Jak může AI pomoci studentům se čtením a porozuměním textu?

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

Pokud učíte jakýkoli předmět, vybíráte četbu, upravujete texty a rozhodujete, zda je zdroj pro vaše studenty příliš obtížný. AI může pomoci s každým z těchto úkolů, ale čísla obtížnosti, která vám dává, nejsou měřením obtížnosti — jsou odhady o průměrném textu a průměrném čtenáři a čtenáři, které skutečně učíte, mohou být od průměru daleko. Tento FAQ vám řekne, kde nástroje skutečně pomáhají, kde selhávají a co s tím dělat.

Co AI skutečně dokáže

Najít a upravit texty ve velkém. AI je silná v hledání zdrojů, zjednodušování slovní zásoby, generování slovníčků a přeměně pasáže na studijního průvodce nebo shrnutí. Používejte ji na mechanické části přípravy četby — skenování, stanovení úrovně, vytahování klíčových termínů — a lidskou kontrolu si nechte na to, na čem záleží.

Modelujte čtenáře, ne text. Protože proměnné čtenáře nesou velkou část signálu o tom, jak obtížný se text zdá, nástroje, které profilují čtenáře, předpovídají vnímanou obtížnost lépe než jakýkoli vzorec. V největší studii ve znalostní bázi hodnotilo 193 německých středoškoláků 3 954 vět a modely založené na profilech (nejlepší ensemble RMSE 0,822 vs. střední baseline 1,070) porazily skóre Flesch textů, která hodnotila stejný materiál mnohem obtížněji, než studenti zažívali — 72,8 % anotací bylo snadných nebo velmi snadných (Thome, Hertweck a Conrad, 2025). Praktická verze: hodnocení pasáže od několika studentů porazí štítek jakéhokoli vzorce.

Kde AI zaostává

Štítky obtížnosti nejsou měření. Štítek jako „středně pokročilý“ nebo skóre Flesch popisuje povrch textu, ne zkušenost vašich studentů. Charakteristiky čtenáře — jazyk mluvený doma, sebehodnocená dovednost, dokonce gender — nesly ve výše uvedené studii více signálu než textové statistiky a shoda mezi anotátory byla nízká (Krippendorffova alfa = 0,23) právě proto, že vnímaná obtížnost se mezi čtenáři liší. Berte vzorce a štítky jako hypotézy a kalibrujte je na studentech, kteří text musí číst.

Ani to, že AI požádáte, aby zastoupila vaše studenty, nefunguje. Ve stejné studii ChatGPT a Claude s prompty pro hraní role nedokázaly reprodukovat vnímání obtížnosti studenty ani s označenými příklady — LLM nedokáže simulovat čtenáře dost dobře na to, aby za vás posoudil text (Thome, Hertweck a Conrad, 2025).

Text psaný AI se čte jinak než lidská próza. Napříč 14 modely jazyk AI nadužívá vzácná nízko frekvenční slova a nahromaděná podstatná jména, vynechává volitelná slova a tvoří delší závislosti ve srovnání s žánrově odpovídajícím lidským psaním; efekty jsou silnější ve vícekolovém chatu než v jednokolových esejích, což autoři spojují s tlakem iterativní konverzace (Clark, Martin a Mahowald, 2026). Generovaná vysvětlení i generované čtecí materiály nesou tento profil, takže text navržený AI může být obtížnější ke zpracování, než naznačuje jeho změřená čtecí úroveň.

Shrnutí od AI mohou nahradit četbu. Nástroj, který promění článek ve shrnutí, je užitečný pro třídění, ale pokud shrnutí nahradí text, studenti ztratí praxi porozumění, kvůli které úkol existoval — stejná past jako nadměrná závislost jinde.

Co s tím dělat

Než text zadáte, získejte druhý názor mimo nástroj: prolistujte ho sami, sledujte profil prózy AI výše, pokud byl generován, a — nejsilnější důkaz — požádejte jednoho či dva studenty, ať to vyzkoušejí. Pětiminutový pilot se skutečnými čtenáři porazí jakýkoli algoritmus obtížnosti.

Když text upravujete pomocí AI, udržujte úpravu viditelnou a kontrolovatelnou. Původní a zjednodušené verze vedle sebe umožňují studentům (i vám) vidět, co se změnilo, a dávají vícejazyčným studentům scaffolding, který neskrývá originál (jak AI zachází s vícejazyčnými studenty pokrývá rizika jazykové vhodnosti).

Když hodnotíte čtecí nástroj nebo rozhraní, ptejte se, zda modeluje individuálního čtenáře, nebo razítkuje jeden globální štítek. Pro čtenáře v druhém jazyce je rozdíl často celý příběh. Pro výzkumníky je otevřeným problémem měření: stránka vzdělávání ve čtení mapuje čtyři výzkumné linie — podpora při čtení, hodnocení čtení, adaptivní text a otázka měření pod všemi třemi (měření je slabý článek řetězu) — a uvádí důkazy jako slibné, ale nerovnoměrné, takže silná tvrzení o přínosech čtecího nástroje si zaslouží stejnou skepsi jako jakékoli tvrzení o učení s AI.