Znalostní báze AIEdAIEd KB
Na této stránce

Přečtěte si tuto stránku v angličtině

Pojmy

Rozvíjení teorie v AI ve vzdělávání

Vytvořeno 2026-08-22 · Aktualizováno 2026-11-08

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

Rozvíjení teorie v AI ve vzdělávání — odborná práce spočívající ve vytváření, rozvíjení a kritickém zkoumání teorií a konceptuálních rámců, které vysvětlují, jak studující, učitelé a systémy AI vzájemně působí. Jak generativní AI přetváří vzdělávání, obor zároveň navrhuje nové teorie učení s AI a přepracovává zavedené teorie učení — a dokumentovaná slabina v užívání teorie zůstává průřezovým omezením výzkumu AIEd.

Otázky k zamyšlení

  • Často mluvíme o „aplikaci teorie" na AI ve vzdělávání, ale tato stránka se ptá, zda obor skutečně vynalézá nové teorie. Než budete číst dál: když se známý rámec (například behaviorismus nebo konstruktivismus) natáhne, aby pojal generativní AI, co může vystihnout správně a co může tiše zkreslit?
  • Vzpomeňte si na chvíli, kdy jste použili AI a cítili, že vaše porozumění rostlo — nebo naopak. Jaký je rozdíl mezi „učením se s nástrojem" a „spoluvytvářením znalostí se strojem"? Kde byste tu hranici nakreslili a má vůbec smysl říkat, že stroj je spolučinitel?
  • Mnohé studie AI ve vzdělávání jsou kritizovány za slabé nebo žádné užívání teorie. Kdybyste četli studii, která ukázala, že nástroj AI „fungoval", co by vám musela sdělit o tom, proč a jak fungoval, abyste zjištění nazvali teoreticky smysluplným, a ne jen velikostí efektu?
  • Jedna navržená teorie tvrdí, že studenti odchovaní na AI přeceňují své učení, protože AI nafukuje jejich výkon. Všimli jste si u sebe nebo u jiných, že se po intenzivním používání AI cítí kompetentnější, než by dokázali předvést bez ní? Co by byl nejsilnější důkaz, že jde o skutečný fenomén, a ne artefakt jedné studie?
  • Stránka odlišuje teorii (vysvětlování mechanismů učení) od filozofie (tázání se, co učení a mysl v zásadě jsou). Kde ve vlastním myšlení o AI přecházíte mezi oběma — například když se neptáte jen, zda rámec učení dobře vysvětluje, ale zda vystihuje, co učení skutečně je?
  • Objevují se nové teorie — generativismus, epistemická spoluagenturnost, kognitivní obec. Co by vás jako čtenáře přesvědčilo, že jedna z nich je skutečný pokrok, a ne módní přejmenování starších myšlenek? Stanovte si vlastní test toho, co by dobrá nová teorie učení s AI měla dokázat vysvětlit.

Úvod

Rozvíjení teorie v AIEd leží na hranici mezi aplikovanými teoriemi učení, z nichž obor čerpá, a novými konstrukty, které éra AI produkuje. Zatímco Learning Theories katalogizují zavedené teorie aplikované na AI (behaviorismus, konstruktivismus, kognitivní zátěž, sebedeterminace atd.), tento koncept sleduje proces a produkt samotného teoretizování: které nové teorie a rámce se rodí, jak se zavedené teorie rozvíjejí a jaká je metodologická otázka, zda výzkum AIEd teoretizuje dobře.

  • Rámec, který specifikuje vlastní srovnávací podmínku. Nakamura (2026) bere rozdělení kognitivní práce jako vysvětlující jednotku, klade operace na graduované kontinuum od periferního po konstitutivní, pojmenovává srovnávací podmínku, vůči níž se definují augmentace a eroze, a odvozuje sedm podmíněných testovatelných tvrzení (Nakamura, 2026). Protože tvrzení predikují rozdíly mezi konfiguracemi, studie, která hlásí jen průměrný efekt, je nemůže potvrdit ani vyvrátit.

Nové teorie učení s AI

Rostoucí shluk článků výslovně vytváří novou teorii pro éru AI, místo aby aplikoval existující rámce:

  • Generativismus. Generativismus je navržen jako nová teorie učení s argumentem, že behaviorismus, kognitivismus, konstruktivismus a konektivismus každý stojí na jednom předpokladu, který generativní AI boří: že pozorovatelný výstup potvrzuje učení (behaviorismus), že kognitivní operace probíhají uvnitř studujícího (kognitivismus), že význam se konstruuje, nikoli dodává (konstruktivismus), a že obtížná část je navigace k existujícím znalostem, nikoli jejich generování (konektivismus). Pojmenovává čtyři konstrukty — epistemické partnerství, distribuovanou agenturnost, generativní gramotnost a adaptivní metakognici — a ke každému odvozuje indikátor hodnocení, což je přímá snaha pojmenovat svébytné teoretické paradigma učení zprostředkovaného AI. Co však nedělá: nestanovuje tvrzení, která by mohla selhat. Jde o poziční stať syntetizující existující důkazy, a tak na rozdíl od Agentivismu níže nabízí slovník a měřicí agendu, nikoli falzifikovatelnou teorii.

  • Propojenost s AI. Fu a Zhao (2026) rekonstruují propojenost pro éru AI prostřednictvím etiky péče a neokologické teorie a definují „propojenost s umělou inteligencí" jako psychologicky reálné, leč eticky asymetrické pouto se třemi dimenzemi a šesti falzifikovatelnými tvrzeními, jejichž škála se teprve vyvíjí.

Syntetická pozice přidává konkurenční nabídku, která tvrzení skutečně stanovuje: pojmenovává syntetickou propagaci a autorské pozastavení — self s hustým hlasem, avšak bez autora — a predikuje křížovou interakci, v níž se hodnocené autorství a koherence životopisného rozhodnutí pohybují opačnými směry (Du et al. (2026)).

  • Agentivismus. Yan a Gašević (2026) navrhují Agentivismus jako teorii učení středního dosahu pro interakci člověka a AI, která definuje učení jako trvalý růst lidské schopnosti, nikoli jako úspěšné dokončení úkolu s AI, a specifikuje čtyři mechanismy: delegovanou agenturnost, epistemické monitorování a ověřování, rekonstruktivní internalizaci a přenos při snížené podpoře. Od ostatních nabídek na této stránce jej odlišuje falzifikovatelnost: stanovuje šest tvrzení, mimo jiné že učení je silnější, když si AI zachovává odpovědnost studujícího za rámování problému, stanovení kritérií a zdůvodnění, než když dodává odpovědi. Rovněž tvrdí, že požadavek ověřování má zlepšit odložený výkon, zatímco opakované delegování s nízkým třením bez rekonstrukce má oslabovat kalibraci vlastní kompetence studujících.

Teoretizování na straně učitele nyní přijímá stejný závazek testovatelnosti: model Capability–Decision řadí schopnost AI-TPACK před postoje a vnímanou behaviorální kontrolu a pojmenovává čtyři podmínky vyvrácení — selhání mediace, kolaps diskriminační validity, nulovou moderaci a kontextovou redundanci — ačkoli model zůstává neotestovaný (Mnguni (2026)).

  • Epistemická spoluagenturnost. Učení se stroji buduje „k teorii epistemické spoluagenturnosti", teoreticky informovaný model toho, jak studující a systémy GenAI společně produkují znalosti a porozumění.

  • Cyklus kognitivního partnerství. Page (2026) navrhuje Cyklus kognitivního partnerství, šestifázový rekurzivní model — lidská otázka, rozšíření AI, lidská reflexe, integrace, revize a nová otázka — který lokalizuje učení do změny kognitivní pozice studujícího, nikoli do sofistikovanosti promptu, a pojmenovává čtyři módy selhání, v nichž stejná rekurze nahrazuje nebo zkresluje myšlení.

  • Chybějící kognitivní baseline (ACB). Chybějící kognitivní baseline teoretizuje strukturální mezeru v akademickém sebehodnocení studentů odchovaných na AI — třídimenzionální rámec vysvětlující, proč studenti přeceňují své učení, když AI nafukuje výkon.

  • Kognitivní obec. Kognitivní obec a obnova expertizy čerpá z teorie společných zdrojů a z distribuované kognice, aby vysvětlila, jak racionální rozhodnutí o přijetí AI mohou vyčerpat sdílený fond expertizy, který profese potřebují k obnově.

  • Výkon vs. učení. Výkon vs. učení teoretizuje ostrý rozpor mezi výkonem v úkolu nafouknutým AI a trvalým učením, rozlišení, které se v důkazech znalostní báze o ziscích v učení opakuje.

  • Epistemická gramotnost v oblasti AI (EAIL). Epistemická gramotnost v oblasti AI přerámovává gramotnost v oblasti AI jako procesně orientovanou epistemickou kompetenci zaměřenou na to, jak se znalosti konstruují a ospravedlňují, když studenti spoluprogramují s generativní AI.

  • Tri-systémová teorie. Shaw a Nave (2026) rozšiřují dvouprocesové popisy o Systém 3 — vnější, automatizované, daty řízené uvažování z AI, které může Systém 1 a Systém 2 doplňovat, nahrazovat nebo potlačovat — a jako jeho charakteristické selhání pojmenovávají kognitivní kapitulaci, nekritické přijetí výstupu AI.

  • Kognitivní správcovství. Certifikace a kognitivní správcovství teoretizuje institucionální odpovědnost za ochranu znalostí a učení v kontextech hodnocení prostoupených AI.

  • Spoluregulace a epistemická proaktivita. AI jako kognitivní partner ve spoluregulaci integruje výkonné funkce, metakognici, distribuovanou kognici a sociokulturní vývoj do vývojového modelu; epistemická proaktivita teoretizuje agentní postoj studentů k AI v matematice.

  • Paradigmata zapojení člověka a GAI. Strydom (2026) řeší „teoretický deficit" oboru tím, že sedm uplatňovaných paradigmat zapojení člověka a GAI (ostražité, zaměřené na možnosti, rozšířené, průkopnické, symbiotické, hodnotové, rovnost) zakotvuje v multidimenzionálním modelu Schommerové osobních epistemologických přesvědčení — v epistemologické, nikoli nástrojově zaměřené teorii toho, jak se jednotlivci odlišně pozicují vůči AI.

  • Rámec ekologické spoluagenturnosti. Poudyal (2026) tvrdí, že generativní AI přesouvá epistemologickou autoritu od učitelů ke studentům a ke strojům, a představuje rámec definující spoluagenturnost prostřednictvím tří vzájemně závislých dimenzí — relační, regulační (mapované na cyklus SRL) a pedagogické (kontinuum přijetí učiteli) — všechny ohraničené nepodkročitelnou podmínkou lidské epistemické odpovědnosti (napadnutelnost, provenience a nedelegování morálního a intelektuálního kreditu). Staví agenturnost jako epistemický problém návrhu, nikoli jako otázku použitelnosti, a dává institucím přesnější jazyk než „rovnováha" pro řízení integrace GenAI.

  • Relační epistemická agenturnost a epistemická závislost. Du & Yuan (2026) přinášejí kriticko-integrální výklad toho, kdy AI zprostředkované spoléhání zachovává, a kdy vytlačuje úsudek. Hranici mezi produktivním spoléháním a škodlivou závislostí operacionalizují šesti diagnostickými kritérii (napadnutelnost, obnovitelnost, přenos, sledovatelnost, distribuovaná odpovědnost, epistemická pluralita) a sledují čtyři sociotechnické cesty (plynulá autorita, bezfrikční delegování, neprůhledná syntéza, institucionalizovaná závislost). Jejich normativní návrh, relační epistemická agenturnost, rozšiřuje linie relační autonomie a epistemické spoluagenturnosti tím, že zachovává výslovnou asymetrii — AI může utvářet uvažování bez reciproční odpovědnosti nebo legitimní autority — a zároveň integruje odpovědnost a epistemickou spravedlnost na institucionální úrovni. Jako teorie učení s AI posouvá otázku oboru od toho, zda AI pomáhá, nebo škodí, k tomu, které epistemické úkony se zachovávají, přetvářejí nebo vytlačují, a předmětem pedagogické a institucionální intervence činí návrh závislosti, nikoli pouhé používání.

Výstup modelu se povyšuje na status kolektivního poznání bez komunitního ručení, které tento status vyžaduje — tomu Webb et al. (2026) říkají pseudo-cPCK, a proto obor potřebuje nový teoretický konstrukt, nikoli lepší rozhraní (Webb et al., 2026).

Rozvíjení zavedené teorie

Jiná práce rozšiřuje existující teorii do kontextu AI, místo aby zakládala nová paradigmata: práce o paradoxu kritického myšlení integruje teorii kognitivní zátěže s výukou snižující zátěž do tříúrovňového rámce; spravedlivé hodnocení re-teoretizuje hodnocení pod disruptí GenAI. Ba, Gašević, Lim & Anderson (2026) rekonceptualizují samotný rámec Komunity zkoumání: místo rámování GenAI jako nástroje, dialogického partnera nebo spekulativní „čtvrté prezence" ji přemísťují na pozici epistemické podmínky, která přenastavuje, jak se kognitivní, sociální a výuková prezence uplatňují, dokládají a řídí — a prezence CoI přerámovávají jako sociotechnické výkony sestav člověka a GenAI a navrhují konfigurační heuristiku, v níž zapojení GenAI a kvalita zkoumání spolu podmíněně souvisejí prostřednictvím lidské odpovědnosti. Velká část toho je práce na konceptuálním rámci (rámce pro obchodní školy, validní simulace), která operacionalizuje teorii pro praxi.

Lin a Chang (2026) rozšiřují seberegulované učení a regulaci člověka a AI tím, že pojmenovávají, co studující řídí — standardy, hodnoticí úsudky a autorizaci kontroly — místo jen toho, co dělá AI.

Paradox tření nabízí další rozšíření zavedené teorie: Gupta (2026) aplikuje žádoucí obtížnosti Bjorka a Bjorkové a produktivní selhání Kapura na relační setkání ve vzdělávání v zahraničí a tvrdí, že záleží na tom, kolik interpretační agenturnosti student přenese na generativního asistenta, nikoli na tom, jak často jej používá. Rámec je konceptuální a stanovuje pět tvrzení jako soupeřící hypotézy.

Ranieri & Biagini (2026) rozvíjejí funkční taxonomii oboru od Zawackiho-Richtera et al. (2019): ze 154 publikací s klasifikovatelnou aplikační funkcí jich 90 (58,4 %) uniklo jejím čtyřem kategoriím a jejich rámec kříží funkci s delegovanou kontrolou, epistemickou pozicí a zakotvenou pedagogikou.

An, McLaren a Stamper (2026) rozvíjejí ACT-R a rámec Knowledge-Learning-Instruction teoretizováním klamavého nadměrného zobecnění — módu selhání, v němž kompilace znalostí vytváří nadměrně zobecněnou produkci, která dává správné akce, avšak vynechává kritické omezení aplikace — a empirickým ověřením postupu detekce a nápravy napříč adaptivními ITS a datovou sadou desetinného učení.

Postfenomenologie a technologické zprostředkování. Farazouli et al. (2026) rozvíjejí zavedený postfenomenologický rámec technologického zprostředkování (Ihde 1990; Verbeek 2006, 2011; Rosenberger & Verbeek 2015) do kontextu AI ve vzdělávání. Místo navrhování nové teorie jej aplikují, aby rekonceptualizovali GAI chatboty jako multistabilní technologické artefakty, jejichž „skripty" (rychlá responzivita, přirozeně znějící text, s nímž lze získat prospívající známku) zprostředkovávají vnímání učitelů a přenastavují jejich praxi — otřásají důvěrou učitelů, přetvářejí význam kompetence a tlačí učitele za instrumentální otázky přijatelného použití k přehodnocení jejich role a smyslu výuky. Jde o příspěvek k rozvíjení teorie: ukazuje, jak filozofický výklad vztahů člověka a technologie vysvětluje emocionální a profesní narušení, které učitelé zažívají, když GAI vstupuje do zavedené vzdělávací praxe.

Dalším příspěvkem k rámci je Rismanchianova a Doroudiho typologie AI×Ed, která rozšiřuje Kahnova (1977) původní „tři interakce" podél dvou os — role AI (aplikovaný nástroj vs. analogie lidské inteligence) a koncový uživatel (od výzkumníka ke studujícímu) — aby lokalizovala jakýkoli projekt AIED. Kromě kategorizace oboru argumentuje pro oživení linie teorie a výzkumu „AI jako analogie lidské inteligence" pomocí výpočetních a agentových modelů učení (např. jejich vlastního výpočetního modelu rámce ICAP) k propojení současné teorie učení a výpočetního modelování — metodologického směru, který obor z velké části opustil, když se obrátil k aplikované, daty řízené práci.

Komparativní filozofie jako cesta k teoretickému pluralismu. Xie (2026) modeluje jinou cestu k rozvíjení teorie: místo teoretizování AI ve vzdělávání zevnitř jedné tradice staví stať komparativní dialog, v němž každá tradice „činí viditelným to, co druhá zakrývá", a výslovně odmítá je syntetizovat do jediného rámce — přístup, který pojímá teoretický pluralismus jako metodologickou pozici, nikoli jako nevyřešený nesouhlas. Tvrdí, že nezápadní tradice mohou víc než diverzifikovat debaty; mohou přetvořit konceptuální základy teorie AIED tím, že rekonstruují taoistickou „přirozenost Dao" (道性), sebekultivaci (修道) a „Zhenren" (真人) jako zdroje pro přehodnocení agenturnosti, epistemických cílů vzdělávání a etického jednání v podmínkách zprostředkovaných AI. Své limity také říká jasně: příspěvek je jediného autora, neempirický, a varuje, že takový překlad vyžaduje kontextualizaci, aby se vyhnul romantizaci a orientalismu.(Alternative AI Philosophy: Daoism as Method for AI in Education)

Problém užívání teorie v AIEd

Teoretizování oboru je nerovnoměrné. Omezení ve výzkumu AIEd dokumentují, že studie AIEd často užívají teorii slabě nebo nekriticky — opakující se metodologická slabina vedle mezer v reprodukovatelnosti a měření. Přehledy zjišťují, že mnohé práce AIEd aplikují teorii povrchně nebo vůbec (např. přehledy literatury, které zaznamenávají jen málo studií zakotvujících intervence v teorii učení). To činí z rozvíjení teorie — a z užívání teorie — otázku kvality stejně jako odborného výstupu, což se pojí s výzkumnými metodami a hodnocením vzdělávání v AI.

Vztah k filozofii AI ve vzdělávání

Rozvíjení teorie a filozofie AI ve vzdělávání jsou komplementární, avšak odlišné linie zakládající práce znalostní báze. Rozvíjení teorie produkuje a empiricky testuje mechanismy učení s AI — pojmenované teorie a rámce jako generativismus, epistemická spoluagenturnost a chybějící kognitivní baseline, které vysvětlují a predikují, jak studující a AI interagují. Filozofie zkoumá presupozice, na nichž tyto mechanismy stojí: co se počítá jako znalost, kdo se počítá jako znalec a co studující v zásadě je. Teorie jako epistemická spoluagenturnost navrhuje mechanismus a zároveň implicitně přijímá filozofické závazky o distribuované kognici a agenturnosti; filozofie tyto závazky činí explicitními a napadnutelnými. Zatímco rozvíjení teorie se ptá, zda rámec učení dobře vysvětluje, filozofie se ptá, zda vystihuje, co učení a mysl skutečně jsou — obě linie se potkávají v nejzákladnějších článcích oboru, které často dělají obojí zároveň.

Časté mylné představy

„Zjištění, že nástroj fungoval, je teoretický příspěvek." Není, a důvod je strukturální. Kde tvrzení rámce predikují rozdíly mezi konfiguracemi, studie hlásící jen průměrný efekt je nemůže potvrdit ani vyvrátit — design nevidí rozlišení, o němž teorie mluví. Pokus ukazující průměrný zisk vám říká, že se něco stalo, ne který mechanismus to způsobil, takže teorie zůstává podepřena přesně tak jako předtím.

„Aplikovat zavedenou teorii na AI je rozvíjení teorie." Problém užívání teorie, který tato stránka popisuje, říká opak: aplikace není rozvíjení a opakujícím se vzorcem oboru jsou vypůjčené konstrukty použité jako slovník, nikoli jako testovatelné predikce. Rozlišení je podstatné, protože vypůjčený rámec, který nedokáže vygenerovat falzifikovatelný rozdíl, je dekorací, ne teorií.

„Existující taxonomie pedagogické funkce AI už pokrývají to, co tyto systémy dělají." Zdaleka ne všechno. Ze 154 publikací s klasifikovatelnou aplikační funkcí 90 (58,4 %) uniklo čtyřem kategoriím předchozího rámce, a proto novější práce kříží funkci s delegovanou kontrolou, epistemickou pozicí a zakotvenou pedagogikou. Taxonomie, která chybně klasifikuje téměř tři případy z pěti, nemůže sloužit jako společný slovník oboru, a tato mezera je zjištěním o fenoménu, nikoli mezerou v článku.

Důsledky pro praxi

Pro vyučující a návrháře výuky

  • Když studie hlásí průměrný efekt, neberte ji jako vodítko pro svou konfiguraci. Tvrzení na úrovni teorie se týkají rozdílů mezi konfiguracemi a průměr vám neřekne, kterou z nich provozujete.
  • U každého rámce, který přijmete, se ptejte, zda predikuje něco, co by se ve vašem prostředí mohlo ukázat jako nepravdivé. Pokud ne, nepomůže vám o ničem rozhodnout.
  • Očekávejte, že existující kategorie váš případ minou; více než polovina klasifikovaných publikací nezapadla do standardního čtyřdílného dělení.

Pro vývojáře

  • Hlaste konfigurace, ne jediný souhrnný efekt. Pokud váš návrh ztělesňuje konkrétní kombinaci delegované kontroly a epistemického postoje, řekněte to — je to jednotka, o níž teorie mluví, a jednotka, kterou jiný tým potřebuje k reprodukci.
  • Nepropagujte tvrzení o mechanismu na základě průměrného výsledku; typ důkazu, který mechanismus vyžaduje, je kontrast, ne průměr.

Pro výzkumníky

  • Pokud zamýšlíte teoretický příspěvek, navrhujte design pro kontrasty konfigurací. Pokus s průměrným efektem publikovaný jako rozvíjení teorie je nejběžnějším a nejméně užitečným výstupem oboru.
  • Ke každému rámci, který představíte, připojte explicitní falzifikovatelná tvrzení a uveďte, které rozdíly konfigurací by je vyvrátily.

Související koncepty

Související články

Metadata

Typ studieLiterature Review
Učení a výukaLearning Theories
Výzkumné metody a hodnoceníResearch Methods in AIED
Základy AI ve vzděláváníUmělá inteligence ve vzdělávání, Omezení ve výzkumu AIEd
Druh stránkyFramework
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.