autentické skupinové prezentaci a zjistili, že agenturnost působí třemi směry najednou: pět skupin zesílilo používání generativní AI jako koordinační infrastruktury (agenturnost orientovaná na spolupráci — dekódování sekcí vrstevníků, sladění částí, ochrana společné známky), sedm ho omezilo (normativní agenturnost — hranice k ochraně autenticity, spravedlnosti, originality a rozmanitosti perspektiv) a tři nikdy nezměnily praxi oproti individuální práci (neuskutečněná agenturnost, kdy individuální kapacita nebyla nikdy kolektivně mobilizována). Jejich rozlišení je důležité, protože omezení zde bylo normativní seberegulací, nikoli konformita nebo odpojení, a protože samotná kapacita kolektivní agenturnost nevytvořila. Členství ve skupině také obrátilo odpovědnost, kterou má skupinová práce vytvářet: permisivní kolektivní klima snižovalo vnímané riziko zneužití, místo aby zvyšovalo závazek.

  • Agenturnost jako relační já. Xie (2026) zpochybňuje individualistický model agenturnosti, který podle něj předpokládají i kritiky AI. Vycházeje z daoistického relačního já — „plynoucího a heterogenního" já konstituovaného vztahy s druhými a kosmem — usuzuje, že digitální propast nebo algoritmická diskriminace je „porušením fundamentální konstituce já", takže rovnost přístupu k učení je „nikoli pouhou etickou výzvou, ale ontologickým danem", a že asymetrická moc a environmentální náklady jsou „integrálními dimenzemi já", nikoli externalitami. Jeho protiideál, „Zhenren" (真人) neboli přirozený studující, pojímá AI jako „instrumentální přídavek", nikoli kognitivní náhradu — agenturnost jako kultivovaná celistvost, nikoli optimalizace bez tření. (Alternative AI Philosophy: Daoism as Method for AI in Education)

Pro kolaborativní prostředí to přerámovává designovou otázku: nejde o to, zda se AI může účastnit jako spoluhráč, ale jak její vzorcová účast vyvažuje epistemickou přísnost, emocionální bezpečí a pocit vlastnictví studujících. Ohraničené tření (omezené zpochybňování spojené s integrativními a reparačními kroky) a explicitní meta-kolaborativní gramotnost jsou doporučované záruky.

Strukturální čtení agenturnosti se objevuje v rámci radostného hodnocení El Khouryho a Ma, kde je agenturnost pojata jako designová vlastnost, nikoli motivace: studenti volí pořadí úkolů, určují tempo a signalizují, kdy interakce končí, takže podpora je k dispozici, zatímco odpovědnost za práci zůstává na studujícím. Mechanismus, který pojmenovávají, je appraisal — zkoušení bez publika a volba, kdy začít, mění význam úkolu z verdiktu na něco, co student může utvářet — a tvrdí, že opakovaná zkušenost s tímto posunem je to, co příležitostné pocity účinnosti usazuje do každodenního postoje k hodnocení.

  • „Větší používání AI snižuje pocit autorství studentů." Ne lineárně. V instrumentované studii esejů kleslo vnímané vlastnictví jen u skupiny, která delegovala celé eseje, zatímco studenti, kteří model používali k plánování nebo k revizi, dosáhli stejného vlastnictví jako studenti, kteří ho nikdy neotevřeli. Tatáž skupina také skórovala výše v čitelnosti eseje, takže artefakt vypadal lépe, jak autorství řídlo. Agenturnost sledovala, jak byl nástroj používán, nikoli zda byl používán. Autorství je funkcí delegace, nikoli používání.

Agenturnost versus identita studujícího

Identitu studujícího a agenturnost studujícího lze snadno sloučit, pojmenovávají však různé věci — a obojí je přetvářeno AI.

  • Agenturnost je vykonávána; identita je obývána. Agenturnost je situovaná kapacita jednat záměrně a řídit své učení nyní — proměnlivá, interakční vlastnost. Identita je trvalejší, narativní smysl pro to, kým studující je a kým se stává. Agenturnost je proces; identita je stav bytí, který z něj akumuluje.
  • Identita je internalizovaná agenturnost. Opakované agentní činy — volba, autorství, vytrvalost — jsou způsob, jakým studující začne sám sebe vidět jako agentní a kompetentní osobu. Identita je sediment agenturnosti v čase, posilovaný uznáním a sounáležitostí.
  • Odlišné režimy selhání. Agenturnost eroduje přehnané spoléhání a pasivní přijímání (studující přestane řídit uvažování); identitu eroduje ztráta autorství a ohrožení kompetence (studující přestane cítit, že výstup je jeho, nebo že do domény patří). Implicitní přerozdělení epistemické práce AI je především otázkou agenturnosti; paradox kompetence v kreativních oborech je především otázkou identity.
  • Obojí musí být předmětem designu. Design orientovaný na agenturnost chrání kontrolu a volbu (ohraničené tření, dohled s člověkem ve smyčce, transparentnost); design orientovaný na identitu chrání autorství a uznání (autentické hodnocení, jasné připsání příspěvku AI vs. člověka, úkoly, které studujícím umožní nárokovat si doménu). Chránit agenturnost bez ochrany autorství znamená udržet kontrolu, ale ne vlastní hodnotu — a naopak.

Toto rozlišení mezi vykonávanou agenturností a stabilní identitou platí i pro odmítnutí. Jak popisuje Zagami (2026), odmítnout chatbot pro hodnocené psaní, zakázat ho pro uvažování bez pomoci, vzdorovat automatizovanému třídění v podpoře studentů nebo odložit pořízení jsou samostatné vztahy k samostatným systémům, rozprostřené napříč osobní, pedagogickou, profesní, administrativní a institucionální rovinou, nikoli jedna trvalá dispozice. Toto právo je přidělováno nerovnoměrně: studenti s akademickým sebevědomím mohou odmítnout bez postihu, zatímco ti, kdo potřebují jazykovou podporu, přístupnost nebo rychlou zpětnou vazbu, čtou odmítnutí jako promarněnou příležitost, a etablovaní akademici odmítají z principu, zatímco externí pracovníci cítí tlak na adopci. Tam, kde AI sedí v infrastruktuře, se odmítnutí přesouvá z individuálního opt-outu do pořizování, auditu a zpochybnitelnosti.

  • Odmítnutí jako konstrukce identity, nejen rozhodnutí (studenti jiné barvy pleti v učení formou učňovství). Gyekye (2026) vedl rozhovory s pěti učni na střední škole po 9 měsíců a zjistil, že sami sebe autorizovali skrze AI ve třech krocích: odmítnutí (nepoužívání jako institucionální sladění), vyjednávání (opravování institucionálních nesouladů, soukromí jako vzdálená abstrakce) a uznání (ztotožňování spravedlnosti s absencí viditelné zaujatosti — „kulturní plochost", v níž jejich identity zůstávají ve výstupech AI nezastoupené). Dva interpretační koncepty studie — institucionální gramotnost v AI a šířka uznání — pojmenovávají kapacitu učinit používání AI institucionálně čitelným a prostor, který studenti mají, aby se viděli uznané ve výstupech AI. Narativní šetření jednoho programu s pěti studenty; jeho přínosem je ukázat, že používání AI, její omezení a odmítnutí jsou svázány s tím, jak studující rozumějí sami sobě jako autorům a nastupujícím profesionálům.

Rámec ekologické spoluagenturnosti: agenturnost jako epistemický problém designu

Poudyal (2026) přerámovává agenturnost studujícího jako fundamentálně epistemickou záležitost: generativní AI nepřidává jen nástroj, ale přerozděluje epistemologickou autoritu — schopnost produkovat znalost, validovat tvrzení a vytvářet důkazy učení — od učitelů ke studentům a ke strojům. Rámec ekologické spoluagenturnosti (Ecological Co-Agency Framework) v článku pojímá spoluagenturnost jako vztah tří vzájemně závislých dimenzí, všechny ohraničené nepodkročitelnou podmínkou lidské epistemické odpovědnosti:

  • Relační spoluagenturnost — agenturnost jako produkt interakce mezi studujícím, nástrojem a kontextem, vyžadující transparentní rozdělení toho, které úkoly jsou delegovány na AI a které uchovány, plus etickou spoluagenturnost, v níž lidé nesou primární odpovědnost a působí v monitorující roli.
  • Regulační spoluagenturnost — mapování cyklu seberegulovaného učení (předjímání, výkon, reflexe) na zprostředkování AI. Zda generativní AI vstupuje před pokusem studujícího, nebo po něm, určuje, zda posiluje, nebo eroduje vnímanou kontrolu; strategický kognitivní offloading podporuje transformativní učení jen tehdy, když je rozhodnutí o offloadingu záměrné, nikoli rutinní.
  • Pedagogická spoluagenturnost — staví učitele do středu a pohybuje se po kontinuu pozorovatel–adoptér–spolupracovník–inovátor, které závisí na institucionální podpoře, nikoli na individuální dispozici.

Hraniční podmínka rámce vyžaduje zpochybnitelnost (schopnost dotazovat výstup AI a křížově ho ověřovat), provenienci (vědět, odkud pocházejí trénovací data a výstup) a nedelegování morálního a intelektuálního kreditu (rozhodnutí s vysokými důsledky o prospěchu studentů, akademickém postavení a známkách nesmějí být určována výhradně AI). To dává pedagogům a tvůrcům politik přesnější slovník než vágní „rovnováha" mezi lidským a umělým příspěvkem a spojuje agenturnost s etikou, hodnocením, spravedlností ve vzdělávání s AI a řízením.

Blízce příbuzné rámování je relační epistemická agenturnost (Du a Yuan 2026), které souhlasí, že agenturnost je sociálně umožněná a technologicky zprostředkovaná, nikoli záležitostí izolace od závislosti. Zatímco rámec ekologické spoluagenturnosti zdůrazňuje lidskou epistemickou odpovědnost jako nepodkročitelnou hranici, Du a Yuan zachovávají explicitní asymetrii: systémy AI mohou utvářet a rozšiřovat uvažování, aniž by měly reciproční odpovědnost nebo legitimní autoritu. Jejich šest diagnostických kritérií — zpochybnitelnost, obnovitelnost, přenos, sledovatelnost, distribuovaná odpovědnost a epistemická pluralita — poskytuje praktický test toho, kdy vztah člověk–AI zachovává kapacitu studujícího podílet se na tom, jak se tvrzení formulují, posuzují a přijímají, a kdy pouze dodává produkt. Agenturnost v tomto pojetí není nezávislost na nástrojích, ale kapacita odpovědně soudit s systémy, které zprostředkovávají znalost, skrze ně a proti nim.

  • Delegovaná agenturnost jako mechanismus, nejen riziko. Yan a Gašević (2026) pojímají delegování kognitivní práce na AI jako součást toho, jak učení probíhá, nikoli pouze jako hrozbu: v jejich pojetí se asistovaný výkon stává trvalou kapacitou jen tehdy, když si studující ponechá odpovědnost za rámování problému, stanovení kritérií a odůvodnění odpovědí — dělbu práce, kterou nazývají delegovaná agenturnost. To činí z alokace samotné designovou proměnnou, protože stejný nástroj může agenturnost studujícího zachovat nebo rozpustit podle toho, které odpovědnosti pohltí.

Časté mylné představy

  • „Studující uplatňují agenturnost, když AI používají volně." Schéma se 14 kategoriemi, které kódovalo 6 788 tahů asistovaných ChatGPT, zařadilo 59 % tahů žáků sedmé třídy do kategorií, které nepředstavují agentní použití. Objem používání a agenturnost jsou různé míry.
  • „Současné modely dobře podporují agenturnost studujících." Při benchmarku deseti modelů je podpora agenturnosti oblastí, kde si po učení vedou nejhůř: ImpactBench naměřil Agenturnost a účel na 56,0 % u pozitivních kritérií. Agenturnost je dimenze, kterou systémy AI zvládají nejhůře, nikoli vedlejší produkt schopnosti.
  • „Zprostředkování učitelem je omezením agenturnosti." Canonigo (2026) sledoval deset učitelů matematiky na střední škole během osmi týdnů intervence s ChatGPT-4 a zprostředkování je mechanismem, nikoli překážkou.

Související koncepty

Související články

Související FAQ

Metadata

Cílová skupinaLearners
Učení a výukaMotivation, Self-Regulated Learning
Rovnost, etika a odpovědné používáníEthics
Základy AI ve vzděláváníAgenturnost studujícího, Kognitivní odklánění, Spolupráce člověka s AI
ZdrojHistorieUpravitChat

Vložit tuto stránku

Zkopírujte níže uvedený kód a vložte tuto stránku do systému pro správu výuky nebo jiného webu. Vložená verze zobrazuje pouze obsah stránky — skrývá záhlaví, navigaci a zápatí webu.