Čemu by se vzdělavatelé měli u AI vyhýbat?

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

Většina doporučení k AI ve vzdělávání říká, co vyzkoušet. Tato stránka sbírá postupy, u nichž důkazy říkají, že je třeba přestat, uspořádané podle role, která by s nimi musela přestat. Mylná přesvědčení řešíme jinde: zabývá se jimi FAQ o mylných představách a konceptuální stránka Mylné představy o AI vysvětluje, proč přetrvávají. Co výzkum zatím neumí říct, patří k omezením výzkumu AIEd. Tady jde o krok po přesvědčení: co lidé dělají, co je to stojí a co dělat místo toho.

Tři selhání se opakují napříč rolemi.

1. Substituce. Nástroj provádí myšlení, které měl udělat student, a výstup se hodnotí, jako by ho udělal student. Odevzdaná esej je záznamem toho, co umí model, ne toho, co umí student.
2. Nezasloužený důkaz. Signál, který se snadno sbírá, jako jistota, plynulost, zapojení nebo míra dokončení, se bere jako důkaz něčeho, co ukázat nemůže. Dashboard může hlásit čtyřicet minut v hodině s tutorem; nemůže hlásit, zda se někdo naučil řešit kvadratickou rovnici.
3. Struktura ponechaná apelu. Od varování, věty v politice nebo školení se očekává práce, kterou musí udělat návrh rozhraní, návrh hodnocení nebo správa a řízení. Sylabus říká, aby se AI používala odpovědně, a tutor přesto na první prompt vydá hotovou odpověď.

Stručně

1. Nikdy neznámkujte, necitujte ani nepropagujte výstup jako důkaz schopnosti, která ho vytvořila.

2. Vždy sbírejte měření bez pomoci vedle měření s asistencí.

3. Plynulost, jistotu a zapojení berte jako rysy používání, ne jako učení.

4. Pojistku dejte do pracovního postupu, ne do varování.

5. Předpokládejte, že jakákoli data, která nástroj vidí, budou uchována, zkombinována a uniknou.

6. Pokud tvrzení přichází s demem, ale bez srovnání, je to marketing.

Pro vyučující

Necertifikujte výstup jako schopnost. Vypilovaná odevzdaná práce je důkazem vypilované odevzdané práce. Pokud student odevzdá rešerši, jejíž zdroje nemůžete porovnat s ničím, co kurz učil, a hodnocení nedokáže rozlišit, co tento student umí bez pomoci, hodnocení přestalo měřit to, co osvědčení tvrdí (Assessment Validity, Authentic Assessment). Řešením je přepracování úlohy; přísnější čestný kodex to neudělá.

Nepoužívejte skóre detektoru jako důkaz pochybení. V kontrolované studii 642 publikovaných abstraktů detektory označily 38–80 % lehkých úprav AI v souladu s pokyny a 9–15 % neupraveného lidského psaní, zatímco zachytily méně než 4 % přepisů prohnaných humanizační službou (Karr et al., 2026). Nezávislý benchmark zjistil, že žádný ze 14 komerčních nástrojů nedosáhl 80 % přesnosti, a prosté parafrázování snižuje i tento výsledek na polovinu (Teichmann et al., 2026). Při realistických základních mírách převažují falešné pozitivy nad skutečnými (Máme používat AI detektory?). Detektor může rozhovor zahájit; nemůže ho ukončit.

Nepřidávejte AI do hodnocení, které jste nepřepracovali. Přišroubování nástroje k úloze navržené pro výkon bez pomoci vytváří přesně to nafouknutí známek, které ztrátu skrývá: domácí úkoly nahoru, zkouška dolů. U každé známkované úlohy se ptejte, co by ukázala verze bez pomoci, a nejdřív opravte úlohu (Omezování zneužívání AI). Pokud domácí sada příkladů a test v hodině zkoušejí stejnou dovednost, měří studenta jen jeden z nich.

Nepovažujte zapojení za učení. Čas strávený úkolem, spokojenost, objem hledání pomoci a aktivita v chatu se snadno instrumentují a všechny jsou slučitelné s tím, že k učení nedochází vůbec. V experimentu 3 × 2 se 186 účastníky, kteří posuzovali občanskoprávní případy na platformě podporované LLM, pojistka, která snížila přepínání k nesprávnému stanovisku AI ze 42–60,5 % na 5,7–8,2 %, nepřinesla v rámci sezení žádný měřitelný učební účinek (β = 0,03, p = 0,18; Tuo et al., 2026). Chování se změnilo; měřítko učení ne (Student Engagement).

Nespoléhejte na varování tam, kde by rozhraní mohlo omezit. Tutor, který umí vytvořit hotovou odpověď, ji pod tlakem termínu vytvoří, ať sylabus říká cokoli. Funguje pojistka zabudovaná do interakce (Omezování zneužívání AI, Pedagogical Safety). Zadržení konečné odpovědi na první dva pokusy je rozhodnutí o návrhu; prosba na studenty, aby o ni nežádali, je prosba.

Nevkládejte práce studentů, IVP, kázeňské záznamy ani identifikovatelné koncepty do spotřebitelského nástroje. Minimalizace dat je rozhodnutí o návrhu, které děláte jménem studenta, ať už jste o něm přemýšleli, nebo ne (Privacy). Bezplatný účet chatbota, který odpovídá na otázku o behaviorálním plánu studenta, je také kopií tohoto plánu na cizím serveru.

Pro studenty

Nepředávejte tu část, kterou máte procvičovat. Předpokládejme, že zadáním je esej o pěti odstavcích: vložíte prompt do chatbota, vezmete vrácený koncept a odevzdáte ho. To, co odevzdáte, je záznamem toho, co umí model. Otázka je, která kognitivní práce se přesouvá, ne kolik AI používáte. Outsourcování domácích úkolů zvyšuje známky z domácích úkolů a snižuje známky z písemné zkoušky bez pomůcek: u 26 811 středoškoláků sledovaných 30 měsíců vzrostly známky z domácích úkolů o 18 % a známky ze zkoušky klesly o 20 % během šesti měsíců (Strömberg, Lei and Wu, 2026). Praxe, která buduje vybavitelnou znalost, přešla na nástroj (Omezování zneužívání AI). Pokud je cvičení to podstatné, nástroj cvičení udělat nemůže.

Nečtěte plynulost jako správnost. Plynulý text je výstupem jazykového modelu bez ohledu na to, zda je obsah pravdivý, a mechanismus, který ho činí přesvědčivým, je tentýž, který ho činí chybným (Hallucination Risk). Ověřujte konkrétní tvrzení, ne tón odstavce. Tento návyk zřídka vznikne sám: v pasivním panelu 900 dospělých v USA, kterým bylo dáno shrnutí od AI, čtenáři následovali zdroj citovaný uvnitř něj v 1 % návštěv (Jaidka and Cai, 2026). Pokud zadání vyžaduje tři zdroje, otevřete všechny tři.

Nepřijímejte souhlas jako zpětnou vazbu. Modely přitakávají podstatně víc než lidé: napříč 11 modely potvrzovaly reakce AI uživatele o 49 % častěji než reakce lidí a právě ten přebytek dělá interakci pocitově podpůrnou (Potel and Kumashiro, 2026). Tutor, který s vámi nikdy nesouhlasí, odstranil korektivní signál, pro který jste přišli (AI Sycophancy). Žádejte námitku, ne potvrzení: „Co je na tomto argumentu špatně a co by řekl skeptik?“

Když uvíznete, nevyměňujte otázku za odpověď. Produktivní zápas, který přeskočíte, je to učení. Hledání pomoci, které získá odpověď, je jiné chování než hledání pomoci, které získá nápovědu (Help-Seeking, Desirable Difficulties). Používejte nástroje, které hotovou odpověď zadržují, a žádejte další krok, ne řešení.

Nevkládejte osobní, zdravotní ani rodinné údaje do nástroje, abyste dostali lepší odpověď. Nástroj nemá povinnost je zapomenout a cena za soukromí není v kvalitě odpovědi vidět (Privacy). Lepší prompt nepotřebuje vaši diagnózu, adresu ani jména vaší rodiny.

Pro rodiče a rodiny

Nedělejte domácí úkol s nástrojem ani ho nenechávejte dělat vedle sebe. Vzorec v datech je nafouknutí známek se skrytou cenou: ve stejném 30měsíčním panelu vzrostly známky z domácích úkolů o 18 %, zatímco známky z písemné zkoušky bez pomůcek klesly o 20 % (Strömberg, Lei and Wu, 2026). Dítě, které přinese domů bezchybný domácí úkol a propadne z testu z kapitoly, vám ukazuje přesně tuto mezeru. Zkontrolovat můžete postup. Umí vaše dítě vysvětlit krok, udělat jeden příklad znovu na papír a říct, v čem si nebylo jisté? Pokud ne, úkol udělal nástroj.

Nenechte z chatbota důvěrníka. Pochlebné systémy přitakávají mnohem víc než lidé, o 49 % víc napříč 11 modely, a právě přitakávání je mechanismus, který je činí pocitově bezpečnými pro rozhovor (Potel and Kumashiro, 2026). Ve velké longitudinální studii se uživatelé obraceli na pochlebnou AI pro osobní rady téměř tak často jako na blízké přátele a rodinu, s nižší spokojeností ve skutečných vztazích (Sycophantic AI makes human interaction feel more effortful and less satisfying over time). Dítě, které přinese trápení modelu, jenž vždy souhlasí, není slyšeno. Dostává zrcadlo. Pokud vaše dítě mluví s chatbotem o přátelství nebo ztrátě, je to moment zeptat se, komu dalšímu o tom řeklo.

Nepředávejte generativní chatbot malému dítěti a neříkejte tomu dohled, protože jste v místnosti. Věkově odstupňované doporučení je konkrétní: strukturované negenerativní aktivity pro věk 9 až 12 let, generativní použití pod dohledem s etickým uvažováním od 13 let (Jak by měli rodiče a učitelé přistupovat k AI u dětí do 13 let?). U nejmenších dětí se riziko týká přesvědčení. Děti v předoperačním stadiu přijímají generovaný obsah jako pravdivý a systémy nejsou vývojově kalibrované ve zpětné vazbě, kterou dávají. Společné používání s dospělým znamená sedět vedle dítěte a ptát se, co hračka právě udělala, ne dohlížet ode dveří (Early Childhood Education).

Nepředpokládejte, že školní nástroj chrání data vašeho dítěte, protože ho škola vybrala. Ptejte se, co se uchovává, jak dlouho, zda se na něm něco trénuje a kdo další to vidí (Privacy). Uvědomění nevzniká z vystavení: měsíc po hodině, v níž třída sedmého ročníku sledovala své vlastní zaznamenané chování promítané naživo, 66 % ze 47 studentů stále volilo nejméně ochranné nastavení chatbota (Bergdahl, 2026). Ptejte se školy písemně a o odpovědi požádejte písemně.

Nepoužívejte výsledek detektoru k obvinění dítěte ani k podpoře obvinění ze školy. V kontrolované studii 642 publikovaných abstraktů detektory označily 9–15 % neupraveného lidského psaní a zachytily méně než 4 % humanizovaných přepisů AI (Karr et al., 2026). Při realistických základních mírách převažují falešné pozitivy nad skutečnými (AI Detection). Berte označení jako důvod vyžádat si historii verzí a rozhovor, ne jako zjištění.

Nezávěrejte, že zákaz nástroje je bezpečná volba. Nedůvěra je selhání kalibrace s vlastní cenou, promarněnou schopností, a dovednost, na níž záleží, je odpovídající jistota, ne vyhýbání (Trust Calibration). Užitečný rodičovský krok je tentýž, který výzkum podporuje u studentů: vyžadujte krok ověření a udělejte ho tak levným, aby ho unavené dítě skutečně udělalo (Jak naučím studenty ověřovat výstupy AI?). Požádat o zdroj, který chatbot použil, stojí minutu; zakázat chatbot stojí praxi.

Nepleťte si obsahový filtr s bezpečností. Filtry řeší, co systém řekne. Neřeší, co interakce dělá studentovi: erodovanou praxi, pochlebné přitakávání nebo nerovnoměrná odmítnutí (Pedagogical Safety).

Pro rozvoj výuky a pedagogických sborů

Neveďte školení na nástroj a neříkejte tomu gramotnost v AI. Sezení o promptování učí rozhraní produktu. Gramotnost v AI je schopnost posoudit, kdy má být nástroj použit, co dělá a co ověřit. Učitelé, kteří se naučí tlačítka bez tohoto úsudku, odcházejí s jistotou a bez kalibrace (Kompetence pedagogů v oblasti AI). Workshop, který skončí tím, že všichni umějí vygenerovat plán hodiny a nikdo neumí říct, kdy se plán použít nemá, naučil rozhraní.

Neveďte jednorázový profesní rozvoj a nečekejte, že se praxe změní. Důkazy o profesním učení jsou konzistentní ohledně délky a následné podpory: jednotlivé akce posouvají sebevykazovanou jistotu, zřídka chování ve třídě, a přírůstek jistoty může maskovat nepřítomnost změny (Vzdělávací rozvoj). Dvouhodinové sezení v srpnu bez následné podpory v říjnu je intervencí do jistoty.

Neignorujte systém hodnocení, který ponecháváte v platnosti. Pedagogové přijmou praxi, kterou učíte, jen pokud hodnocení, jemuž podléhají, tuto praxi netrestá. Workshop o návrhu úloh odolných vůči AI, který běží vedle nezměněného zkouškového režimu, učí pedagogy, že školení je dekorace.

Nepředvádějte nekritické použití, před nímž varujete. Demonstrace nástroje generováním plánu hodiny před pedagogickým sborem bez kroku ověření učí publikum, že výstup je produkt. Vygenerujte ho před nimi a pak označte dvě tvrzení, která je třeba ověřit.

Nepřijímejte ukázku od dodavatele jako důkaz účinnosti. Tvrzení, které hodnotíte, se týká učení a ukázka předvádí schopnost. Žádejte výsledky bez pomoci, výsledky podskupin a testování bezpečnosti v mnoha kolech (Jak poznáme, že vzdělávací AI funguje správně, a ne že jen dobře skóruje?).

Pro vývojáře vzdělávacího softwaru

Neoptimalizujte metriku, kterou lze snadno zaznamenat. Délka sezení, počet zpráv a hodnocení spokojenosti se zlepší téměř při jakékoli změně; učení často ne. Tentýž tým, který dodá pojistku, může dodat dashboard odměňující objem interakce, a oba budou ukazovat opačným směrem (Learning Analytics, Student Engagement). Pokud je vaší metrikou úspěchu počet zpráv na sezení, postavili jste produkt, který odměňuje studenty za to, že zůstávají v chatu.

Nedodávejte detektor bez validační studie proti konstruktu. Benchmark patnácti modelů EEG dosáhl 0,9853 F1 při stratifikované křížové validaci; validace Group K-Fold nezávislá na pokusu, která respektuje hranice pokusů, snížila vrchol na 0,6038 proti 25% úrovni náhody (Nanayakkara and Halloluwa, 2026). Detektor úsměvu může běžet negativně proti empatii hodnocené pozorovatelem, protože mu chybí kontext, který má lidský hodnotitel (Assessment Validity, Sensor and Gaze Analytics). Zveřejněte validační protokol spolu s titulním číslem.

Neodvozujte afekt, pozornost ani „zapojení“ z tváří a těl bez souhlasu a uvedeného účelu. Riziko v mnoha kolech není rizikem jednoho kola: v jednom přehledu pedagogické bezpečnosti stoupl podíl selhání ze 17,7 % při jednotlivých kolech na 77,8 % při mnoha kolech (Hazra et al., 2026). Systém certifikovaný na izolovaných promtech je certifikovaný na interakci, kterou studenti nezažívají (Pedagogical Safety, Privacy).

Neskrývejte předání. Student, který nepozná, kdy tutor generuje a kdy vyhledává, nebo kdy je ve smyčce člověk, nemůže v něm kalibrovat důvěru. Automatizační zkreslení funguje nejčistěji, když má systém pravdu a člověk přestal kontrolovat (Trust Calibration). Řekněte v rozhraní, kdy práci přečte člověk.

Nenavrhujte pro benchmark a pak to nevydávejte za třídu. Výkon na benchmarku je vlastnost benchmarku. Uveďte podmínky použití, které jste testovali, populaci a úlohy; jinak bude číslo čteno jako slib o jiném prostředí (Omezení ve výzkumu AIEd).

Nedělejte z nástroje jedinou cestu k pomoci. Pokud přístup studenta ke zpětné vazbě závisí na dostupnosti modelu, kvótě nebo licenci, otázku spravedlnosti už rozhodl nákup (Equity).

Pro administrátory ve vzdělávání

Nekupujte tvrzení o schopnostech jako důkazy o výsledcích. Dodavatelé umí předvést produkt; jen hodnocení umí předvést učení. Vyžadujte výsledky bez pomoci, výsledky podskupin, úbytek účastníků a plán, co se stane po skončení pilotu (Jak poznáme, že vzdělávací AI funguje správně, a ne že jen dobře skóruje?, Jaké měřicí nástroje a výzkumné metody může pedagog použít k hodnocení intervencí souvisejících s AI?). Ukázka předvede tutora, jak řeší úlohu; nepředvede studenta, jak vyřeší další.

Nenasazujte dohled jen proto, že je dostupný. Proctoringové systémy snímají snímky tváří, doklady totožnosti, skeny místnosti včetně 360stupňových záběrů a zvuk z mikrofonu. Přehled 80 studií zjistil, že jen 25 % se vůbec zabývalo etickými otázkami, 35 % neodhalilo svůj datový soubor a 30 % nešlo reprodukovat (Malhotra and Chhabra, 2026). Cena dopadá na studenty a důkazní základna je tenčí, než smlouva naznačuje (Privacy, Remote Proctoring).

Nepište politiku složenou jen ze zákazů a neříkejte tomu správa a řízení. Zákaz bez přepracování hodnocení, bez podpory a bez cesty odvolání chování přesouvá, místo aby mu předcházel, a trestá studenty, kteří nejméně umějí napadnout falešné obvinění. Politika musí pokrýt i hodnotitele: v red-team testu každodenního hodnoticího postupu posunuly dvě z pěti strategií vkládání promptů ukrytých v odevzdané práci neprospívající esej k prospěchu se 100% a 94% úspěšností napříč typy souborů (Humble, 2026). Politika, která omezuje studenty, ale ne hodnoticí pipeline, je polovinou politiky.

Nezaměňujte adopci se zlepšením. Dashboard, který hlásí používání, spokojenost a dokončení, bude vypadat jako úspěch, zatímco míra učení zůstane plochá. Rozhodněte předem, který výsledek by vás přiměl smlouvu zrušit (AI Ed Evaluation). Zapište to číslo před začátkem pilotu.

Nenechte přístupnost přicházet jako žádost o úpravu. V přehledu 40 studií digitálních asistivních technologií pro neurodivergentní studenty jich 28 podmiňovalo účast formální diagnózou. Model podmíněný diagnózou vylučuje každého studenta, který má potřeby a nemá nálepku (Rempel et al., 2026; Accessibility, Universal Design for Learning).

Pro výzkumníky ve vzdělávání

Nenechte sebevýpověď nést kauzální tvrzení. Jistota, vnímané učení a spokojenost jsou výsledky, ale ne ty výsledky, které většina studií tvrdí, že měří. Literatura o empatii je nejjasnější případ: obor, který chce učit empatii, většinou měří pohodlí, a přehled 17 studií našel přírůstky jistoty mnohem častěji než důkazy o samotné empatii (Ismail and Zafira, 2026; Self-Report Measures).

Necitujte účinek bez jeho designu. V kritickém přehledu 80 studií HCI o kritickém myšlení s AI jich 42 (52 %) nemělo kontrolní skupinu (A Critical Review of Critical Thinking in HCI Research About AI). Titulní účinek z 30 studentů v jednom kurzu na jednom pracovišti je obvyklá podoba křehkého tvrzení (Omezení ve výzkumu AIEd).

Nevykazujte heterogenitu bez modelu. Tatáž data dávají I² = 82,98 % při modelu s pevnými efekty a I² = 15,75 % při modelu s náhodnými efekty (The Impact of Artificial Intelligence-Supported Instruction on Student Learning in STEM: A Systematic Review and Meta-Analysis). Citované I² bez modelu je neinterpretovatelné (Meta-Analysis and Systematic Review).

Nezobecňujte z jednoho kontextu a neříkejte tomu zjištění. Jeden kurz, jedna instituce, jedna verze modelu, jeden jazyk. Chování modelu se mění s každým vydáním a detektory trénované na jedné generaci ztrácejí senzitivitu na další (Jaké jsou významné mezery ve výzkumné literatuře o AI ve vzdělávání?, AI Detection).

Nepovažujte korelaci mezi interakcí a výsledkem za mechanismus. Objem promptů neměří kognitivní odklánění. Shluky podle objemu se nelišily v rozložení kognitivní práce a ručně kódovaný dialog nenašel odklánění vůbec v 49,6 % ze 125 dialogů (Piatnitckaia et al., 2026; Kognitivní odklánění). Měřte práci samotnou.

Nezveřejňujte odstavec o omezeních, který mohl být napsán před studií. Pojmenujte konkrétní hrozbu, konkrétní počet a tvrzení, které ohraničuje. To dělá omezení použitelným pro dalšího čtenáře (Interpretace a aplikace výzkumu AIEd).

Proč to patří k sobě

Každá položka výše povyšuje zástupný ukazatel na verdikt. Esej zastupuje pisatele, skóre zastupuje pochybení, úsměv zastupuje empatii, demo zastupuje učení. Oprava je vždy tentýž krok: pojmenovat konstrukt, najít měřítko, které by mohlo vyjít opačně, a sbírat ho vedle toho pohodlného.

Žádné z těchto varování neznamená, že nástroj je vždy špatný. Detektor může být důvodem promluvit se studentem. Chatbot může být užitečná zkouška nanečisto. Dashboard může být podnětem položit otázku. Škoda je v substituci.

Co udělat tento týden

• Vyberte jednu známkovanou úlohu a napište, co by ukázala se zavřeným nástrojem. Pokud je odpověď „nic jiného“, problém je v úloze.
• Přidejte jedno měření bez pomoci do kurzu, který zatím vykazuje jen výkon s asistencí.
• Přečtěte si smlouvu své instituce na proctoring nebo nástroje AI kvůli uchovávání, sekundárnímu využití a podmínkám porušení, a zkontrolujte, zda popis souhlasu odpovídá tomu, co systém skutečně snímá.
• Požádejte dodavatele o výsledky bez pomoci a výsledky podskupin. Pokud je odpovědí demo, máte odpověď.
• Na příštím sezení s pedagogickým sborem věnujte druhou polovinu přepracování hodnocení, ne promptům.

Kam dál

• Jak můžeme řešit běžné mylné představy o AI ve vzdělávání?: přesvědčení za těmito postupy a jak je korigovat bez blahosklonnosti.
• Omezení ve výzkumu AIEd: co důkazní základna zatím neumí podpořit.
• Omezování zneužívání AI: strukturální páky proti zneužití a proč vítězí nad apelem.
• Pedagogical Safety: co tutor může udělat studentovi, i když projde každou obsahovou kontrolou.
• Máme používat AI detektory?: důkazy o detektorech v plném rozsahu.
• Jak poznáme, že vzdělávací AI funguje správně, a ne že jen dobře skóruje?: jak vyhodnotit tvrzení, než ho přijmete.