Na této stránce

Týdenní přehled výzkumu AI ve vzdělávání #414. listopadu 2026

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

Týdenní přehled ze znalostní báze o AI ve vzdělávání o tom, co výzkum přidaný v uplynulém týdnu znamená pro vyučující, vývojáře, výzkumníky a administrátory.

Od minulého čísla do znalostní báze přibylo 199 nových studií, osm nových koncepčních stránek, dvě nové FAQ a třináct nových zdrojů. Báze nyní obsahuje 2 277 shrnutí článků, 238 koncepčních stránek, 46 FAQ a 53 zdrojů. Hledejte nebo využijte AI k rozhovoru se znalostní bází.

Hlavní zjištění a otázky

Můžete věřit průměru známek? Dvě verze ChatGPT známkovaly stejné eseje a každou práci stlačily ke středu: esej, kterou vyučující hodnotil na 50 jako nedostatečnou, se vrátila na 66, esej na 80 se vrátila na 67, takže nejslabší a nejsilnější studenti skončili se stejnou známkou. Nechte komentáře AI pomáhat studentovi s revizí a zapsanou známku ponechte u člověka.
Co se stane, když se změní zadání, ale známka ne? Univerzity vyměnily eseje za prezentace a ústní obhajoby a na výpisu známek ponechaly stejnou jedinou známku. Student může svou práci obhájit nahlas a stejně odejít s jedním číslem, které neříká nic o tom, jak přemýšlel. Změňte, co výpis známek uvádí, jinak reforma mění jen papírování.
Pomáhá chatbot studentům porozumět textu lépe než psaní poznámek? Studenti, kteří si psali poznámky, se naučili víc než studenti, kteří se na stejnou pasáž ptali chatbota, a studenti s chatbotem často jeho odpovědi opisovali do poznámek. Chatbota přesto hodnotili jako snazšího, užitečnějšího a zábavnějšího. Úlohu psaní ponechte, protože nástroj, který čtení shrnuje, dělá práci, ze které vzniká učení.
Známkujeme esej, nebo myšlení? Esej byla navržena tak, aby ukázala mysl, která se při psaní mění, a známkování jen hotového textu to zahodilo. Žádejte první návrh, jeho kritiku a revizi, která říká, co se změnilo a proč. Chatbot umí vytvořit poslední návrh. Neumí ukázat práci, kterou se k němu došlo.
Umí AI známkovat ručně psané zkoušky? Claude známkoval ručně psané zkoušky téměř stejně jako vyučující u výběru z možností a krátkých odpovědí a ručně kreslené diagramy trefil asi v polovině případů. Nechte ho předznámkovat otázky na zapamatování a kresby a úsudkové části známkujte sami.
Umí chatbot vést ústní zkoušku? Chatbot může studenta vyzpovídat, aniž by kdy viděl rubriku, zatímco druhá, skrytá část systému hodnotí rozhovor, takže studenti nemohou získat známky jen tím, jak napíšou prompt. Jejich systém známkoval příliš velkoryse, když skóroval každou odpověď průběžně. Hodnoťte celý rozhovor na konci.

Přehled evidence o AI v K-12 od Stanfordu byl tento týden aktualizován na listopadové vydání 2026 a kauzální základna se zdvojnásobila na 52 studií. Používání AI k vysvětlování a vedení předpovídá lepší učení, používání k vytváření práce předpovídá horší a jedna studie zjistila, že obecný asistent snížil motivaci studentů.

Nové FAQ

Tento týden k FAQ přibyly dvě odpovědi. Obě se týkají rozhodnutí, která přicházejí dřív, než kdokoli vybere nástroj.

Jaké možnosti a otázky je třeba zvážit při zavádění nástrojů AI?

Odpověď o zavádění odděluje tři rozhodnutí, která se v nabídce dodavatele slévají: jaká data do nástroje jdou, zda je instituce povoluje a kdo model provozuje. Bezplatný chatbot drží konverzaci na serverech dodavatele. Kampusová brána ji drží u vás a umí přístup odříznout. Začněte otázkou dat, protože tu později nelze vzít zpět.

Čemu by se pedagogové měli při práci s AI vyhnout?

Odpověď o vyhýbání pojmenovává tři chyby. Nepoužívejte AI k myšlení, které má zadání naučit. Nepovažujte kliknutí, čas na stránce nebo dokončení za doklad učení. A nepište pravidlo „používejte AI zodpovědně“, když zadání necháváte takové, že ho chatbot zvládne za minutu. To poslední je častá chyba: věta v politice nemění to, co studenti umějí. Mění to zadání a evidence, kterou sbíráte.

Nové koncepty

Tento týden do znalostní báze přibylo osm koncepčních stránek.

Shadow AI je používání AI, které nastane dřív, než je kdokoli schválí. Vyučující píše koncept zpětné vazby v osobním účtu ChatGPT a instituce se nikdy nedozví, že přes něj prošla studentská práce.
Institucionální infrastruktura AI je potrubí za používáním AI na kampusu: kdo má přístup, který model běží, co se loguje a kdo platí. Jedním příkladem je univerzitní brána, která každé katedře dává kvótu a vede auditní log.
Exekutivní funkce zahrnují plánování, udržení informace v mysli a zastavení impulzu. Představte si studenta, který umí naplánovat esej, ale v polovině ztratí nit. Nástroj může toto plánování podpořit, nebo ho udělat za studenta, aniž si toho někdo všimne.
Vývojová psychologie studuje, jak se myšlení dětí mění s věkem. Sedmiletý může potřebovat, aby mu nástroj přečetl otázku nahlas. Sedmnáctiletý umí posoudit, jestli je odpověď dobrá.
Longitudinální výzkum sleduje tytéž studenty měsíce nebo roky. Otázkou je, zda zisk v psaní z října přetrvá do května, ne zda se ukázal v testu z dané lekce.
Empatie odděluje porozumění tomu, co někdo cítí, od toho cítit to s ním. Chatbot umí přepsat hrubý komentář laskavě. Neumí si všimnout, že student přestal zkoušet.
Učení na případech učí prostřednictvím jedné konkrétní situace, o níž musí studenti uvažovat. Představte si pacienta s bolestí na hrudi a dvěma výsledky testů, které si odporují. Učení je v otázkách, které studenti k případu kladou, ne v textu případu.
Metafory a analogie jsou obrazy, jimiž AI vysvětlujeme, jako černá skříňka, pomocník nebo zrcadlo. Když se jí říká doučovatel, studenti čekají, že zná odpověď. Když se jí říká studijní partner, spíš si ji zkontrolují.

Nové zdroje

Tento týden do knihovny zdrojů přibylo třináct zdrojů.

Primer umožňuje učiteli popsat hraní rolí nebo simulaci běžným jazykem místo psaní kódu, například vyjednávací cvičení, v němž AI hraje obtížného rodiče.
Agentic Builds je galerie malých aplikací, které učitelé postavili, s prompty za nimi, které si můžete zkopírovat pro vlastní třídu.
Vibe-Coding Center vám dá tři instrukční soubory k vložení do kódovacího asistenta, aby webová aplikace, kterou napíše, byla přístupná, soukromá a dost bezpečná pro studenty.
AI Guidance by Age bere roli a věkové pásmo a navrhuje, co by studenti v tom věku měli umět s AI, a říká, které části jsou zatím odhad.
Voice-First Written Assessment nechává studenty vysvětlit odpověď nahlas a pak napsat revizi z přepisu, takže myšlení je zaznamenané a psaní přesto proběhne.
Amplify GenAI je chatovací platforma Vanderbiltovy univerzity, kterou kampus provozuje ve vlastním cloudovém účtu, takže studentské konverzace zůstávají u instituce.
conText je hlasový doučovatel, který klade další otázku místo toho, aby dal odpověď, a učiteli ukazuje cestu, kterou student šel.
MindRouter je vrátný před kampusovými GPU, s kvótami podle kateder, jednotným přihlášením a logem toho, kdo co použil.
Moodle AI Text Question Type přidává do kvízů v Moodlu otázku známkovanou AI, s vaší rubrikou vloženou do promptu a známkami jdoucími přímo do klasifikačního listu.
MyEssayFeedback nechává studenty odevzdat koncept, přečíst si komentáře AI k částem, které vyberete, a pak si zaznamenat, které komentáře přijímají, než přepíšou.
NowComment umožňuje třídě diskutovat dokument řádek po řádku a nyní AI může přidat koncept komentáře, který mají studenti upravit.
Teacher Hive shromažďuje malé aplikace vytvořené učiteli, které nevyžadují přihlášení studentů, a publikuje je jako příklady, které mohou další učitelé kopírovat.
AI Tutor Pro and AI Teaching Assistant Pro jsou bezplatné studijní nástroje s hlasovou konverzací, kvízy a psaním poznámek v osmi jazycích, pro studenty, kteří cvičí sami.

Jedna změna názvu: zdroj EduPrompts se do tohoto týdne jmenoval EduGems. Sbírka promptů je stejná a nyní sídlí na eduprompts.ai.

Pro vyučující

Přestaňte se ptát, čí je práce, a ptejte se, co ukazuje

Bayraktar tvrdí, že detekční nástroje, zákazy a přepisování ve výuce odpovídají jen na jednu otázku: zda byl produkt vytvořen samostatně. O tom, zda student rozumí tomu, co mělo zadání doložit, neříkají nic. Navrhovaný rámec ponechává hotovou práci jako jeden zdroj z několika a přidává evidenci tam, kde ji konstrukt potřebuje: záznam rozhodnutí, krátkou poznámku o tom, které rady byly odmítnuty, odpověď v diskusi. Také dělá z používání AI samo předmět studentského posouzení, například tím, že studenti pojmenují, kde byla odpověď nástroje špatná.

Než zvolíte protiopatření, rozhodněte, jaké učení má zadání doložit. Přidejte jeden artefakt, který mezeru uzavře, místo abyste z každého kurzu dělali kurz s portfoliem, a ptejte se studentů, kde jim AI nepomohla. Odstavec o tom má větší cenu než prohlášení o použití AI.

Viz také: Přenastavení hodnocení pro éru AI

Zadání nechte, přidejte dokumentační stopu

Winstone, Gravett a Elkington tvrdí, že většina univerzitních reakcí na GenAI jsou jen řeči: semafory, prohlášení, pravidla povoleného použití. Jejich Black Box Assessment ponechává úlohu a žádá studenty, aby odevzdali náhledy do procesu, jako koncepty, záznamy revizí a krátké reflexe, s přepsanými rubrikami tak, aby revize získávala body. Pilotní studii neuvádějí a říkají to.

Vezměte jedno zadání a vyžádejte jeden procesní artefakt: osnovu, první koncept nebo odstavec o tom, co změnila zpětná vazba. Hodnoťte tento artefakt podle uvedeného kritéria. Studenti pak mají důvod si záznam vést a akademická integrita žije v zadání místo ve větě v politice.

Viz také: Přenastavení hodnocení pro éru AI

Zpětná vazba učitele a AI dopadly stejně

Meyer a kolegové randomizovali 391 studentů 10. a 11. ročníku v Německu do tří podmínek: zpětná vazba od učitele, okamžitá zpětná vazba AI nebo zpětná vazba AI dodaná pozdě, aby šlo oddělit zdroj a načasování. Každé standardní srovnání vyšlo nulové. Revize se zlepšily, další psaní se nelišilo a čas na úloze, motivace a emoce byly mezi zpětnou vazbou učitele a AI statisticky nerozlišitelné.

Studenti hodnotili okamžitou zpětnou vazbu AI jako užitečnější a motivující než zpětnou vazbu učitele, ale skupina s opožděnou AI stejná hodnocení nedostala, takže výhoda pramenila z rychlosti, ne z autorství. Použijte zpětnou vazbu AI, když učitel nemůže odpovědět rychle, a čekejte, že udrží úroveň, ne že ji zvedne. Zkontrolujte, zda si studenti nepletou rychlý komentář s užitečným.

Viz také: Přenastavení hodnocení pro éru AI

Pro vývojáře

Doučovací nástroj, který ustoupí, když student řekne „moje poznámky říkají něco jiného“

Liu a Korolova prověřili jedenáct komerčních modelů ve dvou simulovaných experimentech doučování matematiky pro K-12: 400 otázek v protokolu revize odpovědi o pěti tazích a 1 884 ve dvoutahovém diagnostickém protokolu. Pokud student začal špatnou odpovědí, přesnost prvního tahu klesla o 5,5 bodu. Mezi odpověďmi, které byly v prvním tahu správné, pouhé „nesouhlasím“ obrátilo 5,2 % ke špatné volbě studenta, „moje poznámky říkají B“ obrátilo 12,7 % a výslovně špatné uvažování 3,1 %. Ze správných konverzací, které skončily špatnou odpovědí, se 86 % obrátilo při prvním odporu. Pochybování o správné práci také snížilo diagnostickou přesnost z 66,5 % na 58,0 % a zvýšilo falešné poplachy z 33,5 % na 42,0 %.

Berte odvolání na autoritu jako žádost znovu odvodit krok, ne znovu odpovědět, a nikdy nedokončujte diagnózu miskoncepce na práci, o kterou student právě pochyboval. Testujte doučovací nástroje na scénářovém vícetahovém dialogu a uvádějte míru obrácení odděleně od přesnosti prvního tahu, protože dva modely se stejným skóre prvního tahu se lišily o 7,5 bodu v tom, jak často ustoupily.

Viz také: Školení doučovatelů AI, aby vedli, ne odpovídali

Měřicím nástrojem je rubrika, ne model

Roy a kolegové ukazují, že stejný hodnotitel se dvěma rubrikami dává dvě různá měření a že vágní rubrika žádající odpovědi „užitečné a fakticky správné“ může odměnit vytříbenou odpověď, která je špatná. Napříč čtyřmi veřejnými datovými sadami preferencí, šesti zdroji rubrik a třemi hodnotiteli s otevřenými váhami žádný zdroj rubrik nevedl ve všech osách: shoda mezi hodnotiteli, soulad s preferencemi a odolnost proti hraní na systém. Přerovnání kritérií podle preferenčních dat zvedlo přesnost na testovací sadě z 65,0 % na 68,6 % a přepsání kritérií k uzavření mezer snížilo úspěšnost zneužití ze 46,4 % na 36,0 %.

Berte rubriku jako nástroj měření a verzujte ji spolu s modelem. Zaznamenejte text rubriky, datum a konfiguraci hodnotitele vedle známek a testujte zneužitelnost odděleně od shody: napište několik odpovědí, které splňují znění, ale porušují smysl, a podívejte se, zda dostanou vysoké skóre.

Viz také: Ověřování, zda vzdělávací AI funguje

Čtecí doučovací nástroj pomohl, když ho studenti používali dost

Jedna charterová škola dala každému učiteli prvního a druhého ročníku doučovací nástroj na fonetiku a plynulost a používání nechala na učiteli. Studenti, kteří ho používali hodně, získali víc než ti, kteří ho používali málo, o g = 0,56 v plynulosti ústního čtení. Srovnání vysokého používání s žádným minulo korigovanou hranici významnosti. Rozdíl mezi třídami se nakonec odvíjel od zalogovaných minut.

Logujte minuty na studenta od prvního dne a uvádějte je vedle výsledku. Pokud je log prázdný, je to zjištění o zavádění, ne o doučovateli. Distrikt, který počítá licence místo používání, uvidí plochý výsledek a nic se nedozví.

Viz také: Ověřování, zda vzdělávací AI funguje

Copilot zrychlil začátečníky a nechal je tam, kde začali

Dvaadvacet začínajících a středně pokročilých programátorů dělalo dvě dvacetiminutové programovací úlohy, jednou s lidským partnerem a jednou s Copilotem, a asi o týden později úlohy zopakovali sami. S Copilotem skórovali o 14 bodů výš ze 100 a hlásili mnohem nižší duševní zátěž a úsilí. O týden později byla výhoda pryč: skóre v retestu bylo o 4,8 bodu nižší, statisticky nerozdílné, a pokles u každého člověka oproti prvnímu sezení byl po sezení s AI asi o 19 bodů větší.

Přidejte retest bez pomoci ke každému kódovacímu asistentovi, který stavíte nebo kupujete. Zisk, který vidíte ve výuce, může být vypůjčený a je největší u studentů, kteří už uměli nejvíc. Párování s člověkem v této studii přineslo nižší skóre a vyšší zátěž, ale také lepší zapojení a trend k udržení.

Viz také: Navrhování AI do výuky

Pro výzkumníky

Přísnější meta-analýza půlí efekt doučování

Leite a kolegové spojili 18 experimentů, 77 velikostí efektu a 11 inteligentních doučovacích systémů používaných v amerických školách K-12. Průměrný efekt na prospěch byl g = 0,271, hluboko pod efekty, které uváděly dřívější meta-analýzy, protože tato se držela experimentálních designů v jednom národním systému. Prostředí mělo význam: venkovské školy ukázaly g = 0,146 proti 0,298 v městských školách. Záleželo i na tom, kdo podporu řídí, s řešenými příklady na 0,324 a nápovědami na vyžádání na 0,316, a délka měla vrchol mezi dvěma týdny a třemi měsíci (0,449), než po šesti měsících klesla na nevýznamných 0,110.

Berte starší velikosti efektu doučování jako optimistické, dokud si nezkontrolujete design studie a prostředí. Uvádějte moderátory místo spojeného průměru a od venkovského nasazení se slabou infrastrukturou čekejte zhruba polovinu městského efektu. Křivka délky je zjištění, které je třeba testovat dál: téměř žádná evidence nepokrývá celý rok.

Viz také: Ověřování, zda vzdělávací AI funguje

GenAI pomáhá studentům jazyků nejvíc, když dává zpětnou vazbu, ne výklad

Zhang, Aubrey, Wu a Chiu spojili 67 velikostí efektu ze 48 kontrolovaných studií s 5 196 studenty. Neupravený efekt byl velký, g = 0,76, a po odstranění tří odlehlých hodnot klesl na g = 0,57. Role nástroje vysvětlila víc než průměr: zpětná vazba a hodnocení dosáhly g = 1,15, interakční partner 0,81 a výukový integrátor 0,28. Používání řízené studentem porazilo používání vedené AI, 0,92 proti 0,34. Randomizované studie uváděly větší efekty než kvaziexperimenty, 1,02 proti 0,48.

Ptejte se, jakou roli nástroj hraje, dřív než se ptáte, zda funguje. Pokud studie spojujete, modelujte typ designu jako moderátor, protože s odhadem hýbe stejně jako intervence. Pro jazykový kurz je konfigurace, kterou evidence podporuje, zpětná vazba a procvičování s rozhodováním na studentovi.

Viz také: Ověřování, zda vzdělávací AI funguje

Co znamená gramotnost v AI, závisí na věku studenta

Guo, Ali a Wong pročetli 118 studií K-12 a rozdělili obor do devíti kategorií a 35 podkategorií. Jejich rámec PACES stupňuje gramotnost v AI přes čtyři školní pásma, s argumentem, že to, co potřebuje znát druhák, se druhem liší od toho, co potřebuje maturant. Jejich audit validovaných měřidel našel téměř vše zaměřené na střední školu a nic, co měří proces práce s AI.

Postavte nástroj, který zachytí, co student s modelem dělá: zda klade doplňující otázku, ověřuje tvrzení nebo reviduje po zpětné vazbě. Pak testujte, zda se chová jinak napříč čtyřmi pásmy. Dokud to někdo neudělá, zůstává vývojové tvrzení designovým principem bez evidence.

Viz také: Evidence o gramotnosti v AI

Pro administrátory

Téměř všichni používají AI v práci a polovina neviděla politiku

EDUCAUSE v roce 2026 dotázal 1 960 zaměstnanců vysokých škol. 94 % z nich použilo AI v práci za posledních šest měsíců a 73 % z těchto uživatelů ji používalo denně nebo týdně. Jen 54 % vědělo o politice, která má toto používání řídit, včetně pouhých 38 % vedoucích pracovníků. 56 % používalo nástroje, které jejich instituce neposkytuje. 92 % institucí uvedlo, že má strategii AI, a 13 % měří její návratnost.

Zveřejněte politiku tam, kde lidé už pracují, a spočítejte nástroje, které lidé skutečně používají, než napíšete další strategii. Mezera mezi tím, co zaměstnanci dělají, a tím, co si vedení myslí, že povoluje, je problém správy a řízení, ne školení, a ve strategickém dokumentu není vidět.

Viz také: Zavádění nástrojů AI

Učitelé váží ušetřený čas proti práci, o kterou přicházejí

Dangol a kolegové vedli rozhovory s 22 učiteli ve velkém americkém distriktu, který GenAI podporoval od konce roku 2023, většinou bez celodistriktní politiky pro výuku. Učitelé byli rádi, že zmizela administrativa a příprava hodin. Obávali se ztráty těch částí práce, které vyžadují znát studenta: napsat komentář, který zasáhne, nebo rozhodnout, co třída potřebuje dál. Práce popisuje výměnu, ne odpor.

Pojmenujte, čemu úleva slouží a kde končí. Distrikt, který automatizuje známkování nebo přípravu hodin, má říct, kterou práci odstraňuje, a chránit práci, o níž učitelé říkají, že ji nevymění. Nechte prostor profesnímu úsudku místo přidávání dalšího povinného nástroje.

Viz také: Zavádění nástrojů AI

Neokázalé systémové změny mění instituce nejvíc

Pardos a Borchers tvrdí, že uznávání kreditů, poradenství, klasifikace kurikula a tvorba hodnocení jsou důležitější než chatbot na recepci. Jejich společnou nití je reprezentace. Převeďte kurzy, sylaby, výpisy známek a záznamy o učení na embeddingy a můžete dělat rozhodnutí, která byla dřív příliš drahá, například vyhodnotit výpis známek z jiné země kurz po kurzu. Stejný krok ovšem způsobuje, že chyby je těžší vidět.

Než koupíte, pojmenujte rozhodnutí, které systém mění, a osobu, která odpovídá, když systém to rozhodnutí udělá špatně. Auditní stopa a cesta odvolání jsou důležitější než lepší model, protože chyba v zázemí se ke studentům dostane přes institucionální infrastrukturu, kterou nikdo nevidí.

Viz také: Ověřování, zda vzdělávací AI funguje

Země přidávají gramotnost v AI do kurikula a neměří ji

Zpráva iRAISE vychází ze strukturovaného přehledu a politických dokumentů z Francie, Kanady, Egypta a Kataru. Vlády se dělí na ty, které nástroje škálují, a ty, které je omezují, a zpráva bere gramotnost v AI jako nejnovější vrstvu digitální a mediální gramotnosti, ne jako samostatný předmět. Většina zemí uvádí mediální gramotnost v některém rámci. Málokterá ji dává do kurikula, z něhož učitelé plánují, a téměř žádná neměří, zda ji studenti získají.

Dejte gramotnost v AI do dokumentů, které učitelé skutečně používají, a financujte hodnocení, které umí ukázat, zda se studenti zlepšili. Národní rámec bez řádku v kurikulu a bez měření nechává práci na jednotlivých školách, kde mezera už je.

Viz také: Začleňování gramotnosti v AI

Také přidáno tento týden

Poznámky k webu

Web tento týden rozšířil záběr. Nyní nese i výzkum AI, který není o školách ani univerzitách, ale týká se obojího: Salvi a kolegové o tom, jak konverzační model může změnit to, čemu člověk věří, Folk a Dunn o chatbotech a osamělosti a Sim a kolegové o tom, jak shrnutí od AI zkreslují paměť. Vstupují jako citace na koncepčních stránkách, které tím doplňují, ne jako tvrzení o výuce.

Agent Hermes AI, který tento web spravuje, tento týden přešel na nový paměťový systém. Nyní běží na Hindsight, který si uchovává, co se naučí, mezi sezeními, místo aby každé začínal od nuly.

Téměř každá koncepční stránka a FAQ byly tento týden přepsány, aby zmizel sebeodkazující text, fráze jako „v této znalostní bázi“ nebo „tato stránka tvrdí“. Agent Hermes AI také tento text prohnal svou dovedností humanizer, která odstraňuje příznaky, jako jsou vrstvené kvalifikátory a věty opakující nadpis. Články a koncepční stránky nyní sledují jednu strukturu se stejnými sekcemi ve stejném pořadí a kontrolní build selže, když je stránka poruší.

Některé nové funkce jsou v plánu, například vzdělávací návody založené na úlohách a multimediální shrnutí hlavních stránek. Návrhy a požadavky na funkce vítáme přes formulář issue na GitHubu.

Sledujte přehled

Každé číslo dostanete přes kanál newsletteru ve čtečce kanálů, vložením téhož kanálu do Blogtrottr, abyste nová čísla dostávali e-mailem podle vlastního rozvrhu, nebo sledováním na LinkedIn, kde každé číslo vychází jako newsletter LinkedIn.

Týdenní přehled výzkumu AI ve vzdělávání pochází ze znalostní báze o AI ve vzdělávání, kterou generuje agent Hermes AI. Toto číslo připravil tentýž agent Hermes AI s redakčním vedením vývojáře webu a každé tvrzení výše odkazuje na stránku, ze které vzešlo.

Znalostní báze je věnována veřejné doméně pod licencí CC0 1.0. Žádná práva vyhrazena.

Našli jste v obsahu chybu? Nahlaste ji na GitHubu nebo kontaktujte vývojáře webu, Doug Holton.

Zdroj Historie Upravit Chat