Znalostní báze AIEdAIEd KB
Na této stránce

Přečtěte si tuto stránku v angličtině

Pojmy

Kognitivní odklánění

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

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

Kognitivní odklánění - používání vnějších nástrojů (včetně AI) ke snižování vnitřní kognitivní zátěže, které přesouvá duševní práci od žáka k systému. V Umělá inteligence ve vzdělávání je kognitivní odklánění ústředním mechanismem, jímž AI nástroje mohou učení buď podporovat, nebo podkopávat: přiměřené odklánění uvolňuje kognitivní zdroje pro myšlení vyššího řádu, zatímco nadměrné odklánění obchází zpracování nutné pro trvalé učení. Nadměrná závislost je škodlivým koncem tohoto spektra - neproduktivním vzorcem, kdy odklánění přechází od strategické podpory k vytěsnění učení.

Otázky k zamyšlení

  • Kognitivní odklánění je používání vnějších nástrojů - včetně AI - ke snižování vnitřní kognitivní zátěže. Stránka výslovně říká, že odklánění samo o sobě není škodlivé: sešity, kalkulačky a vyhledávače také odklánějí. Co podle vás činí odklánění zprostředkované AI odlišným a potenciálně závažnějším než tyto známé nástroje?
  • Častým předpokladem je, že problémem je příliš časté používání AI. Tato stránka však odděluje nadměrnou závislost od pouhé četnosti - jde o způsob používání, který nahrazuje učení, a ne o to, jak často se AI používá. Dokážete popsat způsob používání AI, který je častý, ale zdravý, a takový, který je vzácný, ale škodlivý?
  • „Iluze zrychlení" spočívá v tom, že práce s podporou AI působí rychleji a snadněji, což vytváří zavádějící dojem produktivity, který zakrývá snížené učení - studenti zaměňují rychlost dokončení úkolu za učení. Kdy jste měli pocit produktivity při rychlém vykonání něčeho a později zjistili, že jste se z toho mnoho nenaučili?
  • Výzkum zjišťuje, že újma z odklánění je podmíněná, ne vnitřní: „AI, která koučuje, dovednost zachovává nebo posiluje; AI, která nahrazuje, riskuje její úpadek." Jaký je praktický rozdíl mezi AI, která podpírá vaše myšlení, a takovou, která je nahrazuje - a jak byste poznali, kterou z nich dostáváte?
  • Jedna studie ukazuje, že pouhá dostupnost rady od AI téměř eliminovala ochotu lidí říct „nevím" - i když byla rada nesprávná - a zároveň téměř zdvojnásobila sebevědomí a snížila přesnost na třetinu. Co to naznačuje o tom, jak AI mění naše uvědomování si vlastní nevědomosti?
  • Stránka představuje metakognitivní mezeru v rovnosti - „Matoušův efekt s AI": protože produktivní používání AI vyžaduje předchozí znalosti a metakognici, zvýhodnění studenti těží více, zatímco ti, kdo praxi potřebují nejvíce, nejpravděpodobněji učení delegují. Jak by měl pedagog nebo designér reagovat na skutečnost, že stejný nástroj může rozšiřovat existující propasti?

Úvod

Kognitivní odklánění není samo o sobě škodlivé - lidé vždy používali vnější nástroje (sešity, kalkulačky, vyhledávače) ke snižování kognitivní zátěže. Co činí odklánění zprostředkované AI odlišným, je jeho komplexnost: LLM dokážou generovat kompletní řešení, vysvětlení a analýzy, což může potenciálně eliminovat potřebu právě těch kognitivních procesů, které produkují učení.

Jak se kognitivní odklánění projevuje ve výzkumu AIED

Články znalostní báze dokumentují kognitivní odklánění v několika dimenzích:

  • Instrumentace sebereflexe místo měření rysu: PAUSE (Patterns of AI Use: Self-Examination) převádí literaturu o odklánění z let 2023-2026 do čtyřdoménového sebekontrolního nástroje - uvažování a kritické myšlení, kreativita a originalita, výzkum a učení, sociální a komunikační kapacita - s reverzně skórovanými behaviorálními položkami, citačními kotvami u každé položky, bez souhrnného skóre a bez nároku na validitu (Alam, 2026). Jeho návrhové stanovisko je, že užitečnou intervencí u odklánění je podněcovat reflexi, a ne vytvářet diagnózu, protože žádný nástroj zatím nemá takovou váhu, aby ospravedlnil závažné rozhodnutí o člověku.

  • Promptové vzorce jako stopy odklánění: Misiejuk et al. (2026) používají Network Analysis k tomu, aby ukázali, že reaktivní prompty (nesouhlas bez oborového kontextu) naznačují vyšší odklánění, zatímco promptování bohaté na kontext s integrovaným pokynem odráží angažovanou kognici. Jak se AI používá - ne jen zda se používá - určuje míru odklánění.

  • Objem promptování neidentifikuje, co je odkloněno: Poquet et al. (2026) shlukovali 97 žáků podle objemu promptů a zjistili, že shluky podle objemu se významně nelišily v lokálním versus globálním ani v aktivním rolovém promptování - stejný objem popisoval jak řízenou delegaci (12,9 promptu, 36 % aktivních), tak téměř žádné řízení (4 % aktivní).

  • Naturalistické důkazy na úrovni zpráv ve velkém měřítku - odklánění pozorované, ne předpokládané: Piatnitckaia et al. (2026) kódovali 3 047 zpráv v ChatGPT od 46 pregraduálních studentů jedné evropské univerzity v sedmitýdenním okně přípravy na zkoušky, s využitím GPT-4o-mini s vynucenými řetězci uvažování a s validací pipeline proti vyškolenému lidskému hodnotiteli na 200 zprávách (Cohenovo κ = 0,76 pro typ otázky, 0,75 pro úroveň podle Blooma). Analyze v tomto rozdělení vedlo s 27,28 % (831 zpráv) před Understand s 23,76 %, což je první jemnozrnný důkaz, že naturalistické používání AI studenty rutinně směřuje k práci vyššího řádu, a ne k memorování. Podvzorek 16 studentů s propojenými známkami, jehož 1 140 zpráv bylo kódováno ručně, dodává to, co stopy na úrovni promptů poskytnout nemohou: 49,6 % ze 125 dialogů nevykazovalo žádné odklánění, 34,4 % lehké a 16,0 % těžké, podle rubriky, která těžké vyhrazuje pro případy, kdy AI vytváří první návrh a konstruuje jádro intelektuálního produktu. Těžké odklánění bylo převážně fenoménem Create (80 % z 20 těžkých dialogů, 42 % všech dialogů Create), což autoři čtou jako důkaz, že míra odklánění a úroveň podle Blooma jsou odlišné dimenze, které stojí za to měřit odděleně. Vzorec známek byl pouze popisný - 17,6 % těžkého odklánění v nejvyšším pásmu, 17,5 % ve středním a 5,9 % v nejnižším (χ² = 5,80, df = 4, p = 0,215) - a částečně stojí na jednom studentovi zaměřeném na programování, jehož vyřazení snižuje míru v nejvyšším pásmu na 8,9 %, což autory vede k argumentu, že obor utváří zvyky delegování více než výkon, a k doporučení metakognitivní zpětné vazby ke skutečným vzorcům používání, a ne zákazu.

  • Iluze zrychlení: Výzkum iluze zrychlení ukazuje, že práce s podporou AI působí rychleji a snadněji, což vytváří zavádějící dojem produktivity, který zakrývá snížené učení. Studenti zaměňují rychlost dokončení úkolu za učení, což je metakognitivní slepá skvrna.

  • Ztráty učení z neřízené AI: Randomizované studie ve středoškolské matematice ukazují, že GenAI bez Guardrails přináší horší výsledky učení než tradiční výuka. Zkrácený čas studia koreluje se sníženým učením - studenti dokončují úkoly rychleji, ale méně si pamatují.

  • Randomizovaný test predikce odklánění s odstupem 45 dnů - a deficit není jen ušetřený čas: Barcaui (2025) randomizoval 120 pregraduálních studentů ke studiu témat AI a strojového učení buď s neomezeným ChatGPT (webové rozhraní GPT-4, bez vedení promptů), nebo tradičními ne-AI metodami a poté jim po 45 dnech zadal neohlášený konceptuální test o 20 otázkách. Skupina s podporou AI dosáhla 57,5 % proti 68,5 % (t(83) = -3,19, p = 0,002, Cohenovo d = 0,68) a nevýhoda přežila ANCOVA s konstantním sebeposuzovaným časem studia (F(1, 82) = 7,89, p = 0,006; adjustované průměry 6,50 vs. 5,85), takže nešlo jen o artefakt množství času. Argument odklánění v článku je, že ChatGPT poskytuje syntézu a vysvětlení přímo, což z něj činí kvalitativně odlišnou formu delegace než kalkulačka - takovou, která může pohltit porozumění, a ne jen vybavování.

  • Odklánění není vždy škodlivé - hraniční podmínka „kouče": Lira et al. (2025) ukazují, že AI může snížit úsilí při praxi a zlepšit učební prostředí, což přináší „pracuj méně, nauč se více". Dospělí, kteří procvičovali psaní s nástrojem AI, napsali lepší dopisy bez AI než ti, kdo procvičovali sami - dokonce předčili personalizovanou zpětnou vazbu od lidských editorů - a bez nafouknuté iluze mistrovství. Smíření s výše uvedenými újmami je forma odklánění: AI Liry et al. podpírala (vynášela příklady a zpětnou vazbu a udržovala žáka ve smyčce), místo aby kognitivní akt nahrazovala. Perspektiva dovedností versus základních schopností konverguje ke stejné hranici: AI, která koučuje, dovednost zachovává nebo posiluje; AI, která nahrazuje, riskuje její úpadek. Kilinc et al. (2026) dali této hranici čísla ve středoškolské výuce zemědělského STEM. Napříč 42 žáky osmého ročníku ve 12 skupinách tvořilo převzetí modelu 74,1 % kódovaných tahů kolaborativní angažovanosti v profilu Nejvíce zlepšených, zatímco kognitivní odklánění a kolaborativní patová situace společně dosáhly 80,8 % v profilu Zápasících. Účinek odklánění na učení je tedy podmíněný, ne vnitřní.

  • Kritická angažovanost versus odklánění: Favero et al. rámují AI tutory jako buď posilující (podporující aktivní kognici), nebo zotročující (umožňující pasivní odklánění), a spojují je s Critical Thinking a výzkumem.

  • Metakognitivní uvědomění: Studie metakognitivního uvědomění zkoumají, zda studenti rozpoznají, kdy odklánějí a kdy se učí - a zda instruktivní intervence mohou toto kalibrování zlepšit.

  • Vtělená inteligence jako alternativa k outsourcingu: Rámec E3-HOT argumentuje, že pro čelení kognitivnímu outsourcingu vyvolanému AI a učení odtrženému od autentických kontextů má být AI navržena kolem vtělené inteligence (situační zakotvení, vtělená participace, kognitivní tvorba), aby si žáci udrželi kognitivní agenturnost a myšlení vyššího řádu, místo aby je odkláněli. To rámuje vtělený, situovaný návrh AI jako pozitivní protějšek rizika odklánění a spojuje jej s Distributed Cognition a Embodied Learning.

  • Kompromis mezi efektivitou a AI Regulation in Education u distribuované kognice: Hao et al. ukazují, že při spolupráci člověka a AI si režim, který nejvíce odklání na AI (delegované uvažování), vede v úlohách nejlépe, ale koreluje se sníženou seberegulací - empirický důkaz, že zisk efektivity z odklánění může přijít na úkor regulační angažovanosti žáka, což konverguje s obavami o Self-Regulated Learning.

  • Únava a kognitivní břemeno: Výzkum únavy z AI dokumentuje, jak neustálá interakce s AI vytváří vlastní kognitivní břemeno - paradox, kdy odklonění jednoho úkolu zvyšuje kognitivní zátěž ze správy výstupů AI.

  • Rámec metakognitivních přesvědčení versus prožitků: Guo & Ye (2026) aplikují dynamický metakognitivní model Nelsona a Narena, aby smířili protichůdná zjištění intervencí v oboru. Rozlišují metakognitivní přesvědčení (stabilní, sebevztažné sebepojetí, které ukotvuje volby odklánění před úkolem) od metakognitivních prožitků (dynamické, úkolově specifické pocity, které řídí aktualizaci přesvědčení během úkolu), a odvozují princip sladění komponenty a načasování: zpětná vazba cílící přesvědčení je nejúčinnější před úkolem, zatímco zpětná vazba cílící prožitek (okamžité indikátory správnosti) během něj. Formalizují také substitutivní odklánění (nahrazení vnitřního zpracování vnějšími pomůckami) versus duplikativní odklánění (jeho doplnění) - když vnější úložiště zmizí, substitutivní odkláněči prudce klesají, zatímco duplikativní si přesnost udrží - a pomocí reminderové odchylky kvantifikují odchylku od optimálního odklánění. To konverguje s hranicí „kouč versus berla": odklánění, které podpírá, dovednost zachovává; odklánění, které nahrazuje, riskuje její úpadek.

  • Formální model problematického užívání závislosti na AI v akademickém psaní (I-PACE): Liu, Zhuang & Wang (2026) rozšiřují model I-PACE užívání návykových technologií na závislost na generativní AI v akademickém psaní vysokoškoláků. V smíšeném čínském vzorku je akademický stres nejsilnějším prediktorem závislosti na AI, Gramotnost v oblasti AI je protektivním faktorem (nižší gramotnost vede k větší psychické závislosti) a vnímaná důvěra zprostředkovává cestu od sociálního vlivu k závislosti - závislost tedy vzniká cestou sociální vliv - důvěra - chování, a ne jen individuálním používáním nástroje. Jejich kvalitativní data přidávají politickou dimenzi: studenti uvádějí strategické obcházení detekce plagiátorství a označují nejednoznačná pravidla o tom, co se počítá za souladné používání AI, za pobídku k improvizaci, což spojuje odklánění s Akademická integrita.

  • Kognitivní dluh a rozlišení epizodického a habituálního odklánění: Lin & Al-Hada (2026) formalizují „paradox kritického myšlení" - zlepšené produkty vedle snížené kognitivní angažovanosti - prostřednictvím diferencovaného tříúrovňového rámce (povrchové, střední a hluboké role AI) a konstruktu kognitivního dluhu: možného kumulativního poklesu metakognitivního kalibrování a výkonu vyššího řádu bez pomoci, který přetrvává i po epizodě s podporou AI. Jejich klíčovým konceptuálním posunem je rozlišení epizodického odklánění (záměrná, úkolově specifická delegace se zachovaným uvědoměním) od habituálního odklánění (rutinní, slabě monitorované spoléhání), s predikcí, že to druhé u úloh hlubokého zpracování přinese disociaci produktu a procesu - výše hodnocené práce, ale nižší odložený transfer bez pomoci.

  • Spektrum od outsourcingu k realokaci: odklánění může úsilí přerozdělovat, a ne snižovat. Yan et al. (2026) aplikovali Biggsův model presage-process-product na 38 pregraduálních studentů v Japonsku a Číně píšících argumentativní eseje bez dohledu a umístili angažovanost studentů s GenAI na spektrum ohraničené kognitivním outsourcingem a kognitivní realokací - analogií povrchového versus hlubokého přístupu v éře GenAI. Menšina realokujících uváděla nezměněné celkové úsilí s posunutým zaměřením, přesouvajíc zdroje od nízkoúrovňového vybavování ke kritickému hodnocení a reflektivní konsolidaci (psaní reflexních poznámek po každém sezení proti mělkému zapamatování), což zpochybňuje předpoklad, že odklánění nutně kognici odečítá. Realokace však byla výjimkou: 78,94 % se GenAI dotklo jen před začátkem nebo po napsání návrhu, místo aby se s ní střídalo v samostatné práci, a 76,32 % se spoléhalo na vzorec jediného tahu otázka-odpověď-konec (23,68 % udržovalo iterativní dialog), takže integrující chování, které realokaci přinášelo, se muselo vyučovat, a ne předpokládat.

  • Metakognitivní trénink snižuje reminderovou odchylku (přímý empirický důkaz): Ngai & Gilbert (2026) přinášejí první jasnou demonstraci, že krátká intervence může odklánění měřitelně zoptimalizovat. Dva předregistrované experimenty (N=164, N=416) zjistily, že pouhých pět cvičných pokusů spojujících predikci výkonu s pravdivou zpětnou vazbou po každém pokusu zlepšilo metakognitivní kalibrování a snížilo reminderovou odchylku. Aditivní design se čtyřmi skupinami izoloval mechanismus: samotné predikce byly neúčinné; přidání zpětné vazby o výkonu přineslo zlepšení; explicitní označení nadměrné či nedostatečné jistoty nepřidalo nic dalšího. Efekt se objevil u absolutní (ne směrové) odchylky - trénink korigoval individuální chybné kalibrování v obou směrech. To empiricky validuje výše uvedený rámec přesvědčení versus prožitků: odkláněcí chování mění zpětná vazba cílící prožitek, a ne přesvědčení nebo predikce samotné. Autoři připisují úspěch finanční pobídce vázané na optimalitu odklánění a okamžité pravdivé zpětné vazbě.

  • Reflexní prompt během úkolu činí spoléhání rozlišujícím, a ne defenzivním: Ren (2026) randomizoval 342 pregraduálních studentů do tří podmínek (bez AI, otevřená vícetahová podpora ChatGPT a tatáž podpora plus krátký reflexní prompt k vlastnímu uvažování a k tomu, co by ospravedlnilo odmítnutí vysvětlení AI) a zjistil, že otevřená podpora nesla 62,4 % přijetí nesprávné rady AI, což reflexní prompt snížil na 39,7 % (OR = 0,40), zatímco přesnost doporučení zůstala v obou asistovaných podmínkách srovnatelná (66,3 % vs. 67,0 %) a sladění se správnou radou zůstalo vysoké. Reflexe také zlepšila kalibrování uvědomění mezi vnímaným a behaviorálním spoléháním (0,59 vs. 0,41) a snížila index atribučního zkreslení specifického pro AI z 0,42 na 0,21. Jde o stejný mechanismus cílící prožitek jako u výše uvedené tréninkové studie, aplikovaný uvnitř rozhodovací epizody, a podporuje čtení nadměrné závislosti na této stránce jako problému monitorování, a ne četnosti: vědět o limitech modelu samo o sobě studenty nezastavilo v tom, aby přijali věrohodnou nesprávnou radu.

  • Metakognitivní lenost a nová metakognitivní mezera v Equity: Lodge & Loble (2026), sektorová zpráva pro australské školství, argumentují, že jádrem rizika GenAI je kognitivní odklánění, a ne plagiátorství. Přijímají metakognitivní lenost (Fan et al. 2024) - pohodlí AI podkopávající angažovanost žáků v zásadních seberegulačních procesech, takže žáci vzdávají metakognitivní odpovědnost nástroji - a zavádějí metakognitivní mezeru v rovnosti („Matoušův efekt s AI"): protože produktivní využívání AI vyžaduje Prior Knowledge a metakognici, zvýhodnění studenti těží více, zatímco ti, kdo praxi potřebují nejvíce, nejpravděpodobněji učení delegují, čímž se existující propasti rozšiřují. Jejich navrhovaným lékem je posílení učitele (dát nástroj expertním učitelům, aby škálovali svou praxi, podpořeno studiemi ukazujícími, že AI pro učitele zlepšuje výsledky při mnohem nižších nákladech) namísto AI tutorů pro studenty, spolu s výukou snižující zátěž (Load Reduction Instruction) a metakognitivními prompty.

  • Nadměrná závislost je přední etickou obavou napříč všemi generacemi Conversational AI. Zastřešující přehled agentů konverzační AI (Ganguly et al. 2025, 34 přehledů) uvádí, že obavy o vztah člověka a AI - včetně nadměrné závislosti a omezení sociální interakce - jsou nejčastěji diskutovaným etickým problémem napříč všemi generacemi CAI a předcházejí GenAI. Rovněž uvádí vzdělávací dopad a kognitivní obavy (včetně nadměrné závislosti a zhoršeného kritického myšlení) jako druhou nejdiskutovanější kategorii výzev, což zdůrazňuje, že újma z odklánění je přetrvávajícím tématem napříč generacemi, a ne novinkou specifickou pro GenAI.(Conversational AI agents in education: an umbrella review of current utilization, challenges, and future directions)

  • Učitelé jako reflektivní regulátoři kognice: Ho a Chen (2026) rozšiřují teorii odklánění na profesní úsudek s AI tím, že vedli rozhovory s 18 učiteli v praxi. Identifikují „metakognitivní ekologii", v níž učitelé rozpoznávají, přerozdělují a reflektivně znovu zapojují kognici s GenAI, rámují AI jako kognitivního partnera, a ne náhražku myšlení - a označují „profesní drift" jako riziko, když odklánění zůstane nereflektované v Výuka a administrativě rozšířené o AI.

  • Odklánění je hodnotově založené rozhodování a někteří studenti jsou zranitelnější než jiní. Seung & Basham (2026), konceptuální přehled v Learning Disability Quarterly, syntetizují kognitivní vědu, Special Education a vzdělávací technologie, aby modelovali odklánění na GenAI jako rozhodnutí o nákladech a přínosech utvářené výkonovými cíli, obtížností úkolu, akademickou sebeúčinností a vnímáním nástroje. Argumentují, že studenti se specifickými poruchami učení (SWLD) jsou obzvláště zranitelní vůči suboptimálnímu odklánění - protože zvýšená kognitivní zátěž, výkonové cíle vyhýbající se úsilí, nižší akademická sebeúčinnost a nafouknutá očekávání vůči GenAI činí předčasnou nebo nadměrnou delegaci pravděpodobnější. GenAI je rámována jako kompenzační pomůcka nebo zkratka podle toho, jak rozhodnutí o odklánění interagují s profily žáků a návrhem výuky, přičemž klíčovým moderujícím faktorem jsou instruktivní Guardrails (učit metakognitivní seberegulaci, budovat Gramotnost v oblasti AI pro kalibrování důvěry v nástroj, řadit zkušenosti s mistrovstvím a hodnotit proces, ne jen produkt). To rozšiřuje rovnostní dimenzi odklánění: stejný nástroj, který snižuje bariéry přístupu, může bez zábran nahradit právě tu praxi, kterou SWLD potřebují nejvíce.

  • Riziko odklánění je vývojové. Niu et al. (2026) prošli 24 důkazních zdrojů o GenAI a dětském tvůrčím myšlení a mezi opakujícími se riziky našli nadměrnou závislost a závislost na promptech, nejsilnější v nižších ročnících, spolu s myšlením založeným na šablonách a obtížemi dětí posoudit, zda byl návrh AI původní; jedno srovnání fMRI zaznamenalo nižší zapojení sítí kognitivní kontroly a pozornosti při interakci dítěte s ChatGPT než v lidské konverzaci. Protože mladší děti postrádaly jazykové a metakognitivní dovednosti, které textové promptování vyžaduje, autoři doporučují udržet gramotnost v oblasti AI, autorství a generování nápadů bez pomoci uvnitř samotné činnosti a měřit nezávislou kreativitu odděleně od výstupu s podporou AI. To přidává k výše uvedeným vzorcům zranitelnosti dimenzi věku.

  • Otázka „myslet méně, nebo se učit jinak" je podmíněná. Nesnin et al. (2026) nabízejí širší analytický přehled s závěrem, že AI nemusí nutně nutit studenty myslet méně, ale transformuje to, jak se učí - výsledek závisí na použití. AI, která objasňuje, ověřuje a vede, učení posiluje; AI, která nahrazuje samostatné myšlení, přináší pasivní závislost. To konverguje s všudypřítomnou hranicí „podpírat versus nahrazovat" v této znalostní bázi a s podmíněným pohledem na újmu z odklánění.

  • Odklánění je citlivé na vrstvu: záleží na hloubce delegace, ne jen na tom, že k ní došlo. Chen (2026) zavádí pojetí citlivé na vrstvu pro akademické psaní - povrchovou (gramatika a slovní zásoba), strukturální (osnova a řazení), ideovou (tvrzení a obsah) a rozumovou (opodstatnění, protiargumenty, argumentační logika). V osmitydenním kvaziexperimentu přinesla otevřená spolupráce s AI nejvyšší podporované psaní, ale nejnižší samostatné výsledky bez AI, přičemž hlubší vrstvy odklánění nesly nejsilnější negativní asociaci se samostatným myšlením vyššího řádu ve Higher Education (odklánění rozumové vrstvy nepřímé ab = -0,34 vs. povrchové -0,08). Seberegulované psaní újmu zmírnilo, ale neodstranilo. To zpřesňuje hranici podpírat versus nahrazovat: některé vrstvy delegace podpírají, zatímco hlubší vrstvy nahrazují kognici, která buduje Critical Thinking.

  • Kauzální test predikce odklánění s obráceným znaménkem: psaní s ChatGPT přineslo méně učení než psaní bez pomoci. Wagner-Kobayashi (2026) provedli experiment mezi subjekty, v němž 35 studentů psychologie strávilo 20 minut rozpracováním výchozího textu, přičemž GPT-3.5 byl dostupný jen experimentální skupině, a před i po něm absolvovali identický test znalostí. Předpokládaná interakce skupiny a času byla významná (F(70) = 5,889, p = 0,018), ale ukazovala opačným směrem - skupina bez ChatGPT se naučila více (posttest M = 8,29 vs. 6,94; b = -1,450) -, což falzifikovalo predikci psaní pro učení, že ChatGPT zesílí elaboraci. Co uniklo, bylo právě elaborační úsilí: účastníci v dialogu s nástrojem vytvořili jen 2,25 příkladu a 0,88 spojení a uváděli, že upřednostňují počet slov před hloubkou, což autoři čtou jako deficit využití nástroje dostupného, ale nenasazeného, v souladu se sníženým duševním úsilím a chováním kopírování a vkládání, které stránka zaznamenává jinde. Jakmile do modelu vstoupila Motivation, efekt interakce skupiny a času se zhroutil (p = 0,280) a vyšší motivace a zájem o téma predikovaly zisk jen uvnitř skupiny s ChatGPT, takže nástroj znevýhodňoval studenty s nízkou motivací a nízkým zájmem - experimentální podpora motivační cesty k nadměrné závislosti, kterou tato stránka dokumentuje. Autoři čtou výsledek úzce (malý efekt porušující předpoklady pod časovým tlakem a bez školení) a doporučují učit studenty nástroj nasazovat, a ne jej zakazovat, což udržuje zjištění na hranici podpírat versus nahrazovat, místo aby z něj učinilo verdikt o nástroji.

  • Kontinuum kapitulace, odklánění a agenturnosti. Rychlý přehled pro PreK-12 v Sydney (Arthars et al. 2026, 271 článků) rámuje používání GenAI napříč kognitivními, metakognitivními a afektivními dimenzemi: kapitulace (odpovědnost za práci relevantní pro učení přechází na GenAI, často nevědomky), odklánění (záměrná, možná produktivní delegace, která se učením stane jen tehdy, je-li zkontrolována a rozvedena) a agenturnost (zachování odpovědnosti za úsilí a úsudek). Varuje také před metakognitivní nerovností: studenti se slabší metakognicí jsou náchylnější ke škodlivému odklánění a méně schopni je rozpoznat.(Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education)

  • Závislost je řízena sebeúčinností stejně jako schopností. Závislost na AI není prostým produktem technické dovednosti: Maizel et al. (2026) ukazují, že gramotnost v oblasti AI založená na dovednostech predikovala vyšší závislost (v souladu s pojetím umožňující kapacity a odklánění), zatímco sebeúčinnost v AI a akademická sebeúčinnost před nadměrným spoléháním chránily - což naznačuje, že odklánění je řízeno motivačními přesvědčeními o sebeúčinnosti stejně jako kapacitou.

  • Odklánění mění práh pro reakci, ne jen kapacitu. Marcoccia et al. (2026) ukazují, že pouhá dostupnost rady od AI téměř eliminovala ochotu lidí říct „nevím" - i když byla rada nesprávná - a zároveň téměř zdvojnásobila sebevědomí a snížila přesnost na třetinu; pobídky obnovily přesnost (snížením spoléhání), ale ne pozastavení úsudku.

  • Mezera v bezpečnosti jako cena za odkloněný zápas. Wang & Shan (2026) formalizují rozdíl mezi výkonem studenta s podporou AI a jeho schopností bez pomoci jako „mezeru v bezpečnosti" - epistemické riziko, kdy kognitivní práci dělá AI a žák ji nedokáže reprodukovat. Kim et al. (2026) a Puech et al. (2025) ukazují, že protiopatřením je design Productive Failure (zadržování odpovědí, zachování zápasu).

  • Spektrum ICAP/SAMR rámuje odklánění jako kontinuum režimů, ne jako binární stav. Rummel, Nachtigall a Panadero (2026) promítají analogii kuchyňského stroje Thermomix na učení s Generative AI v rámci rámců ICAP a SAMR a ukazují čtyři scénáře, které postupují od pasivní substituce (úplné outsourcování zadání - konec odklánění, s rizikem ztráty dovedností a omezené Creativity) k interaktivní redefinici (AI jako dialogický partner poskytující adaptivní zpětnou vazbu v reálném čase a spolukonstrukci - angažovaný konec). To přerámovává újmu z odklánění jako podmíněnou režimem použití, a ne pouhou četností, a konverguje s všudypřítomnou hranicí „podpírat versus nahrazovat": zda použití AI leží na konci substituce či redefinice spektra, určuje, zda kognici, která buduje učení, vytěsňuje, nebo podporuje.

Navas-Romero et al. (2026) referují o vnímání kognitivních nároků výukových materiálů navržených GenAI ve vysokoškolském vzdělávání studenty spolu s jejich zisky v kompetencích žáka, a oddělují zátěž, kterou tyto materiály ukládají, od kompetencí, které budují.

Gillette et al. (2026) zaznamenávají odklánění jako vlastní zkušenost účastníků, a ne jako teoretické riziko: jeden uvedl, že mu genAI „znemožnila skutečně číst a sám zjistit, co je v textu důležité, a rozvíjet čtenářské dovednosti", a jiný se obával „dlouhodobého vývoje, kdy se zhorším v určitých dovednostech, ve kterých jsem teď velmi silný".

  • Efekt spočívá v dělbě práce, ne v nástroji. Nakamura (2026) argumentuje, že heterogenita efektů GenAI na učení se rozpustí, jakmile se jednotkou analýzy stane rozdělení kognitivní práce mezi žáka a stroj. Odklánění učení posiluje, když vykonává operace okrajové vůči aktuálnímu cíli, a riskuje erozi, když obchází zpracování, které je pro tento cíl konstitutivní (Nakamura, 2026). Věcné zpracování výstupu nebo jeho pozdější rekonstrukce je tím, co jinak konstitutivní odklonění zachraňuje.

Nadměrná závislost: kdy se odklánění stává škodlivým

Žebřík, který tato stránka sleduje, má tři příčky a sem patří jen první dvě. Odklánění je delegování duševní práce, které je často produktivní; nadměrná závislost je jeho chronické provádění bez kalibrace, což je behaviorální selhání, které tato část dokumentuje; Kognitivní kapitulace je jiné selhání - hodnoticí krok nikdy nenastane, takže žák přejímá odpověď AI bez jakéhokoli posouzení její kvality. Hranice je vidět v tom, co se od AI žádá: instrumentální pomoc Du a Yuan produkuje výstup, zatímco pomoc nesoucí úsudek dodává standard, podle něhož se výstup posuzuje, a právě druhý typ vytěsňuje práci, na níž závisí odbornost. Rychlý přehled ze Sydney kreslí stejné trojí dělení napříč 271 články. Kapitulace má proto vlastní experimentální podpis a vlastní stránku; nadměrná závislost zůstává problémem četnosti a kalibrace a obojí jsou oddělitelné výsledky v téže úloze - v pokusech Shawa a Nava skončilo 73,2 % pokusů s nesprávnou AI kapitulací, zatímco 19,7 % strategickým odkláněním. Benchmark vnější vůči jakékoli jednotlivé studii měří stejné selhání a zjišťuje, že je běžné. ImpactBench ohodnotil deset modelů na 48 540 simulovaných konverzací: jeho metrika asymetrie kognitivního odklánění dosáhla v průměru 51,9 % a plánovací kognitivní intruse 47,1 %. Jeho vzdělávací případ ukazuje, jak Claude Sonnet 5 předá tezi, osnovu a kompletní esej „připravenou k vložení", jakmile simulovaný student naléhá na hotový návrh, a přitom stále odmítá fabrikovat citace (ImpactBench (2026)). Learning & Skill Development byla nejslabší ze 14 podoblastí v obou polaritách, na 45,9 % a 16,3 %.

Nadměrná závislost je nadměrné nebo nekalibrované spoléhání na AI nástroje, kdy studenti delegují kognitivní práci, kterou by měli vykonávat sami, což vede ke sníženému učení, oslabené Learner Agency a vytěsnění rozvoje dovedností. Je behaviorálním projevem nadměrného kognitivního odklánění: když se odklánění stane výchozím stavem, a ne strategickou volbou. Nadměrná závislost není jen o příliš častém používání AI - je o používání AI způsoby, které nahrazují, a ne doplňují procesy učení. Konceptuální práce naléhá, aby se tato vzdělávací nadměrná závislost udržela oddělená od vztahové připoutanosti a klinické závislosti: Yan (2026) ukazuje, že důvěra, spoléhání, nadměrná závislost, připoutanost a problematické užívání se v literatuře o konverzační AI rutinně zaměňují a že častá delegace by se neměla označovat za závislost, dokud nejsou přítomny narušená kontrola nebo újma.

  • Paradox efektivity: cíle mistrovství se hroutí do odklánění „ve výchozím nastavení". Yan et al. (2026) identifikovali žáky, kteří formulovali cíle orientované na mistrovství, ale jednali procesy podobnými povrchovým a odkláněli „ne záměrem, ale ve výchozím nastavení": jejich tři skupiny podle záměru (Outsourcing Tool n = 16, Learning Assistant n = 31, Cognitive Partner n = 8) ukazují, že typickým případem není ani záměrné podvádění, ani záměrné učení. Studenti ze skupiny outsourcingu si uvědomovali vlastní neangažovanost (kopírování a vkládání odstavce po odstavci popisovali jako „úplně mi to nahradilo mozek") a uváděli rychlé zapomínání, a všech 38 dotázaných uvádělo nízkou jistotu, že GenAI používají účinně - důkaz, že nadměrnou závislost mohou řídit chybějící podmínky na vstupu (Gramotnost v oblasti AI, kompetence v promptování, úkolově specifické vedení), a ne motivace vyhýbat se práci.

  • Agentní programování odklání porozumění v praxi: Tanaka et al. (2026) uvádějí, že pregraduální studenti používající AI agenty v kurzu softwarového projektu napsali meziročně více kódu, ale při těžkém používání vykazovali propady porozumění - napravitelné individuálním ověřením kódu generovaného AI ze strany vyučujícího.

  • Vytěsnění učení: Výzkum kognitivních účinků AI dokumentuje, jak dostupnost AI snižuje namáhavé zpracování - „efekt Google rozšířený na uvažování". Stamatoulis et al. (2026) to izolují jako odlišný vzorec použití: přejímání bez ověřování (nekritické přijímání výstupu AI) predikovalo horší akademický výkon, zatímco hodnoticí integrace (používání AI na podporu porozumění) predikovala lepší výkon - a samotná četnost používání nepredikovala ani jedno. Nadměrná závislost je proto režimem použití, který lze oddělit od toho, jak mnoho studenti AI používají.

  • Problém agenturnosti: Nedokončené poslání AIED rámuje nadměrnou závislost jako krizi agenturnosti a motivace - studenti obcházejí učení ne proto, že by AI byla neodolatelná, ale proto, že učební úlohy působí bezúčelně, když je AI dokáže splnit bez námahy.

  • Eroze motivace: Výzkum motivace studentů zjišťuje, že vědomí dostupnosti AI snižuje vnímanou hodnotu naučit se dovednost sám, což je motivační kalkulace, která obzvláště postihuje začínající žáky.

  • Vytrvalost také eroduje, a rychle. Po zhruba deseti minutách s asistentem, který odpovídal na požádání, účastníci přeskakovali 0,20 úloh bez pomoci proti 0,11 u kontrolní skupiny a vyřešili 0,57 proti 0,73, což se replikovalo v porozumění textu (Liu et al., 2026).

  • Zisky z podporovaných domácích úloh nepřežily zkoušku bez podpory. Randomizace 153 studentů kurzu důkazů k dřívějšímu přístupu k AI zvýšila skóre domácích úloh o 2,56 bodu a druhou průběžnou zkoušku nechala nerozlišitelnou od nuly, zatímco nástroj zpětné vazby po prvním pokusu nebyl penalizován a otevřený chatbot vykazoval o 3,02 bodu nižší výsledek na 100 zpráv (Chen et al. (2026)).

  • Odevzdání není důkazem toho, co bylo odkloněno. Napříč 59 záznamy chatu od 23 studentů lineární algebry skončilo 27 z 30 vedených vysvětlováním nebo kontrolou stále blízko produktu modelu, takže odklánění se musí číst prompt po promptu (Kontorovich & Wallach (2026)).

  • Dluh gramotnosti: Agentní dluh gramotnosti popisuje kumulativní deficit dovedností, který vzniká, když se studenti habituálně spoléhají na AI, místo aby rozvíjeli vlastní kompetence, analogicky k technickému dluhu v softwaru.

  • Cykly únavy: Výzkum únavy z AI identifikuje paradox, kdy nadměrná závislost vede ke kognitivní únavě z neustálého řízení interakce s AI, což následně žene VÍCE spoléhání - začarovaný kruh.

  • Pravidlo umístění: Past bez námahy přerámovává povolit-versus-zakázat na otázku umístění - nehlídaný AI pomocník nechal středoškoláky o zhruba 17 % horší u zkoušky bez pomoci, zatímco stejný model přestavěný tak, aby zadržoval odpovědi, újmu odstranil. Jeho diagnostika - „pokud vpuštění AI činí úlohu bez námahy, je na špatném místě" - zajišťuje první tvrdý pokus a závěrečnou kontrolu bez pomoci jako momenty, kde se nadměrná závislost nejsnáze skrývá jako „iluze učení".

  • Zachování metakognice: Model vzájemnosti syntézy a analýzy navrhuje nástroje, které zachovávají lidskou epistemickou agenturnost tím, že strukturují interakci s AI kolem cyklů lidské analýzy, a ne cyklů generování AI.

  • Metakognitivní mechanika nadužívání: rámec přesvědčení versus prožitků vysvětluje, proč studenti nadměrně odklánějí, i když jim to škodí - lidé odklánějí impulzivně a stávající metakognitivní přesvědčení ukotvují chování rychleji, než je úkolové prožitky dokážou korigovat - takže protilékem na nadměrnou závislost je metakognice, a ne jen restrikce.

  • Nadměrná závislost je trénovatelná pomocí kalibračního tréninku: Ngai & Gilbert (2026) ukazují, že reminderovou odchylku - laboratorní analogii nadměrné závislosti - lze snížit krátkou metakognitivní intervencí (pět cvičných pokusů spojujících predikci se zpětnou vazbou), která koriguje kalibraci v obou směrech. To implikuje, že protilékem na nadměrnou závislost nejsou jen restriktivní pravidla, ale kalibrační trénink, který studenty činí přesnými v tom, co skutečně dokážou bez pomoci.

  • Terénní důkazy: AI, která koučuje, versus AI, která odpovídá. NUMI (Oreopoulos et al. 2026) zjistil, že podpora AI, která koučovala, místo aby dávala odpovědi, studenty zpomalila, ale snížila vyhýbání se úsilí - zlepšila správnost dalšího pokusu po chybě s více časem na otázku („produktivní zpomalení") - zatímco Khanmigo (Oreopoulos & Low 2026) ukázal, že bez struktury, která by činila chyby závažnými, studenti sklouzávají k mělkému použití (holé odpovědi, klikání na prompty) a zisky odpovídají praxi bez AI. Obojí potvrzuje, že újma z odklánění je podmíněná jak se AI používá a navrhuje, ne jen přístupem. CoMeT (Hou et al. 2026) dodává dimenzi návrhu, kterou tato hranice jinak nechává implicitní - tutor může nést více práce, aniž by kupoval více delegace. Jeho žebřík stoupal o příčku pokaždé, když žák jeho podporu nevyužil, a klesal na nejlehčí příčku při jejím využití, přičemž metakognitivní nárok držel statisticky ekvivalentní tutorovi, který odpovědi zadržoval designem (p_TOST = 0,004), zatímco artefakt se dostal do pracovního prostoru v 48,1 % sezení proti 23,7 % u tohoto zadržujícího tutora, a žáci jej požádali o stavbu v 50,4 % sezení proti 51,1 % u neomezeného tutora odpovídajícího na požádání (OR = 0,95, p = 0,82). Delegace sledovala nárok, který tutor kladl na žáka, a ne množství práce, kterou převzal.

  • Terénní důkazy ve velkém měřítku: „Generative AI penalta učení". Strömberg, Lei, & Wu (2026), kteří sledovali 26 811 čínských středoškoláků po 30 měsíců, zjistili, že samostatné přijetí generativní AI zvýšilo skóre domácích úloh o 18 % a zkrátilo čas na domácí úlohy o 30 %, zatímco snížilo skóre zkoušek bez pomůcek o 20 % během šesti měsíců a skóre přijímacích zkoušek o 18-24 % po dvou letech - koncentrovaně u zhruba 81 % uživatelů, jejichž chování naznačovalo outsourcing domácích úloh (krátká doba dokončení plus nafouknuté skóre domácích úloh). Jde o přímý důkaz ve velkém měřítku, že nehlídané odklánění (používání AI jako náhražky domácích úloh, a ne jako tutora) produkuje penaltu učení, kterou kognitivní odklánění predikuje, a studenti sami ji často nezaznamenají.

  • Nadměrná závislost eroduje sebeřízené učení skrze motivaci a sebeúčinnost. Zhao & Gu (2026) modelují mechanismus přímo: napříč 487 čínskými pregraduálními studenty bezmyšlenkovité používání GenAI (TUGA) - přejímání výstupů AI bez kritického hodnocení - významně podkopávalo Self-Directed Learning (β = -0,42), a to přímo i částečnou mediací Motivation (β = -0,54 cesta z TUGA) a Self-Efficacy (β = -0,37). Model vysvětlil 75,3 % rozptylu SDL. Protože motivace byla nejsilnějším pozitivním hybatelem SDL (β = 0,68) a bezmyšlenkovité používání ji potlačuje, jde o kvantitativní důkaz, že nadměrná závislost poškozuje motivační zdroje a zdroje sebeúčinnosti, na nichž závisí autonomní učení - s genderovými rozdíly (silnější újma na motivaci u mužů, silnější újma na sebeúčinnosti u žen).

  • Tendence k odklánění predikuje nižší výsledky vyššího řádu a gramotnost v ověřování se vyplácí jen s metakognicí. Davor, Larbi a Boateng (2026) dotazovali 533 vysokoškolských studentů v Ghaně a modelovali tendenci k odklánění, scaffolding úkolů s AI a gramotnost v ověřování AI proti výsledkům vyššího řádu prostřednictvím metakognitivní seberegulace. Tendence k odklánění byla nejsilnějším negativním prediktorem kritického myšlení (-0,240) a technického řešení problémů (-0,312) a snižovala také metakognitivní seberegulaci (-0,294), zatímco scaffolding predikoval oba výsledky pozitivně (0,185 a 0,170). Gramotnost v ověřování neměla na žádný z výsledků významný přímý účinek a působila jen prostřednictvím metakognitivní seberegulace, což je vzorec úplné mediace, který autoři nazývají mechanismem metakognitivní aktivace: učit studenty kontrolovat výstup AI samo o sobě nestačí, protože hodnoticí návyk se vyplácí jen tehdy, je-li zakotven v plánování, monitorování a reflexi během úkolu.

  • Závislost působí jako hraniční podmínka přínosu používání. Shojaei et al. (2026) dotazovali 412 pregraduálních studentů obchodu v Ománu a rozložili asociaci mezi používáním GenAI a sebeposuzovanou dispozicí ke kritickému myšlení: korelace nulového řádu byla téměř nulová (r = 0,050), zatímco adjustovaný koeficient byl pozitivní (0,185), protože jej vyvažovala negativní nepřímá cesta přes závislost (-0,147). Závislost byla negativně asociována s dispozicí (-0,389) i se sebevnímanou zaměstnatelností (-0,328) a oslabovala oba vztahy mezi používáním a výsledkem, přičemž jednoduché sklony klesly z 0,424 při nízké závislosti na -0,054 při vysoké, což je oslabení, a ne obrat. Toto čtení udržuje zjištění na straně režimu použití: závislost označuje, kde se používání posouvá od rozšíření k substituci, a četnost sama o sobě protichůdné cesty maskuje.

  • Nadměrná závislost na AI jako komplexní adaptivní systém. Místo zkoumání nadměrné závislosti po jednom uživateli modelovací článek rámuje jako populační proces, v němž agenti aktualizují bayesovská přesvědčení o kvalitě AI a ve vzájemné síti se učí od vrstevníků. Sociální důkaz může změnit spoléhání ve feedbackovou kaskádu (viditelné neověřené používání potlačuje ověřování), zatímco sociální učení vytváří konsensus, a ne nadměrnou závislost - rámování, které přesouvá cíle intervence od individuální kalibrace k síťové dynamice důvěry a spoléhání.

  • Šest diagnostických kritérií odděluje produktivní spoléhání od škodlivé závislosti. Du & Yuan (2026) dávají nadměrné závislosti jemnější diagnostický slovník než četnost používání a rozlišují instrumentální pomoc (AI pomáhá produkovat výstup) od pomoci nesoucí úsudek (AI dodává standardy, podle nichž se výstup posuzuje). Jejich přehled operationalizuje hranici produktivní a škodlivé pomoci šesti kritérii - napadnutelnost, obnovitelnost, transfer, vysledovatelnost, distribuovaná odpovědnost a epistemická pluralita - a sleduje čtyři sociotechnické cesty (plynulá autorita, bezfrikční delegace, neprůhledná syntéza, institucionalizovaná závislost), jimiž odklánění buď zachovává, nebo vytěsňuje epistemickou práci, která rozvíjí úsudek. Protože závislost je kontextová a institucionální, a ne jen individuální, rámec obrací pozornost k pobídkám hodnocení, návrhu rozhraní a nákupu spolu se seberegulací žáka.

  • Nezměřený následek: kognitivní vyplavení. Yajee (2026) označuje největší otevřenou otázku oboru jako po odebrání: téměř veškerý výzkum odklánění měří kognici během používání AI, ale téměř nic neměří, co se děje poté, co je asistent odebrán na dny nebo týdny (zkouška, výpadek, kontrola licence). Formalizuje kognitivní vyplavení modelem křivky vyplavení - odhadnutelné parametry pro časovou konstantu zotavení, úplnost zotavení, reziduální růst a index hystereze srovnávající znovuučení s původním úsilím - a čtyři možné výsledky (elastické odražení, částečné plató, latentní scaffolding, nadměrné zotavení). Protože reverzibilita určuje, zda je vyvolaný deficit nepříjemností, nebo újmou na úrovni kohorty, článek argumentuje, že odebrání si zaslouží stejné metodologické postavení jako přijetí, a specifikuje protokol se třemi rameny, třemi doménami a dvaadvaceti týdny pro rozhodnutí mezi výsledky. To mění výše uvedená rozlišení „kouč versus berla" a substitutivní versus duplikativní na testovatelnou longitudinální výzkumnou agendu o tom, zda a jak rychle se odkloněné dovednosti vracejí.

  • Spoléhání bez oborových znalostí degraduje v hádání. Mikhasenko et al. (2026), kteří přepracovávali úvodní kurz fyziky jaderných a částicových jevů na Ruhr University Bochum, popisují režim selhání spoléhání bez oborových znalostí: když student nedokázal posoudit, zda je generovaná odpověď fyzikálně správná, zamýšlená „konverzace s AI" degradovala v hádání proti věrohodnému, ale nespolehlivému výstupu. Průzkum téhož kurzu v polovině semestru (n=30) zjistil časté používání LLM (24 z 29 je používalo často nebo vždy) vedle nízké sebeposuzované připravenosti na počítačovou zdatnost, kterou zadání vyžadovala, a otevřené odpovědi označily závislost na AI a nerovný přístup k placeným modelům za třecí body.

  • Daoistický protiargument: odklánění je nejen nepraktické, ale sebepoškozující. Xie (2026) dodává normativní protiargument proti delegaci z daoistického sebekultivování: v praxi Neidan (內丹) „neexistují žádné kognitivní zkratky" a praktik nemůže práci outsourcovat na vnější zařízení, takže AI má být „ne kognitivní náhražkou, ale instrumentálním doplňkem", obdobným alchymistické peci - rámování, které se slučuje s výše uvedenou hranicí „kouč versus berla", a ne se substitutivním odkláněním.

Odklánění může stát nejen dovednost, ale i self. de Barba (2026) nazývá částí oborového self žáka, jejíž schopnosti sídlí v nástroji s podporou AI a jsou dostupné jen za podmínek poskytovatele, pronajaté self, a odděluje dva náklady. Nákladem kalibrace je chybně určené místo - podceňování schopnosti, kterou člověk má, nebo přeceňování té, kterou má nástroj - zatímco náklad self následuje vždy, když je klíčová schopnost pronajata, i vědomě, protože operace, které self budují, se nikdy nevykonají. Její čtyři konfigurace kříží místo s přisouzením: vlastněná kompetence, nenárokovaná kompetence, viditelný pronájem a skrytý pronájem, přičemž poslední je ten, který odstraňuje signál podněcující žáka budovat to, o čem se domnívá, že to už vlastní.

Konsensus 30 expertů klade škodu na oba konce učební sekvence. Předregistrované delphské cvičení nad 65 procesy učení zjistilo, že osvojování je zranitelné (Encoding 3,30, Retrieval 3,30, Information Acquisition 3,00 na škále narušení 1-5), konsolidace posílená (Learning From Feedback 4,00, Learning From Examples 3,90, Self-Testing 3,80) a myšlení vyššího řádu opět zranitelné (Kendeou, Greene & Nixon et al., 2026). Deset z osmnácti procesů vyššího řádu dosáhlo konsensu jen u zranitelnosti, s hodnocením posílení pod prahem.

Rámec CLT

Přístup ke zpětné vazbě od AI není totéž jako se jí zabývat, a míry zátěže to oddělují. Wenzel, Geiger a Liening (2026) provedli pětitýdenní longitudinální terénní studii v podnikové simulační hře (234 studentů, 1 147 týdenních pozorování) a oddělili zadání od obdržení. Pouhé poskytnutí přístupu ke zpětné vazbě konverzační AI neposunulo ani vnější (β = 0,071, p = 0,481), ani užitečnou zátěž (β = 0,019, p = 0,807). Studenti, kteří ji však používali pravidelně, uváděli významně vyšší užitečnou zátěž než experimentální nepoužívatelé (β = -0,468, p < 0,001) i než kontrolní skupina (β = -0,253, p = 0,028) - zatímco vnější zátěž nebyla nikdy snížena přístupem ani angažovaností (F(1, 219) = 0,499; na základě používání F(3, 214) = 0,172). To je teoreticky zajímavý vzorec a opak obvyklého tvrzení: intervence přiměla žáky pracovat s materiálem tvrději, aniž by prostředí usnadnila. Vnitřní zátěž řídila vnější zátěž (β = 0,647, p < 0,001) a metakognitivní seberegulace řídila užitečnou zátěž (β = 0,363, p < 0,001), přičemž vnější zátěž byla negativně asociována s užitečnou zátěží (β = -0,178, p < 0,001), přesně jak CLT specifikuje. Obě zátěže také během pěti týdnů klesaly (vnější β = -0,388, p < 0,001) - efekt novosti viditelný na kognitivní míře, a ne na míře angažovanosti.

Teorie kognitivní zátěže (Sweller) poskytuje spornou teoretickou optiku na pracovní paměť a výuku: vnitřní zátěž (složitost úkolu), vnější zátěž (tření v prezentaci) a užitečná zátěž (úsilí o budování schémat). Dobře navržená AI má snižovat vnější zátěž a zachovat užitečné zpracování; špatně integrovaná AI snižuje všechny tři a nechává studenty s dokončenými úkoly a prázdným učením. Poznamenejme, že tvrzení této teorie jsou v širší literatuře sporná, ale její rámování zůstává vlivné v tom, jak se o účincích odklánění diskutuje.

Sázky odklánění na úrovni profese. Rámec kognitivního společenství (Lovett 2026) rozšiřuje odklánění z individuální na kolektivní úroveň: když AI umožní mladším pracovníkům přeskočit kognitivní zápas, který buduje hlubokou odbornost, může to postupně vyčerpat sdílený fond odbornosti profese - „validační lano" znamená, že účinný dohled nad AI závisí právě na té mistrovskosti, kterou přijetí AI může podkopávat. To přerámovává odklánění a úpadek dovedností na individuální úrovni jako systémový problém regenerace s důsledky pro AI Governance.

Vazby na související koncepty

Kognitivní odklánění (a jeho škodlivá forma, nadměrná závislost) zásadně souvisí s Trust Calibration - věděním, kdy AI věřit a kdy ji zpochybnit - a s Gramotnost v oblasti AI, která zahrnuje metakognitivní dovednost vědět, kdy odklánět, a rozpoznávat vlastní vzorce spoléhání. Souvisí se Scaffolding (strukturovaná podpora, která snižuje zátěž, aniž by eliminovala kognitivní nárok) a s Prompt Engineering (hlavním mechanismem, jímž se odklánění uskutečňuje v interakcích s LLM). Protíná se s Metacognition a Self-Regulated Learning - efektivní žáci kalibrují svá rozhodnutí o odklánění - a s Critical Thinking, Learner Agency a Student Experience. Online Teaching and Learning je obzvláště zranitelným kontextem: médium už vzdaluje žáky od bezprostřední odpovědnosti a samostatně tempem řízená práce na obrazovce vybízí ke zkratce „zeptej se na odpověď", kterou výzkum odklánění označuje za hlavní mechanismus újmy (viz AI Misuse and Learning Harm).

Ne veškeré odkloněné tření je přebytečné tření. Zohar, Bloom a Inzlicht (2026) kreslí rozlišení, které literatura o odklánění potřebuje: předchozí Technologies odstraňovaly přebytečné tření - nudné nebo nepřekonatelné překážky s malou hodnotou pro učení či smysl - zatímco generativní AI v intelektuální práci odstraňuje také prospěšné tření a nechává žáka přejít od ideace k hodnocení bez zpochybnění výstupu. Asociativní důkazy předkládají přímočaře: lidé, kteří používají AI, mají potíže přesně si vybavit nebo reprodukovat vlastní práci, osvojují si méně dovedností, vykazují menší transfer a podávají horší výkon, když je podpora AI odebrána - což konverguje se zjištěními o kognitivním dluhu z EEG studií psaní esejí s asistentem AI. Jejich argument dodává také motivační polovinu mechanismu, kterou čistě kognitivní pojetí míjejí: protože úsilí signalizuje, že na našich činech záleží, jeho odkloněním se snižuje vnímaný účel a smysl, a jak AI v doméně nahrazuje úsilí, motivační výnos úsilí v ní eroduje, což spoléhání dále prohlubuje. Nápravou v článku je gradient, a ne zákaz - zachovat mírný zápas, odstranit to, co pouze zahlcuje (Desirable Difficulties, Motivation).

  • Signál nedostatečné angažovanosti se objevuje vývojově. První neurozobrazovací srovnání dětí a dospělých mluvících s ChatGPT zjistilo, že šestileté až sedmileté děti vykazovaly slabší konektivitu v rámci sítí než dospělí ve frontoparietální řídicí, salienční a dorzální pozornostní síti - při shodných skóre kreativity - a postrádaly spojení kreativity a konektivity, které měli dospělí. Protože tyto exekutivní funkce (plánování, monitorování, inhibice) jsou v prvním ročníku nezralé, autoři čtou výsledek jako relevantní pro debatu o minimálním věku. Výhrady: žádná kontrola bez ChatGPT, n = 31 a konfunda rámování, která mohla potlačit kritické hodnocení u dětí (Horowitz-Kraus et al. (2026)).

  • Závislé versus autonomní odklánění - rozlišení, které určuje výsledek: Fan, Li a Zhang (2026) organizují důkazy o GenAI kolem zpřesněné verze této hranice a opírají se o třívlnovou studii 589 studentů a raných kariérních znalostních pracovníků: závislé odklánění deleguje jádro myšlení na nástroj a bylo asociováno s přenesenou Learner Agency, nižší vnitřní motivací a horšími vnímanými kognitivními výsledky, zatímco autonomní odklánění udržuje epistemickou agenturnost u žáka a vykazovalo opačný vzorec. Pro detekci je nejdůležitější zjištění, že okamžité výkonnostní přínosy se mezi oběma režimy nelišily, takže žák, který úlohy v daný den plynule zvládá, nedává žádný signál o tom, v jakém režimu se nachází. Stejný přehled zaznamenává širší rozkol v důkazech - tříúrovňovou metaanalýzu středně velkého celkového přínosu (g = 0,499; g = 0,669 pro porozumění, kognici a kreativitu) proti asociacím mezi závislostí, únavou a slabším Critical Thinking - a sleduje maladaptivní používání k externalizované seberegulaci, a ne k technologické závislosti.

  • Tři interakční cesty, ne jedno chování. Model interakce neuroplasticity a AI (NAIM) odděluje přímé obejití, kde model dodá řešení a generativní úsilí zmizí; kognitivní odklánění, kde se delegují specifické dílčí procesy a efekt závisí na tom, zda jsou tyto dílčí procesy cílem učení; a scaffolding, kde model omezuje pomoc tak, aby zachoval namáhavé zpracování (Bypass, Offload, or Scaffold: A Conceptual Model of How Large Language Models Shape Learning)

Dvě kontrolované studie z nedávné dávky vymezují obě poloviny tohoto tvrzení - zda se chování posouvá a co chránilo. Maier et al. (2026) učinili učební důsledek odklánění viditelným před každou volbou v předregistrovaném experimentu se 704 účastníky procvičujícími aritmetiku zlomků: šance odklonit odpověď klesla na OR = 0,47 a šance správně odpovědět na pozdější testovou položku bez pomoci vzrostla na OR = 1,51, zatímco odměna založená na úsilí neposunula ani jeden výsledek. Odklánění se v rámci sezení kumulovalo - po odklonění jedné položky účastníci odklonili další v 69,7 % případů bez zpětné vazby a v 55,9 % s ní - a desetiprocentní nárůst odklánění byl asociován s o 32 % nižší šancí na úspěch bez pomoci (OR = 0,68). Bergh et al. (2026) dodávají doplněk na straně výsledku: 55 pregraduálních studentů informatiky, kteří programovali s ChatGPT, dosáhlo 89 % proti 69 % bez něj, méně si pamatovalo stejný materiál okamžitě (41 % vs. 53 %) i po 48 hodinách (39 % vs. 52 %) a přisoudilo si jen 45 % odevzdaného kódu proti 81 %. Ve vzájemném čtení studie se zpětnou vazbou ukazuje, že chování lze posunout bez omezení přístupu k nástroji, a programátorská studie ukazuje, co posunuté chování chránilo.. Model je kalibrován proti nejsilnějším dostupným terénním důkazům: neomezený přístup ke GPT-4 ve studii téměř 1 000 středoškolských studentů matematiky zvýšil výkon v praxi o 48 %, ale zanechal 17% deficit u zkoušky bez pomoci, zatímco GPT Tutor s omezenými nápovědami přinesl 127% zisk v praxi s deficitem u zkoušky téměř odstraněným. Odklánění je proto škodlivé jen v konfiguraci obejití a operační návrhovou proměnnou je, zda model nahrazuje hodnocenou cílovou dovednost. (Bypass, Offload, or Scaffold: A Conceptual Model of How Large Language Models Shape Learning) Stejná logika mění tvarování odměny v návrhový nástroj: Macina et al. (2026) trénují LLM tutory s maskovaným posttestem blízkého transferu a dvěma binárními branami, takže odměna může růst jen skrze to, co student napsal ve svých vlastních tazích, a jejich ablace ukazuje, že právě brány, a ne odměna za hrubý zisk učení, snižují předávání řešení.

Časté mylné představy

  • „Objem promptů měří odklánění." 97 žáků bylo shlukováno podle objemu promptů a shluky podle objemu se významně nelišily v lokálním versus globálním ani v aktivním rolovém promptování. Počítání promptů počítalo aktivitu, a ne rozdělení kognitivní práce.
  • „Studenti používají AI hlavně k porozumění." Analyze vedlo rozdělení s 27,28 % (831 zpráv) před Understand s 23,76 % - první jemnozrnný důkaz, že naturalistická [interakce studenta s AI] tíhne k analytickému, a ne k porozumění orientovanému použití.
  • „Stopy promptů odhalují, zda k odklánění došlo." To, co stopy na úrovni promptů poskytnout nemohou, pochází z podvzorku 16 studentů s propojenými známkami, jehož 1 140 zpráv bylo kódováno ručně: 49,6 % ze 125 dialogů nevykazovalo žádné odklánění. Vzorce stop nadhodnocují odklánění ve srovnání s ručně kódovaným dialogem.

Související koncepty

Související články

Související FAQ

Související zdroje

  • PAUSE: Patterns of AI Use Self-Examination
    A ten-minute, browser-only self-check on what you offload to AI, with every item traced to the research paper behind it.
  • Student Guide to AI
    A free three-edition student guide to artificial intelligence from Elon University, AAC&U and The Princeton Review, whose 2026 edition builds ten human capacities with teacher-ready learning modules and an anonymous self-assessment.

Metadata

Cílová skupinaLearners
Učení a výukaMetacognition, Self-Regulated Learning
Technologie a technikyGenerative AI
Rovnost, etika a odpovědné používáníTrust Calibration
Základy AI ve vzděláváníGramotnost v oblasti AI, Kognitivní odklánění
ZdrojHistorieUpravitChat

Vložit tuto stránku

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