Mylné představy o AI

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

Mylné představy o AI — nepřesná přesvědčení, která lidé chovají o tom, čím AI systémy jsou, co dělají a co pro učení a práci znamená je používat. Mylné představy nejsou jediná nepravda, ale celá rodina chyb v kalibraci, které se shlukují kolem dvou základních omylů: chybného posouzení toho, co model je (autorita vs. nástroj, neutrální vs. zatížený předsudky, chápání vs. generování), a chybného posouzení toho, co učení vyžaduje (výstup vs. proces). Nechovají je jen studenti, ale také učitelé, vedení škol, tvůrci politik a široká veřejnost — a jejich náprava je jedním z hlavních cílů vzdělávání v oblasti Gramotnost v oblasti AI a Trust Calibration.

Otázky k zamyšlení

• Mnoho lidí věří, že odpověď AI chatbota je ověřený fakt, protože zní sebejistě a plynule. Stránka tomu říká „blud autority". Když čtete vysvětlení vytvořené AI, jak se rozhodujete, zda je přijmout — a jak často ho skutečně ověřujete?
• Mylná představa „učení se rovná výstupu" je přesvědčení, že vytvořit práci s AI je totéž jako se to naučit. Zažili jste někdy, že jste se něco „naučili" tím, že jste nechali nástroj napsat koncept? Co vám potom skutečně chybělo?
• Lidé často předpokládají, že AI je objektivní a nezaujatá. Stránka tomu říká „iluze neutrality" — modely kódují předsudky z trénovacích dat, což v kontextu psaní může homogenizovat nápady v celé třídě. Kde se může skrývat předsudek v nástroji, který působí neutrálně?
• Mylné představy o akademické integritě se shlukují na dvou extrémech: někteří studenti považují výstup AI za „neopsání člověka", a tedy přípustný, jiní považují jakékoli použití za podvod. Kde by podle vás měla ležet hranice a kdo by o ní měl rozhodovat?
• Časté přesvědčení je, že jeden dotaz stačí a že výstup AI je deterministický — stejná otázka vždy dává stejnou odpověď. Stránka to popisuje jako chybu determinismu. Jak by tato mylná představa mohla někoho vést k nadměrné důvěře v jediný výstup?
• Mylné představy jsou popisovány jako stabilní, plausibilní a odolné vůči korekci — podobně jako mylné představy v jakékoli oblasti. Pokud pouhé sdělení pravdy jen zřídka mění mínění lidí, jak by se měla AI gramotnost vlastně učit?

Úvod

Mylné představy o AI mají význam, protože jsou kognitivním předstupněm škodlivého chování, které znalostní báze dokumentuje pod Nadměrným spoléháním a obavami o Akademická integrita. Lidé se málokdy vydají zneužívat AI úmyslně; dělají to proto, že nepřesné mentální modely je vedou k chybnému umístění důvěry, vynechání ověřování a záměně výstupu za porozumění. Ve vzdělávání tyto chyby utvářejí vše od toho, jak se studenti učí, po to, jak učitelé a instituce navrhují kurikula, Assessment a politiku.

Co jsou mylné představy o AI

Mylná představa zde není pouhá neznalost toho, jak model funguje — je to aktivně zastávané, často se sebeutvrzující přesvědčení, které vytváří systematické chyby v tom, jak studenti s AI pracují. Jsou přímo analogické oborovým mylným představám studovaným v vědě o učení: stabilní, plausibilní a odolné vůči korekci, dokud jim člověk nečelí přímo. Jejich náprava je jedním z hlavních cílů vzdělávání v oblasti Gramotnost v oblasti AI a Trust Calibration.

Běžné mylné představy v akademickém kontextu

• Blud autority — považovat výstup Large Language Models (LLMs) za ověřený fakt místo pravděpodobnostního dokončení. Vede k nekritickému přijímání a ke vzorci hledání odpovědi místo porozumění, který dokumentuje výzkum AI doučování, kde studenti přijímají odpověď modelu, aniž by ji ověřili proti Hallucination Risk.
• Iluze nezávislé kontroly — považovat zpětnou vazbu AI za vnější korekci, když model zrcadlí vaše vlastní uvažování. Výchozí přesnost uživatelů byla dominantním prediktorem konečného výkonu a promptování specifické pro sykofantii snížilo poziční napodobování (OR = 0,26), ale šíření chyb nechalo nedotčené, takže školení studentů není zárukou (Koyuturk et al. (2026)).
• Učení se rovná výstupu — věřit, že vytvoření práce s AI je totéž jako se ji naučit. To je přesně ta chyba, která stojí za Nadměrným spoléháním: procesy psaní konceptu, vybavování a revize, které budují trvalé znalosti, se outsourcují.
• Iluze neutrality — předpokládat, že AI je objektivní a nezaujatá. Studenti často přehlížejí, že modely kódují předsudky trénovacích dat a že v kontextu Writing to vede k homogenizaci nápadů v rámci kohorty.
• Šedá zóna integrity — chybně posoudit, zda je použití AI přijatelné. Někteří studenti vidí výstup AI jako „neopsání člověka", a tedy přípustný; jiní přestřelí a myslí si, že jakékoli použití je podvod. Nekonzistence institucí živí obě chyby.
• Antropomorfismus — věřit, že model má záměr, paměť a porozumění jejich kontextu. Tato nadměrná důvěra je akademicky obzvlášť riskantní, protože studenti se mohou spoléhat na plausibilně znějící vysvětlení, která model ve skutečnosti nedokáže podložit.
• Chyba determinismu — očekávat, že jeden dotaz stačí, a neuvědomovat si, že výstup je nedeterministický a citlivý na prompt. Podcenění toho vede k „mezeře v promptování", kde studenti považují plytké výsledky za strop nástroje.
• Chybná kalibrace detekce — podceňovat jak institucionální detekci, tak především vlastní újmu z odevzdání práce, kterou později nedokážou vysvětlit nebo obhájit.
• Iluze efektivity — považovat ušetřený čas za čistý zisk a přehlížet, že neprocvičované základní dovednosti chátrají a že nováčci zatím nedokážou rozeznat dobrý výstup od špatného.
• Iluze přátelskosti a bezpečí (děti) — věřit, že přátelsky působící AI je inherentně bezpečná a méně pravděpodobně špehuje. Leisten et al. (2026) dotazovali 71 dětí ve věku 10–16 let (Mvěk = 12,90) a vedli šest ohniskových skupin (n = 36) kolem sociálního robota Blossom s otevřeným zdrojem, přičemž zjistili, že základní znalosti o AI spolehlivě rostly s věkem (M = 4,41 ze 6; β = 0,17), zatímco bezpečnostní postoje zůstávaly ambivalentní (důležitost M = 2,51, současná bezpečnost M = 2,77 na škále 1–4), což zachytilo přesvědčení dítěte ve věku 12–13 let, že „možná, když jsou dobří přátelé, tolik nešpehuje" — vedle přesvědčení, že znalosti AI lze smazat stisknutím tlačítka, že hacking vede k únosu a že „wifi vyzařuje do mozku".

Šedá zóna integrity má strukturu, ne jen dva extrémy. Rozhovory s 20 studenty spolu s jejich chatovými záznamy a dokumenty kurzu našly pět samostatných míst, kde žije politika AI, od záměru fakulty přes formální politiku a vlastní politiku studenta až po skutečnou praxi, plus 23 odlišných racionalizací v šesti třídách (Kim et al., 2026). Racionalizace byly ad hoc a post hoc, sestavované tak, aby vysvětlily použití, které už proběhlo, spíše než aby ho vedly. Striktní zákaz používání spíše nezabránil použití, než aby zesílil morální konflikt u studentů, kteří chtěli vyhovět, což staví cíl korekce do místa politiky, nikoli do formulace pravidla.

Institucionální a veřejné mýty o AI

Mylné představy nejsou omezeny na studenty — prostupují institucionálním a veřejným diskurzem o AI, který studenti dědí. Rudolph et al. (2025) demontují osm zakořeněných „mýtů", které utvářejí politiku a výuku vysokých škol: že AI je skutečně „umělá" (spíše než postavená na vykořisťované lidské práci), že je skutečně „inteligentní" a agentní, že bez problémů „udělá svět lepším místem", že je „objektivní a nezaujatá", že Spojené státy mají monopol jediné supervelmoci, že nenaruší trh práce, že „revolucionizuje vyšší vzdělávání" a že učitelé dokážou spolehlivě rozpoznat práci vytvořenou AI. Tyto institucionální mýty jsou výchozím zdrojem mnoha studentských mylných představ popsaných výše — nejpřímoji iluze neutrality („AI je objektivní") a bludu autority („AI je inteligentní") a chybné kalibrace detekce, která vede studenty k předpokladu, že neodhalitelné, neověřitelné použití je bezpečné. Tam, kde studenti přijímají a jednají podle institucionálně opakovaných mýtů, vyžaduje jejich náprava čelit nejen přesvědčení studenta, ale i diskurzu, který ho živí.

Proč mylné představy záleží pro učení

Mylné představy se přímo překládají do chování, které způsobuje škodu v učení. Přesvědčení, že „AI má vždy pravdu", potlačuje ověřování; přesvědčení, že „používat AI je učení", potlačuje namáhavé zpracování; přesvědčení, že „to není podvod", obchází metakognitivní revizi, která upevňuje porozumění. V tomto smyslu jsou mylné představy výše než AI Misuse and Learning Harm dokumentované napříč důkazní základnou znalostní báze.

Přesvědčení, že používat AI je učení, není jen zastáváno před použitím; nástroj ho může vyrábět. Kim et al. popisují omyl LLM, při němž je neprůhledný, plynulý a okamžitý výstup chybně čten jako důkaz vlastní kompetence uživatele, takže vnímaná a skutečná schopnost se rozcházejí o rozdíl, který nazývají ΔC. Protože mechanismem je plynulost a nejednoznačnost atribuce, nikoli chyba, omyl přetrvává, ať je model přesný, nebo halucinuje, což znamená, že správná odpověď s podporou AI není důkazem, že přesvědčení bylo opraveno.

Mylné představy mimo studenty: učitelé, instituce a veřejnost

Mylné představy o AI nejsou omezeny na studující — jsou všudypřítomné mezi dospělými, kteří utvářejí vzdělávání:

• Učitelé a akademičtí pracovníci mohou přeceňovat schopnost AI spolehlivě známkovat nebo odhalovat zneužití, nebo podceňovat její předsudky, což vede buď k nekritickému zavádění, nebo k reflexivnímu zákazu. Tento předpoklad spolehlivosti je částečně testovatelný a částečně nepravdivý: Humble (2026) provedl red-team test běžného pracovního postupu AI známkování a zjistil, že instrukce skryté v odevzdaném souboru zvýšily známku neúspěšné eseje bez jakéhokoli viditelného varování, v 9 z 9 iterací u jedné strategie a 17 z 18 u jiné. Když učitelé chovají blud autority o výstupech AI, předvádějí stejný nekritický postoj, který by měli u studentů napravovat. Vybavit vzdělavatele přesnými mentálními modely AI je předpokladem odpovědné integrace AI a bezpečné pedagogiky.
• Vedení škol a tvůrci politik dědí a šíří institucionální mýty — že AI je „objektivní", že „revolucionizuje" vzdělávání nebo že detekční nástroje jsou důvěryhodné — které pak utvářejí politiku, nákupy a pravidla hodnocení. Důvěra, kterou si studenti vytvářejí, je částečně produktem institucionálního rámce, který dědí.
• Široká veřejnost vstřebává mediální a prodejní narativy o schopnostech a rizicích AI. Protože se studenti učí v tomto diskurzu, veřejné mýty se stávají substrátem, z něhož vyrůstají studentské mylné představy. Náprava mylných představ o AI je proto úkolem Gramotnost v oblasti AI zaměřeným na celý vzdělávací ekosystém, nejen na studující.

Tato šíře je důvodem, proč znalostní báze považuje mylné představy za průřezové základní téma, a ne za téma čistě studentské: stejné chyby kalibrace se opakují u studujících, učitelů, institucí i veřejnosti a jejich náprava vyžaduje čelit jak individuálním přesvědčením, tak diskurzu, který je živí.

Pedagogické mylné představy učitelů jsou zrcadlovým obrazem tohoto: nejde o neporozumění AI, ale o evidenčně nepodložená přesvědčení o výuce, která přetrvávají bez ohledu na AI. Miranda a Calvani (2026) to instrumentují dotazníkem Effective Teaching Questionnaire, kde 50 binárních položek mapuje na meta-analytické velikosti účinku (d ≥ 0,40), takže odpověď učitele lze srovnat s evidenčně ukotveným benchmarkem — a jejich zjištěním je, že mylné představy jsou hluboké a specifické. Pilotní studie se 123 vzdělavateli v Itálii našla nejostřejší nesouhlas u tvrzení o stylech učení (78 % učitelů hájilo párování vizuální/sluchové), poté u inkluze a skupinové práce (68 %) a přetížení EdTech (54 %); průměrné sladění se pohybovalo kolem 50 % napříč dimenzemi plánování, kognitivní, evaluační a manažerské. Pro design korekce jsou důležité dva detaily. Za prvé, mylné představy přežívají univerzitní vzdělávání i učitelskou praxi — autoři popisují „internalizovaný zdravý rozum", který „předchází vstupu do školy" a přetrvává — takže to nejsou znalostní mezery, které přednáška uzavře. Za druhé, když konverzační AI znovu zavedla stejné položky až po validaci učitelova vlastního kontextu, 41 % námitek citovalo skutečná kontextová omezení — velikosti tříd, studenty se speciálními vzdělávacími potřebami, pokrytí kurikula — spíše než samotné důkazy. Dalších 5,9 % označilo systém za „algoritmický dogma-stroj": hraniční podmínku, kdy normativní rámování plodí obrannost místo reflexe. Pro rozvoj Kompetence pedagogů v oblasti AI to znamená, že diagnostika plus dialog může odhalit, která přesvědčení jsou evidenčně podložený nesouhlas a která mylná představa, což je rozdíl, který samotné skóre udělat nedokáže.

Náprava mylných představ

Náprava není jednorázové sdělení, ale průběžný proces Gramotnost v oblasti AI, který rozvíjí Metacognition a Self-Regulated Learning: pomáhá studentům (a dospělým kolem nich) sledovat své spoléhání, kalibrovat, kdy modelu věřit a kdy ho zpochybnit, a vidět cenu obcházení vlastní kognitivní práce. Protože jsou mylné představy odolné, nejlépe se řeší přímým konfrontováním s důkazy — včetně zjištění, že studenti často nevnímají škodu na učení způsobenou zneužitím AI.

Refutační text je klíčovou technikou korekce. Protože mylné představy jsou aktivně zastávané a odolné, nejpřímější evidenčně podloženou strategií je refutační text — výukový text, který uvede mylnou představu, výslovně ji vyvrátí a představí správné pojetí. Jde o stejnou rodinu technik, jaká se používá ke korekci oborových mylných představ studovaných v vědě o učení, zde aplikovanou na přesvědčení studentů o AI samotné. Koncepční stránka Refutation Text znalostní báze syntetizuje, jak se to odehrává v AI ve vzdělávání, třemi komplementárními způsoby:

• AI jako korektor. Tutori konverzační AI mohou poskytovat personalizovanou refutaci a přizpůsobovat ji konkrétní mylné představě studenta za chodu. Corbett & Tangen (2026) zjistili, že personalizovaný dialog s AI přinesl větší a rychlejší snížení přesvědčení než statická refutace v učebnicovém stylu, s vyšší angažovaností a důvěrou — ačkoli výhoda do dvou měsíců bez posilování vyprchala.
• AI jako generátor refutačního obsahu. Akdoğan (2025) zjistil, že AI generovaný text pro koncepční změnu/refutaci dosáhl kvality textu napsaného expertem (a oba v tomto vědeckém kontextu překonaly promptovaný interaktivní dialog), což ukazuje, že AI dokáže produkovat účinné korekční materiály ve velkém.
• AI generované mylné představy jako učební zdroj. Místo aby byly AI generované mylné představy považovány pouze za škodlivé, Cheah et al. (2026) navrhují generovat mylné představy a řešit je strukturovanou diskusí mezi vrstevníky — kolaborativní formu refutace, která podporuje koncepční změnu a kritické myšlení.

Pro mylné představy o AI to znamená, že korekce by měla kombinovat přímou konfrontaci (materiály v duchu refutace, které pojmenují a vyvrátí konkrétní mýty) s podporovanou praxí — pomocí výuky Gramotnost v oblasti AI a Metacognition pomáhat lidem vidět jak falešné přesvědčení, tak správný model. Důkazy varují, že záleží na formátu: personalizovaná, interaktivní korekce je poutavější a zpočátku účinnější, ale k přetrvání potřebuje posilování; a měřený výsledek (znalosti vs. postoje vs. dovednosti) určuje, jak velký korekční efekt se jeví. Protože mylné představy zahrnují studující i dospělé, kteří utvářejí učení, musí účinná korekce zasáhnout učitele, vedení škol a tvůrce politik stejně jako studenty.

Bernstein a Sibia (2026) ukazují, že analogie generované GenAI vnášejí strukturální mylné představy, které dokáže zachytit jen znalost zdrojové domény (Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education): analogie kruhové trasy pro spojový seznam implikuje smyčku zpět na začátek a analogie badmintonové výměny pro rekurzi nenese žádný garantovaný zmenšující se vstup. Studenti, kteří znali zdrojovou doménu, tyto vady identifikovali a navrhli opravy, zatímco účastníci poznamenali, že vadná analogie může být stále zapamatovatelná — což naznačuje, že známý zdroj analogie může studentům pomoci AI vytvořenou mylnou představu spíše odhalit než vstřebat, a že rámování vad jako záměrných artefaktů ke kritice mění riziko v příležitost k hodnocení.

Mylné představy generované modelem jsou měřitelná schopnost, ne náhoda. Miličević et al. (2026) postavili SocraticTrap-CS, který promptoval sedm modelů s otevřenými váhami, aby napsaly „sokratovskou past" pro 35 základních konceptů informatiky — vysvětlení, které je plynulé a autoritativní, ale spočívá na jemné, oborově specifické chybě. Z 241 promptovaných segmentů bylo 221 (91,7 %) potvrzeno jako strategické mylné představy většinovým hlasem expertů (Fleissův κ = 0,9487), bez významných rozdílů mezi oblastmi informatiky; 66,5 % potvrzených chyb bylo koncepčních, nikoli faktických, a žádná nebyla čistě logická. Plynulost je mechanismus, nikoli obrana: přesvědčivost dosahovala v průměru 3,71 na pětibodové škále a byla silně závislá na modelu, a frekvence a závažnost se oddělily, přičemž dva modely, které produkovaly pasti nejčastěji, byly také hodnoceny jako nejpřesvědčivější. Protože špatně formulovaná otázka studenta může sama působit jako adversariální prompt, autoři považují míru za schopnost při adversariálním promptování, nikoli za základní míru pro běžné studijní sezení — a tvrdí, že úkol Gramotnost v oblasti AI se přesouvá od faktické kontroly jednotlivých tvrzení ke koncepčnímu ověřování a validaci mentálních modelů. To je temnější tvář generativního využití výše: stejná schopnost, která může zasít produktivní diskusi mezi vrstevníky, může také upevnit chybu, kterou si student už vytvářel.

Refutační korekce běžných mylných představ o AI

Protože mylné představy jsou aktivně zastávané a odolné, nejpřímější způsob, jak je řešit — i na této stránce — je struktura Refutation Text: pojmenujte mylnou představu, výslovně ji vyvraťte a uveďte správné pojetí. Následující položky aplikují tuto strukturu na nejzávažnější mylné představy o AI a o učení, výuce a vzdělávání:

„AI má vždy pravdu." To je mylná představa. Výstup AI je pravděpodobnostní dokončení, nikoli ověřený fakt. Korekce: LLM generují plausibilně znějící text na základě statistických vzorců; mohou halucinovat, být zatížené předsudky a sebejistě se mýlit. Považujte výstup za koncept ke kontrole proti zdrojům, nikoli za autoritu k přijetí. To je jádro Trust Calibration a důvod, proč „vždy ověřuj" vítězí nad „vždy věř".

„Používat AI je učení." To je mylná představa. Vytvořit práci s AI není totéž jako získat znalost nebo dovednost, kterou má práce prokázat. Korekce: trvalé učení vzniká namáhavými procesy psaní konceptu, vybavování, revize a metakognitivní revize — přesně těmi procesy, které přesun na AI zkratuje. Používejte AI jako nástroj vedle tohoto úsilí, ne jako jeho náhradu.

„AI je neutrální a objektivní." To je mylná představa. Modely dědí předsudky, mezery a perspektivy svých trénovacích dat. Korekce: AI může reprodukovat a zesilovat předsudky; zacházejte s jejími výstupy se stejnou zdrojově kritickou obezřetností, jakou byste uplatnili u jakéhokoli jiného textu. Uvědomění si toho je součástí Gramotnost v oblasti AI a pomáhá čelit škodám na spravedlnosti z nekritického zavádění.

„AI nahradí učitele." To je mylná představa. AI rozšiřuje, ale nevytlačuje pedagogickou práci učitelů — úsudek, kontextualizaci a relační a etické dimenze výuky. Korekce: AI zvyšuje potřebu pedagogického zprostředkování a kritického úsudku; učitelé, kteří AI rozumějí, se stávají účinnějšími, nikoli zastaralými. Toto přerámování záleží, protože určuje, zda instituce investují do kompetence učitelů v AI, nebo reflexivně vzdorují či nadměrně adoptují.

„AI rozumí jako člověk." To je mylná představa. Modely nemají záměr, paměť o vás ani skutečné porozumění vašemu kontextu. Korekce: antropomorfizace AI vede k nadměrné důvěře a spoléhání na vysvětlení, která model ve skutečnosti nedokáže podložit. Udržujte hranici jasnou: AI je mocný nástroj, ne mysl.

„AI automaticky promění vzdělávání." To je mylná představa. Technologie sama o sobě učení nemění; mění ho pedagogika kolem ní. Korekce: přínosy AI závisí na záměrném instrukčním designu, přípravě učitelů a institucionální podpoře — ne na pouhém nasazení nástroje. Proto záleží na důkazech a rigorózním hodnocení a proto znalostní báze rámuje odpovědné používání AI jako otázku AI Governance a politiky, nikoli čistě technickou.

„Jeden prompt by mi měl dát odpověď." To je mylná představa. Výstup je nedeterministický a citlivý na prompt. Korekce: očekávejte iteraci, zpřesňování a křížovou kontrolu; „mezera v promptování" — záměna plytkých prvních výsledků za strop nástroje — je problém dovednosti, ne limit nástroje. Rozvíjet to je součástí Prompt Engineering.

„Není to podvod, když to nenapsal člověk." To je mylná představa. Akademická integrita je o poctivé, přiřaditelné produkci práce, ne jen o neopsání člověka. Korekce: nezveřejněné odevzdání vytvořené AI může porušit Akademická integrita, i když nebyl opsán žádný člověk; otázkou je, zda je práce skutečně studentova. V případě pochybností zveřejněte a zkontrolujte politiku své instituce.

Tyto refutace jsou záměrně napsány ve formě Refutation Text, aby mohly samy být použity (nebo upraveny do interaktivního dialogu s AI) ke konfrontaci a nápravě mylných představ o AI — a šířeji o učení, výuce a vzdělávání.

Běžné mylné představy

• „Mylné představy učitelů lze napravit předložením důkazů." V pilotní studii se 123 italskými vzdělavateli se nesouhlas nejostřeji shlukoval u kognitivních stylů učení (78 % učitelů hájilo párování vizuální/sluchové), inkluze a skupinové práce (68 %) a přetížení EdTech (54 %). Nejsilnější nesouhlasy byly ty nejodolnější vůči důkazům, a proto refutace vítězí nad tvrzením.
• „Námitky učitelů proti důkazům jsou všechny odpor." Když byly stejné položky předloženy prostřednictvím konverzační AI, která nejprve validovala učitelův kontext a teprve pak znovu zavedla důkazy, 41 % námitek se týkalo skutečných kontextových omezení — velikosti tříd, speciálních potřeb, požadavků kurikula. Podstatná část zdánlivé mylné představy byla přesná námitka.
• „Mylné představy lze spolehlivě detekovat z dialogu." Z 241 promptovaných segmentů bylo 221 (91,7 %) potvrzeno jako strategické mylné představy většinovým hlasem expertů (Fleissův κ = 0,9487), bez významných rozdílů mezi skupinami. Vysoké spolehlivosti lze dosáhnout při expertním rozhodování, a na této podmínce tvrzení závisí.

Související pojmy

• Pedagogical Patterns — Sekvence koncepční změny, které čelí konkrétnímu zastávanému přesvědčení
• Learners — Studující: zastřešující pojem pro koncepty na straně studujících
• Gramotnost v oblasti AI
• Trust Calibration
• Kognitivní odklánění
• Metacognition
• Self-Regulated Learning
• Akademická integrita
• Hallucination Risk
• Generative AI
• Student Experience
• Rámcování používání AI pro studenty
• Refutation Text
• Výuka
• Educational AI Policy
• Trust

Související články

• Don't believe the hype. AI myths and the need for a critical approach in higher education — Nevěřte hype: osm mýtů o AI a potřeba kritického přístupu ve vysokém školství
• "It's OK Because.": The Wild West of Student Rationalization of AI Use in Academic Writing — Racionalizace psaní s AI studenty
• The GenAI Skill Bypass: Mapping Divergent Pathways of University Students and Staff AI Literacy — Obcházení dovedností pomocí GenAI a gramotnost
• Trust and Reliance on AI in Education: AI Literacy and Need for Cognition as Moderators — Důvěra a spoléhání ve vzdělávání s AI
• The Hidden Cost of Contextual Sycophancy: an AI Literacy Intervention in Human-AI Collaboration — Kontextuální sykofantie a AI gramotnost
• Sycophantic AI makes human interaction feel more effortful and less satisfying over time — Sykofantní AI v sociální interakci
• The LLM Fallacy: Misattribution in AI-Assisted Cognitive Workflows — Chybná atribuce omylu LLM (Kim et al.)
• Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education — Vadné, ale zapamatovatelné: kritické přijetí zájmově personalizovaných analogií GenAI studenty v informatickém vzdělávání
• The Socratic trap: Benchmarking the capacity of large language models to generate strategic misconceptions in computer science education — SocraticTrap-CS: plynulá, autoritativní vysvětlení, která jsou chybná koncepčně, nikoli fakticky (Miličević et al. 2026)
• Ethical implications of prompt injection in AI-mediated grading: An adversarial red-team evaluation — Skryté instrukce v odevzdaném souboru mohou zvýšit známku udělenou AI bez viditelného varování (Humble 2026)
• “If we are good friends, AI doesn't spy so much”: Children's knowledge and misconceptions of AI safety — Mylné představy dětí o bezpečnosti AI: přátelství s robotem mylně považované za záruku soukromí (Leisten et al. 2026)
• A Conversational AI Framework for Teacher Training — Diagnostika učitelských mylných představ konverzační AI s dialogem ukotveným v důkazech (Miranda & Calvani 2026)