Umjetna inteligencija u obrazovanju

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

Umjetna inteligencija u obrazovanju (AIED) — široko, interdisciplinarno područje koje primjenjuje umjetnu inteligenciju na poučavanje i učenje te proučava njezino oblikovanje, upotrebu, procjenu i posljedice. Kao krovni koncept baze znanja, umjetna inteligencija u obrazovanju obuhvaća UI za obrazovanje (upotrebu umjetne inteligencije za poboljšanje nastave i procjene) i obrazovanje o umjetnoj inteligenciji (razvijanje pismenosti o umjetnoj inteligenciji i kritičkog razumijevanja). Nalazi se na presjeku tehnologije poučavanja, znanosti o učenju — empirijskog istraživačkog područja koje postavlja pitanje promijenio li se učenik, a ne samo je li alat funkcionirao — računalnih znanosti, obrazovne politike, etike i ravnopravnosti. Ova stranica je uvod u područje i karta do svakog koncepta koji baza znanja pokriva.

Pitanja za razmatranje

• „Umjetna inteligencija u obrazovanju“ obuhvaća dva smjera: umjetnu inteligenciju za obrazovanje (upotrebu umjetne inteligencije za poboljšanje poučavanja) i obrazovanje o umjetnoj inteligenciji (izgradnju pismenosti i kritičkog razumijevanja). Koji vam je bliži, a koji sklonoste zanemarivati?
• Povijest područja okarakterizirana je kao ponavljajuće napetost između kontrole i učenikove djelotvornosti. Dok promatrate usvajanje alata s umjetnom inteligencijom, gdje danas primjećujete istu tu napetost?
• Umjetna inteligencija u obrazovanju nalazi se na presjeku tehnologije, znanosti o učenju, politike, etike i ravnopravnosti. Koju od tih leća prirodno primjenjujete pri ocjenjivanju alata s umjetnom inteligencijom — a koju ćete vjerojatno zaboraviti?
• Ova baza znanja organizira područje u niti: pedagogiju, teorije učenja, tehnologije, discipline, procjenu, povratne informacije, dionike i upravljanje. Kad biste kartirali vlastitu upotrebu umjetne inteligencije, u kojoj biste niti se našli?
• AIED uključuje podučavanje učenika kritičkoj upotrebi umjetne inteligencije kao samostalnom cilju. U vašem se kontekstu s umjetnom inteligencijom postupa više kao s predmetom koji se poučava ili kao s alatom koji se upotrebljava — i odražava li ta ravnoteža ono što učenicima zbilja treba?
• Učenici mogu razviti pismenost o umjetnoj inteligenciji upotrebljavajući je kritički, a ne samo učići o njoj. Kako bi praktična, kritička upotreba mogla izgraditi razumijevanje koje pasivna instrukcija ne može?

Uvod

Umjetna inteligencija u obrazovanju je krov koji sve ostale stranice koncepata zajednički definiraju. Baza znanja organizira područje u navedene glavne niti, od kojih svaka vodi do relevantnih stranica koncepata.

Prekretnička povijesna perspektiva, Mishra i sur. prate AIED od kibernetike i dartmouthske konferencije 1956. preko kognitivnih tutora i Papertova konstrukcionizma, tvrdeći da današnje rasprave o GenAI ponovno odigravaju temeljnu napetost područja između kontrole i djelotvornosti.

Kako je organizirana baza znanja: krovne stranice

Pokrivenost koncepata u bazi znanja usidrena je u nekoliko krovnih stranica koje grupiraju povezane koncepte u navigabilne niti. One su dobre ulazne točke za istraživanje područja:

• Umjetna inteligencija u obrazovanju — ova stranica, pregled područja i karta do sve pokrivenosti.
• Pismenost o umjetnoj inteligenciji — krov za razumijevanje, upotrebu i kritičko ocjenjivanje umjetne inteligencije, koji obuhvaća inženjerstvo poticaja, kritičko mišljenje, etiku umjetne inteligencije i odgovornu upotrebu. Uz nju, suradnja čovjeka i umjetne inteligencije i agentska umjetna inteligencija okvirno opisuju kako ljudi i umjetna inteligencija rade zajedno.
• Pedagogije i strategije poučavanja — krov za to kako se poučavanje odvija: metode i strategije poučavanja u okviru kojih umjetna inteligencija djeluje (aktivno, suradničko, projektno, temeljeno na problemima, iskustveno, temeljeno na igrama, sokratsko, postupno skidanje potpore i drugo), uključujući izdvojeni kontekst poučavanja i učenja na mreži.
• Teorije učenja — krov za to kako se učenje odvija: teorijski okviri (biheviorizam, kognitivizam, konstruktivizam, sociokulturno, kognitivno, motivacijsko) koji oblikuju oblikovanje i procjenu umjetne inteligencije.
• Tehnologije — krov za tehnički sloj: sustavi umjetne inteligencije (LLM-ovi, generativna umjetna inteligencija, multimodalni, robotika) i tehnike (RAG, inženjerstvo poticaja, potkrepljujuće učenje, treniranje modela, agentska orkestracija) koji pokreću AIED. Obitelj modeliranja učenika — praćenje znanja, kognitivna dijagnoza, simuliranje učenika i sustavi koji ih koriste (inteligentno podučavanje, prilagodljivo učenje, personalizirano učenje) — grupirana je pod krovom Modeliranje učenika i prilagodljiva instrukcija unutar ove tehničke niti.
• Umjetna inteligencija u disciplinama — krov za to kako se umjetna inteligencija primjenjuje kroz predmetna područja (matematika, fizika, učenje jezika, računalne znanosti, pisanje, STEM, inženjerstvo, poslovanje, obrazovanje nastavnika, zdravstvene profesije i drugo) — i, izvan akademskih predmeta, profesionalna i primijenjena nit koja ocjenjuje pokazanu praksu, a ne ispravnost (medicinsko sestrinstvo, informacijska tehnologija, strukovno obrazovanje i obuka, obrazovanje za dizajn) — i obrazovne razine (K-12, visoko obrazovanje, obrazovanje odraslih).
• Assessment (s nitima formativna, sumativna, autentična, usmena i automatizirana) — krov za to kako umjetna inteligencija istovremeno ocjenjuje učenike i preoblikuje valjanost i neporočnost procjene.
• Feedback — krov za to kako se povratne informacije stvaraju, dostavljaju i koriste: povratna petlja, kvaliteta povratnih informacija, pismenost o povratnim informacijama i njezini konteksti procjene (formativna, međusobna, automatizirana).
• Dionici u obrazovanju s umjetnom inteligencijom — krov za to tko su akteri: učenici, nastavnici, dizajneri učenja, administratori i kreatori politika.
• Evaluacija obrazovanja s UI i istraživačke metode — krovovi za to kako znamo funkcionira li umjetna inteligencija: studije učinkovitosti, mjerna ogledala, randomizirane kontrolirane studije, metaanaliza i postignuća u učenju kao ključna mjera ishoda. Čitatelji bi trebali uzeti u obzir i prekogranična ograničenja ovih dokaza.
• Upravljanje umjetnom inteligencijom, obrazovna politika o umjetnoj inteligenciji i ravnopravnost — krovovi za institucionalni, regulatorni sloj i sloj pravičnosti (vidi također regulaciju i privatnost).

Ove krovne stranice povezane su u cijelosti nižih odjeljaka; svaka nit niže imenuje i svoj krov i svoje konstitutivne koncepte.

Dvije dimenzije umjetne inteligencije u obrazovanju

Istraživanje umjetne inteligencije u obrazovanju obuhvaća dva međusobno povezana smjera:

• Umjetna inteligencija za obrazovanje — upotreba sustava umjetne inteligencije za unapređenje poučavanja, učenja, procjene i administracije. To uključuje podučavanje uz pomoć umjetne inteligencije, prilagodljivo učenje, personalizirano učenje, automatsko ocjenjivanje eseja, automatsko generiranje pitanja, automatsku procjenu, formativnu procjenu, analitiku učenja i povratne petlje.
• Obrazovanje o umjetnoj inteligenciji — podučavanje učenika i edukatora da razumiju, upotrebljavaju i kritički ocjenjuju umjetnu inteligenciju. Jezgra je pismenost o umjetnoj inteligenciji, poduprta s inženjerstvom poticaja, kritičkim mišljenjem, etikom umjetne inteligencije, obrazovanjem o upravljanju, digitalnom pismenošću i odgovornom upotrebom.

Ove dvije dimenzije nisu odvojene: dobra upotreba umjetne inteligencije zahtijeva njezino razumijevanje, a poučavanje o umjetnoj inteligenciji obogaćuje se njezinom upotrebom. Ova suradnja čovjeka i umjetne inteligencije središnja je tema.

Temelji umjetne inteligencije u obrazovanju

Prekogranični i temeljni koncepti područja usidravaju pokrivenost baze znanja i pojavljuju se prvi u bočnoj traci. Otvaraju ih osnovni koncepti — koncepti s kojima bi svaki čitatelj trebao početi: sam krov, zablude o umjetnoj inteligenciji, pismenost o umjetnoj inteligenciji, agentska umjetna inteligencija, kognitivno rasterećenje, kako se upotreba umjetne inteligencije uokviruje za učenike, smanjenje zloupotrebe umjetne inteligencije, akademska neporočnost, poučavanje, oblikovanje učenja i obrazovni razvoj. Nit područja zatim pokriva povijest područja, prekogranična ograničenja baze dokaza, njegovu filozofiju, kartu teorija i okvira i razvoj teorije. Prekogranične teme — suradnja čovjeka i umjetne inteligencije, učenikova djelotvornost, identitet učenika, dizajnersko mišljenje, oblikovanje kurikuluma, kritičko mišljenje i računalno mišljenje — presijecaju svaku nit, jer su netočni mentalni modeli koje ljudi imaju o umjetnoj inteligenciji uzrokom zloupotrebe i neusklađenog povjerenja.

Učenje i instrukcija

To kako umjetna inteligencija podupire poučavanje i učenje, srce je područja. Ključni koncepti uključuju:

• Temeljne pedagogije: pedagogije i strategije poučavanja — krov za pokrivenost metoda poučavanja u bazi znanja — uz pedagoške uzorke (ispitane sekvence u koje se te metode razrješavaju), aktivno učenje, suradničko učenje, rad u grupi, projektno učenje, učenje temeljeno na problemima, produktivno neuspjeh, istraživačko učenje, iskustveno učenje, učenje temeljeno na igrama, učenje poučavanjem, postupno skidanje potpore, sokratska metoda, kritička pedagogija, pedagoška partnerstva, pripovijedanje, oblikovanje učenja, poučavanje i učenje na mreži i video u obrazovanju.
• Teorije i procesi učenja: krov teorije učenja (biheviorizam, kognitivizam, konstruktivizam, sociokulturno, distribuirana kognicija, situirano učenje, utjelovljeno učenje, zajednica istraživanja) stoji uz procese usmjerene na učenika kao što su samoregulirano učenje, teorija samoodređenja, motivacija, samoučinkovitost, samousmjereno učenje, metakognicija, poželjne poteškoće, prijenos učenja, prethodno znanje, kognitivno angažmanje ICAP, tekst opovrgavanja, pronalaženje, razmak i preplitanje i teorija aktivnosti.
• Angažman i iskustvo učenika: angažman učenika, traženje pomoći, socijalno-emocionalno učenje, blagostanje, kreativnost, rješavanje problema, ovladavanje učenjem i interakcija učenika i umjetne inteligencije oblikuju kako učenici zapravo susreću umjetnu inteligenciju i kako na njih utječe, dok socijalne norme koje se uspostavljaju oko upotrebe umjetne inteligencije određuju koliko otvoreno se o svemu tome može raspravljati. Iza samog kolegija, podrška i uspjeh učenika pokriva rad na institucionalnoj strani — savjetovanje, aktivnosti kontakta, upućivanja i raspodjelu oskudne podrške — gdje umjetna inteligencija pouzdano poboljšava dovršenje zadataka, ali ne i istrajnost ili diplomiranje.

Tehnologije i tehnike

Stranica Tehnologije krov je za tehnički sloj:

• Modeli i tehnike: generativna umjetna inteligencija, veliki jezični modeli, generiranje uz dopunu dohvatom, multimodalni modeli, obrazovni NLP, potkrepljujuće učenje, grafovi znanja, roboti u obrazovanju, konverzacijska umjetna inteligencija, simulacija i treniranje i fino podešavanje LLM-ova. Bitne su i temeljne metode: strojno učenje mjesto je na kojem se ti sustavi grade, tehnologije govora i glasa nose govorno podučavanje i vježbanje jezika, vizualizacija pokriva nadzorne ploče i vizualnu analitiku za učenike i nastavnike, a virtualna i proširena stvarnost domaćin je uronjene vježbe čiju vizualnu sloj sada model može generirati. Noviji stilovi interakcije također pripadaju ovdje — najistaknutije vibe kodiranje, radni tijekom vođen prirodnim jezikom u kojem korisnik navodi program poticanjem LLM-a i prosuđuje nastalo ponašanje umjesto da čita ili uređuje izvorni kod. To preoblikuje programiranje u čin izražavanja i provjere i snižava barijeru za krajnje korisnike da grade vlastite alate. Okviri dubine integracije kao što su SAMR i teorije usvajanja kao što je TAM klasificiraju koliko duboko se umjetna inteligencija usvaja i koliko preobražava zadatak.
• Modeliranje učenika i prilagodljivi sustavi: tehnički sustavi koji predstavljaju učenika i prilagođavaju mu se grupirani su pod krovom Modeliranje učenika i prilagodljiva instrukcija — praćenje znanja, kognitivna dijagnoza, simuliranje učenika, inteligentno podučavanje, prilagodljivo učenje, personalizirano učenje, sustavi preporuka i staze učenja, pedagoški agenti, afektivno podučavanje, afektivno računarstvo, čovjek u petlji umjetne inteligencije i analitika učenja. Oni stoje na tehničkom sloju jer su sami sustavi umjetne inteligencije, različiti od pedagogija koje ostvaruju.

Umjetna inteligencija u disciplinama

Umjetna inteligencija primjenjuje se kroz discipline i obrazovne razine. Pregled AIED-a u disciplinama u bazi znanja mapira pokrivenost po predmetnim područjima — uz znanost o učenju, koja nije poučavani predmet, nego prekogranično istraživačko područje koje proučava samo učenje i uzima predmetnu sadržaj kao jednu varijablu među ostalima:

• Predmetna područja: matematika, fizika, kemija, biologija, računalne znanosti, inženjerstvo, STEM, pisanje, učenje jezika, obrazovanje iz engleskog (EAP/EFL/ESL), prirodoslovno obrazovanje, poslovanje, ekonomija i menadžment, humanističke i društvene znanosti, obrazovanje za umjetnost, dizajn i medije, medicinske i zdravstvene profesije, pravno obrazovanje i profesionalne i primijenjene niti — medicinsko sestrinstvo, informacijska tehnologija, strukovno obrazovanje i obuka i obrazovanje za dizajn.

Razine i konteksti

Isti alat s umjetnom inteligencijom susreće vrlo različite okolnosti, a baza znanja odvaja obrazovnu razinu od pedagogije tako da se nalazi ne prenose tiho među njima: škole K-12, rano djetinjstvo i osnovno obrazovanje, visoko obrazovanje, obrazovanje odraslih, strukovno obrazovanje i obuka, specijalno obrazovanje i obrazovanje nastavnika. Koncepti iz susjednih područja koji presijecaju razine uključuju univerzalno oblikovanje za učenje, neurodiverzitet, višejezično učenje i socijalno-emocionalno učenje.

Procjena i mjerenje

Umjetna inteligencija preobražava i to kako ocjenjujemo učenike i to kako procjenjujemo same sustave umjetne inteligencije:

• Procjena i povratne informacije: procjena, formativna procjena, sumativna procjena, autentična procjena, e-portfelj, povratne informacije i pismenost o povratnim informacijama, kvaliteta povratnih informacija umjetne inteligencije, međusobna procjena, usmena procjena, automatizirana procjena, automatsko ocjenjivanje eseja i automatsko generiranje pitanja. Budući da model sada na zahtjev može proizvesti uvjerljivo dovršen rad, baza znanja ističe sposobnost koja ostaje učenikova vlastita: procjenjivačku prosudbu, sposobnost ocjenjivanja kvalitete vlastitog rada, rada vršnjaka i ishoda umjetne inteligencije prema obrazloženim kriterijima. To je konstrukt na koji se podudara nekoliko studija povratnih informacija i autentične procjene — uvjet hibridnih povratnih informacija koji nadmašuje izravne povratne informacije umjetne inteligencije u višelokacijskom eksperimentu, jaz održivosti u formativnim povratnim informacijama umjetne inteligencije i praktični potez ocjenjivanja odluka koje učenici donose, a ne samo artefakta — i to je ključni razlog zašto se preoblikovanje u eru umjetne inteligencije okreće od otkrivanja prema zadatcima čija neporočnost preživljava uvid. Rad u grupi također se procjenjuje po procesu i po proizvodu, gdje timovi moraju pregovarati čije i kakvo uključivanje umjetne inteligencije vrijedi kao prihvatljivo.
• Mjerenje i valjanost: valjanost procjene, psihometrijski osviještena umjetna inteligencija, obrazovno mjerenje, teorija odgovora na stavku, mjere samoprocjene (instrument iza velikog dijela ovih dokaza i ponavljajuće ograničenje), otkrivanje umjetne inteligencije, daljinski nadzor ispita i akademska neporočnost.

Istraživačke metode i evaluacija

To kako znamo funkcionira li umjetna inteligencija vlastita je nit, a baza znanja s njom i postupa tako:

• Istraživačke metode: istraživačke metode u AIED-u kao krov, s kvalitativnim, kvantitativnim, mješovitim, dizajnersko-temeljenim i upotrebljivim pristupima, uz randomizirane kontrolirane studije, metaanalizu i sistematski pregled i mrežnu analizu.

Vlastiti istraživački rad područja sada je sam predmet. AI-Assisted Educational Research pokriva umjetnu inteligenciju upotrijebljenu kao instrument za pretraživanje literature, probir, kvalitativno kodiranje, analizu i pisanje, uključujući istraživanje praktičara kao što je znanstveni rad o poučavanju i učenju. Ostaje različita od dizajna upotrebljenih za proučavanje onoga što umjetna inteligencija čini učenicima.

• Evaluacija sustava umjetne inteligencije: evaluacija obrazovanja s UI i mjerna ogledala za prosudbu sposobnosti sustava, s postignućima u učenju kao ishodom na kojem ovisi sve, te prekogranična ograničenja ovih dokaza i kako čitati pojedinu studiju kao opreznim protutežom.

Ljudi

Umjetna inteligencija u obrazovanju mijenja uloge svakog dionika. Stranica Dionici u obrazovanju s umjetnom inteligencijom u bazi znanja krov je koji sve njih pokriva:

• Učenici: iskustvo učenika, razvoj karijere i spremnost te anksioznost i stres zbog umjetne inteligencije oblikuju kako učenici susreću umjetnu inteligenciju.
• Obitelji i zajednice: roditelji i obitelji publika su kojoj se škole najčešće obraćaju o umjetnoj inteligenciji i ona s najmanje istraživanja iza smjernica, pa njihove brge pripadaju slici dionika, a ne izvan nje.
• Nastavnici i okviri poučavanja: kompetencije nastavnika za umjetnu inteligenciju, tehnološko pedagoško sadržajno znanje (TPACK), SAMR i obrazovni razvoj bave se pripremom i podrškom edukatora.
• Graditelji: razvojni programeri obrazovne tehnologije — dizajneri proizvoda, razvojni programeri softvera, inženjeri učenja i dizajneri analitike koji pretvaraju sposobnost modela u nešto što institucija može nabaviti. Oni su publika različita od praktičara i administratora gore, i stoje izvan institucija koje usvajaju njihove alate, zato se zadane postavke, suoblikovanje i održavanje nakon financiranja pojavljuju u ovoj bazi znanja kao pedagoška pitanja, a ne komercijalna.

Institucije i politika

Institucionalni sloj mjesto je na kojem se odluke o umjetnoj inteligenciji zapravo donose i brane: administratori i institucionalni voditelji, obrazovna politika o umjetnoj inteligenciji, upravljanje umjetnom inteligencijom, upravljanje promjenom kao rad da usvajanje prane, regulacija umjetne inteligencije te pitanja nabave i platformi koja slijede iz usvajanja tehnologije, otvorenog koda i platformi edtech, uz profesionalno i cjeloživotno učenje i profesionalnu obuku.

Ravnopravnost, etika i odgovorna upotreba

Pravičnost, pristup i odgovornost središnji su za umjetnu inteligenciju u obrazovanju:

• Ravnopravnost i pristup: ravnopravnost, diferencijalni učinci prema skupinama učenika (pitanje za koga nalaz vrijedi), digitalni jaz, ublažavanje pristranosti, kulturno relevantna pedagogija, višejezično učenje, inkluzivno učenje, pristupačnost, pomoćna tehnologija, neurodiverzitet, univerzalno oblikovanje za učenje i studije Globalnog juga.
• Etika i odgovornost: etika umjetne inteligencije, zloupotreba umjetne inteligencije i šteta za učenje, pravna pitanja i rizici, otkrivanje upotrebe umjetne inteligencije, zaštitne ograde, privatnost, rizik od halucinacija, podlizivanje umjetne inteligencije, povjerenje, kalibracija povjerenja, smanjenje zloupotrebe umjetne inteligencije, kako se upotreba umjetne inteligencije uokviruje za učenike, pedagoška sigurnost, održivost i kognitivno rasterećenje.

Sistematski pregled etičke literature područja (Agarwal i sur. 2026., 25 članaka) konsolidira etiku AIED-a u šest glavnih etičkih vrijednosti — nediskriminacija, čuvanje podataka, ljudski nadzor, dobra volja, objašnjivost i obrazovna prikladnost — i mapira etičke norme na matricu dionik po vrijednosti. Nalazi da su krajnji korisnici uglavnom pasivni u etičkoj literaturi (glasovi učenika u biti odsutni) i poziva na integraciju etike u oblikovanje AIED-a i veću usredotočenost na obrazovnu (pedagošku) dimenziju etike AIED-a.

Nastale i prekogranične teme

Nekoliko tema presijeca područje:

• Povjerenje i kritička upotreba: povjerenje, kalibracija povjerenja, podlizivanje umjetne inteligencije, kritičko mišljenje, kognitivno rasterećenje, kritička pedagogija i smanjenje zloupotrebe umjetne inteligencije (vidi također kako se upotreba umjetne inteligencije uokviruje za učenike). To kako učenici i nastavnici odlučuju usvojiti umjetnu inteligenciju i osloniti se na nju modelira istraživanje prihvaćanja tehnologije, dok studije Globalnog juga ističu ravnopravnost i kulturni kontekst u usvajanju. Empirijski, to kako se umjetna inteligencija sama objašnjava oblikuje to povjerenje: Feldman-Maggor i sur. (2025.) pokazali su da objašnjiva umjetna inteligencija gradi povjerenje nastavnika u preporuke umjetne inteligencije kroz razumljivost, pri čemu su objašnjenja vođena područjem (jezikom kurikuluma) pouzdanija i prihvaćenija od ishoda važnosti značajki vođenih podacima.
• Razvoj područja: baza znanja prati umjetnu inteligenciju u obrazovanju od ranih sustava inteligentnog podučavanja i praćenja znanja do podučavanja vođenog LLM-ovima, agenta i agentske umjetne inteligencije — nagli skok od studija usredotočenih na alate prema sociotehničkim okvirima (dizajnersko mišljenje, oblikovanje kurikuluma, institucionalna promjena), i od ručno sastavljenih sustava prema tijekovima rada vođenim korisnikom u kojima učenik ili neprogramer navodi ponašanje prirodnim jezikom (vibe kodiranje). Rismanchian i Doroudi formaliziraju tu putanju svojim okvirom AI×Ed, prateći radove kroz četiri desetljeća zbornika da bi pokazali da se područje pomaknulo od raznolike mješavine — uključujući znatno istraživanje koje tretira umjetnu inteligenciju kao analogiju ljudskoj inteligenciji i učenju — prema gotovo isključivoj usredotočenosti na primijenjene, podacima vođene upotrebe usmjerene istraživačima, okret koji pojava LLM-ova sada djelomično izgleda poništava (tri od četiri rada „umjetna inteligencija kao analogija“ na AIED-u 2024. bili su temeljeni na LLM-ovima).
• Emocije, anksioznost i karijerne budućnosti: umjetna inteligencija izaziva i oblikuje emocionalne reakcije — anksioznost i stres zbog umjetne inteligencije koji obuhvaća nadzor pri nadzoru ispita, strahove od neporočnosti i zamjenu na radnom mjestu — dok razvoj karijere i spremnost bavi se time kako obrazovanje priprema učenike za tržište rada poremećeno umjetnom inteligencijom (vidi također blagostanje).

Zrelost područja

Baza znanja odražava područje u brzoj evoluciji — od ranih sustava inteligentnog podučavanja do podučavanja vođenog LLM-ovima i agentske umjetne inteligencije; od alata akademske neporočnosti usredotočenih na otkrivanje do preoblikovanja procjene; od studija usredotočenih na alate prema sociotehničkim okvirima usredotočenim na ravnopravnost. Baza dokaza sve više naglašava stroge istraživačke metode, evaluaciju, eksperimentalne dizajne i dugoročne ishode.

Veze

Umjetna inteligencija u obrazovanju povezuje se sa svakim konceptom u bazi znanja — to je područje koje sve ostale stranice koncepata zajednički definiraju. Upotrijebite ovu stranicu kao polazište za navigaciju cijelom bazom znanja.

Povezani koncepti

• Pedagogical Patterns — Ispitane sekvence koje operacionaliziraju pedagogije područja
• Pismenost u području umjetne inteligencije — krov: razumijevanje, upotreba i ocjenjivanje umjetne inteligencije
• Human AI Collaboration — krov: kako ljudi i umjetna inteligencija rade zajedno
• Pedagogies and Teaching Strategies — krov: metode i strategije poučavanja
• Learning Theories — krov: kako se učenje odvija
• Technologies — krov: modeli, tehnike i sustavi
• AIEd in the Disciplines — krov: umjetna inteligencija kroz predmetna područja i razine
• Assessment — krov: kako umjetna inteligencija ocjenjuje učenike i preoblikuje valjanost
• Feedback — krov: kako se povratne informacije stvaraju, dostavljaju i koriste
• Stakeholders — krov: tko su akteri
• Learners — krov: koncepti na strani učenika (iskustvo, identitet, djelotvornost, interakcija, modeli učenika)
• AI Ed Evaluation — krov: kako znamo funkcionira li umjetna inteligencija
• Research Methods in AIED — krov: metode istraživanja učinkovitosti
• AI-Assisted Educational Research — AI-Assisted Educational Research
• AI Governance — krov: institucionalni i regulatorni sloj
• Educational AI Policy — krov: politika, smjernice i implementacija
• Equity — krov: pravičnost, pristup i uključivost
• Learning Sciences — empirijsko područje iza AIED-a
• Ethics — etičke dimenzije umjetne inteligencije u obrazovanju
• Misconceptions about AI — mentalni modeli koje ljudi donose umjetnoj inteligenciji
• Interpreting and Applying AIEd Research — čitanje studije i nošenje nalaza u praksu
• Limitations in AIEd Research — prekogranična ograničenja baze dokaza
• Meta-Analysis and Systematic Review — što ustanovljavaju pregledi i metaanalize
• History of AI in Education — kako se područje razvilo
• Philosophy of AI in Education — filozofski temelji
• Theories and Frameworks — karta čvorova teorija i okvira
• Theory Development in AI in Education — izgradnja i revidiranje teorije

Povezani članci

Cjelopodručni pregledi umjetne inteligencije u obrazovanju — studije koje opisuju cijelo područje ili cijelu obrazovnu razinu, a ne jednu temu:

• The Evolution of Research on AI and Education Across Four Decades: Insights from the AIxEd Framework — Razvoj istraživanja umjetne inteligencije i obrazovanja kroz četiri desetljeća (okvir AIxEd)
• Control vs. Agency: Exploring the History of AI in Education — Kontrola nasuprot djelotvornosti: povijest umjetne inteligencije u obrazovanju
• Generative AI in Higher Education: A Systematic Review of Opportunities, Challenges, and Pedagogical Innovations (2022–2025) — Generativna umjetna inteligencija u visokom obrazovanju: sistematski pregled 125 studija
• The Evidence Base on AI in K-12: A 2026 Review — Baza dokaza o umjetnoj inteligenciji u K-12: pregled 818 radova
• Generative AI technologies and educational outcomes: a comprehensive meta-analysis comparing traditional and AI-driven approaches — Generativna umjetna inteligencija i obrazovni ishodi: sveobuhvatna metaanaliza