Jak mám navrhnout rozvoj vyučujících v AI, který skutečně změní praxi?

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

Je únor. Váš prorektor ohlásil iniciativu v oblasti AI s rozpočtovou položkou a vy máte jeden semestr na to, aby se objevila ve výuce. Nebo jste loni na podzim uspořádali šest workshopů, sály byly plné, a výuka, do které chodíte na hospitace, se nezměnila. Nebo se děkan v době rozpočtu zeptá na prostou otázku: co peníze přinesly?

Všechny tři případy mají stejnou konstrukční chybu. Workshop ukazuje lidem, co nástroj umí. Praxe se mění, když učitel stráví podporovaný, strukturovaný čas na problému ve svém vlastním kurzu, dost dlouho na to, aby nový návyk vytlačil starý, a když instituce experimentu říká ano, místo aby ho jen trpěla.

Podstatné pro poradu: standardizujte cyklus setkání, na který každý účastník přinese skutečný artefakt ze svého kurzu a odnese ho přepracovaný, zařaďte ověřování, přiznávání a řízení rizik do pracovního dokumentu místo do závěrečné řeči o etice, roztáhněte program za jediný den a spojte ho s mentoringem, veďte oborově specifické kohorty a na následném setkání vykazujte artefakty, které lidé vytvořili, ne to, jak jistí si byli poslední odpoledne.

Stručně

1. Každé setkání ukotvěte v artefaktu z vlastního kurzu účastníka a setkání ukončete tím, že je artefakt přepracovaný.

2. Zařaďte ověřování, přiznávání a řízení rizik do pracovní šablony, kde se používají, aby nervózní účastník měl kam svou obavu uložit.

3. Hodiny věnujte hodnocení a rubrikám, tedy nejslabší oblasti na začátku a té s největším změřeným ziskem.

4. Veďte oborově specifické kohorty a uvnitř nich diferencujte podle zkušeností.

5. Zajistěte podmínky: vyslovené svolení experimentovat, chráněný čas, materiály v jazycích, ve kterých vaši vyučující pracují.

6. Vyhodnocujte přepracované artefakty s odstupem, plus jeden relační ukazatel, a spokojenost berte jako šum.

Veďte každé setkání na vlastním kurzu účastníka

Nejčistší srovnání je Bi a kol. (2026), kteří dotazovali 568 vyučujících z pěti univerzit a se 160 z nich provedli kvaziexperiment. Obě skupiny dostaly čtyři workshopy po 90 minutách v po sobě jdoucích týdnech se shodným kontaktním časem, platformou i podporou lektora. Lišil se obsah. Jedna skupina dostala konvenční rozvoj vyučujících v generativní AI, druhá strukturovaný cyklus formulace promptu, revize výstupu, přepracování kurzových materiálů a písemné reflexe podle sedmisložkové šablony pokrývající cíle, omezení úkolu, kritéria hodnocení, ověřování, přiznávání a řízení rizik.

Strukturovaná skupina skórovala výše ve všech sedmi dimenzích připravenosti. Největší náskok měla v navrhování promptů, zhruba dvě směrodatné odchylky, a byla jedinou skupinou, jejíž zisk v navrhování promptů přežil odložené testování; menší zisk konvenční skupiny do follow-upu klesl pod výchozí úroveň.

Další dva výsledky vysvětlují, proč se demonstrace nepřenášejí. V studii s opakovaným měřením u 13 vysokoškolských učitelů přístup k chatbotovi zvýšil podíl aktivit dosahujících dvou a více úloh vyššího řádu podle Blooma ze 41,7 % na 91,7 % (p = 0,01) a snížil vnímanou kognitivní náročnost z mediánu 6,33 na 3,33 (p = 0,004). Pedagogický trénink promptování navrstvený na to už kvalitu návrhu dál nezlepšil a náročnost mírně zvýšil. Zatímco v workshopu s 60 učiteli přírodovědných předmětů na druhém stupni byl produktivním prvkem společný přezkum hodnoticích otázek vygenerovaných ChatGPT, což právě vyneslo problémy s pojmovou přesností a riziko posílení mylných představ.

Co ty studie mají společné: učení přišlo z kritického posuzování a přepracovávání materiálu. Lidé zlepšují věc, kterou mají před sebou, a zlepšují ji rychleji, když ji čte i kolega.

Přestaňte brát dovednost jako chybějící dílek

Lákavá diagnóza je mezera ve schopnostech, kterou zacelí lepší výuka. Bai a Hsieh (2026) dotazovali 898 univerzitních učitelů na škálách AI-TPACK a zjistili, že učitelé, kteří rozuměli tomu, jak generativní nástroje fungují, nebo je uměli kompetentně obsluhovat, neuváděli o nic vyšší pravděpodobnost vymýšlení a zavádění nových výukových postupů než ti, kteří to neuměli. Integrovaný konstrukt AI-TPACK neměl k inovativnímu chování žádnou přímou cestu. Jeho vliv běžel výhradně přes gramotnost v oblasti AI, učitelskou vnímanou vlastní účinnost a profesní identitu.

To mění, k čemu setkání je. Prohlídka nástroje neoslovuje ani jednu z těch tří věcí. Setkání, na kterém učitel přepíše vlastní zadání, obhájí tu změnu a slyší kolegu souhlasit, že je lepší, oslovuje všechny tři najednou, a proto cyklus s artefaktem předčí demo, i když je jeho obsah řidší.

Důsledek pro návrh je nepříjemný pro každého, kdo má prezentaci: učitele nepřimějete přednáškou, aby se viděl jako typ učitele, který takto pracuje. Můžete ho postavit do situace, kde tak jednou jedná, s podporou, a nechat důkazy nakupit.

Dejte těžké části do šablony, kterou používají

Doganův (2026) rámec i-TPACK vychází z přehledu PRISMA o profesním rozvoji v AI a z rešerše, která vynesla dalších 17 studií. Propojuje pět oblastí znalostí (znalost inteligentních technologií, technologicko-oborová znalost, technologicko-pedagogická znalost, integrovaný i-TPACK a etika AI) se čtyřmi cestami podloženými důkazy: aktivním učením, modely a příklady, koučováním a odbornou podporou a zpětnou vazbou a reflexí, a to podřízeno pěti principům od „kolektivní synergie místo sil" po „flexibilitu uvnitř struktury".

Nejostřejší kritika, kterou rámec oboru adresuje, je, že etika je v mnoha existujících programech zpracována povrchně nebo chybí úplně, a řešením je umístění. Ověřování, přiznávání a řízení rizik patří do dokumentu, který účastníci používají celý týden, ne do posledních 20 minut posledního setkání. Šablona se sloupcem pro řízení rizik se vyplní; závěrečný blok o odpovědném používání se odkýve.

Mez rámce je, že je konceptuální, bez dat o výsledcích na úrovni programu. Berte ho jako návrhový kontrolní seznam, ne jako důkaz, že návrh funguje. Důkazy o výsledcích jsou ve studiích výše i níže.

Hodiny věnujte hodnocení

Pokud má váš program prostor na jedno hluboké téma, vyberte hodnocení. V osmihodinovém programu Talebzadehové (2026), čtyři dvouhodinová setkání se 163 učiteli a budoucími učiteli, vzrostl celkový AI-PCK ze 151,65 na 220,14 (d = 2,36, p < 0,001). Největší účinek u složky měly hodnoticí rubriky (d = 2,19), což byla zároveň nejslabší oblast na začátku. Zisk byl užší u vyučovací metody než u hodnocení.

Rubriky jsou také místo, kde se dá úzkost v místnosti zapojit do práce. Účastník, kterému není příjemné, že se studenti opírají o model, může napsat řádek rubriky, který činí uvažování viditelným, a tím promění obavu v návrhové rozhodnutí s datem.

Rozpočtujte víc než jeden den. Ve stejném programu získali budoucí učitelé významně více než zkušení (p = 0,033), hlavně v navrhování scénářových úkolů a rubrik. Zkušení učitelé říkali, že osm hodin je příliš málo na posun zakořeněných návyků, a žádali dlouhodobou podporu s mentorem.

Stavte kohorty a pak diferencujte uvnitř nich

Uspořádejte jeden univerzální workshop a většinu ho strávíte obsluhou mediánového účastníka, který neexistuje. Sutedjo, Chowdhury a Liu (2026) zjistili u 127 respondentů, že vnímaná pedagogicko-oborová znalost byla vysoká (M = 4,70) a oborová znalost blízko stropu (M = 5,15), zatímco technologicko-pedagogická znalost (M = 2,62), technologicko-oborová znalost (M = 2,75) a celkový TPACK (M = 2,55) byly výrazně nižší. Oborová znalost nevykazovala významnou korelaci s žádnou doménou integrující technologie (r = 0,11-0,15), takže zvládnutí oboru se nepřenáší.

Ty tři nízké domény korelovaly mezi sebou r = 0,81-0,91, což pravděpodobně znamená jednu kapacitu pro výuku s těmito nástroji, a ne tři oddělené dovednosti. Učte to jako společný základ a ušetříte dvě setkání.

Pak rozdělte podle zkušeností. Bai a Hsieh zjistili, že profesní identita předpovídala inovativní chování téměř dvakrát silněji u příležitostných uživatelů AI než u denních, což je hraniční výsledek, ale užitečný ukazatel: práce s identitou se nejvíc vyplatí u lidí, kteří se nástrojů sotva dotýkají, zatímco častí uživatelé získají víc z mezioborových projektů než ze základního vedení. Laidlaw (2026) argumentuje pro oborově specifické kohorty jako rámec právě pro takový rozhovor, protože fyzik a historik neřeší stejný problém.

Otevřete otázkou, kterou si skeptici kladou

Laidlawové (2026) autoetnografický popis dokládá, že odpor není deficit dovedností. Vyučující, kteří se ptají, jaký smysl má výuka ve světě generativní AI, se neptají, jak nástroj bezpečně používat; ta otázka je ontologická. Chápe generativní AI jako prahový koncept (transformativní, obtížný, nevratný, integrativní, ohraničený) a uzavírá, že úzkost, odpor a zmatení jsou nutné součásti jeho překračování, nikoli chyby k opravě. Její doporučení obracejí standardní workshop: začněte otázkami identity místo demonstrací, veďte oborově specifické kohorty, dopřejte různá časová tempa a berte zásadové nepřijetí podložené oborovými hodnotami jako legitimní. Varuje také, že komunikování pravidel může sklouznout k „iluzi vymáhání", která nahradí podporu sděleními o souladu.

Vina je měřitelná a není rozložena rovnoměrně. Vassallo (2026) dotazoval 109 akademiků a identifikoval „komplex viny z AI": 35 % mělo obavu, že používání AI podkopává jejich kredibilitu, a 26 % uvedlo, že má pocit, že „podvádí", přičemž očekávaná vina ohledně kredibility převyšuje lítost po použití, takže tíseň je socioprofesní, ne soukromá. Objevily se čtyři profily: pohodlní adoptivní uživatelé (27 %), provinilí neuživatelé (29 %), opatrní uživatelé (28 %) a morálně rozechvělí vyhýbači (16 %). Jeden program řeší čtyři různé problémy a těch 29 %, kteří cítí vinu, i když nástroje nepoužívají, potřebuje něco jiného než demonstraci.

Velikost úkolu je vidět v průzkumu AAC&U/Elon u 1 057 vyučujících (Watson a Rainie, 2026): 68 % uvedlo, že jejich školy nepřipravily vyučující na používání generativní AI ve výuce a mentoringu, a podobný podíl to řekl o badatelské práci. 26 % respondentů nástroje vůbec nepoužívá, včetně 40 % vyučujících umění a humanitních oborů, a 82 % uvádí odpor kolegů jako překážku zavádění na katedře.

Opravte podmínky, které kurikulum opravit nemůže

To je zjištění, které si vezměte na poradu vedení. V průzkumu 568 vyučujících, na kterém stojí výše uvedené srovnání, uváděli kazašští vyučující vyšší výchozí připravenost než jejich čínští protějšky ve všech sedmi dimenzích, s nejširšími rozdíly v oborovém přenosu, navrhování promptů a základním porozumění. V hierarchické regresi koeficient pro Kazachstán, sám o sobě jasně významný, klesl na nevýznamnost, jakmile do modelu vstoupilo předchozí používání generativní AI, nedávný trénink v AI, institucionální podpora, vnímané svolení, přístup k vícejazyčným zdrojům, jasnost politiky a citlivost na riziko. To je snížení zhruba o čtyři pětiny. Největší pozitivní váhu nesla institucionální podpora a vnímané svolení a citlivost na riziko byla jediným prediktorem působícím proti připravenosti. Více než dvakrát tolik kazašských jako čínských vyučujících uvedlo trénink související s AI v předchozích šesti měsících.

Páky, které má vedoucí programu k dispozici, jsou tedy místní a blízké: praktický nácvik, výslovné svolení experimentovat, materiály v jazycích, ve kterých vyučující skutečně pracují, viditelná podpora z pracoviště. Národní politický rámec připravenost sám neunese. Kde citlivost na riziko kouše, je odpovědí dát jí místo, kde se dá uplatnit, místo abyste opatrnost rozmlouvali, a navrhování rubrik a ověřovací rutiny tím místem jsou.

Do stejného rozhovoru patří dvě praktické třenice. Záměr pokračovat v používání byl nejvýše hodnocenou dimenzí spokojenosti u Bi a kol. (2026), zatímco použitelnost nástroje nejníže, takže část toho, co se čte jako neochota, je tření platformy. A Aponte a kol. (2026) lokalizují tvrdou mez: AI nemůže kompenzovat chronické přetížení, represivní kulturu odpovědnosti, slabé vedení ani absenci chráněného času. Tvrdí, že k sociálně-emocionálnímu rozvoji učitelů přispívá jen jako relační infrastruktura (chráněný čas na mentoring, dialog mezi kolegy, komunity praxe), a jako standard navrhují relační zahušťování, které počítá důvěru, kontinuitu podpory a spoluregulaci, ne kontaktní hodiny. Dvě tvrzení se překládají do návrhu programu: uvolněný čas se znovu vstřebá jako dodatečný požadavek, pokud instituce formálně nevyžaduje jeho reinvestici, a konverzační agenti mohou tiše zastoupit obtížná lidská vyjednávání, která růst produkují. Jejich rámec je heuristika, ne testované kauzální tvrzení.

Pokud jsou tyto podmínky vaše, lepší workshop je neopraví, a říct to je užitečnější než slibovat opak.

Vykazujte artefakty s odstupem

Institucionální scaffolding, na které se vyplatí napojit, je Crompton, Burke a Nickel (2026), jejichž výzkum založený na návrhu ve dvou makrocyklech a se 114 účastníky (vyučující z 28 amerických institucí a 11 zemí, plus ředitelé center pro výuku a koordinátoři akreditace) přinesl šest standardů pokrývajících celou akademickou roli: vyučující, koordinátor, lídr, výzkumník, student a přispěvatel. Existující rámce a standardy pro vzdělavatele cílí na učitele regionálního školství nebo se týkají jen výuky, takže centrum, které na tyto standardy namapuje svou nabídku, se dá namapovat i na hodnocení pracovníků a akreditaci, což je zároveň argument, který přežije rozpočtovou revizi.

Pak buďte opatrní, jak vyhodnocujete, protože většina této literatury měří sebehodnoticí dojmy. Bi a kol. měřili vnímanou připravenost, ne uskutečněnou výuku, a jejich skupiny vznikly dobrovolným přihlášením, ne randomizací, takže výsledky jsou asociace. Bai a Hsieh je průřezová studie, se samovýběrem, z osmi univerzit v jedné zemi, a každý konstrukt měřila od stejných respondentů v jednom čase. Sutedjo a kolegové nemohou určit směr kauzality, což je podstatné, protože jejich nejsilnější tvrzení, že technologická znalost působí jako vstupní brána, průřezový design vyřešit nemůže. Talebzadeh uvádí velmi velké účinky bez randomizace, follow-upu nebo rozkladu podle oborů, takže d = 2,36 se čte jako krátkodobý údaj. Laidlaw je autoetnografická a Aponte a kol. uvádějí, že jejich rámec je konceptuální.

Obhajitelné vyhodnocení proto měří kurzovní materiály, které účastník přepracoval, napsané rubriky, navržené úkoly. Testuje s odstupem, protože mezera u Bi a kol. se objevila až u follow-upu, kde konvenční skupina upadla a strukturovaná ne. Spokojenost a sebedůvěru bere jako slabé signály, protože Pishtari a kolegové (2026) upozorňují, že samotné zisky v kvalitě neprokazují internalizaci: rostoucí kvalita návrhu může stejně tak odrážet delegování rutinní práce nebo přijetí struktury vygenerované AI. A přidává alespoň jeden relační ukazatel, podle Aponte a kol., protože zlepšovat artefakty a přitom izolovat účastníky není to, co program sliboval.

V čem se vedoucí programů mýlí

Lepší demo je lepší workshop. Kontaktní čas byl v Biho srovnání držen na čtyřech setkáních po 90 minutách a skupina, která přepracovávala artefakty, porazila skupinu, která se učila o nástrojích, ve všech dimenzích připravenosti, přičemž u follow-upu byl vidět jen jeden z těch dvou zisků.

Sebedůvěra je výsledek, na kterém záleží. Je to věc, se kterou se dá pohnout nejsnáz, a nejméně předpovídá. Ve studii s 13 učiteli vnímaná náročnost klesla, zatímco vrstva promptování nepřidala žádnou měřenou kvalitu návrhu, a hodnocení na konci dne by obojí zaregistrovala jako úspěch.

Etika je závěrečný blok. Doganův přehled zjistil, že etika je v mnoha nabídkách zpracována povrchně nebo chybí, a rozdíl mezi sloupcem v šabloně a posledním snímkem je v tom, zda to někdo ve třetím týdnu použije.

Jeden program může obsloužit celou fakultu. Průzkum 127 vyučujících popisuje oborovou znalost blízko stropu vedle celkového TPACK na 2,55 a čtyři Vassallovy profily zahrnují 29 % těch, kteří cítí vinu, i když nástroje nepoužívají. Jedno setkání bere čtyři publika jako jedno.

Skeptici jsou překážka, kterou je třeba zvládnout. Laidlaw klade odpor na úroveň identity a Bai s Hsiehem zjistili, že identita předpovídá inovaci téměř dvakrát silněji u příležitostných uživatelů. Lidé, které chcete v místnosti nejvíc, jsou právě ti, kterým demonstrace potvrdí jejich podezření.

Institucionální nařízení program unese. Kazašský koeficient se zhroutil zhruba o čtyři pětiny, jakmile do modelu vstoupila institucionální podpora a vnímané svolení, a právě ty dvě nesly největší pozitivní váhu. Nařízení není stejný signál jako svolení.

Co se na vás vrátí

„Nemáme na to hodiny." Pak je utraťte jinak, místo abyste je přidávali. Šest hodin uspořádaných jako cyklus s artefaktem porazilo šest hodin demonstrací při shodném kontaktním čase a kratší formát věnovaný hodnoticím rubrikám cílí na nejslabší oblast v Talebzadehových výchozích datech.

„Naši vyučující nepřijdou, nebo to skeptici rozvrátí." Pozvat skeptiky na demonstraci potvrdí podezření, které je tam přivedlo. Začněte otázkami identity, veďte oborově specifické kohorty, dopřejte různá tempa a řekněte nahlas, že zásadové nepřijetí je legitimní postoj. To je doporučení Laidlaw a sundává argument o souladu ze stolu. Čekejte, že práce s identitou bude mít největší váhu u příležitostných uživatelů, podle Bai a Hsieha.

„Nemůžeme lidi donutit, aby to používali." Většinou nemůžete, ale můžete změnit to, co instituce signalizuje. Vnímané svolení a institucionální podpora nesly největší pozitivní váhu poté, co se zhroutil efekt národního zázemí, takže užitečné kroky jsou ty levné: vyslovte, že experimentování je sankcionováno, chraňte čas formálně, aby se nevstřebal, poskytněte materiály v pracovních jazycích vyučujících a odstraňte tření platformy, což byla v téže studii nejníže hodnocená dimenze.

„Náš výstupní dotazník je silný." Spokojenost je míra, která nejspíš stoupne, i když nic jiného nestoupne. Požádejte místo toho o artefakty z poslední kohorty a znovu ty účastníky kontaktujte za semestr; mezera u Bi a kol. existovala jen u follow-upu.

Co udělat tento týden

1. Přepište pozvánku tak, aby účast vyžadovala přinést jeden artefakt z kurzu: cíl, rubriku nebo hodnoticí úkol.

2. Přepište program tak, aby první setkání začínalo na tom artefaktu, a přidejte ověřování, přiznávání a řízení rizik jako sloupce šablony, kterou účastníci nosí celý týden.

3. Přesuňte jedno setkání na navrhování rubrik a hodnocení a nechte účastníky odcházet s napsanou rubrikou.

4. Získejte od děkana nebo prorektora jednu větu písemně, že experimentování je sankcionováno, a pak chraňte hodiny formálně, aby se nevstřebaly.

5. Nastavte vyhodnocení tak, aby sbíralo přepracované artefakty a znovu kontaktovalo účastníky za semestr, s jednou otázkou o tom, s kým teď spolupracují.

Kam dál

Kompetence vyučujících v AI pokrývají samotný kompetenční cíl a Kompetence pedagogů v oblasti AI a Vzdělávací rozvoj nesou rámcový materiál za ním. O tom, jak strukturovat AI do kurzu, a ne do workshopu, je navrhování AI do učení; širší institucionální obraz dávají deset nejdůležitějších zjištění pro vyučující a institucionální politika k AI.