Jak zabránit tomu, aby studenti nadměrně spoléhali na AI?

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

Student zvládne sadu úloh na doma na jedničku a polovinu zkoušky nechá prázdnou. Někdo odevzdá laboratorní protokol, kterým vás neprovede, nebo blok kódu, který nedokáže vysvětlit řádek po řádku. Kolega chce nástroj zakázat v prváckém kurzu a vy zvažujete, co to bude stát studenty, kteří se na něj opírají nejvíc.

Podstatné je tohle: nadměrná závislost je většinou problém umístění nástroje. Postupy, které ho snižují, stavějí pokus studenta před nástroj, nastavují AI tak, aby napovídala místo odpovídání, činí z ověření povinný výstup a zachovávají jeden známkovaný okamžik bez nástroje.

Stručně

1. Než nástroj otevřete, položte před něj vlastní nápady studenta, jeho hypotézu nebo hrubý návrh.

2. Nastavte AI tak, aby napovídala, kladla otázky a dávala příklady všude tam, kde známkujete cílovou dovednost.

3. Udělejte z ověřování výstup s vlastní položkou v zadání.

4. Uchovejte známkovaný okamžik bez nástroje a srovnejte s ním práci s asistencí.

5. Načasujte reflexní podnět na fázi úkolu, kterou ještě může změnit.

6. Podívejte se, koho váš návrh nechává stranou, podle předchozích znalostí, ne podle průměru.

Rozhodněte, zda máte problém, nebo jen hodně používání

Kognitivní odklánění je přesun kognitivního nároku na vnější nástroj, který uvolňuje omezené duševní zdroje pro jinou práci. Guo a Ye (2026) probírají tento konstrukt skrze dynamický metakognitivní model Nelsona a Narena, v němž sledování obtížnosti řídí rozhodnutí odklonit zátěž na vnitřní nebo vnější strategii. Odklánění je seberegulační volba a selhání, které stojí za pozornost, je špatné kalibrování; samotný objem používání vám řekne jen málo.

Biswas (2026) modeluje spoléhání jako tři jednání: řešit sám, přijmout odpověď AI bez ověření, nebo ji použít a ověřit. Kalibrace selhává v obou směrech. Nadměrné spoléhání znamená přijmout chybný výstup, nedostatečné spoléhání znamená zahodit užitečnou AI poté, co se splete. Kolektivní nadměrná závislost je populace, která opustila ověřování, a protože hrubá míra nadměrné závislosti se rozchází s lítostí, hodně používání se snáší s dobrými výsledky. Student, který každou odpověď AI kontroluje proti vašim materiálům, není váš problém. Ten, kdo odevzdá první návrh modelu, je.

Lodge a Loble (2026) popisují mechanismus jako „plynulost na zavolání“: souvislý, sebevědomý výstup, který obchází žádoucí obtížnosti vybavování, rozvádění a vytváření, jimiž se znalost upevňuje. Jejich paradox výkonu spočívá v tom, že práce s asistencí působí plynule a studenti podávají dobrý výkon v daném okamžiku, zatímco si pamatují méně, což nazývají iluzí kompetence. Jmenují metakognitivní lenost (podle Fan et al. 2024), kdy pohodlí dovoluje žákům vzdát se seberegulačních procesů, které potřebují rozvinout.

Rozeznat je ve vlastním kurzu vyžaduje srovnání, ne číslo. Hledejte práci, která je lepší než dřívější práce studenta a horší než jeho vysvětlení té práce: silná sada úloh následovaná slabou zkouškou, vypilovaný protokol, o němž student nedokáže diskutovat, správná odpověď, kterou nelze zopakovat na podobné úloze. Žádný jednotlivý vzorec nic nedokazuje. Dva nebo tři dohromady ospravedlňují změnu návrhu.

Většina toho, co zde lze měřit, jsou sebevýpovědi. Gerlich (2025) dotazoval 666 účastníků v Británii a vedl 50 rozhovorů; našel negativní korelaci používání AI s kritickým myšlením (r = -0,68), přičemž odklánění vztah částečně zprostředkovává (celkový efekt b = -0,42; nepřímý b = -0,25). Gao, Sun a Khan (2026) použili tři vlny zpožděných dotazníkových dat od 623 čínských studentů a rozhovory s pedagogy a zjistili, že efektivní používání AI zvyšuje udržitelný studijní výkon a zároveň nadměrná závislost. Oba návrhy jsou korelační a oba to samy říkají.

Behaviorální nástroje jsou slabší. PAUSE (Alam, 2026) je sebekontrola jen v prohlížeči, bez důkazů o reliabilitě či validitě, a její autoři sami varují před validitou položek. Položky zaznamenávají, kdy a jak často AI vstupuje do pracovního postupu, ne zda zůstalo zapojené vlastní uvažování studenta, takže student, který s AI cíleně staví scaffolding v rané fázi, poctivě vyjde jako odklánějící. PAUSE také cituje Offloading Score Padmakumara et al. (2026), který odhaduje podíl úsilí odkloněného z behaviorálních logů (n = 40 vývojářů). Co chcete vědět, je, co student dokáže bez pomoci.

Postavte pokus studenta před nástroj

Nejjasněji testovaný sled je „nejdřív přemýšlej, ChatGPT potom“. Wong a Qiu (2026) přiřadili N = 196 studentů k samostatné práci, k volnému používání ChatGPT, nebo k regulované podmínce: vytvořit vlastní nápady, spolupracovat s ChatGPT na jejich zlepšení a posouzení a poté samostatně dopracovat a odevzdat jedno řešení. Skupina s volným použitím vytvořila více kreativní práce na úkolu s asistencí a na pozdějším, těžším úkolu bez ChatGPT spadla na úroveň práce pouze vlastní hlavou. Regulovaná skupina nevykázala okamžitou výhodu a poté v samostatné kreativitě předčila obě ostatní skupiny.

Data o promptech ten rozdíl vysvětlují. V regulované skupině bylo 88,6 % promptů spolupracujících a to byl jediný typ promptu, který významně koreloval s pozdější samostatnou originalitou. Ve skupině s volným použitím bylo 70,9 % promptů nespolupracujících a 59,6 % prostě žádalo ChatGPT, aby nápady rovnou vygeneroval. Stejný nástroj, dotázaný dvěma různými způsoby, vytvořil dva různé studenty.

V zadání se z toho stane pokyn k pořadí: nejdřív nápady, hypotézy nebo hrubý návrh, potom nástroj. Stačí věta v záhlaví stránky, pokud následující krok sebere to, co student napsal.

O tom, zda sled vydrží, rozhodují dva detaily z výuky. Prvním je čas. Pokud samostatná fáze probíhá mimo výuku, někteří studenti otevřou nástroj dřív a nápady zapíšou dodatečně. Druhým je sběr. Pokud z této fáze nic neodevzdají, sled existuje jen na papíře. Půl stránky poznámek odevzdaných na konci hodiny stačí, aby se pořadí stalo skutečným.

Nastavte nástroj, aby napovídal, ne odpovídal

Brcic a Frljic (2026) uvádějí nejostřejší verzi argumentu o umístění. Nehlídaný pomocník s AI nechal středoškoláky zhruba o 17 % horší ve zkoušce bez pomoci než spolužáky, kteří neměli žádný nástroj. Stejný model přestavěný tak, aby odpovědi zadržoval, újmu odstranil, a dobře navržený tutor učení zhruba zdvojnásobil. Jejich diagnostika se dá použít v každém kurzu: pokud vpuštění AI dělá úkol bezpracným, nástroj je na špatném místě.

Zohar, Bloom a Inzlicht (2026) dávají tomuto argumentu tvar. Tvrdí, že vztah mezi úsilím a smyslem je obrácené U, takže cílem je gradient: odstranit zdrcující překážky a zachovat zápasy, které vytvářejí porozumění a vlastnictví, s asistencí jako doplňkem. Jejich argument je konceptuální komentář bez nových dat a vztah obráceného U stojí na jediném empirickém opěrném bodě, aniž by byl kvantifikován, takže nikdo neumí říct, kde optimum pro daného žáka leží.

V praxi to znamená hlídanou AI uprostřed úkolu, kde práci dělají nápovědy, řešené příklady a cvičné položky, a zajištěnou kontrolu na konci. Také to mění politiku používání AI v pravidlo umístění podle dovednosti, které se píše i obhajuje snáz než seznam zákazů.

Nápověda je otázka na další krok studenta, řešený příklad podobné úlohy nebo odkaz na příslušnou pasáž. Odpověď je hotová věta, kterou student může vložit. Většina chatbotů pro obecné použití produkuje ve výchozím nastavení to druhé, v plynulé próze, která vypadá jako pomoc, a proto je nastavení důležitější než úmysly studenta.

Vyžadujte kontrolu a udělejte ji viditelnou

Ověřování je nejlevnější páka se skutečnou kauzální oporou. Biswas (2026) zjistil, že zviditelnění ověřování spustilo protikaskádu k téměř úplnému ověřování: nadměrná závislost kleslo na 0,00 a lítost na 0,07. Snížení tření při kontrole bylo v témže modelu nejslabší pákou, protože překážka je sociální, ne mechanická. Odkaz do knihovny studenta nepřiměje zkontrolovat tvrzení.

Viberg a kolegové (2026) zjistili, že studenti, kterým se to už daří, kontrolují výstup proti materiálům kurzu, spolužákům nebo vyučujícím, když je správnost nejistá. To je chování, které můžete vyžadovat. Dejte do zadání jednu položku: co jste zkontrolovali a proti čemu. Čtěte ji jako součást známky a norma se stane viditelnou pro celou třídu, ne pro několik svědomitých.

Ta položka vám také dává, na co navázat. Když student napíše, že tvrzení zkontroloval proti textu kurzu, můžete se zeptat na stranu. Když napíše, že je srovnal se spolužákem, můžete se zeptat, co spolužák řekl. Stojí to jednu větu. Následná otázka je to, co přiměje studenty brát to jako práci.

Ověřování také potřebuje rozsah. Kontrola, že tvrzení odpovídá textu kurzu, je jiný úkon než přečtení věty kvůli gramatice, a model selhává častěji v tom prvním. Řekněte, který z nich položka žádá, jinak dostanete korekturu.

Předveďte jedno sebevědomé selhání

Zadejte úkol, jehož odpověď model sebevědomě zmýlí, a nechte třídu zkontrolovat tu odpověď proti textu kurzu. Funguje to proto, že chyba přichází stejným hlasem jako správné odpovědi. Potom přidejte důkazy: nehlídaný pomocník nechal studenty zhruba o 17 % horší ve zkoušce bez pomoci a studenti, kteří dostali GPT-4, vyřešili s nástrojem víc úloh a po jeho odebrání si vedli hůř než kontrolní skupina (PAUSE cituje Bastani et al., 2025). Stejný zdroj dodává, že Liu et al. (2026) zjistili, že asistence snížila vytrvalost v randomizovaných kontrolovaných studiích (N = 1 222).

Vyberte selhání mírné a kontrolovatelné, třeba citaci, která neexistuje, špatné datum nebo výpočet, který nevychází. Potom požádejte třídu, aby napsala opravu a kontrolu, kterou k jejímu nalezení použila. Ta psaná oprava je artefakt a řekne vám, zda kontrolu zvládnou, aniž byste nad nimi stál.

Uchovejte známkovaný okamžik bez nástroje

Produkt s asistencí je špatným zástupcem schopnosti, takže alespoň jeden známkovaný okamžik musí proběhnout bez nástroje. Pozdější úkol bez pomoci u Wong a Qiu (2026) je tím měřením. Jejich skupina pracující pouze vlastní hlavou také na těžším následném úkolu klesla, což vylučuje jednoduchou verzi řešení: odebrat nástroj bez podpory žáka není intervence.

Střídání režimů má oporu. PAUSE cituje výsledek čtvrtého sezení Kosmyna et al. (2025), kde účastníci pracující jen vlastní hlavou, kteří později použili ChatGPT, předčili ty, kdo používali LLM nepřetržitě. Odpovědnost funguje i skrze vysvětlování: Makransky et al. (2025) zjistili, že tutorský chatbot, který studenty vybízel propojovat nápady a vysvětlovat své uvažování, přinesl lepší výkon v hodnocení než tradiční výuka.

Pro kurz to znamená střídat: práce s asistencí v procvičování, práce bez asistence tam, kde se to počítá. Čtěte práci s asistencí jako záznam výkonu za dobrých podmínek a práci bez asistence jako důkaz o učení. Jejich srovnání je také nejužitečnější rozhovor, který můžete vést se studentem, jenž nerozumí známce.

Rozvrh je omezení. Okamžik bez nástroje potřebuje místnost, čas a úkol, který se do něj vejde, takže nejlevnější verze je krátká práce v hodině připojená k zadání, které už máte. Samostatná zkouška je větší závazek a při prvním pokusu obvykle není nutná.

Práce bez asistence si zaslouží druhé využití: vraťte ji na začátku dalšího celku a oba uvidíte, co přes přestávku vydrželo.

Oddělte instrumentální pomoc od exekutivní pomoci

Viberg, Feldman-Maggor a Wong (2026) vedli rozhovory s 20 vysokoškolskými studenty STEM a našli čtyřfázový proces: rozhodnutí, zda je pomoc potřeba, volba zdroje, volba typu pomoci a posouzení obdržené pomoci. Silnější studenti dávali přednost instrumentální pomoci, tedy nápovědám a vysvětlením, před exekutivní pomocí, tedy přímými řešeními. Tatáž studie varuje, že používání LLM k ladění chyb nebo k programování napříč jazyky může obejít samostatné řešení problémů, i když studenti nikdy nepožádají o odpověď.

To se čistě promítá do kognitivního odklánění. Instrumentální použití je duplikativní odklánění, které vydrží, když nástroj zmizí, protože student si uvažování stále kóduje. Exekutivní použití je substituční odklánění, které se zhroutí, když se vnější úložiště odebere. Guo a Ye (2026) vedou hranici právě takto: po odebrání úložiště substituční odkláněči prudce klesnou, zatímco duplikativní odkláněči si přesnost udrží díky vnitřnímu kódování.

Napište ten rozdíl do zadání. Požádejte studenty, aby každé použití AI označili jako instrumentální nebo exekutivní, vyžadujte alespoň jeden spolupracující prompt a známkujte uvažování, které po odpovědi přidali. Ve volné podmínce Wong a Qiu se výchozí nastavení posunulo k exekutivnímu použití, aniž by se kdokoli rozhodl se posunout.

Ne každé odklánění je podezřelé. PAUSE cituje Hong et al. (2025), kde cílené odklonění úloh nižšího řádu při psaní uvolnilo pozornost pro analýzu a revizi a přineslo větší zisky v kritickém myšlení. Testem je, zda odkláněná část je dovednost, kterou známkujete.

Ty štítky také diagnostikují váš úkol. Pokud většina třídy hlásí exekutivní použití, zadání ho vyzývá, ať politika říká cokoli, a další změna patří do úkolu, ne do formulace pravidla.

Načasujte podnět na fázi

Zpětná vazba, která míří na stabilní přesvědčení, funguje před začátkem úkolu. Zpětná vazba o okamžité správnosti a obtížnosti funguje během něj. Guo a Ye (2026) tomu říkají párování časování se složkou, a vysvětluje to, proč reflexe zadaná na konci projektu změní tak málo: volby jsou už udělány.

Lodge a Loble (2026) doporučují integrované metakognitivní podněty, které žákům dovolují zastavit se, reflektovat a hodnotit porozumění během práce, spolu s výukou snižující zátěž (Load Reduction Instruction), která řídí kognitivní břemeno a zároveň umožňuje postupnou samostatnost. Minutová předpověď před náročným celkem, zapsaná a později srovnaná, se do toho okna vejde a její známkování nic nestojí.

Formulace podnětu je méně důležitá než jeho pozice. Před celkem se ptejte, co student očekává jako těžké a proč. Během něj se ptejte, na kterém kroku uvízl a co už zkusil. Reflexe na konci projektu většinou zaznamenává, co se stalo, a proto mění tak málo. Uchovejte předpověď na stejné stránce jako práci, aby srovnání na konci nic nestálo na zakládání.

Počítejte s tím, že riziko se shlukuje

Lodge a Loble (2026) lokalizují riziko v předchozích znalostech a seberegulaci a mluví o metakognitivní mezeře v rovnosti: dobré používání AI vyžaduje zdroje, které nováčkům chybí, takže studenti, kteří praxi potřebují nejvíc, nejpravděpodobněji delegují samotné učení. Uvádějí, že 80 % australských studentů už AI používá a že to dělají dvě třetiny učitelů na začátku sekundárního vzdělávání (OECD 2025).

Věk a návyk korelují se stejným vzorcem. Gerlich (2025) zjistil, že účastníci ve věku 17 až 25 let vykazovali vyšší závislost na AI a odklánění a nižší kritické myšlení než ti ve věku 46 a více let, a že dosažené vzdělání předpovídalo lepší kritické myšlení bez ohledu na používání AI (r = +0,34), přičemž významná interakce naznačovala, že vzdělání tento negativní efekt zmírňuje. Gao, Sun a Khan (2026) zjistili, že polychronicita, sklon k multitaskingu, tento vztah moderuje, přičemž studenti s vysokou polychronicitou jsou ve větším riziku.

Pro seminář to znamená sledovat nejpozorněji studenty s nejslabší přípravou a kontrolovat, zda váš úkol nevytvořil podmínky, v nichž se kontrola zastavuje. Náročný úkol spojený se schopným modelem je kombinace, kterou Biswasův model označuje za nejvyšší lítost, a snadno vznikne nedopatřením.

Kontext je stejně důležitý jako osoba a váš kurz část kontextu ovládá. Biswas (2026) ukazuje, že obtížnost úkolu a kvalita AI stanovují základní linii: nadměrná závislost roste s obtížností zhruba z 0,02 na 0,38 a u těžkých úkolů běží na 0,38 u slabé AI proti 0,16 u dobré AI. Nejvyšší lítost přichází u kvalitní AI na těžkých úkolech (0,441), protože agenti příliš odkazují na nástroj a zřídka se spoléhají sami na sebe. Sociální důkaz to násobí: jak viditelné používání roste z 0 na 0,6, ověřování se hroutí z 0,29 na 0,002. Kontrola se zastavuje právě tam, kde je model nejsilnější a úkol nejtěžší, což je zřídka místo, kam se vyučující podívá první.

Rozhodněte, jakou váhu důkazy unesou

V tomto korpusu nic netestuje, zda konkrétní intervence proti nadměrné závislosti vydrží napříč prostředími nebo semestry. Think-first stojí na jednom experimentu s N = 196. Výsledek se zadržováním odpovědí pochází ze syntézy Brcic a Frljic (2026), ne z vlastního pokusu. Argument třením je konceptuální komentář bez nových dat. Biswas (2026) uvádí meze modelu: exogenní stacionární kvalita AI, pevná síť, stylizované ověřování. Odhad skutečných hodnot by vyžadoval longitudinální záznamy měr ověřování po jednotlivých úkolech, síly sociálního důkazu a toho, jak se důvěra aktualizuje po ověřeném oproti neověřenému použití.

Měření zůstává nejslabším článkem. Převládají dotazníkové návrhy a jak Gerlich (2025), tak Gao, Sun a Khan (2026) volají po longitudinálním a experimentálním navázání. PAUSE nemá žádnou psychometriku a byl vytvořen pro dospělé. Zda lze mezeru v rovnosti uzavřít výukou, je teoreticky tvrzeno, ne prokázáno.

Zůstává vám rozumná sázka, uzavřená levně. Změňte jedno zadání, uchovejte měření bez pomoci a zkontrolujte, zda se mezera mezi prací s asistencí a bez ní zužuje. Nepřestavujte kvůli těmto číslům celý kurz.

V čem se vyučující mýlí

Nejvíc ho používají studenti, kteří mají problém. Frekvence je to, co dotazníky zachytí a dashboardy zobrazí, a není to ten konstrukt. Student, který každou odpověď zkontroluje a cituje vaše materiály, může AI používat denně a být v pořádku. Student, který jednou týdně odevzdá první výstup, má problém.

Zákaz riziko odstraní. Nejsilnější výsledky zde pocházejí z umístění a větev Wong a Qiu s prací pouze vlastní hlavou také na těžším následném úkolu klesla. Odebrat nástroj bez podpory žáka nechá obtížnost tam, kde byla.

Levnější kontrola ověřování vyřeší. Zjednodušení kontroly bylo nejslabší pákou v Biswasově modelu, protože překážka je sociální. Lepší nástroj na plagiáty nezpůsobí, že student přečte zdroj.

Dashboard používání mi řekne, kdo odklání. Položky PAUSE zaznamenávají, kdy a jak často AI vstupuje do pracovního postupu, a autoři sami upozorňují na problém validity. Pečlivý stavitel scaffoldu vyjde jako odklánějící, takže jednání podle těch čísel trestá studenty, které si chcete udržet.

Plynulost a spokojenost ukazují, že návrh funguje. To je iluze, kterou Lodge a Loble (2026) popisují ve svém paradoxu výkonu: práce působí plynule a studenti podávají dobrý výkon v daném okamžiku, zatímco si pamatují méně. Výkon bez pomoci a opožděný transfer jsou míry, které na otázku odpovídají.

Naučte studenty gramotnost v oblasti AI a problém zmizí. Lodge a Loble (2026) varují, že přeinvestování do gramotnosti v oblasti AI zaměřené na studenty může být špatná alokace, vzhledem k tomu, co nováčkům chybí.

Co se vám vrátí

„To je jen dobrá pedagogika pod novým jménem.“ Částečně. Scaffolding, formativní zpětná vazba a produktivní zápas jsou staré myšlenky. Novější je pořadí: viditelné ověřování porazilo levnější ověřování a dva okamžiky, které stojí za ochranu, jsou první těžký pokus a závěrečná kontrola bez pomoci. Dělejte známé věci v novém pořadí.

„Nemůžu to uhlídat.“ Nemůžete a důkazy říkají, abyste se o to nesnažili. Nejsilnější výsledek přineslo umístění. Navrhněte úkol tak, aby se použití nástroje ve špatný okamžik projevilo v samotné práci, jako odpověď, kterou student neumí vysvětlit, nebo jako chybějící krok ověření.

„Můj kurz je na sekvencovaný celek příliš velký.“ Levné páky se škálují: řádek s ověřením, minutová předpověď a přesun známkované kontroly do místnosti bez AI. Drahá položka, plně sekvencovaný celek think-first, může začít jako jedno zadání. Rozdělte jednu sadu úloh na polovinu s asistencí a polovinu bez a podívejte se, co vám mezera řekne.

„Moji studenti jsou nováčci. Pomoc potřebují.“ Potřebují víc nápověd než odpovědí a důvodem je zjištění o rovnosti. Studenti s nejmenšími předchozími znalostmi nejpravděpodobněji delegují uvažování a nástroj, který odpovědi zadržuje, udržuje praxi tam, kam patří.

„Neobstojí slabší studenti v kontrole bez pomoci?“ Někdy neobstojí a ten výsledek je informace, ne rozsudek. Kontrola bez nástroje, kterou velká část třídy nezvládne, říká, že výkon nesla praxe, což jste potřebovali vědět. Važte ji jako důkaz, doučte, co odhalí, a nabídněte druhý pokus na paralelním úkolu. Žádná studie zde netestuje, zda doučení po nezvládnuté kontrole bez pomoci učení obnoví, takže ta část je váš odborný úsudek.

„Někteří moji studenti používají AI jako poctivý scaffolding. Mám jim v tom bránit?“ Ne. Student, který si přečte nápovědu, zkusí krok a zkontroluje výsledek, dělá duplikativní odklánění, které přežije odebrání nástroje. Chcete úkol, který toto použití udrží dostupné a exekutivní verzi udělá méně odměňující, což je věc toho, co úkol sbírá a co rubrika odměňuje.

„Důkazy jsou slabé, tak proč něco měnit?“ Slabé jsou na konkrétních místech, která výše uvedené meze pojmenovávají. Co je napříč studiemi konzistentní, je směr: umístění, viditelná kontrola a měření bez pomoci. Jedno změněné zadání s uchovaným výsledkem bez asistence je dost malá sázka na to, aby se na tom základě dala uzavřít.

Co udělat tento týden

1. Přidejte do dalšího zadání položku s ověřením: jednu větu, která pojmenuje, co student zkontroloval a proti čemu.

2. Přesuňte známkovanou kontrolu do okamžiku bez nástroje a známkujte ji.

3. Postavte první těžký pokus před nástroj a seberte nápady, hypotézu nebo návrh, který z něj vzejde.

4. Změňte nastavení nástroje, které doporučujete, aby napovídalo, ne odpovídalo, a řekněte studentům, že jste to udělali.

5. Pusťte naživo jedno sebevědomé selhání AI, nechte studenty zachytit ho proti textu kurzu a uchovejte opravu, kterou napsali.

Kam dál

Sousední otázka, zda AI vůbec vytváří učení, je pokryta v Pomáhá používání AI studentům skutečně učit se?. Snížení podvádění s AI se věnuje integritě a mezím detekce a Přepracování hodnocení v éře AI pokrývá architekturu hodnocení, kterou tato stránka předpokládá. K základním myšlenkám viz kognitivní odklánění, metakognice a žádoucí obtížnosti.