Model SAMR

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

Model SAMR — rámec integrace technologií vyvinutý Rubenem Puentedurou, který klasifikuje míru, do níž technologie proměňuje učení, na čtyřech úrovních: substituce, augmentace, modifikace a redefinice. Nižší dvě úrovně (substituce, augmentace) stávající úkol obohacují — technologie dělá totéž co dřív, jen lépe nebo pohodlněji; horní dvě (modifikace, redefinice) jej transformují — úkol sám se mění v něco, co dříve nebylo možné. V AI ve vzdělávání je SAMR standardní optikou pro otázku, zda se generativní AI používá k přírůstkovému zlepšování stávající praxe, nebo k přerámování učení, a stojí vedle TPACK jako způsob popisu toho, jak učitelé technologie integrují, nikoli proč je přijímají.

Otázky k zamyšlení

• Když se do kurzu zavádí AI, jde o substituci (chatbot nahrazuje vyhledávací pole), nebo o redefinici (úkol, který dřív nebyl možný, se stává možným)? Co určuje, která úroveň je vhodná — a je transformace vždy cílem?
• SAMR a modely přijetí technologií odpovídají na různé otázky: teorie přijetí se ptá, proč učitel nebo instituce nástroj přijímá; SAMR se ptá, jak hluboce nástroj mění učení. Na kterou otázku daná studie integrace AI vlastně odpovídá?
• Systematický přehled integrace AI ve vysokoškolském vzdělávání zjistil, že většina použití zůstala na úrovni substituce nebo augmentace a jen jedna studie se blížila redefinici. Pokud je to typické, co to vypovídá o mezeře mezi potenciálem AI a její realitou ve třídě?
• SAMR se často zmiňuje ve vzdělávání učitelů a v profesním rozvoji, aby pedagogům pomohl plánovat používání technologií. Mění zařazení hodiny na určitou úroveň SAMR to, co učitel skutečně dělá, nebo jde především o popisný štítek?
• Kritici tvrdí, že SAMR stejně jako TPACK stojí na humanistické ontologii, která pokládá kognici za technologií nezměněnou, a že o moci, vlastnictví dat ani rovnosti nic neříká. Stačí optika úrovně integrace, nebo potřebuje integrace v éře AI kritičtější rámec?

Úvod

SAMR popisuje hloubku technologické transformace učebních úkolů. Jeho čtyři úrovně tvoří vzestupnou škálu od obohacení k transformaci: substituce (nástroj nahrazuje jiný bez funkční změny — chatbot místo vyhledávače), augmentace (nástroj nahrazuje a zlepšuje — kontrola pravopisu ve textovém editoru místo psacího stroje), modifikace (úkol je výrazně přenavržen — studenti spolupracují v reálném čase na sdíleném návrhu vytvořeném AI) a redefinice (nové, dříve nemyslitelné úkoly se stávají možnými — studující spoluvytvářejí s generativním modelem způsobem, který nemá analogii bez AI). Model se široce používá ve vzdělávacích technologiích, ve výzkumu a v profesním rozvoji učitelů jako slovník pro plánování a hodnocení integrace technologií a je standardním doplňkem TPACK a rámců přijetí technologií — odpovídá však na jinou otázku než oba.

Co čtyři úrovně znamenají

• Obohacení (dolní polovina): substituce a augmentace zlepšují existující úkol, aniž mění jeho povahu. Většina rutinního použití AI — generování otázek, rychlé generování textu, sumarizace — sem patří: je rychlejší a pohodlnější, ale nemění to, co se po studujícím žádá.
• Transformace (horní polovina): modifikace a redefinice mění úkol samotný. Vibe coding, spoluvytváření s modelem v reálném čase a adaptivní interaktivní dialog jsou úkoly, které před generativní AI nebyly možné, a představují transformativní konec škály.

SAMR se často páruje s rámcem ICAP, protože se oba překrývají: čtyři scénáře od vaření k učení v Rummel, Nachtigall & Panadero (2026) mapují módy zapojení ICAP na úrovně SAMR — ICAP pasivní na SAMR substituci, aktivní na augmentaci, konstruktivní na modifikaci a interaktivní na redefinici — a ilustrují tak postup od pasivního delegování k interaktivnímu spoluvytváření.

Důkazy ze znalostní báze

• Integrace AI ve vysokoškolském vzdělávání je z velké části přírůstková, nikoli transformativní. AlSheikh et al. (2026) v systematickém přehledu PRISMA 22 intervenčních studií vybraných z 959 záznamů hodnotili integraci AI pomocí modelu SAMR a zjistili, že většina studií se shlukuje na úrovni substituce nebo augmentace, méně jich bylo u modifikace a jen jedna se blížila redefinici. AI byla obvykle zaváděna ke zlepšení stávající praxe — dominovalo automatizované hodnocení a podpora personalizovaného učení — nikoli k přerámování kurikula nebo výsledků učení.
• SAMR je běžnou analytickou optikou pro změnu kurikula řízenou GenAI. Sabani et al. (2026) mapují pět kurikulárních posunů (od statického k dynamickému, od předávání ke schopnosti, od lokálního k institucionálnímu) na zavedené optiky včetně SAMR a konstruktivního sladění a model používají k objasnění pedagogických mechanismů, jimiž GenAI přetváří kurikulum.
• SAMR a TPACK zakotvují standardy integrace technologií pro akademické pracovníky. Crompton et al. (2026) stavějí šest svých standardů technologií pro akademiky proti existujícím rámcům — Technologické pedagogické obsahové znalosti (TPACK), RAT, SAMR, SETI — a standardům (ISTE, UNESCO, DigCompEdu), z nichž většina cílí na učitele základních a středních škol nebo jen na výukovou část akademické role, a zanechávají tak mezeru v rozvoji akademických pracovníků ve vysokém školství.
• SAMR je terčem posthumanistické kritiky. Elsayed (2026) kritizuje TPACK, SAMR a modely gramotnosti v oblasti AI za sdílenou humanistickou ontologii, která předpokládá ohraničeného studujícího, jehož kognici technologické zprostředkování zásadně nemění, a tvrdí, že tyto instrumentalistické rámce nedokážou postihnout konstitutivní roli AI v kognici.
• Rámec pro integraci, nikoli rámec pro moc. Poudyal (2026) hodnotí SAMR vedle TPACK a dalších integračních rámců a zjišťuje, že žádný z nich neřeší spravedlivou moc, vlastnictví dat ani odpovědnost, což motivuje alternativní ekologický rámec spoluagenturnosti.
• Použití studenty se na SAMR mapuje také a zpětná vazba prochází všemi úrovněmi. Kódování deklarací GenAI u 31–36 studentů v fyzikální jednotce zařadilo učení na substituci–augmentaci, formátování na substituci a vykonávání úkolu na modifikaci–redefinici, zatímco zpětná vazba — ověřování, objasňování, kontrola — se objevila na všech čtyřech úrovních (Quince a Faulconer (2026)).
• Hloubka a inkluze jsou oddělené osy. Jita, Jita & Omoniyi (2026) párují SAMR s UDL na 38 zdrojích a tvrdí, že i úkoly na úrovni redefinice mohou vylučovat studující, jejichž jazyk, zařízení nebo připojení do návrhu nezapadá.

SAMR, TPACK a přijetí technologií: čím se liší

Tři rámce se často směšují, ale odpovídají na odlišné otázky:

• Modely přijetí technologií (TAM, UTAUT) vysvětlují, proč jedinec nebo instituce technologii přijímá a dál ji používá — vnímanou užitečnost, snadnost použití a sociální vliv.
• TPACK popisuje znalosti, které učitel potřebuje k efektivní integraci technologií — souhru technologických, pedagogických a obsahových znalostí, v éře AI rozšířenou na AI-TPACK/GenAI-TPACK.
• SAMR klasifikuje, jak hluboce technologie proměňuje učební úkol, od obohacení k redefinici.

SAMR je nejlépe chápat jako optiku hloubky integrace užívanou při plánování a hodnocení, která doplňuje teorii přijetí (ta vysvětluje osvojení) a TPACK (ten vysvětluje učitelskou způsobilost). V éře AI se nejproduktivněji používá k otázce, zda se generativní AI uplatňuje k obohacení stávajících úkolů, nebo k umožnění skutečně nových — to je rozlišení, které prostupuje hodnocením a výzkumem kurikula v celé znalostní bázi.

Důsledky pro praxi

• Používejte SAMR k otázce hloubky, ne k předepisování transformace. Obohacení samo o sobě není horší; mnohá rutinní použití AI jsou legitimní substituce. Model je diagnostický a objasňuje, co dané použití skutečně mění.
• Spojte jej s ICAP. SAMR popisuje, čím se stává úkol; ICAP popisuje, jak se zapojuje studující. Společně odlišují povrchní substituci od hlubokého interaktivního spoluvytváření.
• Doplňte jej optikami přijetí a rovnosti. SAMR nic neříká o tom, proč je nástroj přijat nebo komu prospívá. Spojte jej s modely přijetí a analýzou rovnosti, aby štítek hloubky nenahradil kritické hodnocení.
• Berte důkazy přírůstkové integrace jako zjištění, ne jako selhání. Pokud se většina integrace AI shlukuje u substituce/augmentace, úkolem návrhu není vynutit redefinici, ale uznat, že transformativní použití vyžaduje jiný návrh úkolů, ne jen lepší nástroje.

Časté mylné představy

„Vyšší úroveň SAMR znamená lepší výuku." SAMR je optika pro otázku, zda AI učení přerámovává, nebo zlepšuje stávající praxi; není to žebříček kvality a redefinice není správnou odpovědí pro každý úkol. Substituce, která odstraní neproduktivní krok, je úspěch posuzovaný podle učení, ne podle úrovně, kterou zaujímá.

„Přijetí AI postupuje po žebříku vzhůru." Rozložení je koncentrováno dole. Systematický přehled integrace AI ve vysokoškolském vzdělávání zjistil, že většina použití zůstala u substituce nebo augmentace a jen jedna studie se blížila redefinici. Praktické využití SAMR je v této literatuře proto z velké části diagnostické — pojmenovává, kde obor skutečně je.

„SAMR a TPACK jsou soupeřící rámce." Popisují různé věci: SAMR popisuje míru transformace úkolu, zatímco TPACK popisuje znalosti, které učitel potřebuje k dobré integraci technologií. Učitel může být velmi zdatný v TPACK a přesto působit na úrovni substituce, a proto se oba používají společně, místo aby se mezi nimi volilo.

„Nástroj, který je transformativní na jedné úrovni, je transformativní na všech úrovních." Stejný generativní nástroj může v jednom kurzu podporovat substituci a v jiném redefinici, protože úroveň je vlastností návrhu úkolu, nikoli technologie. Připisování úrovně nástroji vede k rozhodnutím o přijetí místo rozhodnutí o návrhu.

Související koncepty

• Umělá inteligence ve vzdělávání — AI ve vzdělávání (zastřešující)
• Technologické pedagogické obsahové znalosti (TPACK) — Technologické pedagogické obsahové znalosti
• Technology Adoption Models — Modely přijetí technologií
• ICAP Framework — Rámec ICAP kognitivního zapojení
• Technologies — Technologie a techniky AI
• Kompetence pedagogů v oblasti AI — Kompetence pedagogů v oblasti AI
• Vzdělávací rozvoj — Vzdělávací rozvoj
• Návrh výuky — Návrh výuky
• K-12 — Vzdělávání K-12
• Higher Education — Vysokoškolské vzdělávání
• Generative AI — Generativní AI

Související články

• Mapping artificial intelligence integration in higher education: A systematic review using the FACETS and SAMR frameworks — Integrace AI ve vysokém školství hodnocená SAMR: převážně substituce/augmentace
• With a Thermomix You Lose the Ability to Cook: A Kitchen Machine Analogy for Applications of Generative AI in Education — ICAP a SAMR mapují čtyři scénáře od vaření k učení
• Rewriting the Curriculum: A Systematic Review of Generative AI-Driven Pedagogical Change and Emerging Systems of Learning in Higher Education — SAMR mezi optikami pro změnu kurikula řízenou GenAI
• Designing faculty standards for technology integration in higher education institutions: a design-based research study — SAMR mezi rámci, z nichž vycházejí standardy technologií pro akademiky
• Pedagogical Symbiosis: conceptualizing the Post-Human Learner in the age of cognitive AI — Posthumanistická kritika humanistické ontologie SAMR
• Reclaiming epistemic agency: A critical framework for human-generative AI co-agency in education — Mlčení SAMR o moci, vlastnictví dat a odpovědnosti
• Student GenAI use under changing institutional policies: a mixed-methods case study in undergraduate physics — Používání GenAI studenty při měnících se institucionálních politikách: funkce použití mapované na úrovně SAMR (Quince & Faulconer 2026)
• AI in mathematics classrooms: A synergistic strategy for diversity and inclusivity — AI v hodinách matematiky: synergická strategie pro rozmanitost a inkluzi