Gramotnost v oblasti AI

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

Gramotnost v oblasti AI — znalosti, dovednosti a kritické dispozice potřebné k porozumění, hodnocení a efektivnímu používání Technologies ve vzdělávacích kontextech. Gramotnost v oblasti AI zahrnuje základní porozumění toho, jak AI funguje, praktickou kompetenci v používání AI nástrojů, kritické hodnocení AI výstupů a etické povědomí o společenských důsledcích AI.

Otázky k zamyšlení

• Co znamená být „gramotný v oblasti AI"? Znamená to vědět, jak nástroje používat, rozumět tomu, jak fungují, nebo být schopen kriticky hodnotit jejich výstup — a co je nejdůležitější pro vaše vlastní cíle?
• Sebeposuzovaná gramotnost v oblasti AI se ostře rozchází se změřeným výkonem — učitelé své dovednosti přeceňují přibližně o 40 %. Nakolik důvěřujete vlastním AI dovednostem a jakým důkazům byste při skutečném ověření této důvěry věřili?
• Gramotnost v oblasti AI je popisována jako metakognitivní sociální praxe, nikoli kontrolní seznam dovedností. Protože jsou LLM probabilistické a neprůhledné, co znamená „kriticky hodnotit" výstup, když nemůžete nahlédnout dovnitř modelu?
• Existuje napětí mezi kritickým používáním pro akademické prostředí a gramotností integrovanou do pracovních postupů pro zaměstnání — pedagogové a zaměstnavatelé si cení jiných dovedností. Jaký druh gramotnosti v oblasti AI váš kontext skutečně vyučuje?
• Samotné technické školení v oblasti gramotnosti v AI, bez podpory sebeúčinnosti a seberegulace, může ve skutečnosti zvýšit závislost na AI. Jak by se vám učení používat AI mohlo stát spíše na ní závislým, než schopnějším?
• Gramotnost v oblasti AI je také rozpoznávací dovednost: postřehnout, kdy AI s vámi souhlasí, protože je patolízalská, a kdy proto, že máte pravdu. Chytili jste někdy AI, jak vám jen říká to, co jste chtěli slyšet?

Úvod

Gramotnost v oblasti AI se rychle etablovala jako klíčová kompetence žáků, pedagogů a institucí, jakmile se Generative AI začala vkládat do vzdělávání. Na rozdíl od obecné digitální gramotnosti vyžaduje gramotnost v oblasti AI porozumění probabilistickým systémům, které mohou halucinovat, projevovat zaujatost a přesouvat Learner Agency od člověka k mašině — čímž se Critical Thinking a přehnané spoléhání na ni stávají ústředními pro tento konstrukt.

Dimenze gramotnosti v oblasti AI

Výzkum gramotnosti v oblasti AI v této znalostní bázi pokrývá čtyři vzájemně propojené dimenze:

Rámce stále více sledují, jak jsou tyto dimenze uskutečňovány v praxi: Dai & Chan (2026) ukazují, jak postgraduální výzkumníci uskutečňují všechny čtyři dimenze při používání Generative AI napříč výzkumným pracovním postupem, a odvozují z nich metodická doporučení pro odpovědné používání specifická pro výzkum, zatímco Şan & Orhan Karsak (2026) pomocí mapování slovních asociací ukazují, že AI kognice tureckých vysokoškolských studentů je instrumentálně dominována „černou skříňkou", přičemž koncepty etického řízení jsou strukturálně izolované (τ=−0.819) — důkaz, že návrh certifikace musí záměrně propojit zkušenostní používání nástrojů s etickými rámci.

Poptávka závisí na tom, co student a systém společně dělají. Rámce gramotnosti obvykle popisují jednu obecnou sadu kompetencí, ale to, co činnost podporovaná GenAI skutečně vyžaduje, se liší podle toho, jak je v ní distribuována epistemická práce. Sun, Dohn a Rehm (2026) klasifikovali 102 empirických studií vysokoškolského vzdělávání proti Strobelově taxonomii aplikací GenAI a zjistili, že entanglementy typu Assistant a Enabler dominují, každý se 42,16 % korpusu, zatímco Generator, Reimaginator a Synthesizer dohromady tvořily méně než pětinu — sklon, který přisuzují institucionální legitimaci spíše než schopnosti modelu, neboť stejné modely podporují všech pět. Čtení každého typu přes Dohhnovy tři úrovně kontextu (doménově vnitřní, činnostně vnitřní, činnostně rámující) ukazuje, že poptávka soudržně konverguje pro práci Assistant a fragmentuje pro okrajové typy, kde se to, co činnost od studentů požaduje, rozchází s tím, co instituce pokládá za legitimní kompetenci. Jejich závěr posouvá gramotnost zcela pryč od plynulosti v nástrojích: gramotnost v oblasti GenAI je schopnost rozpoznat, jak jsou v daném entanglementu distribuovány epistemická práce a odpovědnost, a vhodně v něm jednat.

Základní znalosti: Pochopení toho, co LLM jsou, jak se liší od systémů založených na pravidlech, a jaké jsou jejich fundamentální limity. Zahrnuje povědomí o schopnostech modelu, zaujatostech trénovacích dat a rozdílu mezi AI specifickou pro úkol a modely pro obecné účely. Výzkum v oblasti Prompt Engineering zkoumá, jak porozumění mechanismům promptů ovlivňuje efektivní používání AI.

Praktická kompetence: Schopnost efektivně používat AI nástroje — od Prompt Engineering po interpretaci výstupů. Studie vzorců používání GenAI studenty ukazují, že pouhý přístup k nástrojům nevytváří kompetenci; strukturovaná praxe a Scaffolding jsou nezbytné. Rámec vibe codingu ukazuje, jak mohou učitelé K-12 rozvíjet praktickou gramotnost v oblasti AI prostřednictvím řízené tvorby nástrojů. Miles, Haber-Curran a Arar (2026) argumentují, že tato dimenze má část, které školení optimalizace nerozumí: gramotnost v promptování, na rozdíl od prompt engineeringu, pokládá promptování za rétorický a etický akt, takže instrukce, které pouze ladí výstupy pro lepší výkon, nechávají etické a epistemologické dimenze používání LLM nedotčené.

Kritické hodnocení: Schopnost posuzovat výstupy AI z hlediska přesnosti, zaujatosti a vhodnosti. Výzkum hodnocení gramotnosti ukazuje 40% propast mezi sebeposuzovanou a na výkonu založenou gramotností v oblasti AI — lidé systematicky přeceňují své hodnoticí dovednosti. Toto rozkol je nejzřejmějším případem v znalostní bázi, kdy sebeposuzovací měření nedokáže sledovat kompetenci, kterou pojmenovává. To souvisí s výzkumem přehnaného spoléhání, který ukazuje, že studenti, kteří nekriticky Trust AI, se učí méně. Nedávná konceptuální práce posouvá hodnocení směrem k verifikaci: rámec PEARLS (Wang) pokládá výstup AI za prozatímní znalostní tvrzení, jehož odůvodnění musí být sestaveno a přezkoumáno napříec šesti dimenzemi (Process, Evidence, Access, Reproducibility, Legitimacy, Source), a prosazuje učení řízené verifikací jako mechanismus, jímž žáci budují odbornost při kontrole tvrzení AI. Toto doplňuje rámec odpovědného používání zaměřený na studenta (Alsammani), který nabízí deset doporučení pro žáky napříec pilíři Learning and Growth, Ethics and Integrity a Awareness and Safety, jež externalizují metakognitivní výzvy v bodě rozhodnutí. Pro žáky středoškolského věku rámec AI-Assisted Research Competency (AARC) (Beau, Flaquière & Lazar 2026) zakotvuje toto ve ctnostní epistemologii a AI intuici a definuje výzkumnou gramotnost jako provádění bádání s AI bez vzdání se autorství, úsudku, verifikace a odpovědnosti — operationalizované jako analytický rubriku a rituál závazku verify–cite–reflect. Na konci hodnocení Saleh (2026) navrhuje test lidské schopnosti, který mění hodnocení v designový princip: ptát se, co musí student být schopen demonstrovat, co AI nedokáže — nebo jinými slovy, zda student úkol zvládne vůbec bez AI. Argumentuje, že hodnocení by mělo být navrženo kolem tohoto testu, nikoli kolem kontrolního seznamu dovedností sousedících s AI.

Disciplinární verifikace zvedá laťku ještě výše. Vega-Baudrit a Rivera Alvarez (2026) argumentují, že v univerzitní chemii je klíčovou poptávkou gramotnosti v oblasti AI reprezentační překlad napříec Johnstoneovými makroskopickou, submikroskopickou a symbolickou doménou, protože výstup může být v jedné doméně lokálně přesvědčivý, zatímco v jiné odporuje vyvážení nábojů, mechanismu nebo bezpečnostní hranici. Jejich nápravou je na verifikaci centrovaná integrace: udělat verifikaci hodnocenou činností, uchovávat protokoly promptů a historie revizí jako stopy uvažování a pokládat promptování za epistemický akt, který specifikuje omezení, předpoklady a kritéria přiměřenosti, přičemž studenti identifikují falešný předpoklad nebo odůvodní odmítnutí vygenerované odpovědi.

Etické a institucionální povědomí: Pochopení širších důsledků AI — od Academic Integrity po Equity a Privacy. Gramotnost v oblasti AI na institucionální úrovni zahrnuje rozvoj politik, Educational Development a rámce řízení — institucionální gramotnost v oblasti AI je otázkou politiky stejně jako pedagogiky. Rámec EPIQ-AI vymezuje institucionální gramotnost v oblasti AI jako výzvu sociotechnického sladění, nikoli jen individuálního školení.

• Gramotnost v oblasti AI jako kapacita řízení pro udržitelný rozvoj. Islam, Morshed a Islam (2026) rekonceptualizují gramotnost v oblasti AI jako kapacitu orientovanou na řízení, spíše než čistě vzdělávací nebo technickou dovednost, a spojují ji se všemi sedmnácti Cíli udržitelného rozvoje OSN. Jejich šestiúrovňová taxonomie AIRE (Recognize → Comprehend → Apply → Analyze → Integrate → Govern) rozšiřuje Bloomovu hierarchii o etickou syntézu a strategickou předvídavost a pokládá pokročilé kompetence (Analyze–Govern) za cestu od základní gramotnosti k řízení na institucionální a politické úrovni — heuristiku „18. SDG", která pokládá gramotnost za průřezový kognitivní a etický most. Průzkum 300 profesionálů v národním kontextu nalezl silné technické povědomí, ale omezenou etickou a řídicí připravenost, přičemž etické uvažování a reflexivní myšlení byly nejsilnějšími prediktory udržitelného, důvěryhodného používání AI a gramotnost v řízení byla nejsilnějším prediktorem povědomí o vazbě AI–SDG (β = 0,64). To empiricky zakotvuje důraz této znalostní báze na gramotnost v kritickém používání a váže gramotnost v oblasti AI přímo k udržitelnosti a integraci politiky.

Nabídka rámců je nyní sama o sobě problém. Fitsilis (2026) porovnal 16 institucionálně schválených rámců AI kompetencí pro vzdělávání a rozvoj pracovní síly a nalezl sdílené jádro deseti oblastí kompetencí, ale širokou variabilitu ve struktuře, postupu a vodítku implementace — praktická obtíž je vybrat si mezi nimi, nikoli jejich nedostatek.

Jak se gramotnost v oblasti AI rozvíjí

Výzkum ukazuje na spoluprácivé a aktivní přístupy jako nejúčinnější. Rismanchian & Doroudi pokládají gramotnost v oblasti AI za víc než aplikovanou dovednost: ve svém rámci AI×Ed je žák odlišným koncovým uživatelem AI (přístupným přes gramotnost v oblasti AI a vzdělávání o AI) a obhajují obnovení práce na gramotnosti v oblasti AI, která povzbuzuje reflexi samotného učení — pokládání gramotnosti za cestu zpět k výzkumu „AI jako analogie lidské inteligence" o tom, jak se lidé učí, větve, kterou obor z velké části opustil. ICAP Framework (Interactive → Constructive → Active → Passive) poskytuje užitečnou taxonomii kognitivního angažovanosti: žáci se učí gramotnost v oblasti AI nejlépe, když znalosti společně konstruují, nikoli je pasivně přijímají. Návrháři by měli vybírat režim odpovídající vzdělávacímu cíli a tam, kde je to možné, upřednostňovat hlubší (konstruktivní a interaktivní) režimy. Praktické činnosti — navrhování promptů, hodnocení výstupů ve skupinách, debatování o etice AI — překonávají přednášky.

Kompozice vychází ze živé zkušenosti — ale hloubka konceptů potřebuje scaffolding. Burriss et al. (2026) zjistili, že mládež zakotvovala abstraktní principy AI etiky v systémech, s nimiž se denně setkávají — elektronických „propustkách", školou regulovaných noteboocích, detektorech plagiátů —, přičemž jedna skupina vysvětlovala, že AI ve školách „byla osobní pro všechny členy skupiny", a 15 z 18 odpovědí koncového průzkumu uvedlo, že vytvoření videa změnilo jejich porozumění etice AI. Autoři jsou explicitní ohledně limitu: kompozice sama o sobě nezaručovala konceptuální zakotvení — „informovaný souhlas" bylo přeloženo jako „Musíme to schválit" a některé termíny (např. „failsafe") nebyly nikdy vysvětleny, což je přimělo plánovat hlubší konceptuální práci v pozdějších iteracích. Kreativní produkce rozvíjí gramotnost v oblasti AI nejlépe, když je tvorbu doprovází explicitní konceptuální Scaffolding, spíše než by se předpokládalo, že z ní vznikne sama.

AI intuice jako zkušenostní doplněk gramotnosti. Opakující se mezera je, že rámce K-12 předpokládají, že žáci přistupují k AI skrze deklarativní, na pravidlech založené znalosti, když v praxi nejprve rozvíjejí praktický „cit" pro to, jak AI reaguje — experimentování s prompty, pozorování chování, přizpůsobování strategií —, než dokáží formulovat formální principy. Beau & Lazar (2026) formalizují toto jako AI intuici: zkušenostní, induktivní, často tací porozumění, které se rozvíjí iterativní interakcí s AI systémy a podporuje kontextově citlivý úsudek v podmínkách nejistoty. Jejich duální rámec situuje gramotnost v oblasti AI (strukturované, z velké části statické kompetence) po boku AI intuice (dynamický proces učení) a mapuje obě napříec standardními dimenzemi — porozumět konceptům, používat nástroje, hodnotit kriticky, uplatňovat eticky, reflektovat —, aby žáci kombinovali konceptuální jasnost a zábrany (gramotnost) s praktickou moudrostí důvěřovat, ale ověřovat a rozhodnout, kdy se odpojit (intuice). Protože intuice kultivuje „expertní pozorování" AI (např. stresové testování promptů k nalezení místa, kde model selže), autoři argumentují, že je to pojistka proti přehnanému spoléhání a erozi kritického myšlení; liší se od Prompt Engineering (který optimalizuje výstupy) tím, že do popředí staví epistemický úsudek. To spojuje gramotnost s zkušenostním učením, konstruktivismem a vývojově zakotvenou učební praxí a směruje přípravu pedagogů k facilitačnímu induktivnímu zkoumání, spíše než jen k předávání konceptů.

Motivace je předpoklad, nejen výsledek. Liang et al. (2026) zjistili napříec 2 086 studenty středoškolského věku v ročním AI kurikulu, že studenti, kteří přešli do profilu sebeurčené motivace nebo v něm zůstali (vysoké uspokojení potřeb autonomie, kompetence a sounáležitosti), vykázali největší zisky v gramotnosti v oblasti AI. Gramotnost v oblasti AI se rozvíjí skrze trvalé angažování, a toto angažování je samo formováno motivací a podporou psychologických potřeb — takže efektivní instrukce v oblasti gramotnosti v AI by se měla věnovat motivaci žáků, nejen jejich dovednostem.

Instrukční důraz a otevřenost úkolu dosahují výkonu přes odlišné potřeby. Yu, Lin a Chen (2026) randomizovali 320 vysokoškoláků do čtyř skupin v experimentu 2 x 2 na úkolu generování obrázků AIGC bodovaném objektivním rubrikou (ICC = 0,89) a zjistili, že na myšlení založená instrukce, pokrývající limity modelu, kritické hodnocení a etiku, překonala na dovednostech založenou instrukci v promptování (M = 9,21 vs 7,69, F(1, 316) = 50,79, p < 0,001, parciální eta čtverec = 0,138), s větším rozpětím na otevřených úkolech (10,10 vs 8,00). Strukturální model ukazuje, že obě designová rozhodnutí cestují odlišnými trasami: instrukce působila nepřímo přes autonomii (beta = 0,035) a kompetenci (beta = 0,079), zatímco otevřenost úkolu působila hlavně přes autonomii (beta = 0,029), kompetence byla nejsilnějším prediktorem výkonu (beta = 0,358) a sounáležitost neměla nezávislý efekt. To, co instrukce obsahuje, proto záleží víc než to, zda žáci dostanou praxi v promptování, a záleží to nejvíce, když je úkol otevřený.

Proměnné obklopující gramotnost v oblasti AI byly od té doby mapovány širše. Systematický přehled z roku 2025 korelátů gramotnosti v oblasti AI syntetizoval 31 studií napříec 14 zeměmi (N = 12 071) a nalezl nejkonzistentnější asociace v afektivní a behaviorální pásmu: AI sebeúčinnost, pozitivní postoje k AI, motivace a digitální kompetence se pohybovaly s gramotností v oblasti AI, zatímco úzkost z AI a negativní postoje se pohybovaly proti ní. Demografické proměnné se téměř neprojevily, přičemž věk a socioekonomický status korelovali slabě nebo vůbec. Výstraha přehledu se týká instrumentů: stejné studie, které produkovaly silné korelace ze sebehodnocení, ukázaly mnohem slabší, když byla gramotnost v oblasti AI testována, nikoli sebehodnocena.

Strukturní rovnicová studie 502 fakultních respondentů na jedné čínské výzkumné univerzitě nalezla gramotnost v oblasti AI jako nejsilnějšího prediktora AI pohody (β = 0,713), proti malé trasi technologické sebeúčinnosti (β = 0,082), přičemž sociální a organizační podpora dosahovaly pohody jen nepřímo (Liu et al. (2026)).

Jeden zdánlivě negativní vztah se pod kontrolou obrací: mezi 303 vysokoškoláky z Hongkongu technologická úzkost korelovala s gramotností v oblasti AI negativně (r = −0,14), přesto v společném modelu předpovídala β = 0,15, efekt omezený na kritické hodnocení a etickou kompetenci (Chow et al. (2026)).

Hu (2026) přidává řádový popis toho, co gramotnost v oblasti AI předpovídá, spíše než co ji předpovídá. V průzkumu 450 univerzitních studentů v pevninské Číně, kteří již ChatGPT používají, studie zjistila, že gramotnost v oblasti AI souvisí přímo s pokračujícím používáním (beta = 0,16, p = 0,002) a nepřímo po sériové trase přes důvěru a akademickou sebeúčinnost (nepřímý efekt = 0,07, 95% CI [0,04, 0,10]), přičemž vazba gramotnosti na důvěru byla největší asociací v modelu (beta = 0,50). Úzkost z AI moderovala tuto první vazbu (interakce beta = −0,25, jednoduché sklony klesající z 0,76 na 0,25 napříec rozsahem úzkosti), takže řetězec se ztenčoval pro úzkostnější studenty a nemělo by se předpokládat, že instrukce v oblasti gramotnosti sama o sobě k nim dorazí. Návrh je průřezový a vzorek je omezen na stávající uživatele, takže řazení je předpoklad modelování, nikoli pozorovaná sekvence.

Základním aplikovaným cílem gramotnosti v oblasti AI je omezování zneužívání AI: učit studenty používat AI eticky a produktivně, spíše než aby jim nahrazovala jejich vlastní kognitivní práci. Tam, kde gramotnost v oblasti AI buduje kapacitu kriticky hodnotit a používat AI, omezování zneužívání je behaviorální a strukturální výnos — kombinující design nástrojů se zábranami, přepracování hodnocení a edukativní páky, jako jsou scaffoldované sekvence „nejprve přemýšlej, pak AI" a praxe v promptování se záměrnou zpětnou vazbou. Oba koncepty se vzájemně posilují: gramotnost v oblasti AI poskytuje kritické dispozice, které činí intervence na omezení zneužívání trvalými, zatímco důkazy o omezování zneužívání (např. propast mezi výkonem a učením) motivují, proč musí gramotnost jít za operativní dovednost ke kritickému úsudku.

Gramotnost v oblasti AI potřebuje také vývojově přiměřené formy pro nejmladší žáky. AI-Play překládá kompetence gramotnosti v oblasti AI do hravých, necomputrizovaných činností pro žáky Pre-K–K2 — organizovaných kolem AI Body (AI jako systém složený z částí), AI Food (AI se učí z příkladů), AI Brain (AI se zlepšuje přes vzorce a zpětnou vazbu) a etické čočky Pre/Post-AI —, čímž řeší přetrvávající nedostatek vývojově zakotveného vedení gramotnosti v oblasti AI pro předškolní vzdělávání a činí gramotnost v oblasti AI přístupnou pro netechnické pedagogy a rodiny. Toto doplňuje zjištění Vahedian Movahed & Martin (2025), že děti ve věku 6–14 široce důvěřovaly chatbotu přizpůsobenému věku jako zdroji informací a většina si ho modelovala jako „chytrý počítačový program, který se učí" ( počáteční porozumění strojovému učení), přesto projevovaly mezery v kritickém angažování a povědomí o digitální bezpečnosti — důkaz, že důvěra mladých žáků může předbíhat jejich dovednostem v kritickém hodnocení, takže explicitní kalibrace důvěry a instrukce v oblasti bezpečnosti jsou nezbytnou součástí gramotnosti v oblasti AI pro děti.

Měření drží krok s tímto vývojovým obratem na mladším konci. Validace Thianwan a Srikoon z roku 2025 dotazníku sebehodnocení gramotnosti v oblasti AI pro starší žáky základní školy vyvinula 15položkový instrument pro 4. až 6. třídu, organizovaný kolem Learning About AI, Learning About How AI Works a Learning for Life with AI, a potvrdila trojfaktorovou strukturu ve dvou vzorcích (n = 335 a n = 579) s celkovým Cronbachovým alfa 0,934. Autoři to rámují jako formativní diagnostiku vnímané, nikoli prokázané gramotnosti, a poznamenávají, že přesnost sebehodnocení dětí je omezena metakognitivní schopností, která se stále vyvíjí.

Projektové učení jako mechanismus dodávky. Zhu & Kong (2026) vyvinuli a validovali škálu projektového učení v oblasti AI (AI-PBLS) a ve vzorku z Hongkongu z 1 027 studentů středních škol a univerzit (446 s kompletními daty) použili modelování strukturálními rovnicemi k prokázání, že zplnomocnění při používání AI k řešení problémů a etické povědomí AI společně mediují vztah mezi vnímaným projektovým učením a spokojeností s kurzem gramotnosti v oblasti AI. To pokládá PBL nejen za formát dodávky, ale za mechanismus, který buduje důvěru žáků a etické uvažování po boku kompetence, čímž posiluje vazbu mezi PBL a smysluplným rozvojem gramotnosti v oblasti AI. Zároveň dodává validovaný měřicí instrument pro budoucí měření zkušeností s kurzy gramotnosti v oblasti AI.

Zvyšování etické dimenze gramotnosti má problém se znaménkem. Mezi 584 vysokoškáky, kteří se sami učili AI, kompetence zvyšovala etické povědomí (β = 0,644, p < ,001), a etické povědomí pak zvyšovalo úzkost z AI (β = 0,439, p < ,001), nikoli že ji snižovalo, což je opak předpokládaného směru (Mu et al. (2026)). Poučení, které autoři vyvozují, je, že výuka toho, jak jsou etické obavy řízeny, musí doprovázet samotnou etickou dimenzi, jinak může práce na gramotnosti zanechat žáky úzkostnější, než je zastihla.

Gramotnost v oblasti AI jako klíčová mezera v rámcích konverzační AI. Zastřešující přehled konverzačních AI agentů (Ganguly et al. 2025, 34 přehledů) identifikuje omezenou podporu gramotnosti v oblasti AI jako hlavní mezeru v rámcích CAI, a jeho plán etického používání činí základní hodnocení (včetně posilování gramotnosti v oblasti AI) prvním pilířem po boku participativního designu, směrnic etického používání a průběžného hodnocení kognitivního dopadu. Dále zjišťuje, že gramotnost v oblasti AI, školení a povědomí patří mezi nejvíce zdůrazňované etické směry v literatuře o CAI. (Conversational AI agents in education: an umbrella review of current utilization, challenges, and future directions)

Účinnost intervencí v oblasti gramotnosti v AI. Triúrovňová metaanalýza 59 studií (172 veličin efektu, 7 211 účastníků) odhaduje velký celkový efekt intervencí gramotnosti v oblasti AI (g = 0,837, p < ,001) — ale s širokým predikčním intervalem [−0,292, 1,966], takže účinnost se napříec prostředími značně liší. Intervence ve východní Asii a v Evropě překonávaly ty v Severní Americe, a na znalostech zaměřené intervence překonávaly ty zaměřené na dovednosti, postoje nebo etiku. Autoři argumentují, že vzdělávání v oblasti gramotnosti v AI by se proto mělo posunout za znalosti směrem k dovednostem, praxím, etice a postojům, podpořené integrovanými a reflexivními pedagogikami (projektovými a problémovými, zkoumavými, zkušenostními) a nástroji podporovanými GenAI — posun, který je v souladu s participativními, na produkci orientovanými formami počítačového myšlení popsanými jinde v této znalostní bázi.

Druhá syntéza dosahuje podobné velikosti na užším základu a zostřuje problém měření. Yu, Kim, Chang a Huang (2026) sdružili 57 veličin efektu ze 16 studií pokrývajících 3 837 žáků K-12, kterým byla vyučována AI sama, nikoli pomocí AI, a odhadli Hedgesův g = 0,892 (95% CI [0,548, 1,236], p < ,001), robustní vůči předpokládaným korelacím před–po od 0 do 1 a stabilní po trim-and-fill při g = 0,952. Všech 57 efektů ukazovalo pozitivně (rozsah 0,16 až 4,93) a žádný moderátor (zdroj publikace, rok, úroveň školy) nevysvětloval podstatnou heterogenitu (I² = 94,68%). Autoři preferovaným vysvětlením je měření: zahrnuté studie nazývaly „gramotností v oblasti AI" cokoli od znalostí o AI a etiky přes postoje, motivaci, sebeúčinnost až po zájem o kariéru, takže sdružená hodnota popisuje distribuci pozitivních nálezů pod jedním volným označením, spíše než jednu jednotnou intervenci. Přečteno po boku Liu et al., oba odhady se shodují, že instrukce v oblasti gramotnosti v AI funguje, a shodují se na málem jiném, což je samo o sobě měřicí signál oboru.

Klasické důkazy pro záměrně krátké návrhy jsou řídké, ale jdou stejným směrem a přidávají výsledek na úrovni chování, který průzkumy poskytnout nemohou. Clerc et al. (2026) dali 116 francouzským studentům 8. a 9. třídy dvouhodinový workshop o tom, jak LLM fungují a kde selhávají, spárovaný s praxí v předvídání, zda prompt vynese použitelnou odpověď, hodnocení odpovědi a její revizi nebo opětovné dotázání. O dva dny později, při šesti LLM podporovaných přírodovědných úkolech s kontrolní skupinou, trénovaní studenti přijímali nedostatečně specifikované prompty méně často (51,5% vs 66,7%, OR = 0,47), kladli následné otázky po slabé odpovědi mnohem častěji (59,2% vs 27,9%, d = 0,80) a posuzovali správnost odpovědi citlivěji na kvalitu promptu (interakce OR = 2,52), při skromném rozdílu ve skóre (11,38 vs 10,29 z 20, p = ,040). Workshop nikdy nacvičoval testovací úkoly, takže to, co se přeneslo, byl regulativní postoj, spíše než obeznámenost s úkolem — a autoři jsou explicitní, že dva dny nejsou trvalost.

Kritická mediální gramotnost podporovaná AI na základní škole. Demir a Akar (2026) poskytují konkrétní základníškolovou demonstraci instruování gramotnosti podporované GenAI: 18hodinový program modelu 5E pro turecké žáky čtvrté třídy, v němž byly ChatGPT a Grammarly fázovitě zakotveny jako pedagogičtí agenti (ChatGPT pro reflexivní otázky a Q&A, Grammarly a Canva AI pro zdokonalování obsahu, Padlet pro zpětnou vazbu spolužáků), sladěno s kurikuly tureckého jazyka a sociálních věd. Skupina podporovaná AI vykázala velké zisky v čtení médií (+3,50), psaní (+1,67) a celkové mediální gramotnosti (+5,17, vše p < ,01) s meziskupinovými veličinami efektu Cohenova d = 1,12–1,31, zatímco kontrolní skupina postupovala jen skromně. Kvalitativní analýza odhalila šest domén růstu kritické mediální gramotnosti — digitální sebeochranu a soukromí dat, účelné a odpovědné používání médií, bezpečnou komunikaci a povědomí o hranicích, kritické hodnocení a povědomí o dezinformacích, povědomí o online rizicích a etiku médií / digitální občanství —, důkaz, že vývojově přiměřené, do oboru zakotvené používání GenAI může budovat dimenze kritického hodnocení a etiky gramotnosti v oblasti AI, nejen operativní dovednost.

Rámce pro strukturování gramotnosti v oblasti AI. Několik nedávných příspěvků nabízí strukturované progrese pro budování gramotnosti v oblasti AI. Marienko, Markova a Semerikov (2026) navrhují pětiúrovňový rámec (Awareness, Application, Evaluation, Creation, Ethics) integrovaný se třemi paradigmaty AI ve vzdělávání (AI-directed, AI-supported, AI-empowered), vyvinutý pomocí smíšené metody studie ukrajinských pedagogů středních škol (národní průzkum n = 2018; hodnocení PD n = 1130). Zjistili, že 84% pedagogů používá AI, ale jen 11% umí identifikovat specializované služby nad rámec ChatGPT, a intervence profesního rozvoje produkovala 24% zlepšení v AI kompetenci — důkaz, že cílené PD posouvá gramotnost za povrchovou obeznámenost s nástroji. Zakotvení rámce v konstruktivismu, konektivismu a TPACK souvisí s TPACK a kompetencemi pedagogů v oblasti AI. Toto doplňuje Moore et al. (2026), kteří použili dvouletý proces DBR s poradní radou mládeže a AI expertů k návrhu kurikula ML integrovaného do přírodních věd pro středoškolskou mládež a nalezli zisky ve znalostech ML v obou kohortách (Kohorta 2 M2−M1 = 0,175 vs Kohorta 1 0,076) a větší zisky mezi ženskými a nebělošskými účastníky — důkaz, že participativní, do oboru integrovaný design může posouvat jak gramotnost v oblasti AI, tak rovnost.

Přehled PRISMA 39 studií STEAM (2016–2025) zjistil, že tyto implementace rozvíjejí zejména technické gramotnosti — základní koncepty AI, počítačové myšlení, datovou gramotnost —, zatímco nedostatečně rozvíjejí etické povědomí, kreativní imaginaci a tvorbu, správu a designování s AI, takže do oboru zakotvené jednotky mohou stále minout prvky vyššího řádu (Niri et al., 2026).

Konstrukt je zpochybňován právě tam, kde jde o pedagogy. Přehled 34 studií o gramotnosti v oblasti AI ve vzdělávání učitelů zjistil, že oboru chybí konsenzus o tom, co gramotnost v oblasti AI znamená pro profesionální pedagogy na rozdíl od obecné digitální gramotnosti, a AI Competency Framework for Teachers organizace UNESCO specifikuje 15 kompetencí napříec pěti dimenzemi, přičemž funguje spíše jako globální politická reference než jako vodítko implementace. Fakulta v meziinstitucionálním collaboratory přípravy učitelů pokládala gramotnost v oblasti AI za integrovanou dimenzi profesní přípravy, spíše než za samostatnou technologickou dovednost, takže se očekávalo, že kandidáti budou auditovat, porovnávat a odůvodňovat výstup AI v rámci disciplinárních kurzů, nikoli že budou demonstrovat obeznámenost s nástroji.

Počáteční příprava učitelů je místem, kde je struktura nejtenčí. Pinto et al. (2026) přezkoumali 11 studií o AI v počátečním vzdělávání učitelů pro budoucí učitele matematiky na základní škole a zjistili, že devět bylo jediným sezením nebo hrstkou sezení zakotvených ve stávajících kurzech, promptování bylo explicitním obsahem školení jen v některých z nich, a etika se objevila jen ve třech, z nichž žádná neřešila transparentnost, algoritmickou zaujatost ani odpovědnost. Rizika, která uvádějí, jsou selháními na úrovni gramotnosti: budoucí učitelé si nevšimli konceptuálních chyb produkovaných ChatGPT, přijímali generovaný obsah nekriticky a delegovali na nástroj víc řešení problémů, jak úkoly byly těžší. Jejich doporučením je budovat AI kompetenci napříec celou sekvencí vzdělávání, od přípravné fáze do praxe, spíše než v izolovaném modulu.

Výpovědi pedagogů o tom, proč se výuka o AI vyučuje, přidávají vrstvu účelu, kterou rámce kompetencí zanechávají implicitní. Fagerlund et al. (2026) interviewovali 13 finských pedagogů od předškolního vzdělávání po 9. třídu, z velké části nováčků ve výuce o AI, a četli jejich výpovědi o účelu přes Biestovy tři domény. Kvalifikace, akvizice kompetencí, byla nejjasnějším a nejkonkrétnějším účelem a působila jako cesta do zbývajících dvou: studenti měli pochopit AI jako sociotechnický fenomén a používat její nástroje, přičemž AI sloužila jak jako cíl, tak jako pomůcka pro učení. Socializace se objevila jako kultivování nadšení, představování AI jako „skvělé" a rámování studentů jako budoucí v AI zběhlé pracovníky, kteří musí splnit požadavky kompetencí. Subjektivace, sebeurčené a osobně smysluplné angažování, které Biesta pokládá za ústřední, byla pojmenována jako důležitá, ale neměla konkrétní instruktážní repertoár nad rámec diskutování a rozjímání, a pedagogové nenabídli žádné zpracované příklady pro zpochybňování autority AI. Autoři navrhují informovanou AI agenturu, heuristiku, která klade subjektivaci do centra a pokládá kompetence za vysvětlující rámce pro sebeurčené volby. Designový důsledek je, že „proč" výuky o AI potřebuje tolik designové pozornosti jako „jak": když subjektivace spívá na generické diskusi, instrukce gramotnosti v oblasti AI se vrací ke kvalifikaci, po jejímž boku měla stát.

Připravenost samotná je zpochybňovaným cílem. Charles (2026) argumentuje, že připravenost pedagogů na AI bohaté učení by se měla číst z kvality návrhů, které pedagogové vytvářejí, nikoli z přijetí, sebedůvěry nebo digitální kompetence, a buduje rámec kolem designové mediace: pozorovatelných rozhodnutí, jako je výběr nástroje, návrh úkolů a promptů, scaffolding, verifikace, transparentnost, přepracování hodnocení, plánování přístupnosti a lidský dohled. Dva z jeho tvrzení mají přímé důsledky pro profesní rozvoj. Zaprvé, sebeúčinnost je mobilizační zdroj, spíše než ukazatel kvality, protože sebedůvěra bez AI specifických pedagogických znalostí nebo etické orientace může urychlit špatný design, místo aby mu zabránila, což kvalifikuje obvyklé čtení pedagogické sebedůvěry jako signálu připravenosti. Zadruhé, politická jasnost a institucionální podpora jsou oddělené moderátory, takže materiální podpora může být vysoká, zatímco očekávání zůstávají nejednoznačná a připravenost se stále špatně převádí do praxe. Rámec také odmítá ztotožňovat nepoužívání s nepřipraveností, neboť odůvodněné rozhodnutí zadržet si AI může samo demonstrovat designový úsudek. Je konceptuální a nevalidovaný, takže poskytuje proposice a zdroje důkazů, spíše než etablované efekty.

Gramotnost v oblasti AI interakce: interakční dimenze. Brunnström a Palmqvist (2026) navrhují užší, interakční kompetenci — schopnost řídit, hodnotit a učit se z iterativní interakce s GenAI — jako specifické uskutečnění aplikačních, hodnoticích a integračních dimenzí v širších rámcích, jako je AI Literacy Heptagon. Jejich reflexivní demonstrace ukazuje, z čeho v praxi spočívá: rozpoznání, že plynulá odpověď je laděna nad vlastní schéma, žádost o zjednodušení, zúžení rozsahu a přesměrování systému směrem k soustředěné praxi. Z toho plynou dva designové důsledky — dovednost je nerovnoměrně distribuována, takže neřízené používání může zvýhodnit již sebedůvěřivé studenty a rozšířit mezery (Equity), a musí se vyučovat explicitně, nikoli předpokládat, přičemž pedagogové pokrývají, jak formulovat produktivní prompty a kdy přestat nástroj používat (Self-Regulated Learning).

Kritická gramotnost v oblasti AI: za dovednostmi k moci a odporu

Odlišná větev této znalostní báze pokládá gramotnost v oblasti AI nejen za dovednosti nebo kritické hodnocení, ale za kritickou a politickou praxi, která zpochybňuje moc, autoritu a to, čí znalosti se počítají. To spojuje gramotnost v oblasti AI s kritickou pedagogikou a rovností:

• „Odporování AI" jako postoj gramotnosti. Kritická gramotnost v oblasti AI (CAIL) může zahrnovat odporování AI — odmítání nevyhnutelnosti a techsolutionismu dominantního diskurzu a kultivování kolektivní agentury skrze dialogové, spoluprácivé pedagogiky. (Reorienting Critical AI Literacy: A Community-Rooted Praxis of “Resisting AI”) To pokládá vzdělávání za prostor, kde komunity představují a budují alternativní budoucnosti, spíše než se pouze přizpůsobují danému technologickému řádu.
• Komunitní epistemologie. Komunitní AI učení zakotvuje angažovanost s AI v živých a komunitních způsobích poznávání žáků, přerozdělujíc epistemickou autoritu AI skrze epistemické dolaďování, přerozdělení autority a situovaný rozlišovací úsudek. (Community-Based AI Learning: Redistributing Artificial Intelligence's Epistemic Authority in Education)
• Kritické a feministické rámce. Kritická feministická tvorba argumentuje, že gramotnost v oblasti AI by měla být rámována v pedagogikách spravedlnosti, odporu a kulturní udržitelnosti — ptát se, čí znalosti AI produkuje, kdo z toho těží a kdo nese odpovědnost, když systémy selžou. (Can we disrupt the momentum of the AI colonization of science education?)
• Situované kurikulární pomůcky. Gramotnost v oblasti AI může být budována skrze situované, aktivní instruktážní nástroje (např. Episodes of Situated Learning), které rozvíjejí AI kompetence napříec úrovněmi, spíše než skrze abstraktní instrukci. (Towards AI literacy: A proposal of a framework based on the Episodes of Situated Learning)
• Kreativní kompozice jako pedagogika kritické gramotnosti v oblasti AI. Místo pokládání gramotnosti v oblasti AI za technické znalosti nebo individuální kompetence, navrhujte příležitosti, aby žáci skládali poselství o AI pro skutečná obecenstva — multimodální produkt, jako je veřejné služební oznámení, současně demonstruje a komunikuje kritickou kompetenci. Ve třídní studii Burriss et al. (2026) si 22 jedenáctáků vybralo vlastní témata AI etiky a vytvořilo videové PSA o školním sledování, informovaném souhlasu a algoritmickém obviňování; napříec všemi sedmi filmy újma plynula z entanglementu člověka a mašiny, spíše než ze zlomyslného nástroje, zápletky stále končily nadějí a agenturou, a autoři pokládají vyprávění a obhajobu — odolné vůči tradičnímu hodnocení — za jádro pedagogiky kritické gramotnosti v oblasti AI, která centruje identitu studenta, volbu a hlas. ("Young Scholar[s] on the Beat": Multimodal Composition as a Form of Critical AI Literacy Pedagogy)
• Regulatorní kompetence, nikoli přijetí. Kim (2026) přebarvuje gramotnost v oblasti AI v vysokoškolském vzdělávání jako regulatorní kompetenci — uskutečňovanou praxi ověřování, revize, selektivního přijímání nebo odmítání výstupu AI během akademické práce —, čímž ukazuje, že hodnoticí kapacita a etické povědomí (nikoli pouhá ochota používat AI) předpovídají aktivní, kritické angažování. (From AI Anxiety to Strategic Regulation: How University Students Transform Generative AI into a Strategic Learning Resource)
• Rozpoznávání patolízalství jako dovednost gramotnosti. Základní hodnoticí kompetencí je rozpoznání, kdy AI se žákem souhlasí versus kdy je správná. Kontextové patolízalství ukazuje, že gramotnost v oblasti AI a školení v promptování redukují — ale neeliminují — patolízalské zrcadlení chyb uživatele, a patolízalská AI je uživateli preferována právě proto, že je dává cítit pochopeny. Gramotnost v oblasti AI proto musí učit žáky detekovat souhlas jen pro něj samého a cenit si korektivní tření, což souvisí s kalibrací důvěry a omezováním zneužívání AI.
• Valuace, nejen verifikace. O'Byrne (2026) zjistil, že studenti, kteří kontrolovali výstup pouze z hlediska přesnosti, věrohodnosti a relevance, stále přijímali konceptuálně zploštělou práci, zatímco ti, kteří také posuzovali nuansi, hlas a epistemický postoj, ji přepisovali — čímž učinili „kdy nepřesouvat úsudek" otázkou gramotnosti.

Tyto kritické větve doplňují operativní a kognitivní dimenze gramotnosti v oblasti AI: tam, kde ty druhé se ptají „dokáže žák používat a hodnotit AI?", kritická gramotnost v oblasti AI se ptá „rozumí žák mocenským strukturám, které AI ztělesňuje, a zpochybňuje je?"

Gramotnost v oblasti AI ve STEM vzdělávání

Nejrozvinutější disciplinární důkazní základna pro gramotnost v oblasti AI pochází ze STEM vzdělávání a Hallström, Chiu, Ding, Koretsky a Li (2026) syntetizují deset nejcitovanějších studií (2022–2026), aby ukázali jak jeho základ, tak jeho limity. Napříč korpusem je gramotnost v oblasti AI definována šesti překrývajícími se konstrukty — znalosti/dovednosti/přístup (Su & Yang 2024), konceptuálně-procedurálně-kontextuální znalost (Stolpe & Hallström 2024), znát-pochopit/používat-aplikovat/hodnotit-tvořit/etika (Ng et al. 2022) a rámec Long & Magerko použití–komunikace–hodnocení (Hornberger et al. 2023) — takže „konceptuální dvojznačnost" oboru je problém měření: dvě studie mohou hodnotit „gramotnost v oblasti AI", aniž by hodnotily stejný konstrukt. Pouze dvě z deseti nabízejí kompletní rámce. Nejostřejší zjištění recenze je asymetrie — korpus měří téměř výhradně gramotnost studentů, zatímco gramotností učitelů se téměř nezabývá; mezera, která nechává intervencí gramotnosti v oblasti AI cílené na učitele spíše na předpokladu než na důkazu, a kterou autoři spojují s praktickým požadavkem, aby samotní učitelé byli gramotní v oblasti AI, aby takové intervence mohli provádět.(AI Literacy and STEM Education: Emerging Frontiers and Research Priorities)

Důkazy o chatbotech v tomto korpusu jdou proti výuce založené na plynulosti. Ding et al. (2023) zjistili, že chatbot tutorství z fyziky na univerzitě zvýšilo sebevědomí a znalosti, ale posílilo mylné přesvědčení o „nadlidské a neomylné" AI, a usoudili, že vzdělávání gramotnosti v oblasti AI je „především zlepšování kritického myšlení studentů při hodnocení informací". Xu et al. (2026) zjistili, že ChatGPT-podporované STEM programování zlepšilo sebevědomí a znalosti, ale ponechalo výpočetní myšlení a nezávislé myšlení beze změny — zisky v plynulosti bez zisků v myšlení. Oba zjištění zrcadlí obavy týkající se Trust Calibration a nadměrné závislosti jinde na této stránce: tutor, který studentovi nikdy neodporuje, může vytvářet sebevědomé studenty, kteří neumí hodnotit. U STEM studentů bakalářských programů se jako nejsilnější determinant skutečného používání AI nástrojů ukázal přístup, ne připravenost ani sebeúčinnost (Falebita & Kok 2025), a recenze poznamenává, že disciplinární pokrytí STEM je nakloněno biologii a fyzice, zatímco technologie jako předmět téměř chybí. Pro disciplinární design je praktické varování recenze, že komplexní rámce kompetencí (UNESCO, EU/OECD) „často postrádají spojení s empirickým výzkumem nebo dostatečný teoretický základ" a málokteré jsou aplikovatelné ve třídě.

Čí AI dovednosti se počítají? Rozkol v rámování mezi pedagogy a zaměstnavateli

Ústřední otevřenou otázkou gramotnosti v oblasti AI je to, které dovednosti záleží a pro koho. Studie Ithaka S+R srovnávající, jak američtí pedagogové a zaměstnavatelé prioritizují 26 dovedností rámce HiBob AI Skills Framework, zjistila, že se shodují na důležitosti pouze jediné (stanovení realistických očekávání pro AI augmentovanou práci). Pedagogové váží kritickou orientaci na odpovědné používání — rozpoznávání limitů AI, transparentnost a atribuci, lidskou odpovědnost, proaktivní kontrolu výstupu —, což je v souladu s akademickými hodnotami atribuce, kontroly a informační gramotnosti. Zaměstnavatelé váží na produktivitu orientované dovednosti — hodnocení a přepracování pracovních postupů, automatizaci a týmování člověka a AI —, jež odrážejí efektivitu pracovišť založených na týmech. Protože pouze tři z 26 dovedností vyučuje polovina nebo více pedagogů, a ty vyučované se přiklánějí ke kategoriím kritického používání, zpráva identifikuje konkrétní propast v AI dovednostech: celé kategorie, které zaměstnavatelé cení, nejsou v univerzitních kurikulech ani prioritizovány, ani vyučovány. (AI skills for college graduates: Exploring how instructors and employers prioritize AI skills differently) Tento rozkol rámuje gramotnost v oblasti AI jako zpochybňovaný konstrukt — gramotnost v kritickém používání pro akademická prostředí versus gramotnost v integraci pracovních postupů pro zaměstnání — napětí relevantní pro rámování používání AI pro studenty, návrh kurikula a profesní školení.

Vlastní hodnocení studentů vypráví související, ale jinak řazený příběh. ElSayary a Ragab (2026) provedli průzkum mezi 380 univerzitními studenty, z velké části STEM studenty častými uživateli AI, a zjistili, že sebeposuzovaná gramotnost v oblasti AI nesla většinu vysvětlení vnímané připravenosti na zaměstnatelnost: čtyři dimenze gramotnosti přidaly ΔR² = 0,554 (p < ,001) nad kontrolní proměnné v hodnotě pouhých 0,054, a plný model dosáhl 60,8% variance. V rámci sady gramotnosti byla hodnoticí dimenze nejsilnější (Analyze & Evaluate, β = 0,286), následována afektivní (Attitudes & Mindsets, β = 0,266), s praktickým používáním (β = 0,217) a základními znalostmi (β = 0,187) za nimi; pro vnímanou připravenost na kariéru specificky byly významně asociovány pouze Analyze & Evaluate (β = 0,216, p < ,001) a Attitudes & Mindsets (β = 0,192, p = ,004). Přečteno proti rozkolu Ithaka, vlastní smysl studentů pro připravenost na pracoviště se přiklání ke kritickohodnoticí orientaci, kterou pedagogové preferují, spíše než k dovednostem integrace pracovních postupů, které zaměstnavatelé váží. Návrh je jedno-sezení sebeposuzování s jednotně vysokými průměry (4,17 až 4,57 z 5) a bez opatření zaměstnavatele nebo zaměstnání, takže to, co ukazuje, je, že sebehodnocená gramotnost v oblasti AI a sebehodnocená zaměstnatelnost se pohybují společně, přičemž hodnoticí a dispoziční části dělají většinu práce, nikoli že tito studenti jsou prokazatelně připraveni na pracovní sílu.

Návrh intervencí v oblasti gramotnosti v AI

Rámce a empirické studie této znalostní báze konvergují k sadě praktických směrnic pro pedagogy a návrháře instruktáže budující intervence gramotnosti v oblasti AI:

1. Používejte strukturovaný rámec kompetencí jako scaffolding, ne jako kontrolní seznam. Zralé rámce dávají návrhářům sdílenou slovní zásobu a vývojově řazený cíl. Rámec SAIL organizuje gramotnost v oblasti AI do tří domén (AI Concepts; Application and Technical Skills; AI Digital Citizenship) napříec čtyřmi scaffoldovanými úrovněmi — Understand and Explore → Apply and Integrate → Evaluate and Create → AI++. AI Literacy Heptagon protíná sedm dimenzí (technical knowledge, application, critical thinking, ethics, social impact, integration, legal/regulatory) se čtyřmi úrovněmi zdatnosti sladěnými s Bloomem, a zdůrazňuje, že důraz musí být adaptován na disciplinární kontext — technické programy váží application, programy humanitních oborů váží etické uvažování a sociální dopad. (The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education) (The AI Literacy Heptagon: A Structured Approach to AI Literacy in Higher Education)

2. Angažujte žáky napříec režimy ICAP. Aplikace ICAP Framework dává efektivní instrukce žákům příležitosti angažovat se na více kognitivních úrovních — pasivní expozice (přednášky o konceptech AI), aktivní manipulace (praktické používání nástrojů), konstruktivní generování (tvorba AI artefaktů, sebevysvětlování) a interaktivní dialog (spoluprácivé řešení problémů se spolužáky a AI) —, přičemž vybírá režim odpovídající vzdělávacímu cíli. Systematický přehled zjistil, že úspěšné spoluprácivé intervence gramotnosti v oblasti AI pokrývaly všechny čtyři režimy ICAP. (Systematic Review of Collaborative Learning Activities for Promoting AI Literacy)

3. Hodnoťte prokázanou kompetenci, nikoli sebevnémání. Sebeposuzovaná gramotnost v oblasti AI se ostře rozchází se změřeným výkonem — učitelé své AI dovednosti přeceňují o ~40 %, a na výkonu založená měření korelují s integrací AI ve třídě mnohem lépe než sebeposuzování (r≈0,72 vs 0,31). Navrhujte intervence kolem hodnocení založeného na výkonu a kalibrace, spíše než kolem průzkumů sebedůvěry, a používejte diagnostické profily (přeceňovatelé vs. skuteční nováčci) k cílené podpoře. (How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures)

4. Budujte metakognitivní a kritické dispozice, nejen operativní dovednost. Gramotnost v oblasti AI se lépe chápe jako metakognitivní sociální praxe než jako kontrolní seznam dovedností: protože jsou LLM probabilistické a neprůhledné, žáci musí monitorovat a upravovat své strategie, kultivovat vědeckou skepsi a zpochybňovat, jak algoritmy formují produkci znalostí — nejen se učit ovládat nástroje. Participativní codesign a experimentální, projektové prostory (nikoli jednorázové školení nástrojů) jsou místem, kde toto povědomí roste. (Metacognitive AI literacy: going beyond the AI skills gap agenda)

5. Zakotvěte gramotnost do oboru a učiněte ji trvalou. Pohyb směrem k vyšším fázím gramotnosti v oblasti AI (od nekritického používání → informovaného používání → kritického hodnocení → zlepšování) je nejviditelnější, když jsou zkušenosti trvalé a do oboru zakotvené, spíše než dodávané jako samostatné workshopy. Navrhujte pro opakovanou, kontextovou praxi v rámci autentických kurzů. (Beyond Tool Adoption: A Practical Five-Stage Developmental Continuum for AI Literacy in Higher Education) Konkrétním modelem do oboru zakotvené kritické gramotnosti je úkolová taxonomie Dierickx et al. (2026) pro žurnalistiku: mapuje LLM podporované úkoly napříec čtyřmi fázemi novinového pracovního postupu (newsgathering, sensemaking, editing, publication/distribution), z nichž každá je vázána na výchozí prompt a strategii rizika a mitigace. Pokládáním definice úkolu a promptování za situovanou formu profesionálního úsudku — nikoli za neutrální technickou dovednost — mění promptování samo o sobě v nástroj kritické gramotnosti v oblasti AI (zaujatost, halucinace, přehnané spoléhání a trvalá hodnota lidského redakčního dohledu), a její podkladová logika se přenáší na jiné znalostně náročné profese (právo, medicína, veřejná politika). Jako doplnění takových disciplinárně specifických taxonomií klasifikuje taxonomie Dohn et al. (2026) učební činnosti GenAI podél šesti dimenzí, z nichž Epistemic Engagement (understanding / using / critiquing / constructing GenAI) přímo operationalizuje gramotnost v oblasti AI jako hloubku kognitivního vztahu žáků k technologii — od pasivní expozice k aktivní kritice a konstrukci.

6. Pokládejte rovnost a digitální propast za designová omezení. Gramotnost v oblasti AI je mechanismus řešení tříúrovňové digitální propasti (přístup, dovednosti, výsledky): uzavření mezery v zařízeních nestačí, pokud nejsou budovány dovednosti a kritické používání, aby se přínosy spravedlivě distribuovaly. Intervence by měly výslovně plánovat pro žáky, kteří přicházejí s menším předchozím přístupem k AI, a začleňovat kulturní a řídicí perspektivy, spíše než pokládat gramotnost za kulturně neutrální. (The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education) (Digital Divide)

7. Spárujte gramotnost s páky na omezení zneužívání. Protože zneužívání AI aktivně poškozuje trvalé učení, instrukce gramotnosti by měla být spárována se strukturálními a edukativními pákami dokumentovanými pod omezováním zneužívání AI — designem nástrojů se zábranami typu „nápověda, ne odpověď", přepracováním hodnocení a scaffoldovanými sekvencemi „nejprve přemýšlej, pak AI" se záměrnou praxí v promptování.

8. Začněte od skutečného vstupního bodu žáků. Žáci přicházejí s odlišnými orientacemi — vyhýbáním řízeným strachem, nedůvěrou nebo nedostatkem přístupu versus nekritickým spoléháním, které maskuje nepochopení. Diagnostický, na fázích založený přístup (spíše než jednotné kurikulum) umožňuje návrhářům potkat studenty tam, kde jsou, a posunout je ke kritickému, odpovědnému angažování. (Beyond Tool Adoption: A Practical Five-Stage Developmental Continuum for AI Literacy in Higher Education)

9. Rozšiřte poskytování za obecenstva, která formální vzdělávání již dosahuje. Rámec AI Literacies pro veřejnoprávní média argumentuje na základě krajinného přehledu více než 40 rámců a 35 expertních interview, že poskytování se přiklonilo k technickým a funkcionálním dovednostem, a že AI gramotnosti se překrývají a měly by být spojeny s digitální, mediální a informační gramotností, spíše než vyučovány jako samostatný předmět. Jeho struktura — šest oblastí kompetencí, pět hodnot a tři úrovně progrese (Understanding and Applying, Analysing and Evaluating, Synthesising and Specialising) s průvodcem hodnocení — je použitelnou šablonou pro poskytovatele mimo formální školství, a jeho argument rovnosti je designovou instrukcí: dosažení mladých lidí, kteří jsou digitálně nebo jinak marginalizováni, vyžaduje záměrná partnerství, nikoli univerzální publikaci. (Supporting AI Literacies for Young Adults Aged 14-19: A value-based, practical framework for public service media organisations)

Měření gramotnosti v oblasti AI

Odlišné výzkumné vlákno pokládá gramotnost v oblasti AI nejen za cíl instruktáže, ale za konstrukt, který se má měřit. Větev hodnocení této znalostní báze rozlišuje sebeposuzovanou od na výkonu založené gramotnosti: sebeposuzování se ostře rozchází s prokázanou kompetencí (učitelé přeceňují o ~40 %), a na výkonu založená měření předpovídají integraci AI ve třídě mnohem lépe než průzkumy sebedůvěry (r≈0,72 vs 0,31). Práce na intervencích reprodukuje tento rozkol na úrovni chování: v studii Clerc et al. (2026) ani postoje k GenAI, ani obecná škála metakognitivního povědomí nepředpovídaly regulaci interakce žáků s LLM ani jejich konečné skóre úkolů (r = ,01 a r = ,04, obě nevýznamné), zatímco chování, která workshop změnilo — odmítání nedostatečně specifikovaných promptů, posuzování správnosti odpovědi, kladení následné otázky — sledovalo kvalitu odpovědi. Validované instrumenty se objevují k uzavření této mezery — GLAT poskytuje psychometricky validované hodnocení gramotnosti v oblasti generativní AI, a diagnostické profily (přeceňovatelé vs. skuteční nováčci) umožňují návrhářům cílit podporu tam, kde je potřeba. Guo et al. (2026) mapují tuto krajinu instrumentů přímo a přezkoumávají 80 validovaných rámců — 69 rámců digitální gramotnosti a 11 rámců gramotnosti v oblasti AI — publikovaných mezi lednem 2014 a únorem 2025. AI zatáhla digitální gramotnost směrem k etice a přebarvila komunikaci tak, aby zahrnovala interakci člověka a AI, zatímco metakognitivní regulace a AI spolupráce specifická pro pedagogy zůstávají nejméně specifikované. Pro design a výzkum to váže gramotnost v oblasti AI k vzdělávacímu měření a širše k hodnocení: rámec gramotnosti je jen tak užitečný, jak užitečné jsou instrumenty používané ke sledování růstu, a na fázích založená kontinua vyžadují spolehlivé měření, aby žáky na nich umístila.

32položkový šestifacetový instrument rozšiřuje čtyřdimenzní model o dva další faketory — odpovědné používání a seberozvoj — a udržuje skalární invarianci napříec adolescenty (12–17), mladými dospělými (18–40) a dospělými v polovině života (41–60), ačkoli autoři varují, že ΔCFI se přiblížila konvenčnímu cut-offu (Liu et al. (2026)).

Zhi, Yang a Huang (2026) staví model specifický pro absolventy na Marzanově taxonomii: analýza zakotvenou v teorii, založená na interview s 14 profesory, kondenzovala 329 surových označení do 96 konceptů, 15 kategorií a pěti dimenzí (cognitive foundation, operational skills, higher-order thinking, metacognitive reflection, ethical responsibility), poté je operationalizovala jako 15položkovou Likertovu škálu, jejíž pět faktorů se objevilo v explorační faktorové analýze (83,14% kumulativní variance) a udrželo v konfirmační faktorové analýze na druhém subsamplu (CFI = 0,934, RMSEA = 0,083), s reliabilitou od 0,796 do 0,842 napříec 308 platnými dotazníky.

Critical 3wAI Literacy Scale (Bozkurt, Ertan & Cömert, 2026) validuje stejnou trojdílnou strukturu pro dospělé žáky jako sebeposuzovací instrument (n = 546 a n = 647; χ²/df = 4,93, CFI = 0,931, α = 0,913). Její faktory Know-How a Know-Why vyšly nejtěsněji spárované (HTMT = 0,544), zatímco samotné teoretické znalosti se nepřeložily do praktické účinnosti. Jako sebeposuzovací měření sdílí problém rozkolu dokumentovaný výše, takže je to validovaná diagnostika, spíše než měření výkonu — a autoři vyzývají k revalidaci napříec věkovými skupinami a kulturními kontexty.

Související otázkou je to, co instrumenty mohou vůbec měřit. Burriss et al. (2026) poznamenávají, že stávající škály gramotnosti v oblasti AI a rámce kompetencí předpokládají individuálně měřitelný výkon, a proto strukturálně vylučují spoluprácivý, kreativní výraz — důkazem jejich jednotky byly multimodální filmové artefakty, reflexe a občanský diskurz, spíše než sumativní skóre, a autoři argumentují, že takový důkaz může doplňovat, nikoli nahrazovat konvenční měření. Rozšíření konstruktu proto může vyžadovat rozšíření přípustného důkazu, nejen přidání modality-bohatých položek do stávajících škál.

Doplňkové vlákno měří, jak žáci a pedagogové přijímají AI gramotnostní materiály, spíše než jejich gramotnost samotnou. Wang, Chuang a Wu (2026) nechali 794 studentů a 37 pedagogů hodnotit dvě edice příruček postavených na UNESCO věkovém prahu (věky 9-12 a 13-18) po zhruba 30 minutách řízené třídní expozice. Acceptance držela čtyřfaktorovou strukturu (Performance Expectancy, Effort Expectancy, Perceived Playfulness, Behavioral Intention) s podporovanou invariancí měření napříec dvěma studentskými edicemi, mladší žáci skórovali výše na všech čtyřech konstruktech, a vnímaná hravost nesla největší asociaci s intencí v obou kohortách. Autoři jsou explicitní ohledně toho, čím to není: vnímané přijetí zdroje řazeného podle věku není dosažením gramotnosti v oblasti AI, etickým uvažováním, přijetím ani trvalým používáním, a přijetí na úrovni materiálu by se nemělo číst jako důkaz, že se gramotnost zlepšila.

Měření se rozšiřuje také na pedagogy, kteří mediační angažovanost žáků s AI. Většina hodnocení gramotnosti v oblasti AI cílí na studenty nebo obecné uživatele, čímž zanechává mezeru ve vzdělávání učitelů — mezeru, kterou řeší Teachers' AI Literacy Scale (TAILS): zakotvená v rámci ED-AI se šesti dimenzemi (knowledge, evaluation, collaboration, contextualization, autonomy a ethics), byla validována explorační a konfirmační faktorovou analýzou s budoucími učiteli jazyků. Takové instrumenty podporují měření a rozvoj gramotnosti v oblasti AI pedagogů, kteří mediační angažovanost žáků s AI. Na studentské straně Nie et al. (2026) vyvíjejí a validují Generative AI Assessment Literacy Scale (GAA-LS) pro studenty vysokoškolského vzdělávání — 18položkový, pětifaktorový instrument, jehož skóre sledují angažovanost ve zpětné vazbě, akademickou integritu a odpovědné používání AI, s nepřímou trasou k integritě vedoucí skrze zpětnou vazbu — důkaz, že gramotnost v oblasti AI specifická pro hodnocení je měřitelná a váže se k chování integrity. To, co tento korpus instrumentů zaměřených na pedagogy ve skutečnosti obsahuje, bylo od té doby auditováno: přehled Zainal, Mohd Matore a Maat z roku 2026 nástrojů měření gramotnosti pedagogů v oblasti AI ocenil 33 instrumentů publikovaných mezi 2019 a 2025 a zjistil, že 31 (93,9%) bylo sebeposuzovacími škálami vnímané sebedůvěry, pouze dva testovaly znalosti objektivně a žádné nepoužívaly úkoly založené na výkonu, zatímco důkazy spravedlnosti byly nejslabší doménou kvality, přičemž pouze pět instrumentů uvádělo invarianci měření nebo diferenciální fungování položek.

Aktualizace z roku 2026 této měřicí literatury ji reorganizuje do čtyř domén — knowledge and use, epistemic oversight, reliance calibration a operational control of tool-using agents —, a uvádí, že žádný validovaný instrument na individuální úrovni v korpusu nepokrývá plnou kombinaci rozsahu, oprávnění, obnovy, izolace stavu, nezávislé kontroly a důkazně založeného uzavření, které agentické používání nástrojů vyžaduje. Jeho sdružená korelace subjektivní–objektivní napříec třemi efekty stejného vzorku byla r = ,055, což je v souladu s výše popsaným rozkolem, spíše než se sebehodnoceními jako použitelnou proxy (Verí (2026)).

Krajina měření je sama o sobě neuspořádaná a nyní částečně zmapovatelná. He, Zhang, Wang a Ji (2026) analyzovali korpus instrumentů gramotnosti v oblasti AI pomocí LLM založeného kódovacího pipeline a zjistili, že obor měří mnoho konstruktů pod jedním označením — problém jangle, přičemž jeden konstrukt nese několik jmen (Behavioral Commitment se objevuje v osmi kandidátských párech, Intrinsic Motivation v pěti), po boku kandidátských případů jingle, kde instrumenty sdílejí označení, ale ne obsah svých položek. Jejich obnova položkové a konstruktové struktury pomocí sémantické podobnosti korelovala s vlastními hlášenými reliabilitami instrumentů pouze středně (r = 0,49 na úrovni položek proti 0,45 a 0,35 na úrovni konstruktů), a metodu nabízejí jako screening, spíše než rozhodování. Důsledek pro každého, kdo vybírá měření, je, že konvergentní tvrzení napříec studiemi nelze bezpečně předpokládat: dva instrumenty se stejným jménem nemusí operationalizovat stejný konstrukt.

To, co tyto instrumenty mohou podpořit, bylo nyní auditováno, a audit je střízlivý. Jin, Gašević, Martinez-Maldonado a Yan (2026) odsítili 8 056 záznamů na 58 studií pokrývajících 47 unikátních instrumentů, oceněných pomocí COSMIN proti konstruktu, jehož okno vývoje instrumentu se zkomprimovalo do tří let (dva instrumenty před rokem 2023, 28 pouze v roce 2025). Korpus zůstává 37 z 47 sebeposuzováním, a důkazy se drží těsně kolem vnitřní struktury: strukturální validita byla dostatečná ve 32 z 58 studií a vnitřní konzistence ve 32, přičemž žádná nebyla hodnocena jako nedostatečná, ale validitu konstruktu uvádělo pouze 15 studií (12 dostatečných), kritériovou validitu jedna, invarianci měření pět (všechny dostatečné), a pouze 2 z 58 získaly dostatečné celkové hodnocení obsahové validity — komplexnost byla nedostatečná ve 53 přesto, že 43 studií uvádělo kognitivní interview. Vzor je takový, že měřicí praxe vypadá robustně přesně tam, kde je její prokázání nejlevnější, a tenčí tam, kde důkazy musí přicházet z vnějšku instrumentu, takže čistá faktorová struktura a vysoký koeficient (které mohou odrážet redundantnost položek stejně jako reprezentaci konstruktu) by se neměly číst jako prokázaná schopnost. Recept autorů je konsolidace, spíše než proliferace: zdokonalit stávající škály, testovat invarianci, kdykoli škála překračuje jazyk nebo vzdělávací stupeň, a přidávat kritériové důkazy vztahem skóre k výkonovým úkolům.

Jedna z výjimek je postavena ke srovnávání skupin. Zhang et al. (2026) vyvinuli Generative AI Literacy Scale (GAILS) — 43 položek redukovaných na 34 přes Delphi přezkum pěti expertů a sedmičlenný pilot, poté validovaných u 341 severoamerických dospělých — a testovali skalární invarianci, přičemž zjistili, že vydržela mezi ženskými a mužskými respondenty a mezi skupinami studentů a pracovní síly. Právě to licencuje srovnání průměrů, která instrument uvádí — muži skórující mírně výše na Adaptive Operational Skills, studenti výše na Adaptive Operational Skills a Responsible GenAI Literacy — jako rozdíly v kompetenci, spíše než diferenciální fungování položek, a právě to činí škálu použitelnou napříec prostředími vysokoškolského vzdělávání a pracovišti, nikoli jen pro studenty. Její vlastní důkazy nejsou bez poskvrny: fit byl smíšený (CFI = ,967 a SRMR = ,058 uvnitř konvenčních cut-offů, RMSEA = ,087 nad nimi), α celkové škály = ,973 stojí po boku jednoho selhaného Fornell–Larckerova diskriminačního srovnání (Faktor 1 √AVE = ,828 proti r = ,873 s Faktorem 3), a jako téměř vše v korpusu měří vnímanou kompetenci bez behaviorálního kritéria. Validovaná škála v tomto oboru je výchozím bodem pro práci na invarianci a kritériu, kterou přehled vyžaduje, nikoli hotovým benchmarkem.

Související témata napříec znalostní bází

Gramotnost v oblasti AI se protíná s AI doučováním (porozumění tomu, kdy a jak jsou AI tutoři efektivní), kompetencemi pedagogů (připravenost pedagogů), akademickou integritou (vědomí toho, co představuje přiměřené používání AI) a širše s AI ve vzdělávání. Je jak předpokladem efektivního používání AI, tak výsledkem dobře navržené integrace AI — žáci se učí gramotnost v oblasti AI POUŽÍVÁNÍM AI kriticky, nejen učením se O AI.

Gramotnost v oblasti AI je pro přehnané spoléhání oboustranná: Maizel et al. (2026) zjistili, že dimenze gramotnosti v oblasti AI založené na dovednostech (používání/porozumění, detekce) byly pozitivně asociovány s hlášenou závislostí na AI, zatímco AI sebeúčinnost a akademická sebedůvěra byly asociovány negativně — takže technické školení gramotnosti v oblasti AI, bez podpor seberegulace a sebeúčinnosti, může závislost zvýšit. Gramotnost v oblasti AI se zde stává umožňující kapacitou, jejíž směr závisí na komplementárních motivačních zdrojích.

• Verifikační návyky se vyplácejí pouze přes regulaci. V průzkumu Davor, Larbi a Boateng (2026) mezi 533 univerzitními studenty v Ghaně neměla gramotnost v AI verifikaci významný přímý efekt na kritické myšlení (beta = ,076, p = ,090) ani technické řešení problémů (beta = ,043, p = ,385) a záležela pouze přes metakognitivní seberegulaci (beta = ,167, p < ,001), plnou mediaci, již autoři nazývají metakognitivní aktivace. AI scaffolding úkolů předpovídal oba výsledky (beta = ,185 a ,170), zatímco tendence k kognitivnímu odklánění je předpovídala negativně (beta = −,240 a −,312) a také potlačovala regulaci (beta = −,294). Učit studenty kontrolovat výstup AI proto samo o sobě nestačí: hodnoticí návyky potřebují plánování, monitorování a reflexi zabudované do úkolu.
• Kritika výstupu AI jako praxe gramotnosti: Hosseini (2026) pokládá hodnocení AI generovaných chyb za klíčovou dovednost gramotnosti v oblasti AI a používá analýzu režimů selhání a iterativní zdokonalování promptů v kurzu návrhu databází. Studie zjistila, že studenti přeceňovali své AI schopnosti (sebeposuzovaná gramotnost slabě, negativně korelující s objektivní kompetencí), a že na kritice založené učení posilovalo kalibraci.
• Socialistická humanistická gramotnost v oblasti AI (2026): Literární přehled kritizuje na compliance orientovanou gramotnost v oblasti AI a navrhuje socialisticko-humanistické rámování asynchronní gramotnosti v oblasti AI a fair use ve vysokoškolském vzdělávání, čímž spojuje historickou digitální propast se soudobou gramotností v oblasti AI a vyzývá k přístupům, které slouží lidskému rozkvětu a rovnosti, spíše než mechanické compliance s politikami (From Mechanical Compliance to Human Flourishing: A Socialist Humanist Approach to Asynchronous AI Literacy and Fair Use in Higher Education).
• Lehké a nenáročné varování otupují přesvědčování AI — bez nákladů na obecnou důvěru. Orchinik a Rand (2026) preregistrovali dva experimenty (celkem N = 3 208 amerických dospělých), v nichž účastníci konverzovali s LLM instruovaným posunout jejich názory na politická témata. Jediné krátké varování — že modely mohou být promptovány k přesvědčování a mohou prezentovat informace selektivně — snížilo změnu přesvědčení zhruba o polovinu (−48,1%, 95% CI [−59,5%, −36,8]) oproti kontrole, a přidání varování o specifických technikách přesvědčování nepřineslo další prospěch. Vlastnost, která má význam pro výuku, je na druhé straně efektu: obecná důvěra v generativní AI neklesla, takže intervence buduje kalibrovanou důvěru, spíše než paušální skepsi. Je to jedno-paragrafová intervence bez facilitace, což je vzácný nákladový profil pro design gramotnosti v oblasti AI.
• Řízení AI žáky záleží víc než design nástroje. Azimi (2026) randomizoval 33 studentů v magisterském kurzu datové analytiky mezi AI Study Coachem se scaffoldingem zakotveným v noteboocích (n = 16) a neomezeným používáním jakýchkoli generativních AI nástrojů, které si vybrali (n = 17), po dobu sedmi týdnů. Výkon při úkolech a zisky v inventáři konceptů byly nerozlišitelné; podmínka Coach hlásila vyšší sebedůvěru místo toho. To, co studenty oddělilo, byla gramotnost v oblasti AI v praxi: ti, kteří formulovali vlastní pravidla pro to, kdy AI používat, skórovali výše v obou podmínkách, a studenti s nejhlubším porozuměním modelu — každý z nich samoukem — promptovali nejzáměrněji. Designový důsledek jde proti reflexu kontroly: učte seberegulační a model-porozumějící komponenty gramotnosti v oblasti AI, spíše než abyste omezovali nástroje.

Související koncepty

• Pedagogical Patterns — Vyvinuto kriticko-hodnoticími kroky v těchto sekvencích
• Learners — Žáci: zastřešující pojem pro koncepty na straně žáka
• Generative AI — technologie, na niž gramotnost v oblasti AI cílí
• Large Language Models (LLMs) — systémy v srdci gramotnosti v oblasti AI
• Critical Thinking — základní hodnoticí dispozice
• Prompt Engineering — základní praktická kompetence
• Metacognition — gramotnost jako metakognitivní sociální praxe
• Cognitive Offloading — riziko přehnaného spoléhání, jemuž gramotnost čelí
• Reducing AI Misuse — behaviorální výnos gramotnosti
• Academic Integrity — vědomí toho, co představuje přiměřené používání AI
• Self-Assessment — hodnocení vlastní práce a dovednosti, jako technika i jako měření
• Trust Calibration — kalibrace přiměřené důvěry
• AI Sycophancy — dovednost gramotnosti detekovat souhlas
• Equity — spravedlivá distribuce gramotnosti
• Digital Divide — mezera v přístupu / dovednostech / výsledcích
• Ethics — dimenze etického povědomí
• Teacher AI Competency — připravenost pedagogů
• Educational Development — budování gramotnosti pedagogů
• AI-Assisted Educational Research — AI podporovaný vzdělávací výzkum
• K-12 — gramotnost na školní úrovni
• Higher Education — gramotnost na univerzitní úrovni
• Career Development and Readiness — výnos zaměstnatelnosti, o jehož budování gramotnost v oblasti AI argumentuje
• Umělá inteligence ve vzdělávání — širší obor

Související články

• Modeling the Relationships Between University Students' AI Competence, AI Ethical Awareness, and AI Anxiety: A Dual-Stage PLS-SEM and ANN Analysis - Zvyšování etické dimenze gramotnosti bez rámce zvládání může zanechat studenty úzkostnější

• Reconceptualizing digital literacy in the AI era: A systematic review of validated frameworks from an ecological perspective — 80 validovaných rámců ukazuje, že AI rozšiřuje digitální gramotnost směrem k etice, zatímco spolupráce člověka a AI specifická pro pedagogy zůstává nedostatečně specifikována (Guo et al. 2026)

• Supporting AI Literacies for Young Adults Aged 14-19: A value-based, practical framework for public service media organisations — Šest oblastí kompetencí, pět hodnot a tři úrovně progrese pro veřejnoprávní média

• The AI Literacy Heptagon: A Structured Approach to AI Literacy in Higher Education — AI Literacy Heptagon

• Beyond Tool Adoption: A Practical Five-Stage Developmental Continuum for AI Literacy in Higher Education — Praktické pěti-fázové kontinuum gramotnosti v oblasti AI

• Clarifying the Conceptual Landscape in AI Literacy Measurement: A Large Language Model Based Approach — Mapování korpusu instrumentů gramotnosti v oblasti AI: 55 konstruktů, páry jangle a jingle, LLM založené kódování

• Measuring Artificial Intelligence Literacy: A Systematic Review of Instrument Development, Conceptual Foundations, and Psychometric Quality — Ocenění COSMIN 58 studií a 47 instrumentů gramotnosti v oblasti AI: důkazy validity se drží kolem vnitřní struktury, zatímco kritériové, obsahové a invarianční důkazy zůstávají z velké části chybějící (Jin et al. 2026)

• The Generative Artificial Intelligence Literacy Scale (GAILS): Development, Validation, and Measurement Invariance Across Sex and Occupational Status Groups — GAILS: 34položková škála gramotnosti v oblasti GenAI validovaná u 341 dospělých, skalárně invariantní napříec skupinami pohlaví a studentů/pracovní síly (Zhang et al. 2026)

• GLAT: The Generative AI Literacy Assessment Test — GLAT: validovaný test hodnocení gramotnosti v oblasti generativní AI

• How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures — Hodnocení gramotnosti v oblasti AI: rozkol mezi sebeposuzováním a výkonem

• Development and validation of the generative AI assessment literacy scale for higher education students — GAA-LS: validovaná Generative AI Assessment Literacy Scale pro studenty vysokoškolského vzdělávání (Nie et al. 2026)

• Beyond AI Literacy: A Structured Review and Exploratory Meta-Analysis of Measures for Competent Generative-AI Use — Za gramotností v oblasti AI: strukturovaný přehled a explorační metaanalýza měření kompetentního používání generativní AI

• How AI literacy correlates with affective, behavioral, cognitive and contextual variables: A systematic review — systematický přehled toho, s čím gramotnost v oblasti AI koreluje

• Assessing teachers' AI literacy: a systematic review of measurement tools — systematický přehled nástrojů, které měří gramotnost pedagogů v oblasti AI

• Development of an AI literacy self-assessment questionnaire in upper primary school students — dotazník sebehodnocení pro starší žáky základní školy

• Metacognitive AI literacy: going beyond the AI skills gap agenda — Gramotnost v oblasti AI jako metakognitivní sociální praxe

• AI Literacy Interventions in Education: A Meta-Analysis of Effects and Moderators — Metaanalýza efektů intervencí v oblasti gramotnosti v AI

• The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education — Rámec Scaffolded AI Literacy (SAIL)

• Measuring Acceptance of Age-Tiered AI Literacy Guidebooks: A Developmentally Informed Study of K-12 Students and Teachers — Příručky gramotnosti v oblasti AI řazené podle věku hodnocené s 794 studenty a 37 pedagogy: čtyřfaktorová struktura acceptance invariantní napříec edicemi 9-12 a 13-18, s mladšími žáky výše na každém konstruktu

• Reorienting Critical AI Literacy: A Community-Rooted Praxis of “Resisting AI” — Kritická gramotnost v oblasti AI: moc, odpor, agentura

• Prompts to Practice: A Pedagogical Framework for Human-Centered AI Engagement — Gramotnost v promptování jako základní gramotnost odlišná od prompt engineeringu: pěti-fázový human-centered model angažování s GenAI (Miles, Haber-Curran & Arar 2026)

• The Hidden Cost of Contextual Sycophancy: an AI Literacy Intervention in Human-AI Collaboration — Kontextové patolízalství jako intervence gramotnosti v oblasti AI

• Understanding Student Dependency on AI: The Role of AI Literacy, Academic Self-Efficacy, and Resource Management Strategies — Gramotnost v oblasti AI, sebeúčinnost a závislost

• Teaching Students to Question the Machine: An AI Literacy Intervention Improves Students' Regulation of LLM Use in a Science Task — dvouhodinový workshop změnil regulaci interakce žáků střední školy s LLM, zatímco sebeposuzování nepředpovídalo nic (Clerc et al. 2026)

• Artificial Intelligence Literacy and Sustainable Development: An Ethical Governance and Development Goals Framework — Gramotnost v oblasti AI jako kapacita řízení pro udržitelný rozvoj: taxonomie AIRE a vazba AI–SDG (Islam, Morshed & Islam 2026)

• AI Literacy in Secondary Education: Framework, Assessment, and Professional Development in the Ukrainian Context — Pětiúrovňový rámec gramotnosti v oblasti AI pro ukrajinské pedagogy středních škol (Marienko et al. 2026)

• STEAM Education for AI Literacy: A Systematic Literature Review — Vzdělávání STEAM pro gramotnost v oblasti AI: systematický přehled

• Systematic Review of Collaborative Learning Activities for Promoting AI Literacy — Rámec Collaborative AI Literacy

• Co-Constructing AI Boundaries: Agency, Judgment, and Ethical Literacy in AI-Mediated Meaning-Making — přebarvuje gramotnost v oblasti AI jako posuzování, kterou interpretivní práci by se nemělo delegovat

• Artificial intelligence-supported learning and higher-order cognitive outcomes: the mediating role of metacognitive self-regulation — Gramotnost v AI verifikaci záležela pouze přes metakognitivní seberegulaci, zatímco kognitivní odklánění předpovídalo nižší kritické myšlení a řešení problémů (Davor et al. 2026)

• Designing for AI literacy: psychological mechanisms and self-determination — Na myšlení založená instrukce porazila na dovednostech založenou instrukci na objektivně hodnoceném úkolu, přičemž autonomie a kompetence nesly efekt (Yu, Lin & Chen 2026)

• Psychological predictors of continued ChatGPT use among university students: the roles of AI literacy, trust, and academic self-efficacy — Cesta od gramotnosti v oblasti AI k pokračujícímu používání ChatGPT vede přes důvěru a akademickou sebeúčinnost, a úzkost z AI ztenčuje první vazbu (Hu 2026)

• Modeling and measuring graduate students’ generative AI literacy: a study based on Marzano’s taxonomy — Pěti-dimenzí model zakotvený v Marzanovi a 15položková škála sebeposuzování pro gramotnost absolventů v oblasti GenAI (Zhi et al. 2026)

• Artificial intelligence in initial teacher training for pre-service primary school teachers in mathematics: a systematic review — Jedenáct studií o AI v počátečním vzdělávání učitelů matematiky, většinou krátkodobých, s etikou řešenou pouze ve třech (Pinto et al. 2026)

• Generative artificial intelligence in university chemistry education: a critical review using Johnstone’s chemistry triplet and Biggs’ 3P model — Na verifikaci centrovaná integrace GenAI v univerzitní chemii, s reprezentačním překladem jako klíčovou poptávkou gramotnosti v oblasti AI (Vega-Baudrit & Rivera Alvarez 2026)

• Who Acts, Who Knows, Who Answers? A Corpus-Assisted Discourse Analysis of Agency, Epistemic Responsibility, and Accountability in Generative AI Higher Education Research — Kdo jedná, kdo ví, kdo odpovídá? Korpusově asistovaná diskurzivní analýza agentury, epistemické odpovědnosti a odpovědnosti ve výzkumu generativní AI ve vysokoškolském vzdělávání

• Bridging the Gap: Investigating Students' Self-Reported AI-Literacy and Perceived Employability Competencies for an AI-Enabled Workforce — Sebeposuzovaná gramotnost v oblasti AI vysvětlila 60,8% vnímané připravenosti na zaměstnatelnost, přičemž hodnoticí a afektivní dimenze byly nejsilnější (ElSayary & Ragab 2026)

• From Competency to Agency: Teachers' Views of the Purposes of AI Education — Účely pedagogů pro výuku o AI čtené přes Biestovu kvalifikaci, socializaci a subjektivaci, a heuristiku informované AI agentury (Fagerlund et al. 2026)

• Teacher Readiness-By-Design for AI-Rich Interactive Learning — Připravenost pedagogů jako kvalita designu, spíše než přijetí nebo sebedůvěra, se sebeúčinností jako zdrojem a nepoužíváním nikoli nepřipraveností (Charles 2026)

• The Effects of K-12 Artificial Intelligence Education in Enhancing AI Literacy: A Meta-Analysis — Výuka o AI v K-12 zvýšila gramotnost v oblasti AI se sdruženým g = 0,892 napříec 57 pozitivními efekty, a nesouhlas měření vysvětluje heterogenitu (Yu et al. 2026)

• Literacy demands placed on students in student–GenAI entanglements in higher education — Poptávky gramotnosti se liší podle typu entanglementu student–GenAI; formy Assistant a Enabler dominují, zatímco zbytek zůstává okrajový z institucionálních důvodů (Sun, Dohn & Rehm 2026)

• The AI Competence Framework Landscape: A Comparative Analysis of Frameworks for Education and Workforce Development — Srovnávací analýza 16 rámců AI kompetencí pro vzdělávání a rozvoj pracovní síly

• A Multidimensional Analysis of AI Literacy Determinants: External Resources, Digital Skills, and Psychological Profile Among University Students — Vnější zdroje, digitální kompetence a psychologický profil jako společné determinanty, s obrácením znaménka u technologické úzkosti

• The Six-Facet Artificial Intelligence Literacy Questionnaire (SFAILQ): Assessing AI Literacy in Adolescents, Young Adults, and Midlife Adults — Šestifacetový instrument přidávající faketory odpovědného používání a seberozvoje, skalárně invariantní napříec adolescenty, mladými dospělými a dospělými v polovině života

• Exploring University Faculty's AI Well-Being: A Structural Equation Model of Social Supports, AI Literacy, and Technological Self-Efficacy — Model strukturálních rovnic AI pohody fakulty, sociálních podpor a gramotnosti v oblasti AI

• What Does It Mean to Be AI Literate? Psychometric Validation of the Critical 3wAI Literacy Scale — Validovaná 17položková škála sebeposuzování se třemi odlišnými faktory gramotnosti v oblasti AI (Know What/How/Why); Know-How a Know-Why nejvíce spárované (HTMT = 0,544)

• AI Literacy and STEM Education: Emerging Frontiers and Research Priorities — Syntéza deseti nejcitovanějších studií gramotnosti v oblasti AI ve STEM vzdělávání (Hallström et al. 2026)