Znalostní báze AIEdAIEd KB
Na této stránce

Přečtěte si tuto stránku v angličtině

Pojmy

Výuka

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

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

Výuka: jak AI přetváří práci, identitu a agenturnost pedagogů. S více než 50 články zkoumajícími tento rozměr dokumentuje znalostní báze zásadní proměnu: od jediné znalostní autority k orchestrátorovi prostředí učení člověka a AI. Tato stránka nejde jen k popisu tohoto posunu: podrobně rozvádí, co učitelé skutečně dělají jinak, jak mohou přizpůsobit svou praxi a jak se to pojí s návrhem výuky, gramotností v oblasti AI a akademickou integritou.

Malyn-Smith et al. (2026) to nazývají paradoxem více lidství: v šesti scénářích pro rok 2030, které společně vytvořilo 20 výzkumníků ze 13 zemí, nasycení AI spíše zesiluje, než vytlačuje lidskou pedagogickou práci. Scénáře popisují AI jako „systém úpravy vzduchu učebního ekosystému", který si všimnete jen tehdy, když nefunguje.

Otázky k zamyšlení

  • Stránka popisuje posun učitele „od jediné znalostní autority k orchestrátorovi prostředí učení člověka a AI". Co jako pedagog získáte a co ztratíte, když přestanete být hlavním zdrojem obsahu?
  • Tvrdí se, že AI přesměrovává nejvzácnější zdroj učitele, pozornost, od vytváření materiálů k interpretaci studentů. Zní toto přerámování přesvědčivě a co byste se získaným časem skutečně udělali?
  • Výzkum citovaný na stránce ukazuje učitele jako aktivní designéry AI, kteří píší prompty a scaffoldy utvářející chování AI pro své studenty, a ne jako pasivní konzumenty. Co byste vy (nebo učitelé, které znáte) potřebovali, abyste se cítili jako designér AI, a ne jako její uživatel?
  • Na vzdáleném konci spektra „týmové spolupráce učitele s AI" učitel orchestruje tým složený z lidských studentů, AI tutorů a kurikulárních zdrojů. Kde v tomto týmu zůstává lidský úsudek nenahraditelný a co by se mohlo tiše vytratit, kdyby orchestrace byla ponechána převážně AI?
  • Pokud se pozornost učitele přesouvá od vytváření materiálů k interpretaci studentů, jaké nové kompetence a rizika to přináší a kdo učiteli pomáhá je rozvíjet?

Úvod

Výuka zde označuje profesní roli tak, jak ji AI přetváří: méně předávání obsahu, více orchestrace lidských a strojových účastníků, interpretace toho, čemu studenti skutečně rozumějí, a návrhu podmínek, za nichž je používání AI legitimní. Stránky shromážděné pod tímto konceptem dokumentují týmovou spolupráci učitele s AI a změnu pracovních postupů, kompetence, které role nyní vyžaduje, a napětí mezi zisky v efektivitě a pozorností, kterou vyžaduje individuální podpora. Stojí vedle vzdělávacího rozvoje, gramotnosti v oblasti AI a hodnocení jako jedna z rolí, které určují, zda integrace AI změní praxi, nebo ji jen ozdobí. Vědy o učení jsou výzkumným oborem, jehož důkazy tuto pozici přetvářejí: popisují a testují, jak učení probíhá a které návrhy je mění, zatímco tato stránka pokrývá roli ve třídě, která musí na tyto důkazy reagovat v daném okamžiku.

Jak AI proměňuje výuku

  • Od instruktora k orchestrátorovi: Pět úrovní týmové spolupráce učitele s AI a výzkum orchestrace agenturnosti mapují spektrum od AI jako nástroje k AI jako výukovému partnerovi. Na vzdáleném konci učitel orchestruje tým, který zahrnuje lidské studenty, AI tutory a kurikulární zdroje, místo aby veškerý obsah předával sám.

  • Proměna pracovních postupů: práce o měnících se pracovních postupech výuky dokumentuje, jak AI přesouvá čas učitele od předávání obsahu k hodnotnějším činnostem, jako je individuální podpora, zpětná vazba a návrh kurikula. Nejvzácnější zdroj učitele, pozornost, se přesouvá od vytváření materiálů k interpretaci studentů. Systematický přehled o učitelích jazyků (Li et al. 2026) to potvrzuje: pedagogové si generativní AI nejvíce cení pro přípravnou práci (plánování lekcí, tvorbu materiálů, podporu psaní), zatímco váhají u živého použití ve třídě, a jejich přijetí je utvářeno faktory profesní identity, pedagogiky, techniky, instituce a akademické integrity, přičemž kompetenční mezery se mapují na epistémé (porozumění možnostem a limitům AI), techné (prompt engineering, návrh úkolů a hodnocení s AI, rozpoznávání textu generovaného AI) a fronésis (etický úsudek, práce se zaujatostí a soukromím, kontextově citlivý úsudek). Dokumentuje, jak AI přesouvá čas učitele od předávání obsahu k hodnotnějším činnostem, jako je individuální podpora, zpětná vazba a návrh kurikula. Nejvzácnější zdroj učitele, pozornost, se přesouvá od vytváření materiálů k interpretaci studentů.

  • Požadavky na kompetence: Rámce kompetencí pedagogů v oblasti AI definují, co pedagogové potřebují znát, od základní plynulosti v nástroji po pedagogicky zakotvenou orchestraci. Studie přijetí identifikují skutečné bariéry: sebedůvěru, institucionální podporu a obavy o pracovní zátěž. Bai & Hsieh (2026) k tomu přidávají empirickou váhu v SEM na 898 čínských vysokoškolských učitelích: inovace výuky podporované generativní AI závisí méně na izolované technologické znalosti AI a více na pedagogicky a oborově zakotvené kompetenci v AI (gramotnost v oblasti AI a profesní identita), přičemž obě částečně zprostředkovávají vztah kompetence k inovaci, což je signál budovat vzdělávací rozvoj akademických pracovníků kolem zakotvené, na identitu navázané kompetence v AI, a ne kolem školení pouze na nástroje.

  • Připravenost jako designová schopnost, ne postoj: Charles (2026) tvrdí, že připravenost učitele na interaktivní učení bohaté na AI nelze odečítat z přijetí, sebedůvěry nebo digitální kompetence, protože nic z toho nepředpovídá kvalitu návrhů, které učitelé skutečně vytvářejí. Připravenost skrze design je orientovaná na uskutečnění: učitelé mobilizují pedagogické znalosti vztahující se k AI, pedagogická přesvědčení, sebeúčinnost a etickou orientaci prostřednictvím designového zprostředkování (volba nástroje, návrh úkolů a promptů, scaffolding, transparentnost, ověřování, přepracování hodnocení, plánování přístupnosti a lidský dohled) v institucionální a politické ekologii, která toto přenesení umožňuje a moderuje. Dvě tvrzení mají praktickou váhu. Sebeúčinnost je mobilizační zdroj, a ne ukazatel kvality, takže sebedůvěra bez pedagogických znalostí vztahujících se k AI nebo bez etické orientace může zrychlit špatný návrh. A jasnost politiky a materiální podpora jsou samostatné moderátory, takže dobře vybavená škola může učitele stále nechat hádat, co je povoleno. Charles také odmítá ztotožňovat nepoužívání s nepřipraveností: odůvodněné rozhodnutí AI nepoužít může samo o sobě připravenost prokázat.

  • Spolunávrh a agenturnost: Prompty psané učiteli a vibe coding pro učitele ukazují pedagogy jako aktivní designéry AI, ne pasivní konzumenty: píší prompty a scaffoldy, které utvářejí chování AI pro jejich studenty. V plánování lekcí výtvarné výchovy STEAM pro děti Luo a Tahir (2025) experimentálně potvrdili, že záleží na tom, jak učitel deleguje na ChatGPT: doplňování obsahových mezer ve vlastním osnovaném plánu (metoda preferovaná 60 % a doporučovaná) zachovalo designovou autonomii učitele a přitom zvýšilo experty hodnocenou kvalitu plánu (medián 20,5 vs. 17,6, p = 0,002, velký efekt), a překonalo jak generování celých plánů AI, tak pouhé kontrolování hotového plánu. AI sloužila především jako inspirátor a spolupracovník při hledání mezer, a ne jako zdroj plně originální inovace, což posiluje, že učitel zůstává designovým činitelem a soudcem výstupu, včetně zachycení chyb v bezpečnosti dětí a kulturní zaujatosti, které nástroj přehlédl. Systematický přehled spolunávrhu výukových úkolů učitelem a AI (Wang, Liu & Islam 2026) zjišťuje, že tento postoj spoludesignéra zůstává nevyrovnaný, protože dominantním režimem je stále AI jako asistent a generátor obsahu, a Talebzadeh (2026) ukazuje, že právě agenturnost učitele jako „dvojjazyčného designéra učení" mění skupinové aktivity navržené AI v diferencovanou výuku sladěnou s pásmem nejbližšího vývoje.

  • Vytvořit bota není totéž jako řídit, co učí. Dvacet sedm učitelů druhého stupně, kteří konfigurovali nástroj pro tvorbu chatbotů založený na účelu a pravidlech, vidělo v generovaném chování jen částečnou věrnost: shoda klesla z 88,9 % u responzivity a 81,5 % u persony na 70,4 % u pravidel a 59,3 % u účelu a dodržování pravidel se lišilo podle zvoleného modelu, což je mezera mezi vykonáním a hodnocením, která činí z role učitele jako designéra zkoušku záměru, nikoli jeho záruku (Riahi et al. (2026)).

  • Příprava budoucích učitelů: školení založené na TPACK a programy vzdělávacího rozvoje připravují budoucí učitele na učebny rozšířené o AI dřív, než do nich vstoupí. Hraní rolí se simulovaným studentem to rozšiřuje do praktického nácviku: vlastní bot ChatGPT (Student GPT) hrající žáka druhého stupně zatíženého matematickými mylnými představami umožňuje budoucím učitelům nacvičit diagnostiku a vedení uvažování studenta v nízkorizikovém prostředí a připravit se na ústřední výukový úkol: čtení a nápravu myšlení studenta.

  • Učitelská hranice, do níž důkazní základna sotva vstoupila: Štefánik et al. (2026) sestavili Edustories, 1 492 případových studií skutečných základních a středních tříd napsaných učiteli (náročné chování studenta, intervence, kterou učitel zkusil, a co následovalo), právě proto, že většina výzkumu AI ve vzdělávání se zaměřila na individualizovanou podporu studentů, zatímco většina výuky probíhá v kolektivních třídách. Při benchmarkování čtyř rodin jazykových modelů na predikci toho, zda intervence uspěla, dosáhly nejsilnější modely 58 % přesnosti proti 64 % u lidských expertů; autoři čtou mezeru v obou směrech, jako limit současné podpory určené učitelům i jako důkaz vznikajícího potenciálu. Stránka z toho získává změřený strop, a ne tvrzení o schopnosti: rada učitelům musí být lepší než expertní úsudek, aby jí bylo možné důvěřovat, a dnes je pořadí opačné. Obdobná mezera se objevuje v PRISMA přehledu Yalçına et al. (2026) o 46 empirických studiích generativní AI ve vysokoškolském programování: role vyučujících a institucionální praktiky patřily k nejméně zkoumaným oblastem oboru a 26 ze 46 studií neuvádělo žádný kódovatelný popis svého výukového přístupu, takže designová rozhodnutí, která vedla k vykázaným výsledkům, jsou často neviditelná i pro ostatní vyučující.

  • Kde AI do práce skutečně vstupuje, podle úkolu: Holster (2026) odděluje přijetí od alokace pomocí dat TALIS 2024 od 56 669 učitelů, se vzorkem alokace 24 058 uživatelů AI ve 46 vzdělávacích systémech. Úkol hodnocený o jeden bod výše, než je vlastní průměrná náročnost učitele, měl vyšší pravděpodobnost, že dostane pomoc AI (OR = 1,163), ale směr se liší podle úkolu: plánování roste s náročností (OR = 1,084), hodnocení a známkování klesá (OR = 0,921) a podpora a adaptace pro speciální vzdělávání roste strmě (OR = 1,442, předpokládané rozpětí od 34,0 % do 50,3 % napříč rozsahem náročnosti). Čtení pro kompetence a politiku je, že učitelé již drží vysoce sázkové známkování u člověka, zatímco po AI sahají u individualizované adaptační práce, takže vedení, které pojímá používání AI učiteli jako jediné chování, mine místo, kde je podpory skutečně třeba.

Jak proměněná role vypadá: konkrétní příklady

Abstrakci „orchestrátor" je snazší pochopit skrze konkrétní, každodenní posuny v práci vyučujícího:

  • Od psaní každého pracovního listu k výběru návrhů generovaných AI. Vyučující, který dřív trávil večer tvorbou diferencovaného pracovního listu, nyní zadá AI, aby vytvořila tři verze v různé obtížnosti, a pak stejný večer stráví jejich kontrolou a přizpůsobováním, což je posun od autorství k editorskému úsudku. Pracovní postupy Curriculum-as-Code tuto pipeline zviditelňují a systematický přehled Kibara a Ilgaz ukazuje AI jako „spolupracovníka", který navrhuje obsah, jenž návrhář následně zušlechťuje. Expertní validace plánů hodin přírodovědy generovaných AI zviditelňuje, co musí tento editorský úsudek vážit: Karaismailoglu, Surmeli a Yildirim (2026) zjistili, že jedenáct specialistů na přírodovědné vzdělávání hodnotilo plány pro šestý ročník od ChatGPT-4 a od nástroje zaměřeného na vzdělávání jako použitelné návrhy (7 z 11 je označilo za „použitelné po opravě" a jen 3 přímo za „použitelné"), a preference se rozešly se surovým skóre (7 preferovalo nástroj zaměřený na vzdělávání s vyšším skóre, 4 plán obecného nástroje), protože úsudek vážil afektivní a kontextové dimenze nad strukturální věrností. Učitelé zůstávají arbitry toho, zda a jak se z návrhu AI stane učitelná a kontextově zakotvená lekce.
  • Od přednášení k průběžnému koučování. Místo aby celé třídě předávali stejné vysvětlení, učitelé stále častěji směrují rutinní otázky k AI tutorovi a osobní čas věnují studentům, kteří potřebují lidský úsudek; studie pracovních postupů dokumentují přesně toto přesměrování pozornosti.
  • Od známkování k navrhování hodnocení, která AI neobehraje. Vyučující přestávají spoléhat na úkoly založené na vybavování, které LLM triviálně vyřeší, a místo toho navrhují autentické hodnocení, hodnoticí škály a formativní úkoly, které zachovávají učební zisky.
  • Od výuky obsahu k výuce používání. Práce učitele stále častěji zahrnuje modelování toho, jak promptovat, hodnotit a odpovědně používat AI, což je kurikulum gramotnosti v oblasti AI vetkané do každého kurzu, ne samostatný předmět.
  • Od čtení dashboardů k jednání na jejich základě, kontextově. Mejia-Domenzain et al. (2026) ukazují, že to, jak učitelé analytické dashboardy skutečně používají, se liší podle kontextu: učitelé v převrácené výuce (na univerzitě) postupovali sekvenčním zkoumáním a preferovali adaptaci na úrovni kurzu a ukazování dashboardů ve výuce, zatímco učitelé v odborném vzdělávání se vraceli k souhrnným stránkám a nástroj používali hlavně pro individuální koučovací sezení. Činnosti, které učitelé navrhovali, byly utvářeny reprezentovaným obsahem a jejich výukovou úrovní, a ne typem grafu: univerzitní učitelé preferovali týdenní testy a adaptaci kurzu, učitelé odborného vzdělávání přímé, individualizované koučování. To ukazuje na kontextově uvědomělý design dashboardů a diferencované potřeby podpory učitelů, a ne na univerzální analytické rozhraní.
  • Od přijímání upozornění k jejich posuzování. Swidan (2026) sledoval jednoho učitele a osm výkonných středoškolských studentů v hodině geometrie v GeoGebře, kde Dash4Emotion rámoval studenty červenými obdélníky signalizujícími negativní emoci, a zjistil, že výsledky neřídila upozornění, ale krok učitele po každém z nich: přerámování úkolu Miry z hledání minimální hodnoty na geometrické místo minimálních bodů znovu otevřelo její zkoumání, tři současná upozornění vyvolala přerámování celé třídy a záměrná neintervence v jedné hodině byla sama pedagogickým rozhodnutím. Postoj studie je, že emoční upozornění generované AI je podnět k interpretaci spolu s tím, co učitel vidí, a ne instrukce k poslechnutí.
  • Od strážce k zásadovému facilitátorovi zpětné vazby ke spolupráci. Piloty nástroje Community Builder (CoBi) ve třídách ukazují, že role učitele rozhodujícím způsobem utváří integritu implementace: učitelé, kteří poznámky a vizualizace AI použili k podnícení metakognice a kritické reflexe spolupráce, dosáhli použití s vysokou integritou, zatímco ti, kdo nechali systém sklouznout k monitorování výkonu nebo odbočit k obecným diskusím o AI, nikoli. Učitelé se také obávali, že je zpětná vazba v reálném čase dostane „na horkou židli", a preferovali přezkum před akcí a po ní před živým zobrazením, což zdůrazňuje, že orchestrace celotřídní AI pro spolupráci vyžaduje podstatné profesní učení, ne jen plynulost v nástroji.
  • Od výuky s AI k zastupování AI. Kde digitální propast nenechává zařízení pro každého studenta, učitel se může stát fyzickým rozhraním systému, zástupcem, a ne orchestrátorem. V modelu „AIED unplugged" Rodriguese et al. (2026) studenti dál pracují s papírem a perem, učitel fotografuje jejich řešení a AI vrací personalizované seznamy cvičení a zpětnou vazbu specifickou pro chybu, která se rozdá zpět. Jde o klastrovaný kvaziexperiment v 19 autentických brazilských základních třídách, a ne o demonstraci prototypu, a jeho dva výsledky se role týkají přímo. Za prvé, výhoda v učení oproti běžné praxi vzešla z jediného 50minutového školení učitelů, ne z technologie: podmínky školení a školení plus systém se v ziscích nelišily (-4,33, 95% CI [-17,29; 7,23]), takže aktivní složkou je příprava, ne nástroj. Za druhé, přínos systému působil nepřímo, skrze učitele: snížené úsilí zprostředkovalo pozitivní efekt na zisky (3,649, 95% CI [1,097; 6,398]), takže efekt zasahuje studenty, kterých se AI nikdy nedotkne, a práce se zachycením a ověřením, kterou učitelé popisovali (fotografování listů, čekání na zpracování, oprava chyb rozpoznávání), je součástí pedagogických nákladů na rozšíření AI do nedostatečně vybavených tříd.
  • Od poskytovatele informací k designérovi učení. Hochberg a Waitzman (2026) sledovali 93 učitelů v osmitydenním programu o AI a zjistili posun praxe k heutagogickému designu pro agenturnost studenta, ačkoli sebeposuzované posuny nebyly po adjustaci významné a výsledky studentů se neměřily.

Metafora orchestrace

Dominantní metaforou ve znalostní bázi je orchestrace: učitelé koordinují lidské studenty, AI tutory a kurikulární zdroje. To kontrastuje s narativy nahrazení: AI lidskou výuku rozšiřuje, nenahrazuje. Empirické důkazy tento postoj podporují: systematický přehled 42 studií (2023-2025) vedený podle PRISMA zjistil, že LLM se vyrovnají lidským hodnotitelům u krátkých, dobře strukturovaných úkolů, ale že výkon klesá u delší, vícejazyčné a nuancované práce, a uzavřel, že LLM nemohou učitele plně nahradit a že hybridní hodnoticí systémy s člověkem v kruhu dosahují nejvyšší účinnosti známkování (Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback). Pohled skrze orchestraci přerámovává jádrovou dovednost vyučujícího na úsudek: rozhodovat, kdy je pro daného studenta a daný okamžik správným nástrojem člověk, AI, nebo navržená učební činnost. PRISMA přehled z roku 2026 o 29 studiích Teacher intervention in K-12 AI-based instruction: a systematic review of processes, strategies, and effects zostřuje metaforu do čtyřfázového cyklu (monitorování, úsudek, intervence, orchestrace) a ukazuje, proč žádnou fázi nelze předpokládat. Učitelé preferovali sdílenou kontrolu a přijímali, upravovali, odmítali nebo přepisovali návrhy AI; někteří intervenci záměrně odkládali, aby studenti nejprve mohli produktivně zápasit; a dashboardy, které rozšiřovaly povědomí, mohly také přetížit pozornost nebo překročit to, co jeden učitel fyzicky dokázal realizovat. Jeho tři strategie (pedagogický překlad výstupu AI, návrh učební podpory a rekonstrukce interakčních struktur) popisují práci jako rekontextualizaci, a ne schvalování, což staví učitele blíže k mediátorovi než k roli recenzenta s člověkem v kruhu. Pozorování ve třídě pojmenovává stejné chování jako typy. Šest hodin se zkušeným učitelem přidalo ke čtyřem typům Drijverse tři typy orchestrace (monitorování dashboardu, opravování AI a zprostředkování AI), přičemž obsahová a etická role učitele byla nejviditelnější, když opravoval zpětnou vazbu generovanou AI (Noh & Kim, 2026).

Vyvíjející se a kritické role učitele

Nedávná práce rozšiřuje metaforu orchestrace v bohatší pojetí rolí:

  • Spoluorchestrátor napříč přechody aktivit. Yang et al. (2026) použili participativní speed dating se 17 učiteli a 13 studenty, aby zmapovali, jak má být kontrola rozdělena napříč fázemi třídní aktivity (před přechody mezi individuální a kolaborativní prací, během nich a po nich) v nástroji pro spuorchestraci podporujícím dynamické párování v reálném čase. Vznikajícím designovým principem je, že kontrola není pevný bod: učitelé i studenti chtějí v každé fázi jinou míru agenturnosti a nástroj by měl učiteli umožnit upravovat seskupení, přechody aktivit a načasování intervence v reálném čase a přitom zachovat právo učitele na přepsání. To staví učitele jako spuorchestrátora celého živého učebního prostředí, což je role konkrétnější než obecná metafora orchestrace, zaměřená na granulární rozhodnutí okamžik po okamžiku o tom, kdo s kým pracuje, kdy a s jakou podporou, a spojuje výzkum individuálního doučování s designem na úrovni třídy.
  • „Kognitivní choreograf". Posthumanistické rámce přetvářejí učitele v kognitivního choreografa, který orchestruje kognici distribuovanou napříč biologickými a umělými systémy, a přesahují tak instrumentalistické modely jako Technological Pedagogical Content Knowledge (TPACK) a SAM.(Pedagogical Symbiosis: conceptualizing the Post-Human Learner in the age of cognitive AI)
  • Facilitátor, spoluzkoumatel, etický supervizor. V přírodovědném učení se role učitelů posouvají od předávání znalostí k facilitaci a společnému zkoumání a získávají nové odpovědnosti jako etičtí supervizoři odpovědného používání AI studenty.(Artificial Intelligence in Science Learning within the Framework of Situated Learning Theory: A Qualitative Investigation of Teachers' Perspectives)
  • Mediátor principů učení. Pedagogové uskutečňují prastaré principy učení (zkušenostní, situované a distribuované poznávání) prostřednictvím AI a chápou AI jako nástroj, který posiluje, a nenahrazuje vůdčí roli pedagoga.(Empowering Educators: Operationalizing Age-Old Learning Principles Using AI)
  • Kritický mediátor, který mění výstup AI v předmět kritiky. Canonigo (2026) sledoval deset středoškolských učitelů matematiky v osmitydenní intervenci s ChatGPT-4 a identifikoval pět praktik zprostředkování: kladení úloh generované AI, nápovědné scaffoldy navržené k vytrácení, kritické srovnání výstupu AI s vlastní prací studentů, diferencované promptování (vizuální analogie pro zápasícího studenta, kubické rozšíření pro vrstevníka) a AI jako partnera reflektivního dialogu. Kde učitelé tyto praktiky uplatňovali, stal se výstup něčím, o čem se dá polemizovat, a ne klíčem odpovědí, a studenti se posunuli k domněnkám a metakognitivnímu dotazování; kde zprostředkování chybělo, autorita migrovala k algoritmu, studenti konzultovali AI dřív než učitele a vraceli se jen pro potvrzení, což jednoho učitele přivedlo k popisu posunu od „orákula" k „editorovi". Rovnostní zjištění studie je to ostré: napříč 300 odpověďmi modelu byl model bezplatné úrovně nepřesný ve 32,7 % případů proti 12 % u placeného modelu (χ²(1) = 17,5, p < 0,001), takže učitelé v nedostatečně vybavené škole jej nazvali „hraničním případem nepoužitelnosti pro matematiku". Kvalita nástroje, a ne jen přístup k nástroji, se stává pedagogickou proměnnou a politika přijatelného používání v jedné učitelské škole byla deset let stará a o AI mlčela, takže mezera v řízení zůstala na třídě.
  • Neusazená a zranitelná profesní identita. Farazouli et al. (2026) dokumentují emoční stránku rekonfigurace role: 24 švédských vysokoškolských učitelů prožívalo nástup generativní AI jako znepokojivý a zahlcující, hlásili „stav zranitelnosti" (nízkou sebedůvěru, nejistotu, strach, že „nebudou o krok před studenty") a pocit „zaseknutí" mezi utopickými a dystopickými diskurzy. Generativní AI je přivedla k přehodnocení priorit (pěstování kritického myšlení, hodnotícího úsudku a etického používání generativní AI) a ke zpochybnění vlastní i univerzitní budoucí role v krajině, která působila „mimo kontrolu". To rámuje posun role učitele jako identitní a emočně nabitý, ne jen jako změnu dovedností nebo pracovních postupů.
  • Akademičtí rozvojoví pracovníci jako digitální mediátoři, včetně role brzdy. Sithole (2026) zpovídal dvanáct akademických rozvojových pracovníků a návrhářů výuky na dvou jihoafrických historicky znevýhodněných institucích a zjistil, že se role posouvá od facilitace reflektivní výuky k technologickému prostředníkovi a řešiteli problémů, přičemž zprostředkování zahrnuje pedagogiku, etiku i institucionální politiku. Svébytným krokem je pojetí zpomalení jako součásti práce: jeden účastník popisuje překlad mezi „tím, co chce vedení, co technologie umí a čeho se přednášející skutečně obávají", a pojmenování plagiátorství, závislosti studentů a outsourcování myšlení dřív, než nadšení určí tempo: „Není to jen technická podpora, je to také vyjednávání." Tatáž studie dokumentuje afektivní náklad („Připadám si jako podvodník. Učím se AI za pochodu, ale instituce očekává expertizu") a odpověď v podobě profesního učení: prostory mezi vrstevníky, které nástroje testují a záměrně rozbíjejí, s cílem úsudku, a ne dovednosti, a explicitní odmítnutí binárnosti přijetí nebo odporu: „Nejsem proti AI, jsem pro kontext."
  • Zásadová selektivita místo přijetí nebo odporu. Adiozaman a Segar (2026) zpovídali třikrát během jednoho semestru dva akademické pracovníky s více než desetiletou praxí a zjistili, že identitní práce se organizuje kolem tří vzájemně propojených napětí (pedagogika versus platforma, pedagog versus facilitátor a péče versus soulad), která nevyústila v usazenou pozici, ale v zásadovou selektivitu: kontextově citlivá rozhodnutí vedená pedagogickými hodnotami, etickým závazkem a profesním úsudkem. Popisují trajektorii od implicitní orientace přes strategie v polovině semestru, jako je žádat studenty, aby vysvětlili své uvažování, a přepracovávat úkoly a hodnocení, ke postojům, které zůstaly záměrně otevřené, a ne pevné, přičemž odmítnutí určitého použití je legitimním uplatněním úsudku, a ne selháním přijetí. To dodává konstruktivní protějšek ke zranitelnosti dokumentované výše: posun role vyžaduje úsudek, takže institucionální odpovědi postavené na školení v nástrojích řeší špatný problém.
  • Semautonomie jako preferovaný provozní bod. Dai et al. (2026) dotazovali 287 učitelů se zkušeností s generativní AI ve 27 zemích a regionech a zjistili, že nástroj umisťují na semautonomní úrovně škály automatizace: 130 zvolilo úroveň 2 („pomoc učiteli"), 94 úroveň 3 („částečná automatizace") a přesně jeden úroveň 6, a popsali jej jako „pomocný", „scaffold", „doplněk" nebo „partner". Vnímaná užitečnost dominovala jejich záměru přijetí (β = 0,832, p < 0,001), zatímco vnímaná umělá autonomie ovlivnila záměr jen nepřímo přes užitečnost a averze k riziku snižovala záměr, aniž snížila užitečnost, protože jejich obavy se vázaly k používání AI studenty: podvádění a integrita, oslabené základní znalosti a myšlení vyššího řádu, halucinace, snížená lidská interakce a etická, právní i rovnostní rizika. Označení „frenemy" autorů vystihuje postoj přesně: generativní AI ceněná jako nástroj podpory, ale nedůvěryhodná jako autonomní agent. Důsledek pro výukovou roli je, že učitelé chtějí zůstat rozhodujícím činitelem a rozhodovat o použití případ od případu (obor, potřeby studentů, typ úkolu, načasování), takže nástroje pro orchestraci by měly být stavěny kolem lidského dohledu a úsudku na úrovni případu, a ne kolem slibů autonomie.
  • Autorita zůstává u učitele; schopnost se rozšiřuje jen uvnitř ní. Reichert, Briceno, Tabarsi & Barnes (2026) zadali šesti středoškolským učitelům z ročníků 6 až 12 (společenské vědy, matematika, vědy o zvířatech, přírodověda a informatika a robotika) úkol navrhnout na papíře LLM chatbota pro jejich vlastní třídu a zjistili, že každý prototyp kódoval stejný postoj: systém byl ohraničený expert, specializovaný, ale omezený na vymezenou doménu a pod dohledem učitele. Učitelé vedli dvě hranice. Hranice autority vycházely z profesní a právní odpovědnosti: kontrolu nad tím, co se studenti učí a jak jsou udržováni v bezpečí, nešlo delegovat, takže dohled (úplné záznamy konverzací, upozornění v reálném čase na nevhodné dotazy a ruční přepsání) byl pojímán jako povinnost role, a ne jako kontrola nástroje. Hranice expertizy vycházely z toho, co model nemůže znát: individuální historie studentů, dynamika třídy a institucionální normy. Delegování pak bylo alokováno selektivně napříč výukou: učitelé vítali AI při prezentaci obsahu, dodávání cvičných úloh, scaffoldu a formativní zpětné vazbě, ale informování studentů o cílech a sumativní hodnocení si ponechali sami. To dodává semautonomní preferenci dokumentované výše konkrétní architekturu: autorita učitele je pevný prvek a schopnost AI roste jen uvnitř ní.
  • Učitelé jako hodnotově zatížení známkující. Luo & Dawson (2026) ukazují, že známkování práce s asistencí generativní AI není neutrální akt založený na kritériích, ale hodnotový úsudek utvářený domněnkami učitelů o tom, kdo student je (poctivost, pečlivost), čeho je schopen (nezávislost, dovednost s generativní AI, oborové zvládnutí), jak se vztahuje k ostatním (důvěra) a zda rozhodnutí vede k dobrým výsledkům (spravedlnost, dobrou vůlí). Učitelé si často nejsou vědomi hodnotových orientací, které jsou základem jejich známkování, a ty se liší podle oboru (humanitní vědy kritičtější k používání generativní AI; tvrdé a aplikované vědy méně sporů o známkování) a epistemologického postoje (absolutistický, multiplistický, evaluativistický). To staví učitele jako hodnotícího profesionála, jehož úsudek, a ne jen používání nástroje, musí být podporován a učiněn transparentním.
  • Učitel jako arbitr pedagogicky smysluplných vysvětlení. Protože důvěra učitelů v AI roste, když jsou vysvětlení rámována v jejich kurikulárním a pedagogickém jazyce, a ne v surových vnitřnostech modelu, musí efektivní nástroje „mluvit" doménou učitele. V experimentu v rámci subjektu Feldman-Maggor et al. (2025) zjistili, že doménově vedeným vysvětlením nástroje pro seskupování studentů se důvěřovalo a byla přijímána daleko více než vysvětlením založeným na datech a důležitosti příznaků, což staví pedagogický slovník učitele jako rozhraní, jímž si AI získává důvěru a používání, a jeho úsudek o pedagogické opodstatněnosti vysvětlení jako rozhodující faktor přijetí.
  • Facilitátor, jehož funkce může být částečně delegována. Kuhail et al. (2026) nechali 32 studentů STEM debatovat pod lidským moderátorem, s AI chatbotem (GPT-4 promptovaným chováním očekávaným od akademického pracovníka: neutralita, rovný čas na slovo, krátké pokyny, držení tématu, doplňující otázky, deeskalace), nebo střídavě pod oběma, a nezjistili významný rozdíl v účinnosti, zábavnosti, spokojenosti, užitečnosti ani záměru znovupoužití (t = 0,23 až 1,30, p = 0,198 až 0,818). Autoři čtou nulový výsledek jako normalizaci spolupráce člověka a AI v diskusi svázané pravidly, ne jako ekvivalenci. Cesta k opětovnému použití se však lišila: pod lidskou moderací poháněla záměr k použití spokojenost, zatímco pod moderací AI vnímaná užitečnost (0,806 proti 0,495), takže aktivita facilitovaná AI přežívá díky prokázané užitečnosti, a ne díky tomu, jak příjemná je. Praktické čtení je AI moderace jako nástroj škálování pro velké nebo málo personálně zajištěné kurzy pod lidským dohledem, s neověřenou rovností u sarkasmu, nepřímého jazyka a menšinových komunikačních stylů.
  • Stanovitel účelů, ne jen kompetencí. Fagerlund et al. (2026) zpovídali 13 finských učitelů od předškolního věku do deváté třídy o tom, proč by se studenti měli učit o AI a s AI, a jejich výpovědi četli přes Biestovu kvalifikaci, socializaci a subjektifikaci. Kvalifikace byla nejjasnějším a nejkonkrétnějším účelem, pokrývajícím AI jako cíl učení i jako nástroj k němu; socializace se objevila jako pěstování příznivých postojů k AI a příprava studentů jako pracovníků budoucnosti znalých AI; subjektifikace, sebeurčená a osobně smysluplná angažovanost, byla schválena jako důležitá, ale neměla za sebou žádné konkrétní výukové strategie a spočívala na „diskutování a uvažování". Autoři navrhují informovanou agenturnost v oblasti AI, subjektifikaci ve středu s kompetencemi jako jejím základem, což dává výukové roli povinnost stanovovat účel: zviditelnit „proč", aby dovednosti získaly kontext, místo aby stály jako cíle samy o sobě, a doplnit technické rámce jako Technological Pedagogical Content Knowledge (TPACK) trvalou pozorností k účelu vzdělávání.
  • Přijetí není stejná páka jako výkon. U 200 učitelů v Severní Sumatře nemělo používání AI přímý efekt na výkon učitele (β = 0,112, p = 0,087), zatímco organizační občanské chování jej zprostředkovalo s β = 0,370, takže používání ve výkon převádí spíše práce mimo roli a spolupracující práce kolem nástroje než nástroj sám (Sherly et al. (2027)).

Tyto role spojují práci učitele s distribuovaným poznáváním, situovaným učením, ztělesněným učením a kritickou pedagogikou a přetvářejí učitele v designéra a etického průvodce učením zprostředkovaného AI, a ne jen v uživatele.

  • Rozhodnutí podporovaná AI se shlukují tam, kde jsou dostupná behaviorální data. Köroğlu et al. (2026) přezkoumali 27 empirických studií (2016-2025) a identifikovali osm typů rozhodnutí přednášejících, přičemž podpora AI se soustředila na rozhodnutí o výuce, zpětné vazbě a hodnocení, zatímco rozhodnutí o kurikulu, učebním prostředí, emocích, etice a administrativě byla podporována zřídka. Dashboardy learning analytics byly nejběžnějším systémem, který zpracovával textová a logová data na behaviorální ukazatele výkonu a angažovanosti; multimodální a na interakci založená data, agentní systémy a kognitivní, metakognitivní, motivační a afektivní výsledky byly ve zkoumaném korpusu poměrně vzácné. Praktické čtení pro vyučující je, že rozhodovací prostor, který nástroj AI otevírá, je ohraničen daty, která zobrazuje, takže volba nástroje je také volbou toho, která výuková rozhodnutí budou mít oporu.

Jak by vyučující měli přizpůsobit svou výuku AI

Důkazy ve znalostní bázi konvergují k souboru konkrétních adaptací:

Navrhněte pedagogický obal AI, ne jen nástroj. Stejná AI přináší velké učební zisky nebo čistou újmu podle toho, jak je aktivita kolem ní navržena. Kibar & Ilgaz a důkazy o učebních ziscích se shodují: úkolem vyučujícího je navrhnout učební zkušenost a zacházet s AI jako s komponentou strukturované aktivity, ne jako s odpovídacím strojem. Nejprve poskytněte scaffolding pro pokus studenta, poté nechte AI koučovat: to je rozdíl mezi hodnocením a nafouknutím výkonu.

Vyžadujte kontrolní bod s člověkem v kruhu. Místo přijímání výstupu AI za nominální hodnotu učte studenty hodnotit, opravovat a přebírat vlastnictví práce s asistencí AI. Gramotnost v oblasti AI ve smyslu fair use to rámuje jako vyvažování produktivity AI se skutečným lidským rozkvětem a autorstvím. Navrhujte úkoly tak, aby AI pomáhala s návrhem, ale student zůstal činitelem hodnocení a revize.

Kurátorujte návrhy zpětné vazby AI, nepředávejte je. Chen et al. (2026) dali 64 čínským budoucím učitelům zpětnou vazbu k argumentačnímu psaní s asistencí ChatGPT a zjistili, že zacházení s výstupem jako s návrhovým materiálem, a ne hotovým komentářem, posunulo kritické myšlení tam, kde zpětná vazba pouze od učitele nikoli (Cohen's d v posttestu 3,74 proti 0,25 v pretestu, p < 0,001). Přenosná je ta část, co učitelé s návrhem udělali: zkopírovali vhodný obsah na úrovni podobné své vlastní (28 %), rozšířili jej hlubším vstupem (16 %), doplnili jej (16 %), revidovali (14 %) nebo zcela zahodili (14 %) a dalších 9 % potřebovalo opravu. Zpětná vazba s asistencí tíhla k modelování (demonstrace, 33,1 % proti 10,9 %) a sondování (otázka-blízko, 21,5 % proti 6,0 %) a studenti ji revidovali směrem k analýze, hodnocení a tvorbě, ne k rozpoznávání, ale šest z osmi dotazovaných stále hlásilo nepřesnost a neprofesionalitu. Ověřovací krok učitele je to, co činí hybrid bezpečným.

Přizpůsobte hodnocení éře AI. Odklánějte se od úkolů, které LLM dokážou splnit doslova, k autentickému, procesnímu a prezenčnímu hodnocení. Hodnoticí škály dávají vyučujícím rubriku pro rozhodnutí, kolik pomoci AI je v které fázi legitimní, a metaanalytické důkazy ukazují, že AI může podporovat myšlení vyššího řádu, když to design hodnocení vyžaduje.

Chraňte podmínky pro trvalé učení. Protože odpovědi AI činí učení snadným, musí vyučující navrhovat proti mezeře mezi výkonem a učením. Lodge & Loble varují, že snadný úspěch s AI může maskovat nepřítomnost učení; vyučující by měli zabudovat produktivní zápas, vyžadovat prokázání zvládnutí bez pomoci a pohlížet na odpovědi podpořené AI jako na výchozí bod, ne hotový výsledek.

Plánujte pro médium výuky. Adaptace není neutrální vůči médiu: online výuka s AI násobí jak příležitosti (škálovatelná personalizace, podpora nepřetržitě), tak rizika (integrita, odklánění). Navrhujte obal AI stejně záměrně online jako v prezenčním kontextu.Can AI deliver appropriate support for diverse student profiles? A large-scale evaluation

Začlenění gramotnosti v oblasti AI do výuky

Gramotnost v oblasti AI není samostatný modul: je vetkána do toho, jak vyučující navrhují každý kurz. Účinné přístupy zahrnují:

Zajištění akademické integrity v éře AI

Akademická integrita s AI je problém designu, ne represivního dohledu. Vyučující se přizpůsobují takto:

  • Přerámováním integrity kolem procesu a autorství. Místo detekce zdůrazňují akademickou integritu jako transparentní, dokumentované používání. Výzkum agentní AI a studentů duchů ukazuje, že riziko pro integritu se posouvá, když studenti nasazují AI agenty svým jménem, takže vyučující musí definovat, co autorství znamená, když je „duchem" AI.
  • Používáním zveřejňování a rámcování. Jak je používání AI rámcováno pro studenty (jako berlička, nebo jako legitimní nástroj) utváří, zda je zveřejní. Normy transparentnosti (např. zveřejnění používání AI) snižují pobídku používání AI skrývat.
  • Navržením pobídky k podvádění pryč. Autentické, procesní a prezenční hodnocení (ústní zkoušky, portfolia, pozorované řešení problémů) činí outsourcování méně atraktivním než nástroje detekce AI. Hodnoticí škály a autentické hodnocení jsou konstruktivní alternativou k závodům ve zbrojení s detekcí.
  • Regulace na úrovni úkolů je to, jak vyučující AI skutečně řídí. Studie Chirikova (2026) o více než 31 000 sylabech kurzů ukazuje, že vyučující stále častěji vystupují jako regulátoři na úrovni úkolů, a ne že uplatňují plošná pravidla: omezují AI při psaní a revidování (79 % kurzů) a uvažování a řešení problémů (65 %), povolují ji pro editaci a korektury (83 %) a podporu studia (80 %) a nejspornější nechávají ideaci a plánování (46 % povoluje, 54 % omezuje). Tato diferenciace, postavená na tom, které úkoly AI vytlačuje a které rozšiřuje, je konkrétní, vyučujícími vedená alternativa k politice přijetí nebo zákazu a dává roli učitele ústřední místo při tvorbě politiky.
  • Externí a částeční pracovníci nesou známkovací zátěž bez mandátu. Dvacet externích akademických pracovníků, někteří vyučujících na třech a více institucích současně, popisovalo odhalování pochybení neškoleným řemeslem, aniž by měli jakoukoli kurikulární nebo politickou autoritu (Andriamora & Andriamora, 2026).

Propojení výuky s návrhem výuky

Výuka a návrh výuky jsou dvě strany téže mince: každodenní úsudky vyučujícího jsou živým vykonáním navržené učební zkušenosti. AI toto spojení utahuje:

  • Učitelé jako návrháři učení. LearnAI a návrh promptů psaných učiteli ukazují, že vyučující fungují jako návrháři: specifikují aktivitu, roli AI a scaffoldy, které strukturují učení. To je návrh výuky v akci v místě použití.
  • Principy návrhu výuky řídí pedagogiku AI. Stejné principy návrhu výuky (jasné cíle, sladěné hodnocení, scaffolding a zpětná vazba) určují, zda AI pomáhá, nebo škodí. ISD-Agent-Bench empiricky potvrzuje, že zakotvení návrhu AI ve formálních modelech návrhu výuky překonává promptování bez teorie (prompt engineering).
  • Navrhujte pro orchestraci učitelem. Efektivní učební prostředí s AI jsou navrhována s ohledem na učitele: nástroje, které poskytuje AI orientovaná na člověka, by měly snižovat pracovní zátěž učitele a rozšiřovat úsudek, ne přidávat další neprůhlednou černou skříňku. Když vyučující spolunavrhují učební aktivity s AI (perspektivy teorie aktivity), zlepšuje se přijetí i kvalita.

Vztah k identitě studenta

Role učitele a identita studenta jsou vzájemné tváře téhož lidského procesu a AI přetváří obě.

  • Identita učitele je profesní identita; identita studenta je učební identita. Stránka role učitele dokumentuje, jak AI přetváří práci, identitu a agenturnost pedagogů, jejich vyvíjející se profesní sebepojetí (viz rámování generativní AI jako identitní krize u Laidlawa). Identita studenta je paralelní konstrukt pro studenty: kým jsou a kým se stávají jako studenti, v oborovém, profesním, tvůrčím a akademickém smyslu.
  • Jsou kauzálně spjaté. Učitelé, kteří zažívají narušení identity (nejistotu o svém profesním účelu uprostřed generativní AI), dokážou méně podporovat rozvoj identity svých studentů: učitel, který pochybuje o své roli, obtížně potvrzuje vznikající sebepojetí studentů ve stejné doméně. Naopak učitelé, kteří si udržují sebevědomou profesní identitu, jsou lépe postaveni k tomu, aby scaffoldovali sounáležitost a autorství studentů.
  • Odlišné režimy selhání. Identitu učitele ohrožuje zastaralost role a účel (otázka „jaký to má smysl učit?"). Identitu studenta ohrožuje ztráta autorství a kompetence (otázka „je to skutečně moje / jsem dost dobrý?"). Obě jsou identitní (nejen dovednostní) odpovědí na AI.
  • Obě jsou otázkou profesního rozvoje a pedagogiky. Podpora identity učitele patří k vzdělávacímu rozvoji a kompetenci pedagogů v oblasti AI; podpora identity studenta patří k zkušenosti studenta, autentickému hodnocení a agenturnosti. Dobře navržený systém integrovaný s AI se stará o obojí, protože identita učitele je podmínkou, za níž se identity studentů formují.

Spolunávrh učitelů v rané gramotnosti v oblasti AI

  • Spolunávrh učiteli v rané gramotnosti v oblasti AI. Lee (2026) ukazuje, že dvě učitelky předškolního a dvě učitelky mateřského vzdělávání, které spolunavrhly kurikulum Play With AI (PL-AI), zažily podstatný růst sebedůvěry a pedagogické agenturnosti, přičemž spolunávrh podpořil vlastnictví kurikula, reflektivní praxi a smysluplnou adaptaci. To staví učitele jako ústřední spolutvůrce, a ne jen realizátory vývojově vhodných kurikul gramotnosti v oblasti AI, což je model s důsledky pro přípravu učitelů v raném a základním vzdělávání v AI.

Učitelé spolunavrhující učební zdroje AI

  • Role učitele se rozšiřuje ke spolunávrhu učebních zdrojů AI: simulace pro výuku STEM s drony spolunavržené učitelem a AI si zachovaly pedagogickou platnost a kontextovou relevanci výstupu generativní AI a učitelé jsou zamýšlenými příjemci Škály gramotnosti učitelů v oblasti AI. Účinná integrace generativní AI stále více závisí na zapojení učitelů do návrhu.

Systémy reflexe AI by se měly přizpůsobovat zkušenosti učitele

  • Analytika reflexe AI určená učitelům by měla být přizpůsobena expertize, ne univerzální. Průzkum 100 amerických učitelů K-12 (mediánový řez na devíti letech; binomické testy; 15% rozdíly ve volbě zjistitelné při síle asi 83 %) zjistil systematické rozdíly v preferencích. Méně zkušení učitelé uvádějí nedostatek času na reflexi jako hlavní překážku trojnásobně častěji než zkušení (37 % vs. 12 %, p < 0,001) a chtějí analytiku o neangažovanosti studentů (48 % vs. 33 %, p = 0,028) a o emocích (31 % vs. 18 %, p = 0,036).
  • Designovým pravidlem odvozeným z tohoto rozdílu jsou režimy doporučení přizpůsobené zkušenosti. Zkušení učitelé chtějí analytiku o zlepšeném učení po pomoci studentovi (40 % vs. 26 %, p = 0,019) a o svých výukových metodách (42 % vs. 26 %, p = 0,012); jejich hlavní překážkou je sledování výkonu (28 % vs. 15 %, p = 0,009). Designové pravidlo: nováčkovský režim se strukturovanými prompty a analytikou angažovanosti, expertní režim s flexibilní longitudinální analýzou, což je přímý argument proti jednotným dashboardům. (How expertise levels shape preferences and reflection needs — towards AI reflection systems for teacher empowerment)

Časté mylné představy

„AI sníží nebo nahradí pedagogickou práci výuky." Expertní scénářové důkazy ukazují opačným směrem. Malyn-Smith et al. (2026) to nazývají paradoxem více lidství: v šesti scénářích pro rok 2030, které společně vytvořilo 20 výzkumníků ze 13 zemí, nasycení AI lidskou pedagogickou práci zesiluje, a ne vytlačuje. Scénáře popisují AI jako „systém úpravy vzduchu učebního ekosystému", infrastrukturu, které si všimnete jen tehdy, když nefunguje. Nemění se množství potřebného lidského úsudku, ale jeho předmět: pozornost se přesouvá od vytváření materiálů k interpretaci studentů.

„Kompetence učitele v AI znamená naučit se nástroje." Plynulost v nástroji je nejslabší dostupný prediktor. V SEM Baie a Hsieha (2026) na 898 čínských vysokoškolských učitelích závisela inovace výuky podporované generativní AI méně na izolované technologické znalosti AI a více na pedagogicky a oborově zakotvené kompetenci v AI spolu s profesní identitou, přičemž obě výsledek částečně zprostředkovaly. Workshop o funkcích, který se nedotýká pedagogiky ani oborové identity, míří na špatnou proměnnou, a proto Laidlaw et al. rámují reakci akademických pracovníků na generativní AI jako identitní otázku, a ne jako mezeru v dovednostech.

„Učitelé už jsou spoludesignéry AI, takže přechod probíhá." Aspirace je skutečná; popis zatím ne. Systematický přehled spolunávrhu výukových úkolů učitelem a AI od Wanga, Liua a Islama (2026) zjišťuje, že postoj spoludesignéra zůstává nevyrovnaný, přičemž dominantním režimem je stále AI jako asistent nebo generátor obsahu. Číst tento přehled jako důkaz dokončeného posunu by skrylo mezeru mezi učiteli, které taková stránka doporučuje, a učiteli, které většina institucí skutečně má.

„Na tom, jak učitel deleguje na chatbota, sotva záleží, protože práci dělá model." Vzorec delegování je intervence. V plánování lekcí výtvarné výchovy STEAM pro děti Luo a Tahir (2025) experimentálně zjistili, že doplňování obsahových mezer ve vlastní osnově lekce zachovalo designovou autonomii učitele a přitom zvýšilo experty hodnocenou kvalitu plánu (medián 20,5 vs. 17,6, p = 0,002, velký efekt) a překonalo alternativu nechat osnovu dodat model. Stejný model, stejný úkol, jiná dělba práce, podstatně jiný výsledek.

Praktická výchozí sekvence

Důkazy podporují konkrétní pořadí kroků pro vyučujícího, který AI zavádí, a ne seznam funkcí k naučení.

  1. Napište aktivitu dřív, než zvolíte nástroj. Specifikujte cíl, pokus studenta, který přichází první, a to, co se počítá jako důkaz porozumění. Nástroje zvolené jako první mají tendenci přepsat aktivitu kolem sebe.
  2. Rozhodněte vzorec delegování explicitně. Osnovu lekce si napište sami a nechte AI doplňovat obsahové mezery, místo abyste přijali vygenerovanou osnovu: vzorec výše se změřeným rozdílem v kvalitě.
  3. Umístěte lidský kontrolní bod tam, kde sídlí vlastnictví. Navrhněte to tak, aby student hodnotil, opravoval a vlastnil práci s asistencí AI a aby zpětná vazba AI přicházela jako návrh, který učitel kurátoruje, a ne jako komentář, který předává.
  4. Chraňte interpretační čas, který posun vytváří. Pokud se pozornost přesouvá od vytváření materiálů ke čtení studentů, musí tento přesunutý čas přežít kontakt s kalendářem; pokud ho pohltí nová administrativní práce, slibovaná změna role nenastane.
  5. Zkontrolujte, zda vás školí v nástrojích, nebo v pedagogice. Vzhledem k výsledku SEM dávejte přednost profesnímu rozvoji, který pracuje s oborovými úkoly a identitou, před přehlídkami funkcí.

Související koncepty

Související články

Související FAQ

Metadata

ÚroveňK 12, Higher Ed
Cílová skupinaInstructors, Faculty Developers, Learners
Učení a výukaScaffolding
Technologie a technikyIntelligent Tutoring
Základy AI ve vzděláváníGramotnost v oblasti AI, Vzdělávací rozvoj, Návrh výuky, 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.