Znalostní báze AIEdAIEd KB
Na této stránce

Přečtěte si tuto stránku v angličtině

Pojmy

Vzdělávací rozvoj

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

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

Vzdělávací rozvoj (známý také jako rozvoj pedagogů) - procesy, programy a institucionální podpora, které pedagogům pomáhají rozvíjet dovednosti, sebevědomí a profesní identitu potřebné k účinné výuce s AI. Vzdělávací rozvoj zahrnuje individuální školení, přepracování kurikula, změnu institucionální politiky a kulturní práci spojenou s porozuměním tomu, co GenAI znamená pro akademickou profesi.

Otázky k zamyšlení

  • Pokud pedagogové ve stejné katedře popisují AI na jedné straně jako lidsky působícího „asistenta" a na straně druhé jako pouhý „nástroj" nebo „vyhledávač", může školicí program skutečně uspět dřív, než se tyto skryté mentální modely vynoří? Co by se mohlo stát, kdyby rozvoj tento krok přeskočil?
  • Vzdělávací rozvoj se často pojímá jako zacelení mezery v dovednostech - naučte pedagogy nástroje a oni je přijmou. Některý výzkum však rámuje integraci GenAI jako změnu na úrovni identity („jaký smysl má učit ve světě GenAI?"). Které rámování považujete za přesnější a jaké odlišné kroky každé z nich implikuje?
  • Rámce připravenosti, jako je EPIQ-AI, dělí připravenost pedagogů na epistemickou, pedagogickou, institucionální a doménu kvality a souladu s předpisy. Pokud je připravenost problémem sociotechnického sladění, a ne individuální mezerou v dovednostech, co to říká o tom, kde samostatný „workshop o AI" pravděpodobně selže?
  • Kdy jste cítili, že se vaše vlastní předpoklady o nové technologii vynořily a posunuly - prostřednictvím diskuse, metafory nebo sdíleného jazyka, a ne výuky? Jakou roli podle vás hraje sdílený jazyk a analýza metafor v tom, že pedagogům pomáhají porozumět AI?
  • Zvažte nízkotechnologický „workshop metafor", na němž pedagogové, zaměstnanci a studenti formulují, zda jim AI připadá jako švýcarský nůž, pomocník, černá skříňka, nebo konkurent. Mohlo by vynoření obav (včetně obavy, že AI nahradí učitelské role) udělat pro přijetí víc než další technické školení?

Úvod

Vzdělávací rozvoj je profesní a institucionální práce, jejímž prostřednictvím pedagogové budují schopnost dobře navrhovat, učit a hodnotit - a v éře AI se stal předpokladem toho, aby jakákoli pedagogická změna vůbec nabyla účinnosti. Koncept zahrnuje jednotlivce (gramotnost v oblasti AI, sebevědomí, kompetenci, postoje) i instituci (standardy, politiku, zajišťování kvality a sladění mezi deklarovanými očekáváními ohledně AI a skutečným návrhem hodnocení). Opakujícím se zjištěním v celé této znalostní bázi je, že důkazy pro účinnou praxi výrazně předbíhají to, co většina institucí zavedla, což činí z rozvojové práce - a ne z dalšího primárního výzkumu - omezující podmínku. Vědy o učení produkují poznatky, které tato práce přenáší: tam, kde tento obor empiricky stanovuje, jak se lidé učí a které návrhy mění výsledky, je vzdělávací rozvoj institucionální praxí, která takové důkazy přesouvá do toho, jak pedagogové skutečně učí a hodnotí. Jeho práce je však ohraničena institucionální hranou: rozvoj buduje schopnosti u zaměstnanců uvnitř instituce, zatímco nástroje, které mají tito zaměstnanci následně přijmout, obvykle vznikají mimo ni u Educational Technology Developers, jejichž rozhodnutí o návrhu a nákupu - výchozí nastavení, konfigurovatelnost, to, co přežije financování - přicházejí jako omezení programu, a ne jako jeho produkty.

Vzdělávací rozvoj v éře AI

  • Rámce připravenosti: Rámec EPIQ-AI vymezuje čtyři domény připravenosti: epistemickou, pedagogickou, institucionální a doménu kvality a souladu s předpisy. Připravenost pedagogů je problémem sociotechnického sladění, ne jen individuální mezerou v dovednostech.

  • Než rámec přijmete, zkontrolujte, co popisují jeho úrovně. Napříč 16 institucionálně schválenými rámci kompetencí v AI bylo používání AI, hodnocení výstupů a oborová aplikace podstatné u všech 16, zatímco formulace problému (7), datová kompetence (9) a tvorba AI (8) nikoli; úrovně zdatnosti navíc popisují rozvoj žáka, pracovní roli nebo ročník, takže nejsou přímo srovnatelné (Fitsilis (2026)).

  • Standardy pro integraci technologií: Crompton et al. používají designový výzkum k vývoji standardů pro integraci technologií (včetně AI) u pedagogů v institucích vysokoškolského vzdělávání.

  • Přijetí a sebevědomí: Výzkum přijetí AI učiteli označuje obavy, podporu, sebevědomí a postoje za klíčové prediktory. Programy rozvoje pedagogů musí řešit všechny čtyři.

  • Integrace do kurikula: Rámce institucionální změny a reforma hodnocení vyžadují, aby pedagogové přepracovali kurzy, a ne jen přidali AI nástroje.

  • Školicí programy: Rámce zvyšování kvalifikace v AI a pregraduální příprava založená na TPACK poskytují modely pro strukturované vzdělávání pedagogů v AI.

  • Profesní reflexe zprostředkovaná AI. Model reflektivního trojúhelníku staví AI jako kognitivního mediátora napříč sebereflexí, spolupracující reflexí a komunitní reflexí v profesní učící se komunitě; byl testován ve čtyřtýdenní případové studii proveditelnosti se šesti učiteli a hranice, kterou vytyčuje, je, že individuální vhled se automaticky nestává sdíleným profesním poznáním (Nguyen (2026)).

  • AI Governance a politika: Analýza institucionálních politik v oblasti AI dokumentuje mezeru mezi institucionálními ambicemi a kapacitou podpory pedagogů.

  • Gramotnost v oblasti AI je institucionálně neviditelná. Systematický přehled 32 studií gramotnosti učitelů jazyků v oblasti AI zjistil, že chybí v modelech pracovní zátěže, v politice povyšování a v alokaci zdrojů, přičemž rozvoj je roztříštěný a odpovědnost se přesouvá mezi institucemi a agenturami - rozvoj gramotnosti tak zůstává na individuálním úsilí, a ne na strukturální podpoře (Deng, Çelik & Duran, 2026).

Metafory a sdílený jazyk ve vzdělávacím rozvoji

Pedagogové mají heterogenní, často hluboce ambivalentní mentální modely AI a účinný rozvoj je musí vynést na povrch a pracovat s nimi. Gerhardt et al. ukazují, že vyučující v inženýrském vzdělávání rámují AI metaforami, které porozumění zároveň konstruují i omezují (AI jako lidsky působící „asistent" versus „nástroj" nebo „vyhledávač"); protože vyučující v téže katedře často zastávají zásadně odlišné konceptualizace, je sdílený a přesný jazyk o GAI předpokladem účinného rozvoje pedagogů i produktivních diskusí o přijetí na úrovni katedry.

Praktickou metodou, jak tyto mentální modely vynést na povrch, je workshop analýzy metafor. Vallis, Wilson & Casey (2025) navrhli a validovali nízkotechnologický spolupracující workshop pro pedagogy, zaměstnance a studenty, na němž formulují své metafory generativní AI. Metafory účastníků se seskupily do čtyř kategorií - funkce (nástrojové: „švýcarský nůž"), role (lidské: „pomocník", „nepřítel-přítel"), vlastnosti (nepoznatelné: „černá skříňka", „svažitý terén") a agenturnost (ohrožující: „konkurent", „zlomyslný robot") - a vynesly na povrch přetrvávající napětí mezi lidskou a strojovou Learner Agency a mezi známým a nepoznatelným. Workshop účastníkům pomohl vynést předpoklady na povrch, propojit se napříč rolemi, cítit se „ne sami" a přemýšlet o Ethics GenAI, aniž by vyžadoval technickou odbornost. Jako rozvojový nástroj dává tvůrcům programů nízko bariérový způsob, jak vynést předpoklady týmu na povrch před přepracováním Assessment nebo zaváděním politiky, a jak čelit obavám přímo - včetně obavy, že AI nahradí učitelské role.(Fear and Awe: Making Sense of Generative AI Through Metaphor)

GenAI jako práce s identitou, ne jen zvyšování kvalifikace

Pohled informovaný teorií prahu rámuje integraci GenAI jako ontologickou transformaci pedagogů, nikoli jako mezeru v dovednostech. Laidlaw aplikuje teorii prahových konceptů (Meyer & Land) a argumentuje, že GenAI vykazuje všech pět prahových charakteristik - transformativní (rekonstruuje předpoklady o hodnocení, pedagogice a profesní roli), problematická (narušuje přesvědčení o originalitě, lidské agenturnosti a o vztahu úsilí a úspěchu), nevratná, integrující (spojuje technologii, pedagogiku, epistemologii a identitu) a ohraničená (plynulost v GenAI se stává novým znakem profesní platnosti).(When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap)

Podle tohoto pojetí pedagogové, kteří se ptají „jaký smysl má učit ve světě GenAI?", netrpí nedostatkem kompetence; nacházejí se v liminální fázi překračování prahu, kde úzkost, odpor a zmatení jsou nezbytnými součástmi transformace, a ne překážkami k odstranění. Školení založené na dovednostech, které odpovídá na otázku kompetence, kterou pedagogové nepokládají, se může stát okrajovým vůči skutečné transformaci a dobře míněné řízení může sklouznout k „iluzi vynucení" - sdělování pravidel místo podpory změny.(When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap)

Důsledek pro návrh: doplňte (ne nahraďte) budování dovedností praxemi podporujícími identitu - otevřené workshopy s otázkami identity místo technických ukázek, průběžné oborově specifické kohorty, v nichž pedagogové zkoumají, co GenAI znamená pro smysl jejich oboru, struktury vzájemného mentorování, které ctí odlišná tempa transformace, a rozlišení mezi váháním pramenícím z obav (kterému prospívá podpora) a principiálním nepřijetím ukotveným v legitimních oborových hodnotách (které si zaslouží respekt).(When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap) Výše popsaný model workshopu metafor je jednou konkrétní konkretizací tohoto přístupu: místo aby začínal technickým zvyšováním kvalifikace, otevírá interpretativní otázku prostoupenou identitou - co GenAI znamená pro účastníky.

Empirická podpora rámování prací s identitou. Farazouli et al. (2026) poskytují přímé kvalitativní důkazy pro toto pojetí: 24 švédských vysokoškolských učitelů popisovalo nástup GAI jako alarmující a zahlcující, hlásilo „stav zranitelnosti" (nízké sebevědomí, nejistotu, strach, že „nebudou o krok před studenty") a pocit, že uvízli mezi utopickými a dystopickými diskurzy. Jejich omezené znalosti a zkušenosti spolu s pocity zranitelnosti ukazují na nedostatečnou připravenost učitelů orientovat se v GAI, posuzovat ji a přijímat ji - a autoři argumentují, že instituce musí poskytnout vyhrazené prostory a čas, aby učitelé mohli s GAI experimentovat, vyměňovat si nápady a společně vytvářet praxe a pokyny na institucionální úrovni, na úrovni kateder i kurzů. To ukotvuje přístup založený na práci s identitou a na podpoře v tom, co učitelé sami uvádějí, a ne jen v teorii.

Program, který otázku identity řešil přímo. Chick, Morello & Staffey (2026) popisují šestitýdenní letní institut, který vzal deset pedagogů z programů vzdělávání, zdravotních věd, podnikání a dalších z nízké úrovně plynulosti v AI (průměrné sebehodnocení 1,89 na šestibodové škále) k tomu, že 60 % z nich uvedlo vysoké sebevědomí při vedení používání AI studenty a 90 % pozitivní vnímání, a tento posun přisuzují méně školení v nástrojích a více strukturovanému, bezpečnému experimentování, které začínalo existenciální otázkou profesní hodnoty, a ne ukázkami. Změna slovníku je znakem, o který se opírají: rané rámování AI jako „podváděcího stroje" nebo „odlidšťující síly" ustoupilo „zvídavému asistentovi" a jejich čtyři témata - od strachu k zvídavosti, touha po etické jasnosti, kterou politické vakuum neposkytlo, inkluzivní design jako zesilovač rovnosti a pedagogové přecházející od strážců k průvodcům - popisují částečnou, záměrnou reorientaci výukové identity. Deset závěrečných přepracování je tvrdším důkazem, přičemž osm z deseti staví AI jako scaffolding podporující, a ne nahrazující myšlení, a autoři svou symbiotickou pedagogikou formalizují to, co účastníci vytvořili: komplementární design, transparentní proces, kritickou integraci, zakotvené etické uvažování a iterativní zpřesňování. Výhrada je strukturální, nikoli individuální: titíž účastníci jmenovali protichůdné signály politiky, osobní předplatná nástrojů a žádný uvolněný čas na přepracování, takže autoři uzavírají, že odpor nikdy nebyl problémem a že dílčí reakce, které nechávají politiku a infrastrukturu nedotčené, selžou i u nadšené kohorty.

Rozvoj jako mediace a první otázka, kterou developer klade. Sithole (2026) zkoumá akademický rozvoj - starší název oboru a termín používaný International Journal for Academic Development, který článek publikoval - na dvou jihoafrických historicky znevýhodněných institucích a přerámovává vývojáře z technických implementátorů na digitální mediátory, kteří pracují ve třech registrech: pedagogickém (překlad diskurzu AI do životaschopné praxe výuky, učení a Assessment), etickém (držení automatizace proti Akademická integrita, inovace proti péči) a institucionálním (práce v liminálním prostoru mezi imperativy vedení a akademickými záležitostmi). Pro návrh programů jsou důležitá dvě zjištění. Za prvé, filtrační otázka je kontextová dřív než technická - „co to znamená pro výuku tady, pro naše studenty z chudých škol?" - a zpomalení přijetí se počítá jako součást práce, nikoli jako odpor vůči ní. Za druhé, afektivní náklad je strukturální, ne osobní: od vývojářů se očekávalo, že budou vykazovat odbornost v nástrojích, jejichž důsledky sami teprve zpracovávali („připadám si jako podvodník. AI se učím za pochodu, ale instituce očekává odbornost"), a jejich odpovědí bylo vzájemné profesní učení zaměřené na úsudek, a ne na dovednost, včetně záměrných pokusů nástroje rozbít. Analytickým přínosem článku je oddělení digitální nerovnosti, problému distributivního, od algoritmické koloniality, problému epistemického, který přežívá i při plném přístupu - a umístění obojího do globálního Jihu vysokoškolského vzdělávání, kde se od rozvojové práce očekává, že bude transformativní, a ne neutrální podpůrnou službou.

Vina a morální nepohoda jako rozvojový signál. Vassallo (2026) dodává afektivní protějšek k pojetí identity. V průzkumu mezi akademickými pracovníky maltské univerzity (109 odpovědí, míra 3,5 %, kterou článek sám čte jako informativní o stavu etické debaty) se vina pojila se zatajováním, a ne se zveřejněním - omezování používání AI kvůli nepohodě korelovalo s indexem viny z AI na r = 0,62 a vyhýbání se zveřejnění kolegům na r = 0,50 - zatímco formální zveřejnění v akademických výstupech nevykazovalo žádný vztah (r = 0,08). Jen 31,2 % vidělo jasné institucionální pokyny a korelace mezi touto jasností a nižší vinou byla slabá (r = -0,25, p = 0,010), což článek čte jako důkaz, že direktivy shora nemohou vyřešit problém částečně emoční a identitní. Jeho doporučení jsou přímo rozvojová: považovat vinu a obavy o identitu za normální přechodové reakce, a ne za chyby k opravě, používat strukturované experimentování s nízkými sázkami k provázení zaměstnanců anticipační úzkostí a opírat se o mentorování zkušenými akademiky, protože vina byla nejvyšší u začínajících pracovníků (M = 2,71) a nejnižší u zkušených (M = 2,03).

Praktické doporučení pro tvůrce programů

Pro rozvojové pracovníky, akademické vedení a instruční designéry plánující profesní rozvoj v AI naznačují důkazy znalostní báze toto:

Řešte čtyři hybatele přijetí, ne jen znalosti. Sebevědomí, postoje, podpora a obavy předpovídají, zda pedagogové AI skutečně přijmou - workshop zaměřený jen na znalosti, který je ignoruje, praxi pravděpodobně nezmění. Navrhujte rozvoj tak, aby budoval sebevědomí praktickým používáním, poskytoval průběžnou podporu (a ne jednorázové školení) a aktivně vynášel na povrch obavy pedagogů a reagoval na ně.(AI Adoption Among Teachers: Insights on Concerns, Support, Confidence, and Attitudes)

Sebevědomí a gramotnost nejsou zaměnitelné cíle: v SEM modelu s 502 respondenty z řad vysokoškolských pedagogů byla gramotnost v oblasti AI dominantním prediktorem pohody s AI (β = 0,713), zatímco technologická sebeúčinnost přispívala málo (β = 0,082), a podpora dosáhla pohody jen nepřímo (Liu et al. (2026)).

Považujte poptávku po pokynech a jejich přiměřenost za dva oddělené problémy. Pedagogové jedné univerzity silně podporovali institucionální opatření proti neetickému používání AI (M = 4,59), zatímco stávající pokyny hodnotili nejníže (M = 2,99), a jako nejslabší znalost označili ochranu dat a kulturní inkluzivitu - což je konkrétní cíl profesního rozvoje (Bilgic & Sever, 2026).

Pojímejte připravenost jako problém sociotechnického sladění. Rámec EPIQ-AI ukazuje, že připravenost pedagogů zahrnuje epistemickou, pedagogickou, institucionální a doménu kvality a souladu s předpisy. Programy, které školí jen jednotlivce, míjejí institucionální páky (politiku, pracovní zátěž, pobídky, standardy kvality), které změnu umožňují nebo blokují - slaďte je spolu se školením.(Faculty Readiness for AI-Supported Teaching and Scalable Online Program Delivery in Higher Education: The EPIQ-AI Framework for Epistemic Integrity)

Neztotožňujte investice do infrastruktury s transformací. Napříč 125 studiemi institucionální investice do infrastruktury GenAI a vzdělávacího rozvoje korelovaly se skutečnou pedagogickou změnou jen slabě (r = 0,12), zatímco 60-70 % vyučujících se cítilo nepřipraveno GenAI integrovat - což činí z rozvoje, a ne z nákupu, omezující podmínku.(Rathnayake (2026))

Směřujte k přepracování kurikula, ne k přijetí nástrojů. Cílem je, aby pedagogové přepracovávali kurzy a hodnocení, a ne jen přidávali AI nástroje. Ukotvěte profesní rozvoj v práci na úrovni kurzu a v reformě hodnocení a dejte pedagogům strukturované rámce, jak to dělat (např. škály hodnocení, rámce institucionální změny).(A Framework for Institutional Change in the Age of AI)(A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform)

Svolejte vesnici, ne jednotlivce. Napříč 12 rozhovory s akademiky a 17 se studenty přesáhlo přepracování hodnocení v éře GenAI schopnosti kteréhokoli jednotlivého akademika - jmenovány byly nepružné procesy, dlouhé lhůty a zátěž prací - takže autoři navrhují tým na úrovni programu, který spojuje odbornost v návrhu hodnocení, v GenAI, v oboru, v programu a v praxi (Nicola-Richmond et al., 2025).

Veďte sérii na datech vlastní místnosti, a ne na dovezené osvědčené praxi. Perl-Nussbaum a Finkelstein (2026) dokumentují vypracovaný model z velké veřejné fyzikální katedry R1: šest dvoutýdenních setkání po 60 až 75 minutách, devatenáct pedagogů zapojených napříč sérií a kolem deseti na jednotlivém setkání, kde každé setkání začínalo místními daty nebo materiály z katedry, přešlo k testování AI v malých skupinách na skutečných anonymizovaných domácích úlohách studentů a uzavřelo se společnou diskusí. Co pedagogové testováním zjistili, bylo užitečnější než jakýkoli balíček, který by facilitátoři mohli dovézt - AI vyřešila každou úlohu, kterou zkusili, ale její zpětná vazba ke skutečné práci studentů byla nevyrovnaná, závislá na promptu a povrchní, pokud nedostala explicitní cíle a rubriky, a studenti promptovali mělce a výstup upravovali povrchně, pokud jim nebylo modelováno produktivní používání. Prvním konkrétním výstupem byl živý repozitář pěti položek - prohlášení o politice v sylabu, materiály pro diskusi ve výuce, studentský průzkum, domácí úlohy s integrovanou AI a struktury hodnocení - a právě proto autoři považují strukturu setkání samu za argument, a ne obsah, který přinesla.

Ukotvěte v kompetenčním rámci. Rozvoj by měl také budovat pedagogickou promptovou gramotnost - schopnost zakódovat pedagogické záměry do promptů - protože Talebzadeh (2026) zjišťuje, že kvalitu designérské práce učitelů s podporou AI určuje pedagogická odbornost, a ne plynulost v AI.(AI-accelerated End-to-End Framework for Rapid Professional Upskilling)(AI literacy-related domains and AI-TPACK readiness among preservice mathematics teachers: A factor-informed structural equation modelling study)(The Architecture of Roles in AI-Designed Group Activities: A comparative inductive analysis of novice and experienced teachers' differentiated instruction within the IAT framework)

Řaďte porozumění před automatizací. Kritická diskurzivní analýza 14 textů šedé literatury publikovaných mezi listopadem 2022 a dubnem 2025, které radí praktikům s generativní AI pro konstruktivní sladění, zjišťuje, že schopnost musí předcházet přístupu k nástroji: protože v Constructivism rámci kvalita angažovanosti předchází kvalitě porozumění, riziko klesá s obeznámeností a začátečníci jsou nejvíce vystaveni přijímání věrohodně vypadajících, ale pedagogicky řídkých výstupů na základě jejich plausibility. McInnes et al. (2026) dále argumentují, že rozvojové útvary by měly odmítnout technicistní zadání - pomáhat pedagogům „získat plynulost" v nástrojích, které dělají „těžkou práci" za návrh kurzu - protože takové rámování vylučuje vývojáře z uzavřené smyčky pedagog-GenAI a přerámovává hodnotami vedený, relační rozvoj na mediační mechanismus přijetí softwaru. Obhajitelnou alternativou je udržet vzdělávací vývojáře jako kurátory a tvůrce pravidel jakéhokoli institucionálně ohraničeného asistenta sladění s retrieval-augmented vyhledáváním, který klade sondážní otázky, označuje nedostatečné i nadměrné hodnocení a generuje alternativy, ale nikdy hotové artefakty, přičemž eskalace na lidský úsudek v záležitostech akreditace a napříč programy se považuje za vlastnost, a ne za výjimku.

Vyneste na povrch obavy a mentální modely a řešte je. Před přepracováním výuky použijte workshop analýzy metafor (Vallis, Wilson & Casey 2025), abyste vynesli na povrch předpoklady a úzkosti týmu ohledně GenAI - včetně obavy, že nahradí učitelské role - a budujte rozvoj, který na ně reaguje, místo aby je ignoroval.(Fear and Awe: Making Sense of Generative AI Through Metaphor)

Modelujte gramotnost v oblasti AI a měřte skutečné zisky. Rozvoj pedagogů by měl sám ztělesňovat praxe, které učí - pedagogicky používat AI, kriticky hodnotit výstupy - a měl by posuzovat prokázanou kompetenci, a ne sebeposuzované sebevědomí, protože sebevnímání spolehlivě přeceňuje dovednost v AI.(How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures)(Efficacy of an Intensive Generative AI Professional Development Program on Pedagogical Content Knowledge (AI-PCK) and the Comparative Analysis of Learning Gain between Experienced and Pre-service Teachers)

Nepředpokládejte, že oborová odbornost se přenáší na GenAI. Sutedjo, Chowdhury & Liu (2026) zkoumali 127 pedagogů americké výzkumné univerzity pomocí nástroje TPACK-21 a zjistili, že obsahová znalost (CK) nevykazovala žádnou významnou korelaci s technologickou znalostí ani s žádnou technologiemi integrovanou doménou (r = 0,11-0,15, ns) - oborová odbornost nepředpovídala znalost integrace GenAI. Technologiemi integrované domény (TPK, TCK, TPACK) spolu korelovaly tak silně (r = 0,81-0,91), že mohou fungovat jako jediný faktor integrace GenAI. Prakticky: budujte integraci GenAI prostřednictvím oborově specifických činností, které spojují možnosti GenAI s předmětem každého pedagoga, a pojímejte technologiemi integrované domény jako jeden společný základ gramotnosti v GenAI, místo abyste je školili jako oddělené dovednosti.(Assessing faculty self-perceived knowledge in using generative AI to teach 21st-century skills)

Oborově specifické modely chytré učebny. Zhu, Liang, Mao a Wang (2026) ukazují, jak lze magisterský kurz matematiky obohatit inteligentními vzdělávacími technologiemi (automatizované skórování, personalizovaná doporučení, vícenásobná zpětná vazba od AI) integrovanými napříč fázemi před výukou, během ní a po ní v rámci trojdimenzionálního rámce chytré učebny. Jejich kvaziexperiment zjistil statisticky významné zisky ve zdatnosti návrhu výukových cílů a nabídl přenositelný model D-T-E (Disciplinary Demand-Technological Empowerment-Evaluation Loop) pro vzdělavatele učitelů a rozvojové pracovníky, kteří chtějí přesunout rámce chytrého vzdělávání z makrokonceptů do oborově specifické praxe.

Měřte účast, ne pocit angažovanosti. V šestiměsíčním programu Intelligent-TPACK pro 64 vysokoškolských učitelů míra účasti předpovídala zisk kompetence v AI (β = 0,407, p = 0,001), zatímco sebeposuzovaná participace nikoli (β = 0,049, p = 0,692), což autoři čtou jako konkrétní behaviorální investici proti povrchní angažovanosti (Tan, Cheng & Ling, 2025). Program spojoval online přednášky se třemi prezenčními workshopy a poté požadoval, aby učitelé přepracovali své návrhy výuky a v následujícím semestru je implementovali, a autoři doporučují spojit účast s hodnocením zaměstnanců spolu se smysluplnými pobídkami.

Srovnávejte s tím, co pedagogové sami uvádějí. Průzkum Watson & Rainie (2026) mezi 1 057 americkými pedagogy zjišťuje, že institucionální vrstva je tenká způsoby, které tvůrci programů mohou měřit přímo: 59 % považovalo svou školu za nepřipravenou používat generativní AI účinně při přípravě studentů na budoucnost a 68 % uvedlo, že nepřipravila pedagogy na její používání ve výuce a mentoringu, zatímco strukturální odpověď spočívala v pracovní skupině u 55 % institucí, ale ve všeobecně vzdělávacím výstupu v gramotnosti v oblasti AI jen u 13 %. Pedagogové nečekali na politiku - 87 % psalo vlastní pravidla na úrovni zadání, zatímco 48 % mohlo poukázat na institucionální - a jako překážky přijetí na úrovni katedry jmenovali odpor kolegů (82 %) a jejich neobeznámenost (83 %), ne direktivu. Pro rozvojové programy to argumentuje pro pojímání vzájemných norem, sdíleného jazyka politiky na úrovni zadání a explicitních měřítek institucionální připravenosti jako součásti intervence, místo aby se ponechaly politickému dokumentu.

Reakce vyučujících odráží mocenská centra, ne postoje. V instrumentální případové studii 33 vyučujících psaní utvářela praxi čtyři polycentrická mocenská centra - globální trend GenAI, univerzita a katedra, kolegové a studenti - a adjunctové omezení malou diskurzivní mocí se posouvali od detekce k výuce přijatelného používání (Zuo et al. (2026)).

  • Šest rodin profesního rozvoje, tři dobře doložené a jeden jasně vítězný případ. Přehled 78 studií instručního designu s podporou AI třídí zdokumentovaný profesní rozvoj do kompaktních zabudovaných modulů (2-4 týdny), semestrálního mikroučení, úkolově založených designových cyklů, kolaborativních dialogických řetězců otázek, kritického společného objevování a sebeřízeného učení praktiků. Důkazy o výsledcích jsou nejsilnější pro kompaktní zabudované moduly: třítýdenní modul přinesl statisticky významné zisky ve všech šesti doménách Intelligent-TPACK se středně velkými až velkými efekty a čtyřtýdenní program se 436 pregraduálními učiteli a kontrolní podmínkou je nejsilnějším kontrolovaným hodnocením v korpusu (Spyropoulou & Kameas, 2026).
  • Tři návrhové prvky odlišují nejlépe doložené intervence. Etika zabudovaná jako distribuovaná praxe s kontrolními body u každého úkolu, a ne jako samostatná lekce; hodnocení kompetence založené na výkonu pomocí plánů lekcí, rozhodovacích záznamů a mikrovýuky, motivované přímo nespolehlivostí sebeposouzení; a prompt engineering rozvíjený jako reflektivní, pedagogicky ukotvená praxe. Přijetí není toutéž pákou jako výkon: napříč 200 učiteli v Severní Sumatře nemělo používání AI přímý účinek na výkon učitele (β = 0,112, p = 0,087), zatímco zprostředkovaně jej neslo organizační občanské chování, takže rozvojová práce zaměřená na spolupracující používání nad rámec role je verze, kterou důkazy podporují (Sherly et al. (2027)). Doprovodná dvoutýdenní studie zjistila rychlé zisky ve znalostech a sebevědomí a zároveň označila detekci zaujatosti za nejslabší nově vznikající kompetenci - mezeru, která přetrvala i v delším modulu, v souladu s tím, že etická percepční kapacita se rozvíjí pomaleji než technologická obeznámenost.

Časté mylné představy

„Workshop dovedností je intervence, kterou vzdělávací rozvoj potřebuje." Připravenost je problém sociotechnického sladění, a ne individuální deficit, a proto samostatný „workshop o AI" nedosahuje potřeby, kterou má řešit. Program, který otázku řešil přímo, byl šestitýdenní letní institut, který provedl deset pedagogů z programů vzdělávání, zdravotních věd, podnikání a dalších prací na úrovni identity. Délka a kohorta nejsou u tohoto návrhu okrajové; jsou tím, co jej odlišuje od prohlídky funkcí.

„Jasnější institucionální pokyny vyřeší nepohodu pedagogů." Pokyny pomáhají a problém nedosáhnou. Jen 31,2 % akademických pracovníků maltské univerzity vnímalo jasné institucionální pokyny a korelace mezi jasností pokynů a nižší vinou byla slabá (r = -0,25, p = 0,010). Slabý vztah v tomto měřítku znamená, že direktivy shora nemohou vyřešit to, co článek čte jako částečně emoční a identitní problém - pětina rozptylu, kterou vysvětlují, není tou pětinou, na které záleží.

„Vina z používání AI ukazuje na porušování pravidel." Pojí se se zatajováním, a ne se zveřejněním: omezování používání AI kvůli nepohodě korelovalo s jeho skrýváním, nikoli se zakázaným chováním. Číst vinu jako důkaz pochybení tedy chybně určuje její zdroj a pojímat ji jako signál compliance bude toto chování vytlačovat dál z dohledu.

„Nízká míra odpovědí v průzkumu znamená, že pedagogové nemají silné pocity." Článek čte svých 109 odpovědí (míra 3,5 %) samo jako informativní o stavu etické debaty - nízká odpověď na otázku o nepohodě je zjištěním o této nepohodě, a ne její absencí. A integrace GenAI rámovaná čistě jako zvyšování kvalifikace míjí otázku identity, kterou někteří pedagogové skutečně kladou: jaký smysl má výuka ve světě GenAI.

Související koncepty

Související články

Související FAQ

Související zdroje

  • Education Agent Skills
    A library of 165 evidence-grounded agent skills covering pedagogy, learning science, curriculum, and assessment, packaged for Claude, Codex, and Hermes.
  • FPDS Apps and Resources
    The public resource page of Faculty Professional Development Services at Hillsborough College, collecting its AI design coaches, Canvas courses and accessibility guides in one place.

Metadata

ÚroveňHigher Ed, K 12
Cílová skupinaFaculty Developers, Instructors
Instituce a politikaEducational AI Policy
Základy AI ve vzděláváníGramotnost v oblasti AI, Curriculum Design, Návrh výuky, Výuka, Kompetence pedagogů v oblasti AI
ZdrojHistorieUpravitChat

Vložit tuto stránku

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