Umělá inteligence ve vzdělávání

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

AI ve vzdělávání (AIED) — široké, interdisciplinární obor, který aplikuje umělou inteligenci na výuku a učení a zkoumá její návrh, používání, hodnocení a důsledky. Jako zastřešující koncept znalostní báze zahrnuje AI ve vzdělávání AI pro vzdělávání (využití AI ke zlepšení výuky a hodnocení) a vzdělávání o AI (budování gramotnosti v oblasti AI a kritického porozumění). Leží na pomezí instruční technologie, věd o učení — empirického výzkumného oboru, který se ptá, zda se změnil žák, a nikoli jen zda fungoval nástroj —, informatiky, vzdělávací politiky, etiky a rovnosti. Tato stránka je úvod do oboru a mapa ke každému konceptu, který znalostní báze pokrývá.

Otázky k zamyšlení

• „AI ve vzdělávání" zahrnuje dva směry: AI pro vzdělávání (využití AI ke zlepšení výuky) a vzdělávání o AI (budování gramotnosti a kritického porozumění). Který z nich je vám bližší a který máte sklon přehlížet?
• Dějiny oboru jsou pojímány jako opakující se napětí mezi kontrolou a svobodou žáka. Když sledujete zavádění AI nástrojů, kde toto napětí dnes znovu poznáváte?
• AI ve vzdělávání leží na pomezí technologií, věd o učení, politiky, etiky a rovnosti. Které z těchto čoek přirozeně použijete při hodnocení AI nástroje — a kterou pravděpodobně zapomenete?
• Tato znalostní báze člení obor na větve: pedagogiku, teorie učení, technologie, obory, hodnocení, zpětnou vazbu, zúčastněné strany a řízení. Kdybyste mapovali své vlastní používání AI, ve které větvi byste se ocitli vy?
• AIED zahrnuje výuku žáků v kritickém používání AI jako cíl samotný. Je ve vašem kontextu AI pokládáno spíše za předmět výuky, nebo za nástroj k použití — a odpovídá tato rovnováha tomu, co žáci skutečně potřebují?
• Žáci se mohou naučit gramotnost v oblasti AI kritickým používáním AI, nejen učením se o AI. Jak by praktické, kritické používání mohlo budovat porozumění, jakého pasivní výuka nedokáže?

Úvod

AI ve vzdělávání je zastřešující pojem, který společně definují všechny ostatní stránky konceptů. Znalostní báze člení obor na níže uvedené hlavní větve, z nichž každá odkazuje na příslušné stránky konceptů.

Průkopnická historická perspektiva Mishra et al. sleduje AIED od kybernetiky a Dartmouthské konference v roce 1956 přes kognitivní tutory a Papertův konstrukcionismus, přičemž dochází k závěru, že dnešní debaty o GenAI znovu odehrávají fundamentální napětí mezi kontrolou a agenturností.

Jak je znalostní báze organizována: zastřešující stránky

Pokrytí konceptů v znalostní bázi je zakotveno v několika zastřešujících stránkách, které sdružují související koncepty do navigovatelných větví. Jsou dobrými vstupními body k prozkoumání oboru:

• AI ve vzdělávání — tato stránka, přehled oboru a mapa celého pokrytí.
• Gramotnost v oblasti AI — zastřešující pojem pro porozumění, používání a kritické hodnocení AI, zahrnující prompt engineering, kritické myšlení, etiku AI a zodpovědné používání. Vedle toho spolupráce člověka a AI a agentní AI vymezují, jak lidé a AI pracují společně.
• Pedagogiky a strategie výuky — zastřešující pojem pro to, jak výuka probíhá: metody a strategie výuky, v jejichž rámci AI působí (aktivní, spoluprácí, projektová, problémová, zkušenostní, herní, sokratovská, scaffolding a další), včetně specifického kontextu online výuky a učení.
• Teorie učení — zastřešující pojem pro to, jak učení probíhá: teoretické rámce (behaviorismus, kognitivismus, konstruktivismus, sociokulturní, kognitivní, motivační), které formují návrh a hodnocení AI.
• Technologie — zastřešující pojem pro technickou vrstvu: AI systémy (velké jazykové modely, generativní AI, multimodální modely, robotiku) a techniky (retrieval-augmented generation, prompt engineering, zpětnovazebné učení, trénování modelů, agentní orchestraci), které pohánějí AIED. Rodina modelování žáka — trasování znalostí, kognitivní diagnóza, simulace žáků a systémy, které je spotřebovávají (inteligentní výuka, adaptivní učení, personalizované učení) — je seskupena pod zastřešujícím pojmem Modelování žáka a adaptivní výuka v rámci této technické větve.
• AI v jednotlivých oborech — zastřešující pojem pro to, jak je AI aplikována napříč předměty (matematika, fyzika, jazyky, informatika, psaní, STEM, inženýrství, podnikání, výuka učitelů, zdravotnické profese a další) — a za hranicemi akademických předmětů profesní a aplikovaná větev, která hodnotí prokázanou praxi spíše než správnost (ošetřovatelství, informační technologie, učení v oblasti odborné přípravy, designové vzdělávání) — a vzdělávací úrovně (K-12, vysokoškolské vzdělávání, učení dospělých).
• Hodnocení (s větvemi formativní, sumativní, autentické, ústní a automatizované) — zastřešující pojem pro to, jak AI jak hodnotí žáky, tak přetváří validitu a integritu hodnocení.
• Zpětná vazba — zastřešující pojem pro to, jak je zpětná vazba generována, předávána a využívána: zpětnovazební smyčka, kvalita zpětné vazby, gramotnost ve zpětné vazbě a její hodnoticí kontexty (formativní, vzájemná, automatizovaná).
• Zúčastněné strany v AI ve vzdělávání — zastřešující pojem pro to, kdo jsou aktéři: žáci, učitelé, autoři výukových návrhů, administrátoři a tvůrci politik.
• Hodnocení AI ve vzdělávání a výzkumné metody — zastřešující pojmy pro to, jak víme, zda AI funguje: studie efektivity, benchmarky, randomizované kontrolované studie, metaanalýza a zisky v učení jako klíčový výsledkový ukazatel. Čtenáři by měli také zvážit průřezové limity těchto důkazů.
• Řízení AI, vzdělávací politika v oblasti AI a rovnost — zastřešující pojmy pro institucionální, regulatorní a spravedlivou vrstvu (viz také regulace a soukromí).

Tyto zastřešující stránky jsou provázány v celém níže uvedeném textu; každá větev níže uvádí jak svůj zastřešující pojem, tak své dílčí koncepty.

Dvě dimenze AI ve vzdělávání

Výzkum AI ve vzdělávání pokrývá dva vzájemně propojené směry:

• AI pro vzdělávání — využití AI systémů k posílení výuky, učení, hodnocení a správy. Zahrnuje AI doučování, adaptivní učení, personalizované učení, automatizované bodování esejí, automatizované generování otázek, automatizované hodnocení, formativní hodnocení, learning analytics a zpětnovazební smyčky.
• Vzdělávání o AI — výuka žáků a pedagogů v porozumění, používání a kritickém hodnocení AI. Jádrem je gramotnost v oblasti AI, podpořená prompt engineeringem, kritickým myšlením, etikou AI, vzděláváním o řízení, digitální gramotností a zodpovědným používáním.

Tyto dvě dimenze nejsou oddělené: dobré používání AI vyžaduje její porozumění a výuka o AI je obohacena jejím používáním. Tato spolupráce člověka a AI je ústředním tématem.

Základy AI ve vzdělávání

Průřezové a fundamentální koncepty oboru kotví pokrytí znalostní báze a objevují se první v postranním panelu. Otevírají je skupina Základy — koncepty, od kterých by měl každý čtenář začít: samotný zastřešující pojem, mylné představy o AI, gramotnost v oblasti AI, agentní AI, kognitivní odklánění, jak je používání AI rámcováno pro žáky, omezování zneužívání AI, akademická integrita, výuka, návrh výuky a vzdělávací rozvoj. Větev oboru pak pokrývá dějiny oboru, průřezové limity důkazní základny, jeho filosofii, mapu teorií a rámců a rozvoj teorií. Průřezová témata — spolupráce člověka a AI, agenturnost žáka, identita žáka, designové myšlení, návrh kurikula, kritické myšlení a počítačové myšlení — protínají každou větev, protože nepřesné mentální modely, které lidé o AI mají, stojí výše než zneužívání a podkalibrovaná důvěra.

Výuka a instruování

Jak AI podporuje výuku a učení, je srdcem oboru. Klíčové koncepty zahrnují:

• Základní pedagogiky: pedagogiky a strategie výuky — zastřešující pojem pro pokrytí učebních metod v znalostní bázi — spolu s pedagogickými vzory (osvědčenými sekvencemi, do nichž se tyto metody ukotvují), aktivním učením, spoluprací, skupinovou prací, projektovým učením, problémovým učením, produktivním selháním, zkoumavým učením, zkušenostním učením, herním učením, učením učením ostatních, scaffoldingem, sokratovskou metodou, kritickou pedagogikou, pedagogickým partnerstvím, vyprávěním, návrhem výuky, online výukou a učením a videem ve vzdělávání.
• Teorie a procesy učení: zastřešující pojem teorie učení (behaviorismus, kognitivismus, konstruktivismus, sociokulturní, distribuovaná kognice, situované učení, vpojaté učení, komunita zkoumání stojí po boku žákově orientovaných procesů, jako jsou seberegulované učení, teorie sebeurčení, motivace, sebeúčinnost, seberegulované směřování učení, metakognice, žádoucí obtíže, transfer učení, předchozí znalosti, kognitivní angažovanost ICAP, refutační text, retrieval, rozložení a prokládání a teorie aktivity.
• Angažovanost a zkušenost žáka: angažovanost žáků, hledání pomoci, sociálně-emocionální učení, pohoda, kreativita, řešení problémů, osvojování zdatnosti a interakce žák–AI utvářejí, jak žáci AI skutečně vnímají a jak na ně působí, zatímco sociální normy, jež se kolem používání AI usazují, rozhodují o tom, jak otevřeně se o tom dá diskutovat. Za hranicemi kurzu podpora a úspěch žáků pokrývá institucionální práci — poradenství, oslovování, doporučování a přidělování vzácné podpory —, kde AI spolehlivě zvyšuje dokončování úkolů, ale nikoli vytrvání nebo absolvování.

Technologie a techniky

Stránka Technologie je zastřešujícím pojmem pro technickou vrstvu:

• Modely a techniky: generativní AI, velké jazykové modely, retrieval-augmented generation, multimodální modely, vzdělávací NLP, zpětnovazebné učení, znalostní grafy, roboti ve vzdělávání, konverzační AI, simulace a trénování a dolaďování LLM. Záleží i na podkladových metodách: strojové učení je to, kde se tyto systémy budují, řečové a hlasové technologie nesou mluvené doučování a jazykovou praxi, vizualizace pokrývá dashboardy a vizuální analytiku pro žáky a pedagogy, a virtuální a rozšířená realita hostí imerzivní praxi, jejíž vizuální vrstvu model nyní dokáže generovat. Sem patří i novější styly interakce — nejvýrazněji vibe coding, pracovní postup řízený přirozeným jazykem, v němž uživatel zadává program promptováním LLM a posuzuje výsledné chování, místo aby četl nebo upravoval zdrojový kód. To přebarvuje programování jako akt vyjádření a ověření a snižuje bariéru pro koncové uživatele stavějící vlastní nástroje. Rámce hloubky integrace, jako je SAMR, a teorie přijetí, jako je TAM, klasifikují, jak hluboko je AI přijímána a nakolik transformuje úkol.
• Modelování žáka a adaptivní systémy: technické systémy, které reprezentují žáka a adaptují se k němu, jsou seskupeny pod zastřešujícím pojmem Modelování žáka a adaptivní výuka — trasování znalostí, kognitivní diagnóza, simulace žáků, inteligentní výuka, adaptivní učení, personalizované učení, doporučovací systémy a studijní cesty, pedagogičtí agenti, afektivní doučování, afektivní počítačové zpracování, AI s člověkem v kruhu a learning analytics. Nacházejí se v technické vrstvě, protože jsou to samotné AI systémy, odlišné od pedagogik, které ztělesňují.

AI v jednotlivých oborech

AI je aplikována napříč obory a vzdělávacími úrovněmi. Přehled AIED v jednotlivých oborech v znalostní bázi mapuje pokrytí podle předmětu — po boku věd o učení, které nejsou vyučovaným předmětem, ale průřezovým výzkumným oborem, který studuje učení samotné a pokládá předmětovou látku za jednu proměnnou mezi ostatními:

• Předmětové oblasti: matematika, fyzika, chemie, biologie, informatika, inženýrství, STEM, psaní, jazyky, výuka angličtiny (EAP/EFL/ESL), přírodovědné vzdělávání, podnikání, ekonomie a management, humanitní a společenské vědy, umění, design a mediální vzdělávání, lékařské a zdravotnické profese, právnické vzdělávání a profesní a aplikované větve — ošetřovatelství, informační technologie, učení v oblasti odborné přípravy a designové vzdělávání.

Úrovně a kontexty

Stejný AI nástroj potkává velmi odlišná prostředí, a znalostní báze proto odděluje vzdělávací úroveň od pedagogiky, aby se poznatky tiše nepřenášely mezi nimi: K-12 školy, předškolní a základní vzdělávání, vysokoškolské vzdělávání, učení dospělých, učení v oblasti odborné přípravy, speciální vzdělávání a vzdělávání učitelů. K doméně přiléhavé koncepty protínající úrovně zahrnují univerzální design výuky, neurodiverzitu, vícejazyčné učení a sociálně-emocionální učení.

Hodnocení a měření

AI transformuje jak hodnotíme žáky, tak jak hodnotíme samotné AI systémy:

• Hodnocení a zpětná vazba: hodnocení, formativní hodnocení, sumativní hodnocení, autentické hodnocení, e-portfolio, zpětná vazba a gramotnost ve zpětné vazbě, kvalita AI zpětné vazby, vzájemné hodnocení, ústní hodnocení, automatizované hodnocení, automatizované bodování esejí a automatizované generování otázek. Protože model nyní dokáže na požádání vyrobit věrohodně vypadající hotovou práci, znalostní báze dostává do popředí schopnost, která zůstává žákovu vlastní: hodnotící úsudek, schopnost posuzovat kvalitu své vlastní práce, práce spolužáků a výstupu AI vůči odůvodněným kritériím. Jde o konstrukt, na nějž konverguje několik studií zpětné vazby a autentického hodnocení — hybridní podmínka zpětné vazby překonávající přímou AI zpětnou vazbu v mnohacentrovém experimentu, mezera v udržitelnosti AI formativní zpětné vazby a praktický krok k hodnocení rozhodnutí, jež žáci činí, nikoli jen artefaktu —, a je to klíčový důvod, proč se přepracování v éře AI posouvá od detekce směrem k úkolům, jejichž integrita přežije kontrolu. Skupinová práce je obdobně hodnocena podél procesu i produktu, kde týmy musí vyjednat, čí a jaký druh angažovanosti AI je přijatelný.
• Měření a validita: validita hodnocení, psychometricky informovaná AI, vzdělávací měření, teorie odpovědí na položky, sebeposuzovací měření (instrument za podstatnou částí těchto důkazů a opakující se limita), detekce AI, vzdálený dohled nad zkouškami a akademická integrita.

Výzkumné metody a evaluace

Jak víme, zda AI funguje, je vlastní větev, a znalostní báze ji jako takovou pojímá:

• Výzkumné metody: výzkumné metody v AIED jako zastřešující pojem, s kvalitativními, kvantitativními, smíšenými, designovými a usability přístupy, doplněnými randomizovanými kontrolovanými studiemi, metaanalýzou a systematickým přehledem a síťovou analýzou.

Výzkumná práce samotného oboru je nyní sama o sobě předmětem. AI podporovaný vzdělávací výzkum pokrývá AI používanou jako nástroj pro literární rešerši, screening, kvalitativní kódování, analýzu a psaní, včetně výzkumu praktiků, jako je stipendium výuky a učení. Zůstává odlišný od návrhů používaných ke studiu toho, co AI činí žákům.

• Evaluace AI systémů: hodnocení AI ve vzdělávání a benchmarky pro posuzování schopnosti systému, s zisky v učení jako výsledkem, na němž záleží, a s průřezovými limity těchto důkazů a způsoby čtení jediné studie jako varovným protiváhami.

Lidé

AI ve vzdělávání mění role všech zúčastněných stran. Stránka Zúčastněné strany v AI ve vzdělávání je zastřešujícím pojmem pokrývajícím je všechny:

• Žáci: zkušenost žáků, kariérní rozvoj a připravenost a úzkost a stres z AI utvářejí, jak studenti AI vnímají.
• Rodiny a komunity: rodiče a rodiny jsou obecenstvem, které školy o AI oslovují nejčastěji, a zároveň tím, za nímž stojí nejméně výzkumu v oblasti tohoto vedení, takže jejich obavy patří do obrazu zúčastněných stran, nikoli mimo něj.
• Pedagogové a rámce výuky: kompetence pedagogů v oblasti AI, technologické pedagogické obsahové znalosti (TPACK), SAMR a vzdělávací rozvoj řeší přípravu a podporu pedagogů.
• Tvůrci: vývojáři vzdělávacích technologií — návrháři produktů, softwaroví vývojáři, learning inženýři a analytici návrhů, kteří přeměňují schopnost modelu na něco, co instituce může zakoupit. Jsou odlišným obecenstvem od výše uvedených praktiků a administrátorů, a stojí mimo instituce, které jejich nástroje přijímají, což je důvod, proč se výchozí nastavení, codesign a údržba po ukončení financování objevují v této znalostní bázi jako pedagogické otázky, nikoli komerční.

Instituce a politika

Institucionální vrstva je místem, kde se rozhodnutí o AI skutečně činí a obhajují: administrátoři a institucionální lídři, vzdělávací politika v oblasti AI, řízení AI, management změny jako práce na tom, aby přijetí vydrželo, regulace AI a otázky zadávání veřejných zakázek a platforem, jež vyplývají z přijetí technologií, open source a edtech platforem, po boku profesního a celoživotního učení a profesního vzdělávání.

Rovnost, etika a zodpovědné používání

Spravedlnost, přístup a odpovědnost jsou pro AI ve vzdělávání ústřední:

• Rovnost a přístup: rovnost, diferenciální efekty napříč skupinami žáků (otázka, pro koho poznatek platí), digitální propast, zmírňování zaujatosti, kulturně relevantní pedagogika, vícejazyčné učení, inkluzivní učení, přístupnost, asistivní technologie, neurodiverzita, univerzální design výuky a studie globálního Jihu.
• Etika a odpovědnost: etika AI, zneužívání AI a újma na učení, právní otázky a rizika, zveřejňování používání AI, zábrany, soukromí, riziko halucinací, AI patolízalství, důvěra, kalibrace důvěry, omezování zneužívání AI, jak je používání AI rámcováno pro žáky, pedagogická bezpečnost, udržitelnost a kognitivní odklánění.

Systematický přehled etické literatury oboru (Agarwal et al. 2026, 25 článků) konsoliduje etiku AIED do šesti hlavních etických hodnot — nediskriminace, správa dat, lidský dohled, dobrá vůle, vysvětlitelnost a vzdělávací vhodnost — a mapuje etické normy na matici zúčastněných stran vůči hodnotám. Zjišťuje, že koncoví uživatelé jsou v etické literatuře z velké části pasivní (hlasy žáků jsou v podstatě nepřítomny), a vyzývá k integraci etiky do návrhu AIED a k většímu zaměření na vzdělávací (pedagogickou) dimenzi etiky AIED.

Emergentní a průřezová témata

Několik témat protíná celý obor:

• Důvěra a kritické používání: důvěra, kalibrace důvěry, AI patolízalství, kritické myšlení, kognitivní odklánění, kritická pedagogika a omezování zneužívání AI (viz také jak je používání AI rámcováno pro žáky). Jak se žáci a učitelé rozhodnou AI přijmout a spoléhat na ni, modeluje výzkum přijetí technologií, zatímco studie globálního Jihu dostávají do popředí rovnost a kulturní kontext přijetí. Empiricky to, jak se AI sama vysvětluje, tuto důvěru formuje: Feldman-Maggor et al. (2025) ukázali, že vysvětlitelná AI buduje důvěru učitelů v AI doporučení prostřednictvím srozumitelnosti, přičemž doménově řízená (kurikulárně jazyková) vysvětlení jsou důvěřována a přijímána více než výstup založený na datech a důležitosti příznaků.
• Vývoj oboru: znalostní báze sleduje AI ve vzdělávání od raných systémů inteligentní výuky a trasování znalostí přes LLM řízené doučování, agenty a agentní AI — rychlý posun od studií zaměřených na nástroje k sociotechnickým rámcům (designové myšlení, návrh kurikula, institucionální změna) a od ručně psaných systémů k uživatelsky řízeným pracovním postupům, v nichž žák nebo neprogramátor zadává chování v přirozeném jazyce (vibe coding). Rismanchian & Doroudi formalizují tuto trajektorii svým rámcem AI×Ed a sledují články napříč čtyřmi desetiletími sborníků, aby ukázali, že se obor posunul od rozmanité směsi — včetně podstatného výzkumu pokládajícího AI za analogii lidské inteligence a učení — směrem k téměř výlučnému zaměření na aplikovaná, dat řízená, výzkumníky orientovaná použití, obrat, který nástup LLM nyní zčásti zřejmě ruší (tři ze čtyř článků „AI jako analogie" na AIED 2024 byly založeny na LLM).
• Emoce, úzkost a kariérní budoucnost: AI indukuje a formuje emocionální reakce — úzkost a stres z AI zahrnující dohled při zkouškách, obavy z integrity a nahrazení v kariéře —, zatímco kariérní rozvoj a připravenost řeší, jak vzdělává žáky pro AI narušený trh práce (viz také pohoda).

Zralost oboru

Znalostní báze odráží obor v rychlém vývoji — od raných systémů inteligentní výuky přes LLM řízené doučování a agentní AI; od nástrojů zaměřených na detekci v oblasti akademické integrity k přepracování hodnocení; od studií zaměřených na nástroje k sociotechnickým a na rovnost zaměřeným rámcům. Důkazní základna stále více zdůrazňuje přísné výzkumné metody, evaluaci, experimentální návrhy a dlouhodobé výsledky.

Související témata

AI ve vzdělávání souvisí s každým konceptem v znalostní bázi — je to obor, který společně definují všechny ostatní stránky konceptů. Použijte tuto stránku jako výchozí bod k navigaci celou znalostní bází.

Související koncepty

• Pedagogical Patterns — Osvědčené sekvence, které operationalizují pedagogiky oboru
• Gramotnost v oblasti AI — zastřešující pojem: porozumění AI, její používání a hodnocení
• Human AI Collaboration — zastřešující pojem: jak lidé a AI pracují společně
• Pedagogies and Teaching Strategies — zastřešující pojem: metody a strategie výuky
• Learning Theories — zastřešující pojem: jak učení probíhá
• Technologies — zastřešující pojem: modely, techniky a systémy
• AIEd in the Disciplines — zastřešující pojem: AI napříč předměty a úrovněmi
• Assessment — zastřešující pojem: jak AI hodnotí žáky a přetváří validitu
• Feedback — zastřešující pojem: jak je zpětná vazba generována, předávána a využívána
• Stakeholders — zastřešující pojem: kdo jsou aktéři
• Learners — zastřešující pojem: koncepty na straně žáka (zkušenost, identita, agenturnost, interakce, modely žáka)
• AI Ed Evaluation — zastřešující pojem: jak víme, zda AI funguje
• Research Methods in AIED — zastřešující pojem: metody výzkumu efektivity
• AI-Assisted Educational Research — AI podporovaný vzdělávací výzkum
• AI Governance — zastřešující pojem: institucionální a regulatorní vrstva
• Educational AI Policy — zastřešující pojem: politika, vedení a implementace
• Equity — zastřešující pojem: spravedlnost, přístup a inkluze
• Learning Sciences — empirický obor za AIED
• Ethics — etické dimenze AI ve vzdělávání
• Misconceptions about AI — mentální modely, které lidé k AI přinášejí
• Interpreting and Applying AIEd Research — čtení studie a přenesení poznatku do praxe
• Limitations in AIEd Research — průřezové limity důkazní základny
• Meta-Analysis and Systematic Review — co stanovují přehledy a metaanalýzy
• History of AI in Education — jak se obor vyvíjel
• Philosophy of AI in Education — filozofické základy
• Theories and Frameworks — mapa uzlů teorií a rámců
• Theory Development in AI in Education — budování a revize teorií

Související články

Průřezové přehledy AI ve vzdělávání — studie, které mapují celý obor nebo celou vzdělávací úroveň, nikoli jedno téma:

• The Evolution of Research on AI and Education Across Four Decades: Insights from the AIxEd Framework — Vývoj výzkumu AI a vzdělávání napříč čtyřmi desetiletími (rámec AIxEd)
• Control vs. Agency: Exploring the History of AI in Education — Kontrola versus agenturnost: dějiny AI ve vzdělávání
• Generative AI in Higher Education: A Systematic Review of Opportunities, Challenges, and Pedagogical Innovations (2022–2025) — Generativní AI ve vysokoškolském vzdělávání: systematický přehled 125 studií
• The Evidence Base on AI in K-12: A 2026 Review — Důkazní základna o AI v K-12: přehled 818 článků
• Generative AI technologies and educational outcomes: a comprehensive meta-analysis comparing traditional and AI-driven approaches — Generativní AI a vzdělávací výsledky: komplexní metaanalýza