Teorie a rámce

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

Teorie a rámce — pracovní soupis vysvětlujících a organizačních struktur, které tato znalostní báze skutečně používá. Teorie vysvětlují, proč k učení dochází (Learning Theories, Self-Determination Theory, Sociocultural Learning, teorie aktivity); rámce organizují rozhodnutí o návrhu, výuce a přijetí (Technologické pedagogické obsahové znalosti (TPACK), SAMR, modely přijetí technologií, ICAP, univerzální design učení); modely činí tvrzení o učení testovatelnými a vypočitatelnými (teorie odpovědi na položku, Assessment Validity, Knowledge Tracing). Tuto stránku použijte k nalezení optiky, o kterou se studie opírá, nebo k výběru optiky pro vlastní práci.

Otázky k zamyšlení

• Teorie predikuje, co se stane, když se něco změní; rámec říká, čemu máte věnovat pozornost. Když studie hlásí zisk pod hlavičkou rámce, ale nečiní žádnou predikci, která mohla selhat, co se vlastně dozvídáme?
• TPACK, SAMR, UDL, modely přijetí a ICAP všechny vznikly před velkými jazykovými modely. Které jejich části stále platí, když nástroj dokáže psát, vysvětlovat a adaptovat se sám, a jak byste to poznali?
• Několik teorií katalogizovaných níže bylo vytvořeno pro AI v posledních několika letech. Co by bylo zapotřebí, aby jedna z nich byla chybná, a pokusil se to někdo ukázat?
• Přijetí se často popisuje jako pohyb po stupních. Pokud kolega uvede, že jeho kurz se letos posunul „od substituce k redefinici", jaké nezávislé důkazy byste si vyžádali, než byste tomu uvěřili?
• Velká část tohoto oboru aplikuje vypůjčenou teorii, místo aby ji testovala. Vyberte si zjištění, o které se opíráte: šlo by přerámovat jako test teorie, a jaké měření by to vyžadovalo?

Úvod

Každý AI tutor, systém zpětné vazby i dashboard v sobě nese předpoklady o tom, jak se lidé učí, ať už je návrháři vysloví, nebo ne. Tato stránka shromažďuje teorie, rámce a modely, z nichž tyto předpoklady pocházejí, volně je řadí podle toho, jak silně se o ně současná výzkumná literatura opírá, a stručně říká, k čemu je každý dobrý. Rozdíly mezi třemi označeními jsou skutečné, ale drobné a shrnují se až blíže k závěru, místo aby byly tématem. Prakticky je podstatné, o kterou optiku se tvrzení opírá a zda tato optika tvrzení unese.

Teorie učení, které literatura uplatňuje

Tyto teorie vysvětlují mechanismy: pojmenovávají části, které odvádějí práci, a predikují, co následuje, když se tyto části změní. V literatuře o AI se většinou vypůjčují z psychologie a z věd o učení a používají se jako interpretační rámce kolem nového nástroje.

• Teorie učení (zastřešující) — celá rodina, včetně klasických pólů behaviorismu a konstruktivismu a mezery „konstruktivismus podle jména, behaviorismus v praxi", která se v implementacích AI opakuje. Konektivismus a teorie kognitivní zátěže jsou zde také pokryty.
• Konstruktivismus — učení jako aktivní konstrukce znalostí. Podkládá práci založenou na projektech, dialogické AI tutorování a kritiku, že systémy drilu a zpětné vazby porušují svou vlastní deklarovanou pedagogiku.
• Sociokulturní teorie — učení zprostředkované nástroji a sociální interakcí, a proto se AI teoretizuje jako zprostředkující artefakt, nikoli jako pouhá pomůcka.
• Teorie aktivity — bere celý systém aktivity, včetně rozporů, jako jednotku analýzy. Běžná ve studiích AI zaměřených na učitele, kde je zajímavým zjištěním obvykle napětí mezi nástroji, pravidly a komunitou.
• Situované učení a ztělesněné učení — učení vázané na kontext a na tělo, protiváha k pojetí AI jako čistě jazykového média.
• Distribuovaná kognice — myšlení rozprostřené mezi lidi a artefakty, což rámuje pomoc AI jako redistribuci kognitivní práce, nikoli jako její nahrazení.
• Komunita zkoumání — sociální, kognitivní a výukové prezence, které činí online zkušenost funkční; zároveň teorie zkušenosti a designový rámec.
• Teorie sebedeterminace — autonomie, kompetence a sounáležitost jako motivační předpoklady. Často je vysvětlením nabízeným tehdy, když používání AI zvyšuje zapojení, ale ne učení.
• Kognitivismus — zpracování informací, pracovní paměť a rozpor mezi pocitem učení a skutečným učením.
• Teorie sociální percepce (vřelost a kompetence) — převzatá ze sociální kognice a výzkumu servisních robotů, rámuje, jak uživatelé posuzují důvěryhodnost AI agenta: vnímaná kompetence přímo predikovala důvěryhodnost zpětné vazby ChatGPT, zatímco vřelost působila jen přes lidsky podobnou empatii (SEM, 230 studentů; Pérez-López et al. (2026)).
• Čtvrtá kategorie afordancí byla navržena, nikoli otestována. Při kódování 24 studií proti třídílnému schématu afordancí recenzenti zjistili, že zapojení, bezpečí a sebeúčinnost nezapadají do technologické, pedagogické ani sociální kategorie, a navrhli emocionální afordance zakotvené v Bandurově recipročním determinismu (Lopez & Arabadzhy (2026)).

Modely žáka a procesu učení

• Seberegulované učení — plánování, monitorování a hodnocení vlastního učení. Pracovní konstrukt pro otázku, zda podpora AI zasahuje fáze, na nichž záleží, nebo jen vykonávání.
• Metakognice — myšlení o vlastním myšlení a konstrukt nejčastěji jmenovaný, když je AI obviňována, že myslí za studenty.
• Motivace — proč se studující zapojují, a konstrukt, který ve studiích AI odděluje zapojení od učení.
• Sebeúčinnost — víra ve vlastní schopnost, odlišná od kompetence, a častý mediátor mezi používáním AI a výsledky.
• Agenturnost — kdo řídí práci: konstrukt za napětím mezi kontrolou a autonomií v oboru a za mechanismem delegované agenturnosti v nejnovější teorii.
• Žádoucí obtížnosti, vybavování, rozestupy a prokládání a vyvracející text — zjištění, která činí tření pedagogicky cenným, aplikovaná na rozhodnutí o tom, kolik má AI dělat.
• Přenos učení — zda schopnost přetrvá, když je podpora stažena; nedávná teorie to pokládá za kritérium oddělující učení od pouhé pomoci, nikoli za jeden z několika výsledků.

Rámce výuky, integrace a přijetí

• TPACK — učitelská znalost, která spojuje technologii, pedagogiku a obsah; výchozí rámec pro studie AI zaměřené na učitele.
• Modely přijetí — záměr jako funkce vnímané užitečnosti a snadnosti použití. Používají se natolik široce, že spoléhání oboru na záměr místo chování je trvalou kritikou.
• ICAP — řadí zapojení jako pasivní, aktivní, konstruktivní, interaktivní; užitečný pro otázku, jaký mód interakce s AI vlastně umožňuje.
• SAMR — od substituce k redefinici. Oblíbený jako příběh zralosti, slabý jako měřicí nástroj.
• Univerzální design učení, inkluzivní učení a přístupnost — designové rámce pro to, komu se dostává podpory, a ty nejčastěji zmiňované v práci o postižení a rovnosti.
• Návrh výuky, návrh kurikula a designové myšlení — jak se úkoly, sekvence a programy strukturují dřív, než se zvolí jakýkoli nástroj.
• Řízení změny — zda je systém vůbec osvojen, což je obvykle institucionální, nikoli pedagogická otázka.

Měřicí a výpočetní modely

• Teorie odpovědi na položku — odhad položek a schopnosti a model, který činí čísla testu interpretovatelnými.
• Vzdělávací měření — krajina nástrojů včetně měr stavěných specificky pro gramotnost v oblasti AI.
• Validita — zda nástroj měří konstrukt, který tvrdí, že měří, což rozhoduje o tom, zda hlášený výsledek podporuje teoretické tvrzení, jež je k němu připojeno.
• Sebeposuzovací míry — dominantní a nejkřehčí zdroj důkazů v této literatuře; u několika výše uvedených konstruktů je známo, že se mezi sebeposouzením a výkonem ostře rozcházejí.
• Sledování znalostí a modelování studenta — odhad stavu studujícího v čase z dat o interakci.
• Kognitivní diagnostika — přisuzování výkonu konkrétním složkám dovednosti, modelová protistrana diagnostické výuky.
• Benchmarky, hodnocení vzdělávání v AI a psychometrické povědomí v návrhu AI — jak se systémy a intervence skórují, porovnávají a auditují.
• Design-based research — metoda, která generuje teorii z navržených intervencí, místo aby ji předem testovala.

Teorie vzniklé pro éru AI

Čtyři návrhy ve znalostní bázi teorii budují, místo aby si ji vypůjčovaly. Jsou to stránky článků, nikoli konceptuální uzly, protože každý z nich je jediným argumentem:

• Generativismus — nová teorie učení tvrdící, že klasická čtveřice vykazuje s rozšířením generativní AI významná konceptuální omezení.
• Epistemická spoluagenturnost — model toho, jak studující a systémy AI společně vytvářejí znalosti a porozumění.
• Chybějící kognitivní baseline — teoretizuje, proč studenti odchovaní na AI přeceňují své učení, když AI nafukuje výkon.
• Agentivismus — teorie středního dosahu pojmenovávající čtyři mechanismy (delegovaná agenturnost, epistemické monitorování a ověřování, rekonstruktivní internalizace a přenos při snížené podpoře) a stanovující šest testovatelných tvrzení.

Jak odlišit tři označení

Slova se v literatuře používají volně a rozdíl si zaslouží jeden odstavec, nikoli celou stránku:

• Teorie vysvětluje mechanismus a predikuje, co se stane, když se její části změní. Může selhat, a proto studie, které ji testují, mohou hlásit velikosti efektů.
• Rámec organizuje nebo předepisuje. Pojmenovává komponenty, jimž máte věnovat pozornost, obvykle bez predikce velikostí, a nelze jej falzifikovat.
• Model je formální reprezentace, nejčastěji měření nebo stavu studujícího. Lze jej fitovat, porovnávat a ukázat jako chybný způsobem, jaký rámec neumožňuje.
• Označení se překrývají. Komunita zkoumání je zároveň teorií i designovým rámcem; teorie aktivity je explanační i analytická. Berte označení jako stopu o tom, co zdroj tvrdí, ne jako zařazovací kategorii.

Související vrstvy

Dvě sousední stránky jsou záměrně o něčem jiném. Filozofie AI ve vzdělávání klade normativní a konceptuální otázky — k čemu vzdělávání je, zda může stroj učit — a nepredikuje velikosti efektů; studie může být filozoficky naivní a teoreticky zdravá, nebo naopak. Rozvíjení teorie je metačinností budování, vypůjčování a revize teorie, včetně trvalé kritiky, že mnohá práce v AIED aplikuje existující teorii, místo aby ji testovala. Tato stránka je soupisem; rozvíjení teorie je o vytváření a revizi soupisu.

Jak zvolit optiku, když je otázka praktická

• Vyučující vycházející z problému mohou jít zpětně: pokud se studující nezapojují, ICAP a SDT pojmenovávají různé příčiny a naznačují různá řešení; pokud jde o to, zda nástroj vůbec přijmout, modely přijetí a SAMR se na něj ptají na různé věci.
• Návrháři výuky vytěží nejvíce z designových rámců — UDL, Návrh výuky a Scaffolding — ve spojení s teorií, která predikuje, co se stane, když se scaffolding odstraní.
• Výzkumníci by měli uvést, který uzel studie tvrdí, a zda jej design skutečně dokáže otestovat; o tom, zda hlášený výsledek toto tvrzení podporuje, rozhodují měřicí modely (IRT, Assessment Validity, Self-Report Measures).
• Administrátoři se s těmito rámci setkávají jako s otázkami přijetí a změny, kde se stupňový model často používá jako příběh zralosti, nikoli jako nástroj.

Co rámce nedokážou

Rámce nejsou důkazy. Obvykle se vypůjčují z kontextů před LLM a lokalizují je ti, kdo je aplikují, mohou fungovat jako branding a stupňové modely zvou k přijetí zaškrtáváním políček, které hlásí pohyb po úrovních, nikoli učení. Tvrzení opírající se o rámec je třeba číst spolu s průřezovými omezeními oboru, s validitou toho, co výsledek měřilo, a se známými limity sebeposouzení.

Sladění mechanismu s teorií však může být rozhodující: tematická syntéza 55 studií učení založeného na hrách podporovaného AI zjistila, že účinnost závisela na tom, zda mechanismus AI naplňoval pedagogiku, které měl sloužit, nikoli na algoritmické sofistikovanosti (Kaşarcı a Yurt (2026)).

Časté mylné představy

„Aplikovat vypůjčenou teorii na nástroj AI znamená používat teorii." Velká část tohoto oboru aplikuje vypůjčenou teorii, místo aby ji testovala, a rozdíl je v tom, zda rámec učinil predikci, která mohla selhat. Když studie hlásí zisk pod hlavičkou rámce, ale nezavazuje se k žádné falzifikovatelné predikci, o rámci se nedozvídáme nic — výsledek slučitelný s každou teorií v katalogu je důkazem pro žádnou z nich.

„Hodnota rámce je v tom, jak dobře popisuje systém, který jste už postavili." To je zpětné označkování. Taxonomie, která pojme jakýkoli design, nemá rozlišovací sílu, a proto se popisné rámce mají posuzovat podle toho, co vylučují. Hodnoticí otázka nezní „sedí můj systém do tohoto rámce?", ale „jaký druh systému by tento rámec označil za chybný?"

„Teorie učení, modely žáka a rámce přijetí jsou zaměnitelné optiky." Odpovídají na různé otázky — jak učení probíhá, jaký je stav studujícího a proč se praxe šíří — a tomu odpovídají i jejich typy důkazů. Volba špatné vrstvy vede ke studii, která měří správnou proměnnou proti špatné predikci, což se čte jako nulový výsledek, i když jde o kategorickou chybu.

„Více rámců znamená zralejší obor." Rámce vzniklé pro éru AI se hromadí rychleji, než se testují, a hromadění bez falzifikace je symptomem, nikoli pokrokem. Zralost se projevuje rozřešením soupeřících predikcí, ne růstem slovníku.

Související koncepty

• Rozvíjení teorie v AI ve vzdělávání — budování a revize teorie v oboru
• Filozofie AI ve vzdělávání — normativní a konceptuální vrstva
• Learning Theories — zastřešující pojem pro teorii učení
• Learning Sciences — sousední obor, z něhož se většina teorie vypůjčuje
• Omezení ve výzkumu AIEd — co důkazní základna unese a co ne
• Technologické pedagogické obsahové znalosti (TPACK) — rámec učitelských znalostí
• Technology Adoption Models — rámce přijetí
• Item Response Theory — měřicí model
• Universal Design for Learning — designový rámec
• Research Methods in AIED — jak se teorie testuje

Související články

• GenAI chatbots in language learning: A systematic review of emerging affordances — Emocionální afordance navržené jako čtvrtá kategorie taxonomie afordancí

• Effectiveness of AI-Supported Game-Based Learning: A Systematic Review of Outcomes, Challenges, and Future Directions — Účinnost v 55 studiích učení založeného na hrách s AI řídilo sladění mechanismu s teorií, nikoli algoritmická sofistikovanost

• The evolution of research on AI and education across four decades: Insights from the AIxEd framework — čtyři desetiletí AIED optikou rámce AI×Ed

• Educating minds with generative AI — teoreticky hutná syntéza generativní AI a učení

• An activity-theoretical approach to teacher professional development in pedagogical AI agent design — teorie aktivity aplikovaná na profesní rozvoj učitelů

• Activity theory as a lens on teachers' adoption of AI technologies: A structural equation modeling — teorie aktivity a přijetí učiteli

• Generativism: Toward a Learning Theory for the Age of Generative Artificial Intelligence — teorie učení navržená pro éru generativní AI

• Learning with machines: Toward a theory of epistemic co-agency — k teorii epistemické spoluagenturnosti

• The Absent Cognitive Baseline: Theorizing a Structural Gap in AI-Native College Students' Academic Self-Assessment — teoretizace strukturální mezery v sebehodnocení studentů odchovaných na AI

• Agentivism: a learning theory for the age of artificial intelligence — teorie učení středního dosahu pro interakci člověka a AI

• Measuring Artificial Intelligence Literacy: A Systematic Review of Instrument Development, Conceptual Foundations, and Psychometric Quality — vývoj nástrojů napříč mladým konstruktem

• Control vs. Agency: Exploring the History of AI in Education — zakládající napětí oboru mezi kontrolou a agenturností