Baza znanja AIEdAIEd KB
Na ovoj stranici

Pročitajte ovu stranicu na engleskom

Pojmovi

Agentska umjetna inteligencija

Stvoreno 2026-10-27 · Ažurirano 2026-10-27

Automatski strojni prijevod ove engleske stranice, koji još nije pregledao izvorni govornik.

Agentska Umjetna inteligencija u obrazovanju - sustavi umjetne inteligencije koji autonomno planiraju, izvršavaju i prilagođavaju višekoračne tijekove rada radi postizanja ciljeva učenja, nadilazeći jednokoračno pitanje i odgovor kako bi djelovali kao trajni suradnici usmjereni na cilj: AI tutori koji daju postupnu potporu kroz dulje interakcije, višeagentski sustavi koji orkestriraju nastavne dizajne i agenti koji sureguliraju učenje. Taj pomak paradigme s alata koji odgovara na poticaje na aktivnog suradnika nosi i obećanje i rizik: agentska umjetna inteligencija može personalizirati i produbiti učenje, ali ugrožava i djelotvornost, kognitivni trud i kontrolu. Pregled opsega, okvir neovisan o alatu i radovi o pedagoškoj najboljoj praksi u ovoj bazi znanja ispituju tu napetost.

Pitanja za razmatranje

  • Agentska umjetna inteligencija ne samo da odgovara na pitanja - ona planira, izvršava i prilagođava višekoračne tijekove rada prema cilju, djelujući kao trajni suradnik. Kako se učenje s proaktivnim agentom razlikuje od učenja s alatom koji morate potaknuti?
  • Područje povlači granicu između „konverzacijske“ i „agentske“ umjetne inteligencije (sustav se kvalificira samo ako zadovoljava nekoliko kriterija poput planiranja, pamćenja, autonomije i djelovanja usmjerenog na cilj). Gdje je ta granica u praksi - i skriva li nazivanje svakog chatbota „agentskim“ više nego što otkriva?
  • Što agent više automatizira, to učenik obavlja manje kognitivnog rada. Gdje je granica između umjetne inteligencije koja podupire vaše učenje i one koja uči umjesto vas?
  • Pregled opsega pokazao je da je samo 29% istraživanja o agentskoj umjetnoj inteligenciji utemeljilo svoje sustave u obrazovnoj teoriji. Ako većina sustava nije teorijski utemeljena, što bi vas trebalo učiniti skeptičnima pri ocjenjivanju „inteligentnog“ tutorskog agenta?
  • Višeagentski sustavi orkestriraju specijalizirane agente s različitim ulogama. Kad nekoliko agenata radi zajedno u razredu, tko je odgovoran - i gdje bi čovjek trebao intervenirati?
  • Središnja napetost područja je personalizacija nasuprot učenikovoj djelotvornosti i kognitivnom trudu. Ako tutor postane tako dobar u prilagodbi da nikada ne morate uložiti napor, koje učenje zapravo dobivate?
  • Gdje bi na spektru od kopilota do autopilota trebao stajati određeni zadatak - i služi li premještanje zadatka iz „agent predlaže, učenik odlučuje“ u „agent ga posjeduje“ ikada učenju, a ne samo učinkovitosti?
  • Hibridni agenti utemeljeni u etabliranoj dizajnerskoj teoriji nadmašili su čisto poticanje. Zašto bi teorijski utemeljen sustav mogao pobijediti sirovo inženjerstvo poticaja - i što to govori o tome kako se mjeri „pamet“ agenta?

Uvod

Agentska umjetna inteligencija odnosi se na sustave umjetne inteligencije koji mogu autonomno planirati, izvršavati i prilagođavati višekoračne tijekove rada radi postizanja ciljeva učenja - nadilazeći jednokoračno odgovaranje na pitanja kako bi djelovali kao trajni suradnici usmjereni na cilj u obrazovnim kontekstima. U obrazovanju se agentska umjetna inteligencija očituje kao AI tutori koji podupiru učenje kroz dulje interakcije, višeagentski sustavi koji orkestriraju složene nastavne dizajne i autonomni agenti koji prilagođavaju svoje pedagoške strategije prema potrebama učenika. Ta nova paradigma pomiče umjetnu inteligenciju s alata koji odgovara na poticaje na suradnika koji aktivno vodi, prilagođava i suregulira procese učenja.

  • Razdvajanje specifikacije od izvršenja čini agentski tijek rada pouzdanim. DagFlow-AI pušta LLM agente da definiraju svaku komponentu mehanizma generiranja podataka - varijable, usmjereni aciklički graf, distribucije i formule modela - dok program uzorkuje opažanja, a skripta za validaciju provjerava svaki izlaz agenta (Arthur i sur., 2026). Nijedan agent ne generira podatke ni piše kod za generiranje, što autori predstavljaju kao odgovor na nepotkrijepljene rezultate i skretanje uputa.

Definiranje i klasificiranje agentske umjetne inteligencije

Kostopoulos i sur. (2025) daju operativnu definiciju koja području inače nedostaje. Predlažu kontrolni popis od šest kriterija - sustav se računa kao agentski ako zadovoljava najmanje četiri: autonomija (djelovanje neovisno o stalnoj ljudskoj intervenciji), zaključivanje i planiranje, pamćenje i svijest o kontekstu, djelovanje usmjereno na cilj prema ishodima učenja, prilagodljivost te dinamička suradnja i inicijativa. Prag ≥4 namjerno isključuje reaktivne chatbote (statični bot za česta pitanja bez planiranja ili trajnosti ne kvalificira se), a pritom prihvaća raznolike arhitekture. Prostor također organiziraju duž tri osi: pedagoška uloga (tutor, trener ili mentor učenja, pratilac, nastavnikov pomoćnik, planer kurikuluma), razina autonomije (reaktivna → prilagodljiva → proaktivna → suradnička) i utjelovljenje (tekstualno, avatar ili grafičko, utjelovljeno ili robotsko). Ta taksonomija - posebno spektar autonomije i isključivanje reaktivnih alata iz kontrolnog popisa - daje istraživačima i dizajnerima zajednički rječnik za klasificiranje agentskih sustava i razlikovanje istinski agentske od puko konverzacijske umjetne inteligencije.

Radni primjer razlikovanja granicu čini konkretnom. Statični chatbot za česta pitanja koji može odgovoriti samo na fiksni skup pitanja zadovoljava nula kriterija (nema planiranja, nema trajnosti, nema inicijative) i očito nije agentski. Konverzacijski tutor koji pamti trenutačnu sesiju, ali nikada ne djeluje osim kad ga se potakne, ne drži model učenika izvan sesije i ne može postavljati podciljeve, može zadovoljiti samo jedan ili dva kriterija (pamćenje, nešto zaključivanja) - konverzacijski je, ali ne agentski. Nasuprot tome, tutor koji planira lekcije u više krugova, pohranjuje napredak učenika u trajni profil, proaktivno upućuje pomoć kad učenik zapne i ponovno planira sljedeći korak na temelju tog profila zadovoljava planiranje, pamćenje, autonomiju i interakciju usmjerenu na cilj - najmanje četiri kriterija, pa se kvalificira kao agentski. Vrijednost tog testa nije pedanterija: nazivanje svakog sučelja za razgovor s LLM-om „agentskim“ zamućuje upravo dizajnersko pitanje - što sustav pokreće, a što učenik mora pokrenuti - koje određuje podupire li on učenje ili ga zamjenjuje.

Ograničena djelotvornost kao obrazovno dizajnersko stajalište. Okvir AGAI-HE Ilieve i sur. (2026) prihvaća popis sposobnosti koji opisuju definicije poput kontrolnog popisa od šest kriterija, a zatim ga namjerno ograničava: ciljeve, uloge, izvore podataka, alate, kontrolne točke, uvjete zaustavljanja i konačne odluke definiraju ili odobravaju edukatori, a svaka agentska funkcija mora se moći pratiti do zahtjeva za učenje, svrhe procjene ili kontrolnog mehanizma upravljanja. Okvir također povlači granicu između agentske orkestracije i naprednog poticanja - agentski tijek rada čuva stanje zadatka, dodjeljuje funkcije, provjerava uvjete dovršetka, vraća se na ranije faze kad dokazi nisu dovoljni i bilježi materijalne odluke. Zanimljivo je i to da njegova istraživačka studija percepcije sa 130 studenata visokog obrazovanja nije našla značajnu razliku između učenja potpomognutog agentom i onoga potpomognutog chatbotom, što autori čitaju kao dokaz da agentska sposobnost sama po sebi ne stvara percipiranu pedagošku prednost (ljudski nadzor).

Područje: brzo širenje i sadašnji oblik

Pregled opsega u ovoj bazi znanja - najobuhvatnija sinteza područja do danas, koja mapira 474 studije (2020-2026) - dokumentira područje koje eksplozivno raste od 2025., ali čijom literaturom još dominiraju konferencijski radovi koncentrirani na visoko obrazovanje, STEM discipline i tekstualne tutorske scenarije. Pregled analizira obilježja objavljivanja, dizajne studija, uloge agenata, modele i arhitekture umjetne inteligencije, šest dimenzija agentske sposobnosti te mjeru integracije obrazovne teorije, pružajući kartu za fronte i praznine područja. Značajno je da je samo 29% pregledanih studija (138 od 474) izričito utemeljilo svoje sustave u obrazovnoj teoriji, što otkriva disciplinarni jaz između tehnički usmjerenog i pedagoški usmjerenog rada.

Karta područja prema ulogama

Dok pregled opsega sa 474 studije i konceptualni pregled Kostopoulosa i sur. mapiraju širinu istraživanja i sposobnosti, Baradziej (2026) organizira agentsku umjetnu inteligenciju prema ulozi koju obavlja - institucionalni okvir za odlučivanje gdje te sustave uvesti i kako njima upravljati. Kroz 48 studija o visokom obrazovanju pojavljuje se šest uloga prema težini dokaza: personalizirano učenje i prilagodljivo podučavanje (18/48), automatizirana procjena i povratne informacije (12), pomoć i proširenje poučavanja (11), administrativna podrška i podrška studentima (8), oblikovanje kurikuluma i usklađivanje s tržištem rada (5) te podrška istraživanju i akademsko poslovanje (4). Leća uloga u prvi plan stavlja dizajnerski izbor koji se ponavlja u svakoj implementaciji: koliko kontrole iz trenutka u trenutak zadržava čovjek (odnos „kopilota“) nasuprot koliko je preuzima agent (odnos „autopilota“) - os autonomije koja određuje podupire li agent učenje ili ga istiskuje.

Dizajn i evaluacija agentskih sustava

Istraživanje u bazi znanja obuhvaća dizajn i evaluaciju:

  • Hibridni agenti utemeljeni u teoriji nadmašuju čisto poticanje: ISD-Agent-Bench, mjerno ogledalo sa 25.795 scenarija nastavnog dizajna, nalazi da najbolji pristup integrira klasične ISD okvire (ADDIE, Dick & Carey, brzo prototipiranje) s modernim zaključivanjem u stilu ReAct - hibridno (teorija i tehnika) > čista teorija > samo tehnika. Utemeljenje LLM agenata u etabliranoj teoriji obrazovnog dizajna pruža strukturnu prednost koju sirovo poticanje ne može ponoviti.
  • Evaluacijski okviri za agentske alate: Okvir neovisan o alatu predlaže poučavanje i procjenjivanje računalnih metoda na način koji ne ovisi o konkretnom alatu umjetne inteligencije, naglašavajući temelje računalnog mišljenja, autentičnu procjenu kroz usmenu obranu i provjeru - relevantno za zabrinutost zbog pretjeranog oslanjanja.
  • Skalar izvještavanja i upravljanja: okvir autonomije, nadzora i dokaza (AOE). Dey (2026) tvrdi da se pojam agentska umjetna inteligencija primjenjuje tako nedosljedno da se dokazi i nadzor ne mogu uspoređivati među studijama - sustavi koji planiraju, pamte, upotrebljavaju alate ili koordiniraju više agenata strpani su zajedno sa statičnim sučeljima generativne umjetne inteligencije i konvencionalnim pedagoškim agentima. Njegov kritički integrativni pregled petnaest recenziranih pregleda nalazi da su dokazi najjači za ishode na razini artefakta (točnost povratnih informacija, smanjenje halucinacija), a najslabiji za trajno učenje, ravnopravnost, radno opterećenje ili institucionalne ishode, pri čemu su stvarne implementacije obično kratke, na jednoj lokaciji i slabo povezane s nadzorom. Rješenje je konkretna trojka izvještavanja - razina autonomije A0-A4 (reaktivno generiranje → ograničena orkestracija → delegirana autonomija zadatka → autonomija tijeka rada → posljedična autonomija nad ocjenjivanjem, upisom i napredovanjem), razina nadzora O0-O4 (neodređena → retroaktivna revizija → odobrenje prije upotrebe → kontrolirano upravljanje kontrolnim točkama → kontinuirani ograničeni nadzor) i faza zrelosti dokaza M0-M5 (koncept → prototip ili mjerno ogledalo → evaluacija sa sudionicima → stvarna implementacija → proširena ili višelokacijska → replicirana ili na razini institucije) - uz pravilo proporcionalnosti: dopuštena autonomija ne smije nadmašiti ni zrelost dokaza ni snagu nadzora (npr. posljedični sustav A4 zahtijeva dokaze M4-M5, pravnu validaciju i O4 s konačnom ljudskom vlašću). Izvještavanje A2-O3-M3 pretvara neodređene tvrdnje o „agentskoj implementaciji“ u usporedive i provjerljive specifikacije i daje institucijama gramatiku postupnog usvajanja, bilježenja i vraćanja unatrag - dokaznu dopunu spektru od kopilota do autopilota opisanom gore.
  • Testiranje protivničke robusnosti: Višeagentsko testiranje pod stresom koordinira agente Ispitivača, Mete i Succa kako bi otkrilo načine neuspjeha nevidljive testiranju jednom strategijom, snižavajući ocjene robusnosti za 0,17-0,20 bodova - ključno za dosljednost personâ i sigurnu implementaciju s učenicima.
  • Primjene u domenama: agentski sustavi pojavljuju se u raznim domenama, uključujući agente prilagodljivog učenja, pedagoške LLM agente, vođenu LLM potporu, agente za igrificirano učenje kibersigurnosti i agente kliničke simulacije.
  • Web agenti kao evaluatori iskustva učenja: jedan autonomni „opisujući“ web agent koji prolazi kroz online lekciju kao student - Wang, Mitchell i Piech (2025) - daje opis dovoljno bogat da predvidi odustajanje studenata i pruži dizajneru djelotvorne povratne informacije prije nego se stvarni učenici uključe, nadmašujući cijelu simuliranu kohortu i svaku osnovnu razinu na globalnom kolegiju CS1. To pozicionira agentsku evaluaciju (agent kao zamjenski kritičar iskustva učenja) kao zasebnu, jeftinu upotrebu agentske umjetne inteligencije uz agente koji poučavaju ili dizajniraju.

Višeagentski sustavi

Rastuća i zasebna nit agentske umjetne inteligencije uključuje višeagentske sustave koji orkestriraju više specijaliziranih agenata s različitim ulogama. Baza znanja dokumentira nekoliko arhitektura: CODE-GEN: A Human-in-the-Loop RAG-Based Agentic AI System for Multiple-Choice Question Generation spaja agentski generator s agentskim validatorom za generiranje pitanja s čovjekom u petlji; protivničko testiranje koordinira agente Ispitivača, Mete i Succa; višeagentski razredi (npr. MAIC s arhetipovima nastavnika, asistenta i kolege iz razreda) stvaraju raznoliku dinamiku vršnjačkog učenja; a višeagentsko društveno učenje istražuje kako agenti u interakciji oblikuju učenje. Višeagentski dizajn otvara zasebna pitanja o ljudskom nadzoru (koji je agent odgovoran i gdje čovjek intervenira?), troškovima koordinacije i tome kako diferencijacija uloga podupire ili komplicira postupnu potporu.

Dva sustava iz 2026. izoštravaju što specijalizacija uloga donosi - i gdje prestaje donositi. MeduAI-SP (Yang i sur., 2026) dijeli poučavanje kliničkog intervjua na četiri LLM agenta - agenta pacijenta, sokratskog tutora, evaluatora na razini izmjene i završnog evaluatora - od kojih svaki nosi zasebnu nastavnu funkciju. Arhitektura po dizajnu uskraćuje odgovore: tutoru je bilo zabranjeno otkriti dijagnozu ili odgovore slučaja, a rezultati OSCE-a završnog evaluatora ostali su skriveni tijekom izravnog susreta. Specijalizacija uloga, a ne sirova sposobnost modela, ono je čemu pokus pripisuje poboljšano ponašanje pri konzultaciji (71,8% prema 55,6% na završnom ispitu), nudeći konkretan predložak za višeagentski dizajn usklađen s pedagogijom. Druga studija upućuje na granice tog obrasca: u sustavu za etičku raspravu s 45 studenata u 15 grupa (Seo i sur., 2026) tri LLM persone koje utjelovljuju etiku skrbi, deontološku i pragmatičnu etiku nisu proizvele značajne razlike među sobom, a sve su ocijenjene niže od ljudskih vršnjaka po doprinosu, raznolikosti i utjecaju (sve Kruskal-Wallis p < .001). Autori jaz pripisuju podlizivu slaganju - agenti su prihvaćali gotovo svaki doprinos osim ako nije bio posve pogrešan - i nedostatku vidljivog zaključivanja, tvrdeći da dizajn agenata usmjerenih na zadatak mora transparentnost procesa upariti sa zaštitnim mjerama (uokvirivanje pogrešivog vršnjaka, namjenska faza postavljanja pitanja) kako bi se izbjeglo pretjerano oslanjanje.

Korak dalje od orkestracije nekoliko specijaliziranih agenata jest puni agentski višeagentski ekosustav koji predlažu Sudarshan i sur. (2026): institucijska platforma koja koordinira agente za učenje, poučavanje i administraciju kroz međufunkcijske povratne petlje i raspodijeljenu inteligenciju. Njegov je zaseban potez tretiranje uključivosti kao arhitektonske brige prvog reda - koordiniranje agenata za pristupačnost, kognitivnu podršku i blagostanje tako da učenici sa posebnim obrazovnim potrebama budu podržani kroz kognitivne, osjetilne i emocionalne dimenzije u stvarnom vremenu, a ne da ih opslužuje izolirani pomoćni alat. Rad to smješta unutar petlje suevolucije čovjeka i umjetne inteligencije (ljudska ponašanja i odluke oblikuju prilagodbu umjetne inteligencije, koja zauzvrat unapređuje ljudske sposobnosti) koja zadržava ljude u petlji.

  • LLM agenti specifični za sudionika za suradničko rješavanje problema. Fang (2026) fino podešava pojedinačne LLM agente na podacima dijaloga stvarnih sudionika kako bi predstavili svakog sudionika u simulacijama suradničkog rješavanja problema, s probabilističkim odabirom govornika i tematskih kodova te pamćenjem kliznog okvira i sažetaka. Validirano epistemičkom mrežnom analizom, simulirani su dijalozi statistički nerazlučivi od stvarnih (ENA udaljenost 0,17, permutacijski p = 0,65) - pokazatelj da agentska umjetna inteligencija reproducira autentičan suradnički diskurs.
  • Društveno inteligentno višeagentsko podučavanje. Prototipi društveno inteligentnog višeagentskog podučavanja poput ASTRA-e proučavaju kako učenici koordiniraju s umjetnom inteligencijom u dvojcima, koristeći diferencirane agente Tutora i Facilitatora za poticanje koordinacije i uravnoteženog sudjelovanja. Evaluacija okvira temeljena na tragovima omogućuje reproducibilnu analizu interakcije, ravnoteže sudjelovanja i provjere u uvodnom programiranju.

Središnja napetost: automatizacija nasuprot učenju

Rad o pedagoškoj najboljoj praksi artikulira definirajuću napetost područja: kako se obrazovna umjetna inteligencija pomiče s pasivnih chatbotova na proaktivne agente koji pokreću i slijede ciljeve, personalizacija se poboljšava, ali su učenikova djelotvornost i kognitivni trud ugroženi. Što agent više automatizira, to učenik obavlja manje kognitivnog rada. Dizajnerski odgovor - namjerno trenje, dinamička postupna potpora, nadzor čovjeka u petlji i promišljena upotreba umjetne inteligencije - djeluje kao načelna zaštitna ograda. To se povezuje s poželjnim poteškoćama, sociokulturnim učenjem i rizikom od pretjeranog oslanjanja, te sa širom temom očuvanja djelotvornosti u učenju posredovanom umjetnom inteligencijom.

Jedna empirijska provjera dolazi iz praktičnog izvješća o razvoju vođenom specifikacijom na kolegiju softverskog PBL-a (Tanaka i sur. 2026): studenti koji su upotrebljavali AI agente kroz faze razvoja generirali su više koda, ali pokazali pad razumijevanja koda koji se vratio tek nakon individualnih razgovora s nastavnikom - konkretan terenski dokaz za napetost između automatizacije i učenja i za praćenje čovjeka u petlji kao ublaživača.

Pregledna literatura te principe pretvara u mjerljive dizajnerske zaštitne ograde, a ne u nejasne namjere. O potpori, Kostopoulos i sur. (2025) preporučuju protokole postupnog povlačenja - postupno smanjivanje učestalosti pomoći nakon svakog uspješnog pokušaja - i ciljanje omjera traženja pomoći (pomoć koju pokreće umjetna inteligencija ÷ ukupne radnje učenika) ispod 0,3, tako da agent nije taj koji vodi većinu interakcije. To uparuju s refleksivnim kontrolnim točkama (npr. zamolite učenika da objasni svoje zaključivanje prije nego agent ponudi sljedeći znak) i prilagodljivim krivuljama povlačenja čija vjerojatnost intervencije pada kako raste vještina. O transparentnosti, agenti bi trebali izložiti obrazloženje „zašto ovaj prijedlog?“ i voditi vremenski označene dnevnike sljedivosti odluka (obrazloženje agenta, izvori podataka, odluke) dostupne za nastavni uvid. O pravičnosti savjetuju testiranje različitih učinaka na najmanje tri demografske skupine (npr. rod, jezik, zemljopis) prije implementacije i uključivanje raznolikih nastavnika u dizajn. Te metrike daju nastavniku ili dizajneru polugu za reviziju: umjesto pitanja „je li agent previše koristan?“, mjerite povlače li se pomoći, pokreće li učenik i je li zaključivanje agenta moguće pregledati.

Dopunski rječnik za pitanje autonomije dolazi iz avijacijske analogije iznesene u sintezi Baradzieja (2026): koliko daleko implementacija stoji na spektru od kopilota do autopilota - od agenta koji pomaže čovjeku koji zadržava kontrolu iz trenutka u trenutak, do onoga koji posjeduje cijeli zadatak, a čovjek samo nadzire. Isti temeljni sustav može se konfigurirati prema bilo kojem kraju, a izbor je pedagoški prije nego tehnički. Konfiguracije u stilu kopilota (agent predlaže, učenik odlučuje, čovjek zadržava konačnu riječ) obično čuvaju djelotvornost i podupiru naporne procese koji grade učenje; konfiguracije u stilu autopilota maksimiziraju dovršavanje zadataka i učinkovitost, ali kognitivno opterećenje prebacuju s učenika. Odabir položaja na tom spektru - po zadatku, a ne jednom zauvijek - konkretan je način operacionalizacije načela „namjernog trenja“ u području.

Pozitivne implikacije AI agenata za obrazovanje

Kad su dobro osmišljeni, agentska umjetna inteligencija nudi znatne koristi:

  • Dublja i prilagodljivija personalizacija. Trajni agenti mogu održavati razgovor o učenju kroz mnogo krugova, prateći što učenik zna, prilagođavajući težinu i slijedeći višekoračnu postupnu potporu - nadilazeći jednokratne odgovore ranijih chatbotova. To podupire prilagodljivo i personalizirano učenje na razini. U sintezi Baradzieja (2026) najjači dokazi za tu ulogu govore o akademskim dobicima od 15-25% i povećanju angažmana do +40%, s posebnim potencijalom za učenike koje je poučavanje jednako za sve tradicionalno loše opsluživalo (studenti prve generacije, razlike u učenju, učenici drugog jezika).
  • Rasterećenje rutinskog nastavnog rada. Agenti mogu planirati lekcije, generirati i validirati pitanja, sastavljati nacrte povratnih informacija i orkestrirati specijalizirane podagente (npr. generator i validator za stvaranje pitanja), oslobađajući nastavnike za interakciju veće vrijednosti. To je obećanje višeagentskih tijekova rada namijenjenih nastavnicima. Evaluacijski agenti posebno izvještavaju o 90-95% slaganja s ljudskim ocjenjivačima i 50-70% smanjenja vremena ocjenjivanja, iako isti dokazi označavaju pristranost i metakognitivni trošak trenutačnih, nepromišljenih povratnih informacija.
  • Bogata i raznolika interakcija. Višeagentski razredi i simulirani vršnjaci stvaraju raznoliku dinamiku interakcije (diskurs nalik vršnjačkom, konstruktivno neslaganje, igranje uloga) koju jednoagentski sustavi ne mogu, podupirući suradničko učenje, sokratsko propitivanje i simulaciju.
  • Produktivno trenje. Agenti osmišljeni da izazivaju, a ne da se slažu, mogu potaknuti učenike na dublje preispitivanje. Istraživanje protivničkih dizajnerskih agenata pokazuje da su agenti konstruktivnog sukoba potaknuli znatno više dizajnerskih iteracija, šire istraživanje alternativa i više ocijenjene konačne dizajne (N=48) - oblik poželjne poteškoće.
  • Skalabilna praksa i simulacija. Simulacije temeljene na agentima (simulirani studenti, klinički scenariji) omogućuju učenicima vježbanje u okruženjima niskog rizika prije primjene u stvarnom svijetu, kao u kliničkoj simulaciji i kod simuliranih učenika.
  • Potpora osviještena o dokazima. Dobro utemeljeni agenti mogu u svojim interakcijama primijeniti teoriju učenja i poznatu pedagogiju, a mjerna ogledala pokazuju da agenti utemeljeni u teoriji nadmašuju sirovo poticanje.

Uža klasa agenata koje grade nastavnici dobiva zaseban argument u prijedlogu trećeg prostora El Khouryja i Maa: prilagođeni GPT-ovi, Gems i agenti Copilot Studioa koje nastavnici osmišljavaju za konkretnu pedagošku svrhu i koji izričito nisu autonomni sustavi. Njihova se navodna vrijednost sastoji u prostoru za probu s niskim ulozima - simulator usmenog ispita, simulacija kliničke komunikacije, avatar za izgovor u ESL-u - gdje učenici vježbaju prije prosudbe, dok nastavnikova procjenjivačka uloga ostaje netaknuta, a agent stoji izvan društvenih hijerarhija kroz koje se učenici kreću s vršnjacima i nastavnicima. Dvije je granice vrijedno primijetiti: autori po dizajnu isključuju ocjenjivanje temeljeno na agentima iz opsega i tvrde da procjena mora ostati relacijska - nastavničku ulogu ne može zamijeniti stroj, iako se može proširiti i pažljivim dizajnom učiniti održivijom.

Negativne implikacije i rizici AI agenata za obrazovanje

Ista autonomija koja omogućuje te koristi stvara i znatne rizike:

  • Erozija učenikove djelotvornosti i kognitivnog truda. Što agent više automatizira, to učenik obavlja manje kognitivnog rada. Proaktivni agenti koji pokreću, planiraju i dovršavaju zadatke mogu učenike ostaviti kao pasivne potrošače, izdubljujući naporne procese - sastavljanje, prisjećanje, revidiranje - koji grade trajno učenje. To je srž zabrinutosti zbog pretjeranog oslanjanja i djelotvornosti. Učinak je mjerljiv: u sintezi Baradzieja (2026) pasivni učenici u okruženjima agentskog podučavanja postizali su 8,7% slabije rezultate od studenata u aktivnom učenju - dokaz da šteta slijedi dizajn implementacije (prepuštanje kognitivnog rada agentu) više nego samu tehnologiju.
  • Prekomjerna automatizacija procesa učenja. Ako agent optimizira dovršavanje zadatka, a ne učenje, može proizvesti „odgovore“ koji zaobilaze razumijevanje - upravo rizik na koji upozorava okvir neovisan o alatu, gdje artefakt više ne potvrđuje učenika.
  • Smanjen metakognitivni i samoregulirani angažman. Kad agenti preuzimaju planiranje i praćenje, učenici možda ne razviju metakogniciju i samoregulaciju koje obrazovanje želi izgraditi. Agenti moraju biti osmišljeni tako da te procese izazivaju, a ne zamjenjuju.
  • Pogrešno povjerenje i praznine u provjeri. Autonomni agenti mogu proizvesti uvjerljive, ali nevalidirane rezultate; učenici i nastavnici mogu im previše vjerovati. Potreba za robusnom provjerom i pismenošću o umjetnoj inteligenciji raste kako agenti preuzimaju sve više autonomije.
  • Neprozirnost, koordinacija i odgovornost. Višeagentski sustavi kompliciraju ljudski nadzor: koji je agent odgovoran za pogrešku i gdje čovjek intervenira? Neuspjesi koordinacije, skretanje personâ i emergentna ponašanja mogu potkopati pouzdanost i pedagošku sigurnost.
  • Pristranost i ravnopravnost. Agenti trenirani na podacima koji kodiraju pristranost mogu je reproducirati na razini, a nejednak pristup sposobnim agentskim sustavima može proširiti obrazovnu nejednakost. Pristranost djeluje na više razina - podaci za treniranje, arhitektura, kriteriji evaluacije i testne populacije - pa zahtijeva institucionalno ublažavanje (revizije pristranosti, raznoliki skupovi podataka, transparentna dokumentacija, uključivanje dionika), a ne jednokratne provjere. Suptilniji, kulturno specifičan oblik je epistemička hegemonija: budući da je većina agentskih sustava trenirana na engleskim podacima zapadnog podrijetla, oni ugrađuju određene pretpostavke o znanju, argumentaciji i akademskom registru. Sintezni dokazi dokumentiraju alate za jezično obrazovanje koji marginaliziraju nezapadne retoričke tradicije i kažnjavaju jezična obilježja neengleskih akademskih kultura, a analize Globalnog juga pokazuju da agentske pedagogije reproduciraju nejednakost kad ignoriraju epistemološku raznolikost i infrastrukturne ograničenja.
  • Čestitost procjene i slabljenje vještina. Kad agenti mogu generirati rad na zahtjev, procjenjivanje stvarnog učenja postaje teže, a pretjerano oslanjanje može nagristi temeljne vještine - problem „duga razumijevanja“ i certificiranja na koji područje upozorava.
  • Duhovi studenti i praznina u provjeri. Bozkurt, Crompton i Fell Kurban (2026) opisuju „duha studenta“ - digitalnu zamjenu nastalu spajanjem LLM-ova („uma“) s agentskim preglednicima umjetne inteligencije („tijelom“) koji mogu navigirati sustavima za upravljanje učenjem, komunicirati sa sadržajem i dovršavati procjene s ljudskom mimikrijom, čineći stvarnu prisutnost učenika neobveznom. To stvara prazninu u provjeri koju tradicionalni alati za nadzor ispita i otkrivanje strukturno ne mogu zatvoriti i nakuplja kognitivni dug u učeniku koji je zaobiđen. Kako se umjetna inteligencija pomiče od generativne prema agentskoj, ta prijetnja čestitosti i provjeri raste - rizik specifičan za agentske sustave, iznad onih jednokoračne generativne umjetne inteligencije.

AI agenti i akademska čestitost

Agentska umjetna inteligencija predstavlja zasebne prijetnje čestitosti koje nadilaze jednokoračne slučajeve generativne umjetne inteligencije s kojima se područje već bori. Budući da agenti djeluju autonomno na dugim horizontima - i budući da „duhovi studenti“ (LLM „umovi“ spojeni s agentskim pregledničkim „tijelima“) mogu navigirati sustavima za upravljanje učenjem, komunicirati sa sadržajem i dovršavati procjene s ljudskom mimikrijom - oni stvarnu prisutnost učenika čine neobveznom i stvaraju prazninu u provjeri koju nadzor ispita i otkrivanje ne mogu zatvoriti. Iz toga slijedi nekoliko implikacija za čestitost:

  • Artefakt više ne potvrđuje učenika. Kad agent može generirati, planirati i izvršiti cijelu predaju, kvaliteta proizvoda odražava sposobnost agenta, a ne učenika. To je problem certificiranja neovisnog o alatu u svom ekstremu - tradicionalna procjena „predajte rad“ gubi svoju dokaznu vrijednost.
  • Provjera, a ne otkrivanje, jedini je održiv odgovor. Nadzor utemeljen na otkrivanju strukturno ne može držati korak s autonomnim agentima. Pitanje čestitosti pomiče se s „možemo li uhvatiti AI agente?“ na „možemo li provjeriti što učenik doista može?“ - u korist procjene temeljene na procesu, interaktivne provjere i provjere s čovjekom u petlji.
  • Agentsko dovršavanje ocjenjivanog rada sada je dokazano, i to je propust valjanosti, a ne samo čestitosti. Hadjisolomou i El-Haddad (2026) dokumentirali su agente (Claude for Chrome, Perplexity Comet, Claude Opus) koji su se prijavili na aktivni preddiplomski kolegij u sustavu za upravljanje učenjem i dovršili stvarni ocjenjivani rad iz jedne upute - kviz od 10 pitanja riješen 10/10 u manje od 5 minuta, i objava na forumu u kojoj je agent izmislio uvjerljivu osobnu životnu priču nakon što je pregledao objave vršnjaka. Primjenjujući Kaneov okvir valjanosti utemeljen na argumentima, na dno inferencije o ocjeni stavljaju „pretpostavku ljudske proizvodnje“: agentsko dovršavanje uklanja njezinu potporu, pa svaka nenadzirana asinkrona ocjena - uključujući pošteno zaslužene - gubi interpretativnu potporu jer je autorstvo neprovjerljivo. Uokvirivanje problema kao pitanja valjanosti, a ne čestitosti, važno je zato što institucija može kazniti nedolično ponašanje i dalje nemati osnovu za ocjene koje izvještava, i zato što isti artefakti hrane lance dokaza za pregled programa i akreditaciju. Njihov lijek, usklađen sa „provjerom prije otkrivanja“ na ovoj stranici, jest redizajn procjene za provjerenu ljudsku prisutnost (prisutnost prije proizvoda, integracija prije izolacije, autentičnost prije generičnosti, praksa s niskim ulozima i prisutnost s visokim ulozima) uz jelovnik provjerenih trenutaka koji čuva ravnopravnost.
  • Odgovornost je raspršena. U višeagentskim sustavima, kad autonomni agent proizvede problematičan rezultat, nejasno je tko je odgovoran - učenik, sustav ili institucija. To zamućuje pripisivanje koje procesi akademske čestitosti pretpostavljaju.
  • Kognitivni dug nakuplja se tiho. Duhovi studenti omogućuju učenicima da zaobiđu naporne procese koji grade razumijevanje, nakupljajući kognitivni dug koji izlazi na vidjelo tek kad se zahtijeva samostalna izvedba. Čestitost je tako vezana uz stvarno učenje, a ne samo uz poštivanje pravila.
  • Proširuje jazove u ravnopravnosti. Učenici s pristupom sposobnijim agentskim sustavima dobivaju nerazmjernu prednost, a automatizirana podrška može nagristi pomoć onima kojima je najpotrebnija - dimenzija čestitosti koja se tiče ravnopravnosti.

To povezuje raspravu o agentskoj umjetnoj inteligenciji s pokrivenošću akademske čestitosti u bazi znanja, koja odgovor uokviruje kao redizajn procjene i pismenost o umjetnoj inteligenciji, a ne samo otkrivanje.

Produktivno trenje i društvena interakcija

Nije svako agentsko ponašanje glatka pomoć. Istraživanje protivničkih dizajnerskih agenata pokazuje da su agenti koji provode konstruktivni sukob potaknuli znatno više dizajnerskih iteracija, šire istraživanje alternativa i više ocijenjene konačne dizajne među dizajnerima interakcija početnicima (N=48) - dinamika produktivnog trenja, u kojoj je agent sukoba bio frustrirajući, ali na kraju koristan. To se povezuje sa sokratskim propitivanjem i dizajnerskim mišljenjem te pokazuje kako agentska umjetna inteligencija može poduprijeti duboko preispitivanje umjesto pasivnog prihvaćanja.

Studija o tome kako agentska umjetna inteligencija postiže ishode učenja psihološkim, a ne tehnološkim putovima pruža kut mjerenja koji nedostaje. Pramod i Patil (2026) anketirali su 398 studenata poslovanja u Indiji i modelirali autonomiju, kompetenciju i povezanost uz interaktivnost, dijeljenje informacija i percipiranu društvenu prisutnost; autonomija je bila najjači motivacijski pokretač (β = 0,504), a interaktivnost najjači društveni (0,468), pri čemu su motivacija i društvena prisutnost hranile angažman gotovo jednakom snagom (0,533 i 0,493) prije nego što je angažman predvidio percipiranu izvedbu učenja (0,671). Dizajnerska je pouka da društveni put nije automatski: konstrukt suradničkog okruženja pomaknuo je percipiranu društvenu prisutnost manje nego puka responzivnost i dijeljenje informacija, pa tretiranje agenta kao chat sučelja, a ne kao sudionika, ostavlja većinu tog puta neiskorištenom.

Implikacije za nastavnike i dizajnere nastave

Za nastavnike, fakultetsko osoblje i dizajnere nastave, agentska umjetna inteligencija mijenja i što je moguće i što se mora čuvati:

  • Preusmjerite trud na rad veće vrijednosti. Agenti mogu preuzeti planiranje lekcija, generiranje i validaciju pitanja, trijažu povratnih informacija i dohvat resursa. Nastavnici bi ih trebali tretirati kao automatizirane potpore koje oslobađaju vrijeme za ono što agenti ne mogu: relacijsko poučavanje, kontekstualnu prosudbu i oblikovanje iskustava učenja. Višeagentski tijekovi rada namijenjeni nastavnicima (model TPACK i više agenata) obećavajući su model.
  • Držite učenikov kognitivni rad u središtu. Središnje dizajnersko pitanje nije „što agent može?“ nego „što učenik mora?“ Dizajneri nastave trebaju konfigurirati agentske sustave tako da podupiru, a ne zamjenjuju učenikovo planiranje, praćenje i trud - koristeći dinamičku postupnu potporu i namjerno trenje za zaštitu djelotvornosti i izbjegavanje pretjeranog oslanjanja.
  • Dizajnirajte za provjeru i proces, a ne samo za rezultat. Kad agenti mogu generirati rad na zahtjev, artefakt više ne potvrđuje učenje. Nastavnici bi agentske alate trebali upariti s procjenom temeljenom na procesu (usmena obrana, zadatci neovisni o alatu, provjere) tako da se mjeri razumijevanje, a ne samo proizvodnja.
  • Odaberite agente i utemeljite ih u pedagogiji. Dokazi iz mjernih ogledala pokazuju da agenti utemeljeni u teoriji nadmašuju sirovo poticanje. Dizajneri bi ponašanje agenta trebali utemeljiti u etabliranim nastavnim okvirima (npr. postupno prepuštanje odgovornosti, sokratsko propitivanje, teorija učenja) umjesto da po zadanoj postavci posežu za generičkim ulančavanjem alata.
  • Zadržite ljudski nadzor i prosudbu. Višeagentski i autonomni sustavi čine dizajn s čovjekom u petlji nužnim: odlučite gdje čovjek intervenira, tko je odgovoran i kako se neuspjesi hvataju. Protivničko testiranje pomaže iznijeti na vidjelo načine neuspjeha prije implementacije.
  • Izgradite nastavnikovu pismenost o umjetnoj inteligenciji. Nastavnici i dizajneri trebaju točne mentalne modele agentske umjetne inteligencije kako bi te sustave konfigurirali, nadzirali i kritizirali - i kako bi učenicima pokazali odgovornu upotrebu. To se povezuje s kompetencijama nastavnika za umjetnu inteligenciju i obrazovnim razvojem.
  • Pazite na ravnopravnost. Agentski alati riskiraju proširenje jazova ako je pristup nejednak ili ako automatizacija nagriza podršku učenicima kojima je najpotrebnija; dizajnirajte imajući na umu ravnopravnost.
  • Postavite institucionalne temelje prije skaliranja. Pitanje implementacije nije samo na razini dizajna, nego i institucije. Sinteza Baradzieja (2026) sažima dokaze o upravljanju u tri stupa: razviti pismenost o umjetnoj inteligenciji kod studenata i osoblja; izgraditi etičku infrastrukturu (politike zaštite podataka, okvire algoritamske odgovornosti i akademske čestitosti) prije implementacije na veliko; te pružiti obuku edukatora utemeljenu na kompetencijama koja nadilazi upoznavanje s alatom i doseže do pedagoških okvira koji čuvaju ljudsku djelotvornost. Budući da u nekim nacionalnim kontekstima samo oko 6,5% fakultetskog osoblja izvještava o neposrednoj upotrebi umjetne inteligencije, jaz u obuci ograničavajući je čimbenik odgovornog usvajanja.

Tehnike za osiguranje akademske čestitosti s agentskom umjetnom inteligencijom

Budući da autonomni agenti otkrivanje čine uzaludnim, nastavnici bi se trebali usredotočiti na tehnike koje provjeravaju učenje i čine pošten rad vidljivim, a ne na nadzor:

  • Preferirajte provjeru pred otkrivanjem. Zamijenite ili dopunite „predajte rad“ interakcijama koje od učenika zahtijevaju da pokaže razumijevanje koje ne može prepustiti: usmene obrane, zadatci neovisni o alatu, rješavanje problema uživo i procjena temeljena na procesu. Cilj je utvrditi što učenik može samostalno, a ne uhvatiti agenta.
  • Upotrijebite interaktivnu i stupnjevanu procjenu. Zahtijevajte stupnjevane predaje (nacrte, revizije, osvrte) i naknadne konverzacijske provjere koje ispituju razumiju li studenti svoj predani rad - pristupi „AI viva“ i kognitivnog skrbništva. Duhovi studenti ne mogu izdržati ispitivanje uživo koje nisu izveli.
  • Postavite jasna očekivanja vođena svrhom. Utemeljite očekivanja čestitosti u svrsi kolegija - što je dopušteno, kada i zašto - a ne u apstraktnim pravilima. Jasnoća politike usklađena s pedagogijom smanjuje dvosmislenost koju studenti iskorištavaju i pogrešne prosudbe dokumentirane u istraživanju čestitosti.
  • Učinite upotrebu umjetne inteligencije vidljivom i prijavljenom. Strukturirane izjave o upotrebi umjetne inteligencije specifične za zadatak (koje upotrebu preslikavaju na kognitivne faze) potiču refleksiju i normaliziraju pošteno otkrivanje, prebacujući kulturu sa skrivanja na transparentnost.
  • Izgradite pismenost o umjetnoj inteligenciji kao obrazovanje o čestitosti. Poučavajte studente kako odgovorno upotrebljavati agente i kritički prosuditi rezultate, uokvirujući čestitost kao stvarno učenje, a ne kao slijeđenje pravila. To uključuje pismenost o umjetnoj inteligenciji, razumijevanje što agenti mogu i ne mogu te trošak učenja zbog zaobilaženja truda.
  • Zadržite ljude u petlji. Održavajte ljudski nadzor odluka o procjeni, interaktivno provjeravajte predaje s visokim ulozima i dizajnirajte agentske alate tako da nastavnik uvijek može intervenirati.
  • Zatvorite prazninu u provjeri interakcijom. Za potpuno online ili asinkrone kontekste upotrijebite nadzirane ili interaktivne komponente koje zahtijevaju prisutnost uživo, izravno se suočavajući s prijetnjom duhova studenata umjesto da pretpostavljate da će ih otkrivanje uhvatiti.

Uravnotežen zaključak

Agentska umjetna inteligencija nije ni univerzalni lijek ni neizbježna šteta: njezina vrijednost ovisi o dizajnu. Upotrijebljena za potporu učenikovoj djelotvornosti, utemeljena u pedagogiji i uz ljude u petlji, može personalizirati i produbiti učenje; upotrijebljena za maksimiziranje automatizacije i dovršavanja zadataka, može nagristi upravo trud koji proizvodi učenje. Načelo dizajna koje se ponavlja je namjernost - izričito odlučiti što agent radi i što namjerno ostavlja učeniku.

Uobičajene zablude

„Svaki chatbot povezan s alatima agentski je sustav.“ Razlika se povlači na razini strukture sposobnosti, a ne pristupa alatima: sustav se kvalificira kao agentski samo ako zadovoljava kriterije poput planiranja, pamćenja, autonomije i djelovanja usmjerenog na cilj kroz više koraka. Alat za poticaj i odgovor koji može pozvati kalkulator ostaje konverzacijski. Razlika je važna jer se rizici i metode evaluacije razlikuju - autonomno višekoračno djelovanje otvara načine neuspjeha koje jedna razmjena ne otvara.

„Bolji temeljni modeli ono su što agentske sustave čini funkcionalnima u obrazovanju.“ U pokusu koji ova stranica citira, specijalizaciji uloga, a ne sirovoj sposobnosti modela, pripisuje se poboljšano ponašanje pri konzultaciji (71,8% prema usporedbi). Arhitektura i podjela rada među agentima dizajnerske su odluke s mjerljivim učincima, što znači da jači model ubačen u nespecijalizirani tijek rada neće ponoviti rezultat.

„Agentski sustavi u obrazovanju pedagoški su utemeljeni jer ih grade obrazovni istraživači.“ Dokazi govore suprotno: pregled opsega pokazao je da je samo 29% istraživanja o agentskoj umjetnoj inteligenciji (138 od 474) izričito utemeljilo svoje sustave u obrazovnoj teoriji. Disciplinarni jaz između tehnički i pedagoški usmjerenog rada stanje je područja, a ne propust pojedinog autora, pa je demonstracija koja funkcionira očekivani rezultat, a demonstracija koja funkcionira za učenje manjinski slučaj.

„Agent koji personalizira i produbljuje učenje čista je dobit u odnosu na chatbot.“ Sa sobom nosi konkretnu zamjenu: agentski sustavi ugrožavaju djelotvornost i pozivaju na rasterećenje kognitivnog truda o kojem učenje ovisi, a time što obavljaju više koraka bez nadzora čine to rasterećenje teže uočljivim. Napetost između automatizacije i učenja središnji je analitički problem kategorije, a ne ograda pridodana njezinim koristima.

Povezani koncepti

Povezani članci

Povezani FAQ-ovi

Povezani resursi

  • DeepTutor
    The open-source release of the DeepTutor agentic tutoring framework: one workspace for tutoring, question generation, mastery practice, research and visualization, with inspectable learner memory.

Metapodaci

DisciplinaStem Education
RazinaHigher Ed, K 12
Predviđena publikaLearners
Učenje i poučavanjeScaffolding
Tehnologije i tehnikeGenerative AI, Human-in-the-Loop, Intelligent Tutoring, Large Language Models (LLMs)
Temelji AI-ja u edukacijiLearner Agency, Agentska umjetna inteligencija, Pismenost u području umjetne inteligencije, Kognitivno rasterećenje
IzvorPovijestUrediRazgovor

Ugradi ovu stranicu

Kopirajte kôd u nastavku kako biste ugradili ovu stranicu u sustav za upravljanje učenjem ili drugu web stranicu. Ugrađena verzija prikazuje samo sadržaj stranice — skriva zaglavlje stranice, navigaciju i podnožje.