Znalostní báze AIEdAIEd KB
Na této stránce

Přečtěte si tuto stránku v angličtině

Pojmy

Spolupráce člověka s AI

Vytvořeno 2026-05-29 · Aktualizováno 2026-11-08

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

Spolupráce člověka s AI — dělba kognitivní práce mezi lidmi a modely — je ústředním tématem interakce v této znalostní bázi: Human-AI collaboration in higher education: Exploring the impact of technology expectations and distrust, "It felt a bit eerie": Exploring humanlike interactions during collaborative writing with an artificial agent, Generative AI (GenAI) as a mindtool that supports generative learning (GL) a Balancing Teacher and Student Agency: Co-Orchestration Tool Design Supporting Real-Time Dynamic Pairing zkoumají důvěru, agenturnost a komplementární role (Human-in-the-Loop, Agentní AI). Určující otázkou je, zda partnerství zachovává, nebo nahrazuje vlastní kognitivní práci studujícího — stejné uspořádání může učení podporovat, nebo je zastupovat, podle toho, jak je sdílena odpovědnost.

Otázky k zamyšlení

  • Určující otázkou spolupráce člověka s AI je, zda partnerství zachovává, nebo nahrazuje vaši vlastní kognitivní práci. Vzpomeňte si na úkol, který jste předali AI: generovali a rozhodovali jste, nebo jste jen přijímali?
  • Jedna studie zjistila, že volná spolupráce s ChatGPT přinesla jen přechodné zisky, které se v pozdějším neasistovaném úkolu zhroutily, zatímco protokol „nejprve myslet, ChatGPT potom" vedl k trvalému učení. Proč by to, kdo generuje myšlenky, mohlo předpovídat, zda se skutečně učíte?
  • Tentýž nástroj může učení podporovat, nebo je zastupovat podle toho, jak je sdílena odpovědnost. Napadá vás uspořádání, které vás udrželo kognitivně produktivními, oproti takovému, které tiše odklonilo vaše myšlení?
  • Jedno uspořádání obrací obvyklé role: místo aby model dodával odpovědi, student vysvětluje obsah a model hraje nevědoucí stranu, která se ptá na vysvětlení, příklady a protiargument. Pokud se ptá AI, co se stane s tím, kolik myšlení zůstane na vaší straně?
  • Důvěra je popisována jako něco, co je třeba kalibrovat, nikoli předpokládat — spoléhat na AI tam, kde je to vhodné, a ověřovat tam, kde ne. Jak nyní rozhodujete, kdy výstupu AI věřit a kdy ho ověřit?
  • Výzkum identifikuje režimy spolupráce, které směňují efektivitu za hloubku vaší seberegulační angažovanosti. Kdy stojí za to přijmout menší efektivitu, abyste udrželi více učení ve vlastních rukou?
  • Pokud je spolupráce stejně tak pedagogickou volbou jako technickou, jaká designová opatření (prompty, pracovní postupy, struktury) byste nastavili, aby AI u vašich studujících spíše rozšiřovala než nahrazovala myšlení?

Úvod

Spolupráce člověka s AI popisuje, jak si studující, učitelé a systémy AI dělí kognitivní práci — kdo co dělá, kdo rozhoduje a jak se udržuje důvěra a agenturnost. Výzkum spolupráce nerámuje AI jako náhradu ani jako pasivní nástroj, ale jako partnera s komplementárními silnými stránkami, jehož hodnota závisí na tom, jak je odpovědnost sdílena a monitorována. Na úrovni pozorovatelného chování zachycuje Student-AI Interaction, jak studující tento vztah uskutečňují v praxi — jaké otázky, prompty a ověřovací kroky s AI činí okamžik za okamžikem.

Dělba práce prochází také lidmi, kteří interakci navrhují. Napříč dvanácti implementacemi kurzů přípravy učitelů pedagogové stavěli AI jako myšlenkového partnera, generátor kritiky nebo nástroj zkoušky, zatímco studenti si ponechávali odpovědnost za hodnocení, přizpůsobení a zdůvodnění rozhodnutí; přesto stejný dokument uvádí, že studenti znehodnotili zpětnou vazbu, kterou už předtím posoudili jako užitečnou, jakmile bylo odhaleno autorství AI — epizodu, kterou nazývá efektem praskajícího balónku. Analýza 1 378 tahů designér–chatbot ukazuje v otázce generování opačný směr: designéři používali vestavěného asistenta především ke kontrolám sladění výstupů učení a pedagogického přístupu, nikoli k produkci obsahu. V obou případech nese učení hodnotící úsudek člověka, nikoli výstup modelu.

Přínosy, rizika a důsledky pro design

Důkazy ve znalostní bázi ukazují, že spolupráce člověka s AI je oboustranně břitké uspořádání, jehož výsledek určuje design, nikoli AI samotná:

  • Spolupráce může zlepšovat učení, když zachovává kognitivní angažovanost. Studie GenAI jako mindtoolu a vedené spolupráce ukazují, že když dělba práce udržuje studujícího v generování, rozhodování a hodnocení, AI myšlení rozšiřuje, nikoli nahrazuje — a přináší trvalé zisky v seberegulovaném učení a kreativitě. To, že si studující ponechává rozhodující roli, se přenáší i do psaní: Oppenheimer, Cash a Connell Pensky (2025) ukazují, že kritiky argumentačních esejů studentů od LLM zlepšily psaní v průběhu semestru, přičemž studující rozhodovali, zda zpětnou vazbu modelu začlení, nebo vyvrátí (87,8 % tvrzení vyvráceno) — uspořádání, které zachovalo hodnotící práci studujícího — a zisky se objevily i u esejů psaných bez podpory LLM, což naznačuje trvalou dovednost, nikoli závislost na nástroji.

  • Spolupráce může učení zastupovat, když odkloní příliš mnoho práce. Režimem selhání je nadměrná závislost: když AI produkuje odpověď, role studujícího se hroutí do pasivního přijetí a okamžitý výkon úkolu maskuje absenci trvalého učení. Výzkum výkonu versus učení a cyklus újmy od substituce ke scaffoldu (From Substitution to Scaffolding: Breaking the Self-Reinforcing Harm Cycle of AI in Education (and Beyond)) to dokumentují systematicky.

  • Lepší skóre samo o sobě není důkazem, že se spolupráce něco naučila. Ostatní důkazy na této stránce čtou asistovaný výkon opatrně a randomizovaný test typu podpory ukazuje proč. V laboratorní studii Iqbal et al. (2026) napsalo 87 studentů EFL esej bez pomoci a poté ji revidovali s ChatGPT 4.0 (n = 29), s lidským instruktorem psaní (n = 28), nebo bez podpory (n = 30). Kterou ze čtyř revizních strategií odvozených ze záznamů student použil, silně souviselo s podporou, kterou měl (Cramérovo V = 0,668), a jen mírně s jeho dřívější strategií psaní (Cramérovo V = 0,333); motivace, dovednost psaní a přesnost metakognitivního úsudku nevykázaly celkovou asociaci, metakognitivní vazba se objevila jen v podmínce bez podpory (p = 0,0460). Kriticky: žádná revizní strategie nepředpovídala změnu skóre (p = 0,273), i když typ podpory ano: skupina GenAI se zlepšila významně více než skupina s lidským expertem a kontrolní skupina (H(2) = 16,591, p = 0,00025, η² = 0,174) a uvnitř stejné strategie postupně klesajícího hledání pomoci získali studenti GenAI v průměru asi 4 body, zatímco studenti s lidským expertem ztratili 0,5. Autoři čtou vzorec jako vnější podporu obcházející vlastní metakognitivní úsudek studujícího a varují, že zisky mohou být optimalizací specifickou pro úkol, nikoli trvalou schopností. To nevyvrací princip kdo generuje a rozhoduje (studie variovala, kdo poskytl podporu, nikoli kdo generoval myšlení), ale zostřuje test, který má instruktor použít: zisk dosažený za asistence musí přežít neasistovaný úkol, než se počítá jako učení, a přidání lidského experta do místnosti není automaticky bezpečnější uspořádání.

  • Přidání vrstevníků také není automaticky bezpečnější uspořádání. Chu, Dai a Zhai (2026) nechali 87 vysokoškoláků pracovat samostatně nebo ve dvojicích s multiagentním systémem GenAI po osm týdnů. Dvojice dosáhly nejvyššího skóre v komplexním designovém projektu (M = 89,64, oproti 85,85 u studentů, kteří pracovali ve dvojicích bez systému, a 86,45 u těch, kdo pracovali se systémem sami, p = 0,039), povědomí o kritickém myšlení však vzrostlo nejvíce u těch, kdo pracovali sami (M = 0,41), a u dvojic mírně kleslo (M = −0,04, p = 0,039).

  • Designový princip — zachovejte produktivní práci studujícího. Napříč výzkumem je nejostřejším prediktorem toho, zda spolupráce pomáhá, nebo škodí, kdo generuje a rozhoduje. Uspořádání, která udržují člověka kognitivně produktivního (vedené promptování, „nejprve myslet, potom se poradit s AI", kroky ověřování a hodnocení), učení podporují; uspořádání, která celý úkol předají modelu, nikoli. Komplementárním krokem je změnit, čím má model být. V kvaziexperimentu Wang et al. (2026) vysvětlovalo 68 budoucích učitelů koncept převrácené třídy buď GAI začátečníkovi postavenému na ERNIE 3.5 (systém rámovaný jako zvídavý a oceňující, který žádal vysvětlení, příklady, ověřovací uvažování a opačnou perspektivu, sekvencované vzhůru Bloomovou taxonomií), nebo kladli otázky GAI učiteli postavenému na stejném modelu. Studenti, kteří AI učili, vysvětlovali lépe (definice převrácené třídy M = 4,18 vs. 3,29; její výukové aktivity M = 4,91 vs. 3,06, obojí p < 0,001) a generovali více a kvalitnějších otázek (M = 3,67 vs. 2,14; M = 5,67 vs. 3,07, obojí p < 0,001), zatímco objektivní vybavování bylo statisticky nerozlišitelné (M = 23,18 vs. 21,57, p = 0,416), takže výhoda spočívala ve vysvětlení a transferu, nikoli ve vybavování faktů. Studenti v podmínce s AI učitelem byli o kompromisu upřímní: někteří připustili, že dává „přesnější a podrobnější informace", zároveň však uvedli, že „po jeho použití jsem nechtěl myslet samostatně". Přidělení role studujícího, kterého je třeba učit, činí ze studenta jediný zdroj myšlenek a odstraňuje dlouholetou obtíž najít vhodného vrstevníka, kterého by šlo učit. Přináší to dvě designová omezení: plánování a monitorování se nezlepšilo (M = 4,01 vs. 3,78, p = 0,062), takže obrácení rolí samo o sobě není metakognitivní intervencí, a autoři tento nulový výsledek přičítají designu úkolu, který udržoval studenty soustředěné na obsahovou přesnost. Ve třídě psaní má tento princip konkrétní, vyučovatelnou podobu. V saúdském kvaziexperimentu Alshehri et al. (2026) s EFL studenty procházeli pětidílnou rutinu — vymezit problém a navrhnout prompty, iterativně konceptovat, revidovat, ověřovat každé tvrzení a citaci proti vědeckým databázím a regulovat vlastní přisuzování a spoléhání — přičemž každé zadání vyžadovalo záznam o použití AI toho, co přijali, odmítli a proč. Psaní a digitální kritické myšlení rostly společně a pohybovaly se téměř v tandemu a reflexe studentů spojovaly rutiny ověřování a opravy halucinací specificky se zisky v kritickém myšlení: tytéž návyky vyslýchání výstupů utvářely jejich rozhodnutí při komponování. Vlastní výhrada autorů je nutným doplňkem principu — pracovní postup je podmíněný, nikoli soběstačný, a může se obrátit proti produktivitě při tenkém Scaffoldingu, nízké připravenosti kritického myšlení nebo metakognice (když studentům chybí kapacita zachytit špatný výstup), postupném delegování rozhodnutí o komponování nebo nejasné institucionální politice používání AI.

  • Ohraničená autorita je sama designovým vzorcem pro spolupráci s vysokými sázkami. Učitelé v Reichert et al. (2026) neprototypovali otevřené asistenty, ale systémy, jejichž svoboda byla předem stanovena: každý design omezil chatbota na konkrétní obsah lekce a bezpečnost byla vrstvena jako doménové hranice (rozsah specifický pro lekci plus „informační kvóta" vyžadující minimální počet faktů nebo problémů, než konverzace postoupila), filtrování obsahu se standardizovanými odmítnutími („Omlouvám se, toto není součástí mé znalostní báze"), která také upozornila učitele, a učitelské přepsání pro nejednoznačné případy — uvedeným příkladem byla otázka o lidské reprodukci, která byla v rámci své jednotky legitimní a měla být směrována k člověku, nikoli automaticky odmítnuta. Personalizace formátu, žánru, tempa a složitosti byla vítána uvnitř těchto hranic a dohled (úplné záznamy konverzací, upozornění v reálném čase, přepsání) byl rámován jako profesní odpovědnost, nikoli nedůvěra k modelu. Důsledkem je, že ve vysoce rizikových prostředích má být dělba práce specifikována jako ohraničená, monitorovaná a odvolatelná, nikoli vyjednávaná tah za tahem.

  • Automatizace a augmentace nejsou alternativy. Napříč čtyřmi případy zaměřenými na učitele zůstávalo nahrazení uvnitř ohraničených analytických podúkolů, zatímco doplnění se objevilo všude, kde učitelé interpretovali a validovali výstup, takže augmentace se ukázala jako vlastnost toho, co učitel udělá dál, nikoli nástroje samotného (Horvers et al. (2026)).

  • Důvěru je třeba kalibrovat, nikoli předpokládat. Produktivní spolupráce závisí na tom, zda studující přesně kalibrují, kdy se na výstup AI spoléhat a kdy ho ověřit — což se pojí s kalibrací důvěry a lidským dohledem, nikoli se slepým přijetím nebo plošným odmítnutím.

  • Afektivní upozornění je podnět, který učitel interpretuje, nikoli instrukce k poslechnutí. V jedné hodině geometrie na střední škole předcházela emoční upozornění systému AI velmi různým tahům učitele a právě tah — přerámování úkolu, krátké ocenění nebo záměrná neintervence — změnil angažovanost, takže upozornění fungovalo jako jeden vstup mezi tím, co učitel mohl pozorovat (Swidan (2026)).

  • Spolupráce učitel–AI je oboustranně břitká pro angažovanost, nejen pro učení. V třívlném průzkumu 468 univerzitních učitelů spolupráce zvyšovala pracovní angažovanost prostřednictvím psychologické dostupnosti (nepřímý efekt 0,19), ale snižovala ji prostřednictvím odcizení v práci (nepřímý efekt −0,03); digitální kompetence moderovala obojí a zploštila sklon odcizení z 0,38 na 0,17 (Sun et al. (2026)).

  • Dělba práce sleduje věrohodnost, nikoli schopnost. To, na čem se studující ustálí, je principiální alokace: AI pro okamžitou, široce použitelnou jazykovou zpětnou vazbu a instruktoři pro individualizované, relační vedení, přiřazené podle vnímané věrohodnosti každého zdroje, nikoli podle jeho přesnosti, protože limitující podmínkou spoléhání byla vnímaná péče, nikoli kompetence (Serpil a Mor, 2026).

  • Spoléhání je populační proces, nejen individuální volba. V agentním modelu viditelný sociální důkaz neověřeného používání zhroutil ověřování z 0,29 na 0,002 a zvedl nadměrnou závislost z 0,30 na 0,52, zatímco viditelné ověřování vrstevníky obnovilo téměř úplné ověřování — změna toho, co studující vidí druhé dělat, poráží snižování nákladů na kontrolu (Biswas (2026)).

To činí ze spolupráce člověka s AI stejně tak pedagogický konstrukt jako technický: hodnotu partnerství utváří to, jak učitelé navrhují interakci, jak ji studující regulují a jak systém vyzývá k produktivní angažovanosti, nebo ji odrazuje.

Jak se spolupráce člověka s AI objevuje ve výzkumu

  • Důvěra a očekávání: Očekávání důvěry zkoumají, jak představy studujících o AI určují, zda je spolupráce produktivní, nebo vede k nadměrné závislosti.

  • Komplementární role v psaní a myšlení: Kolaborativní psaní s AI podobnou člověku a GenAI jako mindtool ukazují, jak AI může rozšiřovat, nikoli nahrazovat myšlení studujícího, když dělba práce zachovává jeho kognitivní angažovanost.

  • Orchestrace a agenturnost: Orchestrace agenturnosti učitele a studenta a mentální modely studujících o GenAI se zabývají tím, jak se agenturnost vyjednává mezi lidmi a AI, a navazují na Human-in-the-Loop a Agentní AI.

  • Metakognitivní a týmové dimenze: Metakognitivní modely AI zaměřené na člověka a oborové zprostředkování ve studentských týmech rozšiřují spolupráci o metakognici a týmové učení.

  • Kompetence ke spolupráci jako konfigurace, nikoli kontrolní seznam — metakognice přebírá integrační roli Technologické pedagogické obsahové znalosti (TPACK)u. Dang, Hong, Doyle a Nguyen (2026) definují kompetenci ke spolupráci člověka s AI jako dynamickou konfiguraci domény, kompetence v AI a metakognitivní kompetence plus jejich průniků (Práce s AI, agentní učení s AI, agentní osobní a profesní rozvoj a samotná HACC), přičemž výslovně odmítají aditivní seznam dovedností v AI přišroubovaný k existujícímu kurikulu. Jejich ústřední krok přesouvá integrační práci, kterou v TPACK vykonává pedagogika: protože AI je adaptivní účastník, jehož příspěvek se v průběhu úkolu mění, koordinační břemeno padá na metakognici samotného studujícího — rozhodovat, kdy se s AI poradit, jak interakci rámovat a kdy ji přepsat — takže mechanismus udržující spolupráci produktivní drží student, nikoli učitel. Agenturnost studujícího je záměrně vynechána jako samostatný uzel; je místo toho emergentní kvalitou, kterou studující vyjadřují, když koordinují tři kompetence, což z agenturnosti činí vlastnost konfigurace, nikoli dovednost trénovanou izolovaně. Interviewová studie rámce s 24 novozélandskými pedagogy dimenze deskriptivně podpořila a role posouvala spíše důraz než přijetí: sítě ředitelů škol se soustředily na AI s vazbami na HACC a profesní rozvoj, což se významně lišilo od zkušených pedagogů (U = 10,00, p = 0,04) i pedagogů na začátku kariéry (U = 7,00, p = 0,01).

  • Odlišné režimy spolupráce: empirická práce identifikuje tři režimy lidsko-AI řešení problémů — delegované uvažování, soustředěnou interpretaci a delegované rozpracování — a odhaluje kompromis mezi efektivitou distribuovaného systému člověk–AI a hloubkou seberegulační angažovanosti studujících (delegované uvažování podává nejlepší výkon, ale s nižší seberegulací).(Unpacking Interaction Profiles and Strategies in Human-AI Collaborative Problem Solving: A Cognitive Distribution and Regulation Perspective)

  • Lidští a AI facilitátoři mohou být ve strukturované diskusi percepčně zaměnitelní, ale opakované použití stojí na jiných důvodech. Kuhail et al. (2026) vyměnili lidského moderátora za moderátora GPT-4 (a zase zpět) ve 32 debatních sezeních vedených 32 studenty STEM a nenašli statisticky významný rozdíl v účinnosti, zábavnosti, spokojenosti, užitečnosti ani záměru použít (t v rozmezí 0,23 až 1,30, p od 0,198 do 0,818). Lišilo se, proč by se studenti vrátili: pod AI moderací řídila záměr použít vnímaná užitečnost (0,806, p = 0,004), zatímco spokojenost ho řídila jen při lidské moderaci (0,556, p = 0,002). Autoři čtou ploché srovnání jako normalizaci v úlohách svázaných pravidly, nikoli jako důkaz ekvivalence, a doporučují zachovat lidský dohled z etických a relačních důvodů a zároveň činit užitečnost aktivit moderovaných AI čitelnou, místo aby se spoléhalo na zábavnost. Protože studie měřila pouze percepce, neříká nic o tom, zda studenti argumentovali lépe.

  • Zadejte úkol dřív, než ho delegujete. Tsim a Gutoreva (2025) přidávají čtvrtou zónu — co model už umí — k vývojovým zónám studujícího, čímž vznikají zadání typu nahradit, doplnit, podpořit a nezadat, a argumentují, že režimy automatizace–augmentace–spolupráce se liší místem kontroly a epistemickou odpovědností, nikoli sofistikovaností nástroje.

  • Prompt engineering jako pedagogické myšlení, budované prostřednictvím studie lekce. Robinson et al. (2026) sledovali pět vzdělavatelů učitelů v jedné instituci ve Spojených arabských emirátech během dvou cyklů studie lekce, které zasáhly 36 budoucích učitelů matematiky na středních a základních školách a navrhovaly lekce podporované AI s ChatGPT (GPT-4o). Práci odvedl krok, který AI spároval s oborovým rámcem: budoucí učitelé vygenerovali úlohu, posoudili její kognitivní náročnost podle upraveného rámce Matematické analýzy úloh a poté přepsali svůj prompt, aby zvýšili koncepční hloubku, takže revize byla zakotvena v matematice, nikoli ve funkcích nástroje. Šestnáct z 26 analyzovatelných promptů neslo koncepční rysy úlohy a vzdělavatelé uzavřeli, že prompt engineering „není technická dovednost, je to kognitivní dovednost". Hlášené učení v revidované lekci vzrostlo (5 ze 7 budoucích učitelů v prvním cyklu a 10 ze 14 ve druhém uvedlo, že se naučili rozlišovat koncepční a procedurální úlohy), s výhradou, že žádost o koncepčnější úlohu někdy vyprodukovala pouze úlohu komplikovanější. Pro rozvoj pedagogů argument spočívá v trvalém kolaborativním zkoumání skutečných lekcí, nikoli v samostatných workshopech o nástrojích.

  • Vedení rozhoduje o výkonu versus učení: Wong a Qiu (2026) srovnávali volnou a vedenou spolupráci člověka s AI u tvůrčího úkolu. Volná spolupráce s ChatGPT přinesla jen přechodný výkon, který se v pozdějším neasistovaném úkolu zhroutil, zatímco vedený protokol „nejprve myslet, ChatGPT potom" — generovat vlastní myšlenky a pak je s ChatGPT zlepšovat, rozvíjet a hodnotit — přinesl trvalé zisky v nezávislé kreativitě. Výhodu zprostředkovaly kolaborativní prompty zaměřené na zlepšení vlastních myšlenek, což ukazuje, že kdo generuje (dělba práce) předpovídá, zda spolupráce produkuje učení, nebo substituci.(Think First, ChatGPT Later: Guiding Human–AI Collaboration for Learning Gains in Independent Human Creativity)

  • AI jako zprostředkovatel, nejen partner: Niari rekonceptualizuje AI jako pedagogického zprostředkovatele, který orchestruje interakci, epistemické vytváření smyslu a regulační procesy a přerozděluje agenturnost, autoritu a odpovědnost mezi lidské a nelidské aktéry, místo aby AI pojímal jako tutora, vrstevníka nebo nástroj.

  • Spolupráce učitelů s AI je také vzorovaná, nikoli binární. Když učitelé navrhují návrhy lekcí s generativní AI, jejich interakce nabývá empiricky rozlišitelných forem. Choi et al. (2026) identifikovali sedm vzorců interakce učitel–AI — od přímého převzetí a rozpracovaného převzetí výstupu AI po počáteční odmítnutí, revidované převzetí, navazující vedené použití, komplexní interakce a obcházení AI — přičemž pedagogická zkušenost učitele a jeho zdatnost v AI společně určují, zda kriticky promptuje znovu a přizpůsobuje AI studentům a kontextu (komplementární dělba práce v duchu distribuované kognice), nebo pasivně přijímá návrhy (distribuce dominovaná AI).

  • Zprostředkující agent jako hybridní forma participace. Generativní AI není pojímána jako střed mezi nástrojem a spolupracovníkem, ale jako zprostředkující agent, který zprostředkovává jednání a přitom generuje podmíněné, neodpovědné příspěvky — svébytnou kategorii, která přesměrovává design od technologické schopnosti k návykům participace (supervizní agenturnost, epistemická bdělost).(Generative AI as a Mediational Agent: Rethinking Learning in Sociocultural Theory)

  • Komunita a epistemická autorita: komunitní učení s AI ukazuje, že spolupráce je také otázkou kdo má autoritu, a zakotvuje zapojení AI v prožívaných epistemologiích studujících.

  • Objevování rysů řízené daty: Analýza hlavních rysů (PTA) automatizuje odvozování interakčních „rysů" z velkých korpusů Large Language Models (LLMs) konverzací — čtyřfázový proces inspirovaný PCA, který extrahuje pozorování chování, shlukuje je do kandidátských rysů, skóruje každého spolupracovníka a vybírá nejvíce rozlišující rysy. PTA hodnocená na korpusu student–AI tutor a na korpusu vývojář–kódovací agent nachází rysy, které vysvětlují a předpovídají výsledky (např. hluboká koncepční angažovanost pozitivně, delegování úkolů negativně ve vzdělávacím prostředí), a protože zatím nezobecňují napříč semestry a prostředími ani neukazují trajektorie učebních křivek, autoři argumentují, že rysy zatím nelze interpretovat jako „dovednosti". Nabízí škálovatelný, objektivní doplněk k rámcům Gramotnost v oblasti AI a sebeposuzovacím měřením a přímo informuje to, jak pedagogové učí „dovednosti používání AI".

  • Vztah člověka a AI jako nejtrvalejší obava napříč generacemi CAI. Zastřešující přehled konverzačních agentů AI (Ganguly et al. 2025, 34 přehledů) zjišťuje, že obavy o vztah člověka a AI — nadměrná závislost, sociální izolace, depersonalizace, emoční závislost, transparentnost, odpovědnost — jsou nejčastěji diskutovaným etickým problémem napříč všemi generacemi CAI a předcházejí GenAI. To staví otázku „zachovat, nebo nahradit" do samého středu etiky CAI a posiluje, že hodnotu spolupráce určuje design (kdo generuje, kdo rozhoduje, jak je sdílena odpovědnost).(Conversational AI agents in education: an umbrella review of current utilization, challenges, and future directions for ethical and responsible use)

  • AI škáluje odbornost v reálném čase k začátečníkům — první RCT živého tutorování. Wang et al. (2024) ve randomizovaném pokusu (900 tutorů, ~1 800 studentů K-12 v nedostatečně obsluhovaných komunitách) postavili AI na stranu tutora, nikoli studenta: Tutor CoPilot generoval v reálném čase expertní návrhy (vytvořené z uvažování nahlas zkušených tutorů), které začínající tutoři mohli upravit nebo odmítnout. Studenti tutorovaní ošetřenými tutory měli o 4 p. b. vyšší pravděpodobnost zvládnutí témat (p < 0,01), s 9 p. b. ziskem u studentů nejhůře hodnocených tutorů — kteří se vyrovnali kontrolním výsledkům lépe hodnocených tutorů — za ~\$20 na tutora ročně. Zjištění je silnou empirickou kotvou pro rozšíření role učitele a tutora jako spravedlivý režim spolupráce člověka s AI: člověk si zachovává pedagogický úsudek a autonomii, zatímco AI dodává škálovatelnou odbornost.

  • Ohraničená expertnost: jak učitelé rozdělují autoritu s AI. Reichert, Briceno, Tabarsi a Barnes (2026) provedli studii participativního designu, v níž šest středoškolských učitelů prototypovalo LLM chatboty pro vlastní třídy a analyzovalo, jak má být autorita rozdělena mezi učitele a systém. Učitelé důsledně rámovali AI jako ohraničeného experta — specializovanou schopnost omezenou na striktně vymezenou doménu a působící pod lidským dohledem — a toto ohraničení rozdělili do dvou dimenzí: hranice autority, kde profesní a právní odpovědnost za učení a bezpečí studentů nelze delegovat, a hranice odbornosti, kde systému chybí učitelovo kontextové znalosti jednotlivých studentů, dynamiky třídy a institucionálních norem. Mapování prototypů na Gagného devět událostí výuky ukázalo, že delegování bylo selektivní, nikoli vše-nebo-nic: učitelé vítali AI při prezentaci obsahu, zadávání cvičných problémů, Scaffoldingu a formativní zpětné vazbě, ale odmítali jí předat seznamování studentů s cíli nebo sumativní hodnocení. Designovým čtením je, že rozhraní spolupráce má činit viditelným, kde si člověk ponechává rozhodující roli, ne pouze kde je model schopný.

  • Role se musí přizpůsobovat, ne jen označovat. Liao (2026) ukazuje, že fixní AI společník v roli „vrstevníka" udržel delší interakce o knize, ale dominoval výměně (nižší podíl slov a vět studentů) a narazil na afektivní strop, a argumentuje, že spolupráce vyžaduje logiku adaptace role — přepínání mezi vrstevníkem, asistentem a rádcem — nikoli jednu statickou personu.

  • Spolunávrh na straně učitele a architektura rolí jsou také spoluprací. Kromě partnerů obrácených ke studentům spolupracují učitelé s GenAI na navrhování výuky. Wang et al. (2026) systematicky přezkoumávají spolunávrh učebních úloh učitelem a AI a mapují režimy a napětí (agenturnost, epistemická autorita, kontrola), která vznikají, když učitelé a AI společně produkují návrhy; Talebzadeh (2026) zjišťuje, že kvalitu diferencovaných skupinových aktivit navržených AI (bohatost rolí, synergie, sladění úrovní) určuje pedagogická odbornost učitelů, nikoli plynulost v AI, což staví učitele do pozice „dvojjazyčného návrháře učení".

  • GenAI jako agent a kolaborativní prostor ve skupinách. Xu et al. (2026) pozorují malé týmy ve vysokoškolském vzdělávání a ukazují, že role GenAI je vyjednávaná a konfigurovatelná — od podřízeného asistenta po sporného člena týmu — a že synchronní sdílené používání udržuje společnou základnu, zatímco asynchronní soukromé používání fragmentuje transparentnost; navrhují optiku kooperativní práce podporované GenAI, která pojímá GenAI jako agenta i interaktivní kolaborativní prostor.

  • Komplementární poloviny třídní spolupráce. Dvě studie z roku 2026 mapují komplementární poloviny spolupráce člověka s AI ve třídách. MeduAI-SP (Yang et al.) argumentuje pro „funkční komplementaritu" v klinickém vzdělávání: agenti AI zajišťují opakované hraní rolí, konzistentní simulaci pacienta, sledování kontrolních seznamů, sokratovské promptování a předběžnou formativní zpětnou vazbu, zatímco fakulta a lidští standardizovaní pacienti poskytují kontextovou interpretaci, nuancované emoční reakce, individualizovanou nápravu, hodnocení profesionality a úsudky o připravenosti — substituce je ohraničena důsledky chyb, nejistotou úkolu, relační citlivostí a dostupností lidského přezkumu a systém AI má výslovně zakázáno autonomně určovat klinickou kompetenci. Opačným směrem dokumentuje diskuse o etice se 45 studenty ve smíšeném uspořádání tří lidí a tří agentů (Seo et al., 2026) oboustranně břitký vzorec: agenti snížili sociální bariéry (účastníci mluvili přímoji, protože agenti nemají emoce, a necítili povinnost vyplňovat ticho), zároveň však stejné pohodlí odvádělo interakci od lidí — 79,7 % otázek šlo agentům oproti 60 %, které předpovídá jejich dostupnost (p = 0,017). Přítomnost dalších lidí vedla účastníky k tomu, že s AI jednali uctivěji, což naznačuje, že lidská spolu-přítomnost je sama oporou pro kalibraci zapojení AI.

  • Komplementarita je podmíněná, nikoli výchozí vlastností týmů. Tuo et al. (2026) zjistili, že týmy člověk–AI porazily jak samotné lidi, tak samotnou AI jen v jedné ze šesti podmínek — v náročných případech, kdy byla AI méně přesná než lidé — a jinde nevykázaly konzistentní týmovou výhodu, takže přidání partnera AI není samo cestou ke komplementárnímu výkonu.

  • Profesní programy přesměrovávají výcvik od rutinní produkce ke kompetencím spolupráce (designový protokol): Wang (2026) navrhuje designový rámec pro vzdělávání překladatelů postavený na inventáři vytěsnění úkolů (18 podúkolů hodnocených z hlediska pravděpodobnosti vytěsnění AI se značkami provenience [E]/[P]) a čtyřech přesměrovaných kompetencích: mezioborové znalosti, orchestrace AI, strategický úsudek a kritické hodnocení AI. Rámec je předregistrovaný protokol bez empirických dat; jeho přínosem je metoda — auditovatelná analýza vytěsnění plus cesta spolunávrhu pro reformu kurikula — která se přenáší na jakýkoli profesní program, jehož rutinní úkoly agentní systémy stále častěji vykonávají.

  • Typy provázanosti se liší v tom, co vyžadují od studenta, a proto některé zůstávají vzácné. Sun, Dohn a Rehm (2026) klasifikují 102 studií vysokoškolského vzdělávání podle toho, jak je epistemická práce sdílena mezi studentem a systémem (asistent, umožňovatel, syntetizátor, generátor, reimaginátor), a zjišťují, že dvě formy, které udržují kompetenci připsatelnou jednotlivému studentovi, tvoří každá 42,16 % korpusu, zatímco formy rozdělující autorství zůstávají marginální. Jejich vysvětlení je institucionální, nikoli technické: vzácné typy žádají studenty, aby nesli epistemickou odpovědnost za výstupy, které nevytvořili, a přitom byli hodnoceni jako individuální autoři, a právě tento rozpor — nikoli dělba práce sama — je drží mimo praxi. Designovou odpovědí je činit distribuci epistemické práce explicitní, sekvencovat aktivity napříč spektrem a budovat reflexi toho, jak byla odpovědnost sdílena.

  • Vlastnit dílo není totéž jako být jeho autorem. Hong et al. (2026) pojmenovávají deficit legitimizace autorství: člověk může výstup prožívat jako vlastní, a přesto nedokáže roli autora odůvodnit, protože psychologické vlastnictví, pocit agenturnosti a odpovědnost za vydání díla jsou oddělené cesty, které se nemusí sladit. Jejich pracovní nexus autorství klasifikuje příspěvky roli po roli, takže jeden záznam může podpořit editorský nárok a zároveň selhat v nároku jediného tvůrce. Jde o konceptuální analýzu bez dat a bez testovaného modelu, takže deficit je navržený konstrukt, jehož predikce zůstávají neotestované.

  • Vedení, nikoli říkání, potřebuje vlastní kritérium pro posuzování agenta. Designový případ, který si kladl za cíl napodobit učitelské vedení, zjistil, že znalostní agent ohraničený kurátorovanou bází lze hodnotit podle přesnosti, zatímco agent, který má studenty vést k jejich vlastním odpovědím, takto hodnotit nelze (Humburg et al., 2025).

  • Partnerství se rozšiřuje na samotný výzkumný proces, nejen na učení studentů — Potter et al. (2026) nechali GPT-4o navrhnout kódy a předběžná témata v bezpečné platformě RAG, zatímco tři hlavní výzkumníci a dva externí validátoři si ponechali interpretační autoritu a konsolidovali čtyři finální témata. Hybridní pracovní postup přerozdělil práci výzkumníků, místo aby ji odstranil.

Souvislosti

Spolupráce člověka s AI se pojí s Human-in-the-Loop (dohled), Agentní AI (autonomie), Výuka (měnící se práce učitelů), Scaffoldingem a metakognicí (jak spolupráce podporuje učení) a s nadměrnou závislostí (režim selhání, když se spolupráce stane substitucí). Je ústředním tématem napříč Gramotnost v oblasti AI, Self-Regulated Learning a Student Experience.

Časté mylné představy

  • „Spolupráce znamená, že AI udělá část práce." Rozhodující roli si ponechává studující a to se přenáší i do psaní: Oppenheimer, Cash a Connell Pensky (2025) ukazují, že to platí, když je uspořádání pro tento účel navrženo. Dělba práce není spoluprací, dokud si člověk zachovává úsudek.
  • „V převráceném uspořádání vysvětluje AI." Studenti, kteří učili AI, vysvětlovali lépe — definice převrácené třídy na M = 4,18 versus 3,29, výukové aktivity na M = 4,91 versus 3,06, obojí p < 0,001. Učení přirostlo vysvětlujícímu.
  • „Příspěvky člověka a AI jsou substituty." Dvě studie z roku 2026 mapují komplementární poloviny třídní spolupráce, což rámuje designový problém jako alokaci, nikoli nahrazení.

Související koncepty

Související články

Metadata

Učení a výukaStudent-AI Interaction
Technologie a technikyGenerative AI, Large Language Models (LLMs)
Základy AI ve vzděláváníSpolupráce člověka s AI, Gramotnost 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.