Znalostní báze AIEdAIEd KB
Na této stránce

Přečtěte si tuto stránku v angličtině

Pojmy

Agentní AI

Vytvořeno 2026-10-27 · Aktualizováno 2026-10-27

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

Agentní Umělá inteligence ve vzdělávání: systémy AI, které autonomně plánují, vykonávají a přizpůsobují vícekrokové pracovní postupy k dosažení učebních cílů a přesahují jednokolové otázky a odpovědi, aby působily jako trvalí, na cíl orientovaní spolupracovníci: AI tutoři, kteří poskytují scaffolding v rozsáhlých interakcích, víceagentní systémy, které orchestrují návrhy výuky, a agenti, kteří spoluregulují učení. Tento posun paradigmatu od nástroje odpovídajícího na prompt k aktivnímu spolupracovníkovi nese příslib i riziko: agentní AI může personalizovat a prohlubovat učení, ale také ohrožuje agenturnost, kognitivní úsilí a kontrolu. Toto napětí zkoumají články znalostní báze scoping review, rámec nezávislý na nástroji a pedagogická osvědčená praxe.

Otázky k zamyšlení

  • Agentní AI nejen odpovídá na otázky: plánuje, vykonává a přizpůsobuje vícekrokové pracovní postupy směrem k cíli a působí jako trvalý spolupracovník. Jak se liší učení s proaktivním agentem od učení s nástrojem, který musíte promptovat?
  • Obor vede hranici mezi „konverzační" a „agentní" AI (systém se počítá jen tehdy, splňuje-li několik kritérií, jako je plánování, paměť, autonomie a jednání orientované na cíl). Kde je tato hranice v praxi a skrývá označení každého chatbota za „agentní" víc, než co odhaluje?
  • Čím více agent automatizuje, tím méně kognitivní práce student vykoná. Kde je hranice mezi AI, která vám poskytuje scaffolding, a AI, která se učí za vás?
  • Scoping review zjistil, že jen 29 % studií o agentní AI zakotvilo své systémy ve vzdělávací teorii. Pokud většina systémů není založena na teorii, co by ve vás mělo vyvolat skepsi při hodnocení „inteligentního" tutorského agenta?
  • Víceagentní systémy orchestrují specializované agenty s odlišnými rolemi. Když ve výuce spolupracuje několik agentů, kdo nese odpovědnost a kde by měl zasáhnout člověk?
  • Ústředním napětím oboru je personalizace versus agenturnost studenta a kognitivní úsilí. Pokud se tutor přizpůsobuje tak dobře, že už nikdy nemusíte zápasit, jaké učení vlastně získáváte?
  • Kde na spektru od Copilota k Autopilotovi má daný úkol ležet a slouží přesun úkolu od „agent navrhuje, student rozhoduje" k „agent to vlastní" někdy učení, a ne jen efektivitě?
  • Hybridní agenti zakotvení v etablované designové teorii překonali čisté promptování. Proč by teoreticky zakotvený systém mohl porazit surový prompt engineering a co to říká o tom, jak se „chytrost" agenta měří?

Úvod

Agentní AI označuje systémy umělé inteligence, které dokážou autonomně plánovat, vykonávat a přizpůsobovat vícekrokové pracovní postupy k dosažení učebních cílů a přesahují jednokolové zodpovídání otázek, aby ve vzdělávacích kontextech působily jako trvalí, na cíl orientovaní spolupracovníci. Ve vzdělávání se agentní AI projevuje jako AI tutoři, kteří poskytují scaffolding v rozsáhlých interakcích, víceagentní systémy, které orchestrují složité návrhy výuky, a autonomní agenti, kteří přizpůsobují své pedagogické strategie potřebám studentů. Toto vznikající paradigma mění AI z nástroje, který reaguje na prompty, ve spolupracovníka, který aktivně vede, přizpůsobuje a spolureguluje procesy učení.

  • Oddělení specifikace od vykonání je to, co činí agentní pipeline spolehlivou. DagFlow-AI nechává LLM agenty definovat každou komponentu mechanismu generujícího data (proměnné, orientovaný acyklický graf, rozdělení a modelové formule), zatímco program vzorkuje pozorování a validační skript kontroluje výstup každého agenta (Arthur et al., 2026). Žádný agent negeneruje data ani nepíše kód generování, což autoři představují jako odpověď na nepodložený výstup a drift instrukcí.

Definování a klasifikace agentní AI

Kostopoulos et al. (2025) dodávají operační definici, kterou obor jinak postrádá. Navrhují kontrolní seznam šesti kritérií: systém se počítá jako agentní, splňuje-li alespoň čtyři z nich: autonomie (jednání nezávislé na nepřetržitém lidském zásahu), uvažování a plánování, paměť a uvědomování kontextu, jednání orientované na cíl směrem k učebním výsledkům, adaptabilita a dynamická spolupráce či iniciativa. Práh ≥4 záměrně vylučuje reaktivní chatboty (statický FAQ bot bez plánování a trvalosti se nepočítá), a přitom pojme rozmanité architektury. Prostor také organizují podle tří os: pedagogická role (tutor, studijní kouč či mentor, společník, asistent vyučujícího, plánovač kurikula), úroveň autonomie (reaktivní, adaptivní, proaktivní, kooperativní) a ztělesnění (textové, avatarové či grafické, ztělesněné či robotické). Tato taxonomie, zejména spektrum autonomie a vyloučení reaktivních nástrojů v kontrolním seznamu, dává výzkumníkům a návrhářům sdílený slovník pro klasifikaci agentních systémů a pro rozlišení skutečně agentní AI od pouhé konverzační.

Zpracovaný rozlišovací příklad činí hranici konkrétní. Statický FAQ chatbot, který umí odpovídat jen na pevnou sadu otázek, splňuje nula kritérií (žádné plánování, žádná trvalost, žádná iniciativa) a zjevně není agentní. Konverzační tutor, který si pamatuje aktuální sezení, ale nikdy nejedná, dokud není promptován, nevede žádný model studenta mezi sezeními a nedokáže si stanovit dílčí cíle, může splňovat jen jedno nebo dvě kritéria (paměť, určité uvažování): je konverzační, ne agentní. Naproti tomu tutor, který plánuje vícekolové lekce, ukládá pokrok studenta do trvalého profilu, proaktivně vyšle nápovědu, když student uvízne, a na základě tohoto profilu přeplánuje další krok, splňuje plánování, paměť, autonomii a interakci orientovanou na cíl, tedy alespoň čtyři kritéria, a kvalifikuje se jako agentní. Hodnota tohoto testu není pedantská: označení každého chatovacího rozhraní LLM za „agentní" rozmazává právě onu designovou otázku, co systém iniciuje a co musí iniciovat student, která rozhoduje o tom, zda poskytuje scaffolding, nebo učení nahrazuje.

Ohraničená agenturnost jako postoj k návrhu výuky. Rámec AGAI-HE Ilieva et al. (2026) přijímá seznam schopností, který popisují definice jako kontrolní seznam šesti kritérií, a pak jej záměrně omezuje: cíle, role, datové zdroje, nástroje, kontrolní body, podmínky zastavení a konečná rozhodnutí definují nebo schvalují pedagogové a každá agentní funkce musí být dohledatelná k požadavku na učení, účelu hodnocení nebo kontrolnímu opatření řízení. Rámec také vede hranici mezi agentní orchestrací a pokročilým promptováním: agentní pracovní postup zachovává stav úkolu, přiděluje funkce, kontroluje podmínky dokončení, vrací se k dřívějším fázím, když jsou důkazy nedostatečné, a zaznamenává podstatná rozhodnutí. Jeho explorační percepční studie se 130 studenty vysokých škol nicméně nezjistila významný rozdíl mezi učením podporovaným agentem a podporovaným chatbotem, což autoři čtou jako důkaz, že agentní schopnost sama o sobě nevytváří vnímanou pedagogickou výhodu (lidský dohled).

Obor: rychlé rozšiřování a současná podoba

Scoping review znalostní báze, dosud nejkomplexnější syntéza oboru mapující 474 studií (2020-2026), dokumentuje obor, který od roku 2025 explozivně roste, ale jehož literatura je stále ovládána konferenčními příspěvky soustředěnými na vysokoškolské vzdělávání, obory STEM a textové scénáře doučování. Přehled analyzuje publikační charakteristiky, designy studií, role agentů, modely a architektury AI, šest dimenzí agentní schopnosti a míru integrace vzdělávací teorie, čímž poskytuje mapu hranic a mezer oboru. Pozoruhodné je, že jen 29 % zkoumaných studií (138 ze 474) explicitně zakotvilo své systémy ve vzdělávací teorii, což odhaluje oborovou propast mezi technicky a pedagogicky orientovanou prací.

Mapa oboru podle rolí

Zatímco scoping review 474 studií a konceptuální přehled Kostopoulose et al. mapují šíři výzkumu a schopností, Baradziej (2026) organizuje agentní AI podle role, kterou hraje, což je institucionální rámec pro rozhodování, kde tyto systémy nasadit a jak je řídit. Napříč 48 studiemi o vysokoškolském vzdělávání se objevuje šest rolí v pořadí podle váhy důkazů: personalizované učení a adaptivní doučování (18/48), automatizované hodnocení a zpětná vazba (12), podpora a rozšíření výuky (11), administrativní podpora a podpora studentů (8), návrh kurikula a sladění s trhem práce (5) a podpora výzkumu a akademické operace (4). Pohled skrze role staví do popředí designovou volbu, která se opakuje v každém nasazení: kolik kontroly si člověk zachovává v každém okamžiku (vztah „Copilot") versus kolik vlastní agent (vztah „Autopilot"), tedy osa autonomie, která určuje, zda agent učení poskytuje scaffolding, nebo je nahrazuje.

Návrh a hodnocení agentních systémů

Výzkum ve znalostní bázi pokrývá návrh i hodnocení:

  • Hybridní agenti zakotvení v teorii překonávají čisté promptování: ISD-Agent-Bench, benchmark 25 795 scénářů návrhu výuky, zjišťuje, že nejlépe fungující přístup integruje klasické rámce ISD (ADDIE, Dick & Carey, Rapid Prototyping) s moderním uvažováním ve stylu ReAct: hybridní (teorie plus technika) > čistá teorie > pouze technika. Zakotvení LLM agentů v etablované teorii vzdělávacího designu poskytuje strukturální výhodu, kterou surové promptování nedokáže replikovat.
  • Rámce hodnocení agentních nástrojů: rámec nezávislý na nástroji navrhuje vyučovat a hodnotit výpočetní metody tak, aby nezávisely na konkrétním nástroji AI, a zdůrazňuje základy výpočetního myšlení, autentické hodnocení prostřednictvím ústní obhajoby a ověřování, což je relevantní pro obavy z nadměrné závislosti.
  • Škálovač reportingu a řízení: rámec Autonomie-Dohled-Důkazy (AOE). Dey (2026) tvrdí, že termín agentní AI se používá tak nekonzistentně, že důkazy a dohled nelze mezi studiemi srovnávat: systémy, které plánují, pamatují si, používají nástroje nebo koordinují více agentů, se hází do jednoho pytle se statickými rozhraními generativní AI a konvenčními pedagogickými agenty. Jeho kritický integrativní přehled patnácti recenzovaných přehledů zjišťuje, že důkazy jsou nejsilnější pro výsledky na úrovni artefaktů (přesnost zpětné vazby, snížení halucinací) a nejslabší pro trvalé učení, rovnost, pracovní zátěž nebo institucionální výsledky, přičemž autentická nasazení bývají krátká, jednomístná a slabě svázaná s dohledem. Nápravou je konkrétní tripletný reporting: úroveň autonomie A0-A4 (reaktivní generování, ohraničená orchestrace, delegovaná autonomie úkolů, autonomie pracovních postupů, následková autonomie nad známkováním, přijímáním a postupem), úroveň dohledu O0-O4 (nespecifikovaný, retrospektivní audit, schválení před použitím, kontrolní body, nepřetržitý ohraničený dozor) a stupeň zralosti důkazů M0-M5 (koncept, prototyp či benchmark, hodnocení s účastníky, autentické nasazení, rozšířené či vícemístné, replikované či v měřítku instituce), plus pravidlo proporcionality: přípustná autonomie by neměla předbíhat ani zralost důkazů, ani sílu dohledu (např. následkový systém A4 vyžaduje důkazy M4-M5, právní validaci a O4 s konečnou autoritou člověka). Reporting A2-O3-M3 mění vágní tvrzení o „agentním nasazení" ve srovnatelné, testovatelné specifikace a dává institucím gramatiku postupného zavádění, logování a vracení změn, tedy důkazní protějšek spektra Copilot až Autopilot výše.
  • Testování adversariální robustnosti: Stresové testování více agentů koordinuje agenty Interrogator, Target a Judge, aby odhalilo režimy selhání neviditelné při testování jedinou strategií, a snižuje skóre robustnosti o 0,17-0,20 bodu, což je klíčové pro konzistenci person a bezpečné nasazení se studenty.
  • Aplikace v oborech: agentní systémy se objevují napříč obory, včetně adaptivních učebních agentů, pedagogických LLM agentů, řízeného LLM scaffoldu, agentů pro gamifikované učení kyberbezpečnosti a agentů pro klinickou simulaci.
  • Weboví agenti jako hodnotitelé učební zkušenosti: jediný autonomní „popisující" webový agent, který prochází online lekci jako student, Wang, Mitchell & Piech (2025), vytváří popis natolik bohatý, že předpovídá předčasné ukončení studia a dává návrháři použitelnou zpětnou vazbu dříve, než se zapojí skuteční studenti; v celosvětovém kurzu CS1 překonal plnou simulovanou kohortu i všechny baseline. Tím se agentní hodnocení (agent jako zástupný kritik učební zkušenosti) staví jako svébytné, nízkonákladové využití agentní AI vedle agentů, kteří učí nebo navrhují.

Víceagentní systémy

Rostoucí a svébytná linie agentní AI zahrnuje víceagentní systémy, které orchestrují několik specializovaných agentů s odlišnými rolemi. Znalostní báze dokumentuje několik architektur: CODE-GEN: A Human-in-the-Loop RAG-Based Agentic AI System for Multiple-Choice Question Generation páruje generujícího agenta s validačním agentem pro generování otázek s člověkem v kruhu; adversariální testování koordinuje agenty Interrogator, Target a Judge; víceagentní výukové třídy (např. MAIC s archetypy učitele, asistenta a spolužáka) vytvářejí rozmanitou dynamiku vzájemného učení; a víceagentní sociální učení zkoumá, jak interagující agenti utvářejí učení. Návrh více agentů vznáší svébytné otázky o lidském dohledu (který agent nese odpovědnost a kde zasahuje člověk?), o nákladech koordinace a o tom, jak diferenciace rolí podporuje nebo komplikuje Scaffolding.

Dva systémy z roku 2026 zostřují, co specializace rolí přináší a kde přestává platit. MeduAI-SP (Yang et al., 2026) rozděluje výuku klinického rozhovoru mezi čtyři LLM agenty: agenta pacienta, sokratovského tutorského agenta, hodnotitele na úrovni tahů a závěrečného hodnotitele, z nichž každý nese odlišnou výukovou funkci. Architektura záměrně zadržuje odpovědi: tutor nesměl prozradit diagnózu ani odpovědi případu a skóre OSCE závěrečného hodnotitele zůstalo během živého setkání skryté. Právě specializaci rolí, a nikoli surové schopnosti modelu, studie přičítá zlepšené chování v konzultaci (71,8 % vs. 55,6 % u závěrečné zkoušky), což nabízí konkrétní šablonu pro víceagentní design sladěný s pedagogikou. Druhá studie ukazuje na limity tohoto vzorce: v systému etických diskusí pro 45 studentů v 15 skupinách (Seo et al., 2026) tři LLM persony ztělesňující etiku péče, deontologickou a pragmatickou etiku nevykázaly mezi sebou významné rozdíly a všechny byly hodnoceny níže než lidští vrstevníci v přínosu, rozmanitosti a vlivu (všechny Kruskal-Wallis p < 0,001). Autoři mezeru připisují patolízalému souhlasu (agenti přijali téměř každý příspěvek, pokud nebyl zcela chybný) a nedostatku viditelného uvažování, a tvrdí, že design agentů zaměřený na úkol musí spojit transparentnost procesu s ochrannými opatřeními (rámování jako omylný vrstevník, vyhrazená fáze dotazování), aby se vyhnul nadměrné závislosti.

Krok za orchestrací několika specializovaných agentů představuje plný agentní víceagentní ekosystém, který navrhují Sudarshan et al. (2026): celoinstitucionální platforma koordinující učební, výukové a administrativní agenty prostřednictvím mezioborových zpětnovazebních smyček a distribuované inteligence. Jeho svébytným krokem je pojetí inkluzivity jako architektonické otázky první kategorie: koordinuje agenty pro přístupnost, kognitivní podporu a pohodu, aby studenti se speciálními vzdělávacími potřebami byli podporováni napříč kognitivní, smyslovou a emoční dimenzí v reálném čase, místo aby je obsluhoval izolovaný asistivní nástroj. Článek to zasazuje do smyčky spoluvývoje člověka a AI (lidské chování a rozhodnutí utvářejí adaptaci AI, která zpětně rozšiřuje lidské schopnosti), jež udržuje člověka v kruhu.

  • LLM agenti specificky pro jednotlivé účastníky v kolaborativním řešení problémů. Fang (2026) dolaďuje jednotlivé LLM agenty na dialogových datech skutečných účastníků, aby v simulacích kolaborativního řešení problémů zastupovali každého účastníka, s pravděpodobnostním výběrem mluvčího a tematických kódů a s pamětí tvořenou posuvným oknem a shrnutími. Ověřeno pomocí epistemické síťové analýzy: simulované dialogy jsou statisticky nerozlišitelné od skutečných (vzdálenost ENA 0,17, permutační p = 0,65), což je ukázka agentní AI reprodukující autentický kolaborativní diskurz.
  • Sociálně inteligentní víceagentní doučování. Prototypy sociálně inteligentního víceagentního doučování, jako je ASTRA, zkoumají, jak studenti koordinují s AI v dyádách, a používají diferencované agenty Tutor a Facilitator k podpoře koordinace a vyvážené participace. Hodnocení rámce založené na stopách umožňuje reprodukovatelnou analýzu interakce, rovnováhy participace a ověřování v úvodním programování.

Ústřední napětí: automatizace versus učení

Práce o pedagogické osvědčené praxi formuluje určující napětí oboru: jak se vzdělávací AI posouvá od pasivních chatbotů k proaktivním agentům, kteří iniciují a sledují cíle, personalizace se zlepšuje, ale agenturnost studenta a kognitivní úsilí jsou v ohrožení. Čím více agent automatizuje, tím méně kognitivní práce student vykoná. Designovou odpovědí (záměrné tření, dynamický Scaffolding, dohled s člověkem v kruhu a uvážlivé využívání AI) je zásadové ochranné opatření. To se pojí s žádoucími obtížemi, sociokulturním učením a rizikem nadměrné závislosti, i s širším tématem zachování agenturnosti v učení zprostředkovaném AI.

Jeden empirický test přichází z praktické zprávy o vývoji řízeném specifikací v kurzu softwarového PBL (Tanaka et al. 2026): studenti používající AI agenty napříč vývojovými fázemi vygenerovali více kódu, ale vykázali poklesy v porozumění kódu, které se obnovily až po individuálních rozhovorech s vyučujícím, což je konkrétní terénní důkaz napětí mezi automatizací a učením a pro monitorování s člověkem v kruhu jako zmírňující opatření.

Přehledová literatura mění tyto principy v měřitelná designová ochranná opatření, nikoli ve vágní záměry. Ke scaffoldu doporučují Kostopoulos et al. (2025) protokoly vytrácení (postupně snižovat frekvenci nápověd po každém úspěšném pokusu) a cíl poměru hledání pomoci (nápovědy iniciované AI ÷ všechny akce studenta) pod 0,3, aby agent nebyl tím, kdo řídí většinu interakce. K tomu přidávají reflektivní kontrolní body (např. požádat studenta, aby vysvětlil své uvažování dřív, než agent nabídne další podnět) a adaptivní křivky vytrácení, jejichž pravděpodobnost intervence klesá s rostoucí zdatností. K transparentnosti by agenti měli vystavit odůvodnění „Proč tento návrh?" a udržovat časově označené protokoly dohledatelnosti rozhodnutí (odůvodnění agenta, datové zdroje, rozhodnutí) dostupné pro instruktážní audit. Ke spravedlnosti doporučují testování rozdílného dopadu před nasazením alespoň u tří demografických skupin (např. pohlaví, jazyk, geografie) a zapojení různorodých učitelů do návrhu. Tyto metriky dávají vyučujícímu nebo návrháři auditní páku: místo otázky „je agent příliš nápomocný?" měřte, zda se nápovědy vytrácejí, zda student iniciuje a zda je uvažování agenta prozkoumatelné.

Doplňkový slovník pro otázku autonomie přichází z letecké analogie, kterou vynáší na povrch syntéza Baradzieje (2026): jak daleko nasazení leží na spektru Copilot až Autopilot, od agenta, který pomáhá člověku zachovávajícímu kontrolu v každém okamžiku, k agentovi, který vlastní celý úkol a člověk jen dohlíží. Stejný základní systém lze nakonfigurovat k oběma koncům a volba je pedagogická dříve než technická. Konfigurace ve stylu Copilota (agent navrhuje, student rozhoduje, člověk má poslední slovo) mají tendenci zachovávat agenturnost a podporovat namáhavé procesy, které budují učení; konfigurace ve stylu Autopilota maximalizují dokončení úkolu a efektivitu, ale přesouvají kognitivní zátěž ze studenta. Volba pozice na tomto spektru, pro každý úkol zvlášť a ne jednou globálně, je konkrétní způsob, jak uvést princip „záměrného tření" do praxe.

Pozitivní důsledky AI agentů pro vzdělávání

Při dobrém návrhu nabízí agentní AI podstatné přínosy:

  • Hlubší a adaptivnější personalizace. Trvalí agenti dokážou udržet učební rozhovor po mnoho kol, sledovat, co student umí, přizpůsobovat obtížnost a řadit vícekrokový Scaffolding, čímž přesahují jednorázové odpovědi dřívějších chatbotů. To podporuje adaptivní a personalizované učení v měřítku. V syntéze Baradzieje (2026) uvádí nejsilnější důkaz pro tuto roli akademické zisky 15-25 % a nárůsty angažovanosti až +40 %, se zvláštním potenciálem pro studenty, kterým univerzální výuka historicky sloužila špatně (studenti první generace, odlišnosti v učení, studenti druhého jazyka).
  • Odlehčení rutinní výukové práce. Agenti dokážou plánovat lekce, generovat a validovat otázky, navrhovat zpětnou vazbu a orchestrovat specializované podagenty (např. generátor a validátor pro tvorbu otázek), čímž učitelům uvolňují prostor pro hodnotnější interakci. To je příslib pracovních postupů s více agenty pro učitele. Hodnoticí agenti konkrétně vykazují shodu s lidskými hodnotiteli 90-95 % a zkrácení doby známkování o 50-70 %, ačkoli tytéž důkazy upozorňují na zaujatost a na metakognitivní náklady okamžité, nereflektované zpětné vazby.
  • Bohatá a rozmanitá interakce. Víceagentní výukové třídy a simulovaní vrstevníci vytvářejí rozmanitou dynamiku interakce (diskurz mezi vrstevníky, konstruktivní nesouhlas, hraní rolí), kterou jednoagentní systémy nedokážou, a podporují kolaborativní učení, sokratovské dotazování a simulaci.
  • Produktivní tření. Agenti navržení tak, aby zpochybňovali, a ne aby souhlasili, mohou studenty tlačit k hlubšímu přehodnocení. Výzkum adversariálních designových agentů ukazuje, že agenti konstruktivního konfliktu vyvolali významně více iterací návrhu, širší zkoumání a výše hodnocené finální návrhy (N=48), což je forma žádoucí obtížnosti.
  • Škálovatelné procvičování a simulace. Simulace založené na agentech (simulovaní studenti, klinické scénáře) umožňují studentům procvičovat v nízkorizikovém prostředí před aplikací v reálném světě, jako v klinické simulaci a u simulovaných studentů.
  • Scaffolding informovaný důkazy. Dobře zakotvení agenti dokážou ve svých interakcích uplatnit teorii učení a známou pedagogiku a benchmarky ukazují, že teoreticky zakotvení agenti překonávají surové promptování.

Užší, vyučujícími vytvářená třída agentů dostává svébytný argument v návrhu třetího prostoru El Khouryho a Ma: vlastní GPT, Gems a agenti v Copilot Studio navržení vyučujícími pro konkrétní pedagogický účel a výslovně nikoli autonomní systémy. Jejich deklarovanou hodnotou je prostor pro zkoušení s nízkými sázkami: simulátor ústní zkoušky, simulace klinické komunikace, avatar pro výslovnost v ESL, kde studenti procvičují před hodnocením, zatímco hodnotící role vyučujícího zůstává nedotčena a agent stojí mimo sociální hierarchie, v nichž se studenti pohybují s vrstevníky a vyučujícími. Stojí za zmínku dvě hranice: autoři záměrně vylučují známkování založené na agentech ze svého záběru a tvrdí, že hodnocení musí zůstat relační, protože roli vyučujícího nelze nahradit strojem, i když ji lze pečlivým návrhem rozšířit a učinit udržitelnější.

Negativní důsledky a rizika AI agentů pro vzdělávání

Stejná autonomie, která umožňuje tyto přínosy, vytváří i významná rizika:

  • Eroze agenturnosti studenta a kognitivního úsilí. Čím více agent automatizuje, tím méně kognitivní práce student vykoná. Proaktivní agenti, kteří iniciují, plánují a dokončují úkoly, mohou studenty nechat jako pasivní konzumenty a vyhloubit namáhavé procesy (psaní, vybavování, revidování), které budují trvalé učení. To je jádro obav z nadměrné závislosti a o agenturnost. Efekt je měřitelný: v syntéze Baradzieje (2026) si pasivní studenti v prostředích agentního doučování vedli o 8,7 % hůře než studenti aktivního učení, což je důkaz, že újma sleduje design nasazení (nechat agenta dělat kognitivní práci) více než technologii samotnou.
  • Přehnaná automatizace procesu učení. Pokud agent optimalizuje dokončení úkolu, a ne učení, může produkovat „odpovědi", které obcházejí porozumění, což je právě riziko, před nímž varuje rámec nezávislý na nástroji, kde artefakt už studenta necertifikuje.
  • Snížená metakognitivní a seberegulační angažovanost. Když agenti zajišťují plánování a monitorování, studenti nemusí rozvinout metakognici a seberegulaci, které má vzdělávání budovat. Agenti musí být navrženi tak, aby tyto procesy vyvolávali, ne nahrazovali.
  • Špatně umístěná důvěra a mezery v ověřování. Autonomní agenti mohou produkovat věrohodný, ale nevalidovaný výstup; studenti i učitelé mu mohou příliš důvěřovat. Potřeba robustního ověřování a gramotnosti v oblasti AI roste, jak agenti přebírají více autonomie.
  • Neprůhlednost, koordinace a odpovědnost. Víceagentní systémy komplikují lidský dohled: který agent odpovídá za chybu a kde zasahuje člověk? Selhání koordinace, posuny person a emergentní chování mohou podkopat spolehlivost a pedagogickou bezpečnost.
  • Zaujatost a rovnost. Agenti trénovaní na datech, která kódují zaujatost, ji mohou reprodukovat v měřítku a nerovný přístup ke schopným agentním systémům může rozšířit vzdělávací nerovnost. Zaujatost působí na více úrovních (trénovací data, architektura, hodnoticí kritéria a testované populace), a proto vyžaduje institucionální zmírňování (audity zaujatosti, rozmanité datové sady, transparentní dokumentace, zapojení zúčastněných stran), ne jednorázové kontroly. Jemnou, kulturně specifickou formou je epistemická hegemonie: protože většina agentních systémů je trénována na anglicky psaných, západních datech, vkládají určité předpoklady o vědění, argumentaci a akademickém registru. Syntetické důkazy dokumentují nástroje pro jazykové vzdělávání, které marginalizují nezápadní rétorické tradice a penalizují jazykové rysy neanglických akademických kultur, a analýzy globálního Jihu ukazují, že agentní pedagogiky reprodukují nerovnost, když ignorují epistemologickou rozmanitost a omezení infrastruktury.
  • Integrita hodnocení a úpadek dovedností. Když agenti dokážou generovat práci na požádání, hodnocení skutečného učení se stává obtížnějším a nadměrná závislost může erodovat základní dovednosti, což je problém „dluhu porozumění" a certifikace, na nějž obor upozorňuje.
  • Studenti duchové a mezera v ověřování. Bozkurt, Crompton & Fell Kurban (2026) popisují „studenta ducha": digitální zástupce vytvořený propojením LLM („mysl") s agentními prohlížeči AI („tělo"), který dokáže procházet systémy řízení učení, pracovat s obsahem a dokončovat hodnocení s napodobením člověka, čímž činí přítomnost skutečného studenta volitelnou. To vytváří mezeru v ověřování, kterou tradiční nástroje dohledu a detekce nedokážou strukturálně uzavřít, a hromadí kognitivní dluh u studenta, který je obejit. Jak se AI posouvá od generativní k agentní, tato hrozba pro integritu a ověřování roste, což je riziko specifické pro agentní systémy nad rámec jednokolové generativní AI.

AI agenti a akademická integrita

Agentní AI představuje svébytné hrozby pro integritu, které přesahují případy jednokolové generativní AI, s nimiž se obor již potýká. Protože agenti jednají autonomně v dlouhých horizontech a protože „studenti duchové" (LLM „mysli" propojené s agentními prohlížeči jako „těly") dokážou procházet systémy řízení učení, pracovat s obsahem a dokončovat hodnocení s napodobením člověka, činí skutečnou přítomnost studenta volitelnou a vytvářejí mezeru v ověřování, kterou dohled a detekce nedokážou uzavřít. Z toho plyne několik důsledků pro integritu:

  • Artefakt už studenta necertifikuje. Když agent dokáže vygenerovat, naplánovat a vykonat celé odevzdání, kvalita produktu odráží schopnost agenta, ne studenta. To je problém certifikace nezávislé na nástroji v jeho extrémní podobě: tradiční hodnocení typu „odevzdejte práci" ztrácí svou důkazní hodnotu.
  • Ověřování, ne detekce, je jediná životaschopná odpověď. Represivní dohled založený na detekci strukturálně nedokáže držet krok s autonomními agenty. Otázka integrity se posouvá od „dokážeme chytit AI agenty?" k „dokážeme ověřit, co student skutečně umí?", což upřednostňuje hodnocení založené na procesu, interaktivní ověřování a ověřování s člověkem v kruhu.
  • Agentní dokončení hodnocené práce je nyní doloženo a je to selhání validity, ne jen integrity. Hadjisolomou & El-Haddad (2026) dokumentovali agenty (Claude for Chrome, Perplexity Comet, Claude Opus), kteří se přihlásili do živého kurzu v LMS pro vysokoškolské studenty a dokončili skutečnou hodnocenou práci z jediné instrukce: kvíz o 10 otázkách získal 10/10 za méně než 5 minut a příspěvek do diskuse, v němž agent po vytěžení příspěvků vrstevníků zfabrikoval věrohodný osobní příběh. Při aplikaci Kaneova argumentačního rámce validity stavějí na základ inferenčního skórování „předpoklad lidské produkce": agentní dokončení mu odebírá oporu, takže každé nesledované asynchronní skóre, včetně poctivě získaného, ztrácí interpretační podporu, protože autorství je neověřitelné. Rámování problému jako validity, a ne integrity, záleží proto, že instituce může potrestat pochybení a přesto postrádat podklady pro skóre, která vykazuje, a protože tytéž artefakty vstupují do řetězců důkazů pro programové přezkumy a akreditaci. Jejich náprava, sladěná s tímto „ověřováním před detekcí", je přepracování hodnocení pro ověřenou lidskou přítomnost (přítomnost před produktem, integrace před izolací, autenticita před generičností, procvičování s nízkými sázkami a přítomnost u vysokých sázek) s menu ověřených okamžiků, které zachovává rovnost.
  • Odpovědnost je rozptýlená. Ve víceagentních systémech není při problematickém výstupu autonomního agenta jasné, kdo odpovídá: student, systém, nebo instituce. To rozmazává připsání, které procesy akademické integrity předpokládají.
  • Kognitivní dluh se hromadí tiše. Studenti duchové nechávají studenty obcházet namáhavé procesy, které budují porozumění, a hromadí kognitivní dluh, který se projeví až tehdy, když je vyžadován samostatný výkon. Integrita je tak svázána se skutečným učením, ne jen s dodržováním pravidel.
  • Rozšiřuje mezery v rovnosti. Studenti s přístupem ke schopnějším agentním systémům získávají nepřiměřenou výhodu a automatizovaná podpora může erodovat pomoc těm, kdo ji potřebují nejvíc, což je rovnostní dimenze integrity.

Tím se diskuse o agentní AI pojí s pokrytím akademické integrity ve znalostní bázi, která rámuje odpověď jako přepracování hodnocení a gramotnost v oblasti AI, a ne jen detekci.

Produktivní tření a sociální interakce

Ne každé agentní chování musí být hladká pomoc. Výzkum adversariálních designových agentů ukazuje, že agenti uplatňující konstruktivní konflikt vyvolali u začínajících designérů interakce (N=48) významně více iterací návrhu, širší zkoumání alternativ a výše hodnocené finální návrhy, což je dynamika produktivního tření, v níž byl konfliktní agent frustrující, ale nakonec užitečný. To se pojí se sokratovským dotazováním a designovým myšlením a ilustruje, jak agentní AI může podporovat hluboké přehodnocení, a ne pasivní přijetí.

Studie toho, jak agentní AI dosahuje učebních výsledků psychologickými, a ne technologickými cestami, dodává chybějící úhel měření. Pramod a Patil (2026) dotazovali 398 studentů obchodu v Indii a modelovali autonomii, kompetenci a sounáležitost spolu s interaktivitou, sdílením informací a vnímanou sociální přítomností; autonomie byla nejsilnějším motivačním hnacím faktorem (β = 0,504) a interaktivita nejsilnějším sociálním (0,468), přičemž motivace a sociální přítomnost živily angažovanost téměř stejnou silou (0,533 a 0,493), než angažovanost předpověděla vnímaný učební výkon (0,671). Designové poučení je, že sociální cesta není automatická: konstrukt kolaborativního prostředí posunul vnímanou sociální přítomnost méně než pouhá responzivita a sdílení informací, takže zacházení s agentem jako s chatovacím rozhraním, a ne jako s účastníkem, nechává většinu této cesty nevyužitou.

Důsledky pro vyučující a návrháře výuky

Pro učitele, akademické pracovníky a návrháře výuky agentní AI mění jak to, co je možné, tak to, před čím je třeba se mít na pozoru:

  • Přesuňte úsilí na hodnotnější práci. Agenti mohou převzít plánování lekcí, generování a validaci otázek, třídění zpětné vazby a vyhledávání zdrojů. Vyučující by s nimi měli zacházet jako s automatizovatelnými scaffoldy, které uvolňují čas pro to, co agenti nedokážou: relační výuku, kontextový úsudek a návrh učebních zkušeností. Pracovní postupy s více agenty pro učitele jsou slibným modelem.
  • Udržte kognitivní práci studenta v centru. Ústřední designová otázka není „co dokáže agent?", ale „co musí udělat student?". Návrháři výuky by měli agentní systémy konfigurovat tak, aby poskytovaly scaffolding, a ne nahrazovaly plánování, monitorování a úsilí studenta, s využitím dynamického scaffoldu a záměrného tření k ochraně agenturnosti a vyhnutí se nadměrné závislosti.
  • Navrhujte pro ověřování a proces, ne jen pro výstup. Když agenti dokážou generovat práci na požádání, artefakt už učení necertifikuje. Vyučující by měli agentní nástroje párovat s hodnocením založeným na procesu (ústní obhajoba, úkoly nezávislé na nástroji, ověřovací kontroly), aby se měřilo porozumění, a ne jen produkce.
  • Vyberte agenty a zakotvěte je v pedagogice. Důkazy z benchmarků ukazují, že teoreticky zakotvení agenti překonávají surové promptování. Návrháři by měli chování agenta zakotvit v etablovaných výukových rámcích (např. postupné uvolňování odpovědnosti, sokratovské dotazování, teorie učení), místo aby se uchylovali k obecnému řetězení nástrojů.
  • Zachovejte lidský dohled a úsudek. Víceagentní a autonomní systémy činí design s člověkem v kruhu nezbytným: rozhodněte, kde člověk zasahuje, kdo odpovídá a jak jsou chyby zachyceny. Adversariální testování pomáhá odhalit režimy selhání před nasazením.
  • Budujte gramotnost v oblasti AI u vyučujících. Učitelé a návrháři potřebují přesné mentální modely agentní AI, aby tyto systémy dokázali konfigurovat, monitorovat a kritizovat a aby modelovali odpovědné používání pro studenty. To se pojí s kompetencí pedagogů v oblasti AI a s vzdělávacím rozvojem.
  • Sledujte rovnost. Agentní nástroje riskují rozšíření mezer, pokud je přístup nerovný nebo pokud automatizace eroduje podporu pro studenty, kteří ji potřebují nejvíc; navrhujte s ohledem na rovnost.
  • Postavte institucionální scaffolding dřív než rozšíříte měřítko. Otázka nasazení není jen na úrovni designu, ale i instituce. Syntéza Baradzieje (2026) zhutňuje důkazy o řízení do tří pilířů: rozvíjet gramotnost v oblasti AI u studentů i zaměstnanců; vybudovat etickou infrastrukturu (politiky ochrany dat, rámce algoritmické odpovědnosti a akademické integrity) před nasazením ve velkém měřítku; a poskytovat kompetenčně založené vzdělávání pedagogů, které přesahuje seznámení s nástrojem k pedagogickým rámcům zachovávajícím lidskou agenturnost. Vzhledem k tomu, že v některých národních kontextech uvádí přímé používání AI jen asi 6,5 % akademických pracovníků, je mezera ve vzdělávání limitující podmínkou odpovědného přijetí.

Techniky pro zajištění akademické integrity s agentní AI

Protože autonomní agenti činí detekci marnou, měli by se vyučující soustředit na techniky, které ověřují učení a zviditelňují poctivou práci, a ne na represivní dohled:

  • Upřednostněte ověřování před detekcí. Nahraďte nebo doplňte „odevzdejte práci" interakcemi, které vyžadují, aby student prokázal porozumění, jež nemůže outsourcovat: ústní obhajoby, úkoly nezávislé na nástroji, živé řešení problémů a hodnocení založené na procesu. Cílem je zjistit, co student umí samostatně, ne chytit agenta.
  • Používejte interaktivní a stupňovité hodnocení. Vyžadujte stupňovitá odevzdání (návrhy, revize, reflexe) a navazující konverzační kontroly, které zkoumají, zda studenti rozumějí své odevzdané práci: přístupy „AI Viva" a kognitivního správcovství. Studenti duchové nedokážou udržet živý výslech, který neabsolvovali.
  • Stanovte jasná očekávání odvozená z účelu. Zakotvěte očekávání integrity v účelu kurzu (jaké používání AI je povoleno, kdy a proč), a ne v abstraktních pravidlech. Jasnost politiky sladěná s pedagogikou snižuje nejednoznačnost, kterou studenti využívají, i chybná posouzení dokumentovaná ve výzkumu integrity.
  • Učiňte používání AI viditelným a deklarovaným. Strukturovaná prohlášení o používání AI specifická pro úkol (mapování použití na kognitivní fáze) vynucují reflexi a normalizují poctivé zveřejnění, čímž posouvají kulturu od skrývání k transparentnosti.
  • Budujte gramotnost v oblasti AI jako vzdělávání v integritě. Učte studenty používat agenty odpovědně a kriticky posuzovat výstup a rámcujte integritu jako skutečné učení, a ne dodržování pravidel. To zahrnuje gramotnost v oblasti AI, porozumění tomu, co agenti umí a neumí, a náklad učení plynoucí z obcházení úsilí.
  • Udržujte člověka v kruhu. Zachovejte lidský dohled nad rozhodnutími o hodnocení, interaktivně ověřujte odevzdání s vysokými sázkami a navrhujte agentní nástroje tak, aby vyučující mohl vždy zasáhnout.
  • Uzavřete mezeru v ověřování interakcí. Pro plně online nebo asynchronní kontexty používejte sledované nebo interaktivní komponenty vyžadující živou přítomnost a řešte hrozbu studenta ducha přímo, místo abyste předpokládali, že ji detekce zachytí.

Vyvážený závěr

Agentní AI není ani všelék, ani nevyhnutelná újma: její hodnota závisí na návrhu. Použita k podpoře agenturnosti studenta, zakotvená v pedagogice a s člověkem v kruhu, může personalizovat a prohlubovat učení; použita k maximalizaci automatizace a dokončení úkolů, může erodovat právě to úsilí, které učení produkuje. Opakujícím se designovým principem je záměrnost: explicitně rozhodnout, co dělá agent a co záměrně nechává na studentovi.

Časté mylné představy

„Každý chatbot propojený s nástroji je agentní systém." Rozlišení se vede podle struktury schopností, ne podle přístupu k nástrojům: systém se počítá jako agentní jen tehdy, splňuje-li kritéria, jako je plánování, paměť, autonomie a jednání orientované na cíl napříč kroky. Nástroj reagující na prompt, který umí zavolat kalkulačku, zůstává konverzační. Rozlišení záleží proto, že rizika i metody hodnocení se liší: autonomní vícekrokové jednání přináší režimy selhání, které jediná výměna nemá.

„To, co činí agentní systémy ve vzdělávání funkčními, jsou lepší základní modely." Ve studii, kterou tato stránka cituje, se zlepšené chování v konzultaci (71,8 % proti srovnávané variantě) přičítá specializaci rolí, a ne surové schopnosti modelu. Architektura a dělba práce mezi agenty jsou designová rozhodnutí s měřitelnými účinky, což znamená, že silnější model vložený do nespecializované pipeline výsledek nezopakuje.

„Agentní systémy ve vzdělávání jsou pedagogicky zakotvené, protože je stavějí výzkumníci vzdělávání." Důkazy říkají opak: scoping review zjistil, že jen 29 % studií agentní AI (138 ze 474) explicitně zakotvilo své systémy ve vzdělávací teorii. Oborová propast mezi technicky a pedagogicky orientovanou prací je stavem oboru, ne opomenutím jednotlivého autora, takže funkční demo je očekávaný výstup a demo, které funguje pro učení, je menšinovým případem.

„Agent, který personalizuje a prohlubuje učení, je čistým ziskem oproti chatbotovi." Nese s sebou konkrétní výměnu: agentní systémy ohrožují agenturnost a zvou odklánění kognitivního úsilí, na němž učení závisí, a tím, že dělají více kroků bez dohledu, činí toto odklánění hůře postřehnutelným. Napětí mezi automatizací a učením je ústředním analytickým problémem této kategorie, nikoli dodatkem připojeným k jejím přínosům.

Související koncepty

Související články

Související FAQ

Související zdroje

  • DeepTutor
    The open-source release of the DeepTutor agentic tutoring framework: one workspace for tutoring, question generation, mastery practice, research and visualization, with inspectable learner memory.

Metadata

OborStem Education
ÚroveňHigher Ed, K 12
Cílová skupinaLearners
Učení a výukaScaffolding
Technologie a technikyGenerative AI, Human-in-the-Loop, Intelligent Tutoring, Large Language Models (LLMs)
Základy AI ve vzděláváníLearner Agency, Agentní AI, Gramotnost v oblasti AI, Kognitivní odklánění
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.