Baza znanja AIEdAIEd KB
Na ovoj stranici

Pročitajte ovu stranicu na engleskom

Pojmovi

Pismenost u području umjetne inteligencije

Stvoreno 2026-10-15

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

Pismenost u području umjetne inteligencije (AI literacy) — znanje, vještine i kritičke dispozicije potrebne za razumijevanje, procjenu i učinkovitu upotrebu umjetne inteligencije Technologies u obrazovnim kontekstima. Pismenost u području umjetne inteligencije obuhvaća temeljno razumijevanje načina na koji umjetna inteligencija funkcionira, praktičnu kompetentnost u upotrebi UI alata, kritičku procjenu UI rezultata i etičku svijest o društvenim implikacijama umjetne inteligencije.

Pitanja za razmatranje

  • Što znači biti „pismen u području umjetne inteligencije“? Zna li to znati koristiti alate, razumjeti kako oni rade ili moći kritički procijeniti njihove rezultate — i što je najvažnije za vaše vlastite ciljeve?
  • Samoprocjenjena pismenost u području umjetne inteligencije značajno odstupa od izmjerene izvedbe — nastavnici precjenjuju svoje vještine za oko 40 %. Koliko ste sigurni u vlastite UI vještine i kojim dokazima biste vjerovali da tu sigurnost doista testirate?
  • Pismenost u području umjetne inteligencije opisuje se kao metakognitivna društvena praksa, a ne kao kontrolni popis vještina. Budući da su LLM-ovi probabilistični i neprozirni, što znači „kritički procijeniti“ rezultat kada ne možete pogledati unutar modela?
  • Postoji napetost između pismenosti kritičke upotrebe namijenjene akademskim kontekstima i pismenosti integracije u radni proces namijenjene zaposlenju — edukatori i poslodavci vrednuju različite vještine. Koju vrstu pismenosti u području umjetne inteligencije vaš kontekst doista podučava?
  • Sama tehnička obuka o pismenosti u području umjetne inteligencije, bez potpore samoučinkovitosti i samoregulacije, može zapravo povećati ovisnost o umjetnoj inteligenciji. Kako bi učenje upotrebe umjetne inteligencije moglo učiniti da od nje budete više ovisni, a ne sposobniji?
  • Pismenost u području umjetne inteligencije također je i vještina prepoznavanja: uočavanje kada vam se umjetna inteligencija povlađivanjem (sycophancy) slaže, a kada zato što ste u pravu. Jeste li ikada uhvatili umjetnu inteligenciju kako vam samo govori ono što želite čuti?

Uvod

Pismenost u području umjetne inteligencije brzo je postala temeljna kompetencija za učenike, edukatore i institucije kako se Generative AI sve više ugrađuje u obrazovanje. Za razliku od opće digitalne pismenosti, pismenost u području umjetne inteligencije zahtijeva razumijevanje probabilističkih sustava koji mogu halucinirati, pokazivati pristranost i prebacivati Learner Agency s čovjeka na stroj — čime Critical Thinking i pretjerana oslonjenost postaju središnji elementi konstrukta.

Dimenzije pismenosti u području umjetne inteligencije

Istraživanja istraživanje pismenosti u području umjetne inteligencije u ovoj bazi znanja obuhvaćaju četiri međusobno povezane dimenzije:

Okviri sve više prate kako se te dimenzije aktualiziraju u praksi: Dai i Chan (2026) pokazuju kako istraživači poslijediplomskog studija aktualiziraju sve četiri dimenzije kada koriste Generative AI kroz istraživački radni proces i iz njih izvode smjernice odgovorne upotrebe specifične za istraživanje, dok Şan i Orhan Karsak (2026) koriste preslikavanje povezano s riječima kako bi pokazali da je kognicija turskih studenata o umjetnoj inteligenciji instrumentalno dominira „crnom kutijom“, uz strukturno izolirane koncepte etičkog upravljanja (τ=−0.819) — dokaz da dizajn vjerodajnica mora namjerno premošćivati iskusnu upotrebu alata i etičke okvire.

Zahtjev ovisi o tome što student i sustav zajednički rade. Okviri pismenosti obično opisuju jedan opći skup kompetencija, ali ono što aktivnost potpomognuta generativnom umjetnom inteligencijom doista zahtijeva mijenja se ovisno o tome kako je epistemički rad raspodijeljen unutar nje. Sun, Dohn i Rehm (2026) klasificirali su 102 empirijska istraživanja visokog obrazovanja prema Strobel i sur. taksonomiji primjena generativne umjetne inteligencije i utvrdili su da entanglements tipa Assistant i Enabler dominiraju s po 42,16 % korpusa, dok su Generator, Reimaginator i Synthesizer zajedno činili manje od petine — asimetriju koju pripisuju institucionalnoj legitimnosti, a ne sposobnosti modela, budući da isti modeli podržavaju svih pet. Čitanje svakog tipa kroz Dohnova tri kontekstna razine (domena-interna, aktivnost-interna, aktivnost-okvirna) pokazuje da se zahtjevi ujednačavaju za rad tipa Assistant, a razbijaju za marginalne tipove, gdje ono što aktivnost traži od studenata odstupa od onoga što institucija prepoznaje kao legitimnu kompetenciju. Njihov zaključak pismenost udaljava od tečnosti u radu s alatom u cijelosti: pismenost u području generativne umjetne inteligencije je sposobnost prepoznavanja kako su epistemički rad i odgovornost raspodijeljeni u danom entanglementu te odgovarajućeg djelovanja unutar njega.

Temeljno znanje: Razumijevanje što su LLM-ovi, kako se razlikuju od sustava zasnovanih na pravilima i koja su im temeljna ograničenja. To uključuje svijest o sposobnostima modela, pristranostima u podacima za obuku i razlikovanje umjetne inteligencije za specifične zadatke od modela opće namjene. Istraživanja u području Prompt Engineering ispituju kako razumijevanje mehanizama upita utječe na učinkovitu upotrebu umjetne inteligencije.

Praktična kompetentnost: Sposobnost učinkovite upotrebe UI alata — od Prompt Engineering do interpretiranja rezultata. Studije obrazaca upotrebe generativne umjetne inteligencije među studentima otkrivaju da sam pristup alatu ne stvara kompetentnost; strukturirana praksa i Scaffolding su neophodni. Okvir za vibe coding pokazuje kako nastavnici K-12 mogu razvijati praktičnu pismenost o umjetnoj inteligenciji kroz vođeno stvaranje alata. Miles, Haber-Curran i Arar (2026) tvrde da ova dimenzija ima dio koji obuka za optimizaciju propušta: pismenost o upitima, kao nešto što se razlikuje od inženjeringa upita, tretira upite kao retorički i etički čin, pa poduka koja samo podešava rezultate za bolju izvedbu ostavlja netaknutim etičke i epistemološke dimenzije upotrebe LLM-ova.

Kritička procjena: Sposobnost vrednovanja UI rezultata po pitanju točnosti, pristranosti i primjerenosti. Istraživanje procjene pismenosti pokazuje razliku od 40 % između samoprocjenjene i na izvedbi zasnovane pismenosti u području umjetne inteligencije — ljudi dosljedno precjenjuju svoje vještine procjene. Ta divergencija najjasniji je slučaj u bazi znanja u kojem mjera samoprocjene ne prati kompetenciju koju imenuje. To se povezuje s istraživanjima pretjerane oslonjenosti koja pokazuju da studenti koji Trust umjetnoj inteligenciji bez kritičkog stava uče manje. Nedavni konceptualni rad pomiče procjenu prema verifikaciji: okvir PEARLS (Wang) tretira UI rezultat kao preliminarnu tvrdnju znanja čiji warrant mora biti skupljen i ispitan kroz šest dimenzija (Process, Evidence, Access, Reproducibility, Legitimacy, Source), te razvija verification-driven learning kao mehanizim kojim učenici grade stručnost dok provjeravaju UI tvrdnje. Kao dopuna tome, okvir odgovorne upotrebe usmjeren na studenta (Alsammani) nudi deset smjernica usmjerenih studentima kroz stupove Learning and Growth, Ethics and Integrity te Awareness and Safety koji eksternaliziraju metakognitivne upite u trenutku odluke. Za učenike srednje škole, okvir AI-Assisted Research Competency (AARC) (Beau, Flaquière i Lazar 2026) to utemeljuje u vrlinjskoj epistemologiji i intuiciji o umjetnoj inteligenciji, definirajući istraživačku pismenost kao vođenje istraživanja s umjetnom inteligencijom bez predaje autorstva, rasuđivanja, verifikacije ili odgovornosti — operacionalizirano kao analitička rubrika i rutina obveze verify–cite–reflect. Na kraju Assessment procjene, Saleh (2026) predlaže test ljudske sposobnosti koji procjenu pretvara u dizajnersko načelo: pitajte što student mora samostalno demonstrirati, što se može ojačati UI augmentacijom, i što student mora provjeriti, obraniti i preuzeti odgovornost za to.

Verifikacija na razini discipline postavlja još višu letvu. Vega-Baudrit i Rivera Alvarez (2026) tvrde da je u sveučilišnoj kemiji temeljni zahtjev pismenosti o umjetnoj inteligenciji reprezentacijsko prevođenje kroz Johnstoneove makroskopske, submikroskopske i simboličke domene, jer rezultat može biti lokalno uvjerljiv u jednoj domeni, a istovremeno u suprotnosti s ravnotežom naboja, mehanizmom ili sigurnosnom granicom u drugoj. Njihovo rješenje je integracija usmjerena na verifikaciju: učinite verifikaciju procijenjivom aktivnošću, čuvajte zapisnike upita i povijesti revizija kao tragove rezoniranja, te tretirajte upite kao epistemički čin koji navodi ograničenja, pretpostavke i kriterije adekvatnosti, pri čemu studenti identificiraju pogrešnu pretpostavku ili opravdavaju odbijanje generiranog odgovora.

Etička i institucionalna svijest: Razumijevanje širih implikacija umjetne inteligencije — od Academic Integrity do Equity do Privacy. Pismenost u području umjetne inteligencije na institucionalnoj razini uključuje razvoj politike, Educational Development i okvire upravljanja — institucionalna pismenost o umjetnoj inteligenciji pitanje je politike koliko i pedagogije. Okvir EPIQ-AI institucionalnu pismenost o umjetnoj inteligenciji definira kao izazov sociotehničkog usklađivanja, a ne samo individualne obuke.

  • Pismenost u području umjetne inteligencije kao kapacitet upravljanja za održivi razvoj. Islam, Morshed i Islam (2026) rekonceptualiziraju pismenost u području umjetne inteligencije kao kapacitet usmjeren na upravljanje, radije nego kao čisto obrazovnu ili tehničku vještinu, povezujući je sa svih sedamnaest ciljeva održivog razvoja UN-a. Njihova šestorazinska taksonomija AIRE (Recognize → Comprehend → Apply → Analyze → Integrate → Govern) proširuje Bloomovu hijerarhiju dodavanjem etičke sinteze i strateškog predviđanja, pozicionirajući napredne kompetencije (Analyze–Govern) kao put od temeljne pismenosti do institucionalnog upravljanja na razini politike — heuristiku „18. SDG-a“ koja pismenost tretira kao transverzalni kognitivni i etički most. Istraživanje provedeno na 300 profesionalaca u nacionalnom kontekstu utvrdilo je jaku tehničku svijest, ali ograničenu etičku i upravljačku spremnost, pri čemu su etičko rezoniranje i refleksivno razmišljanje najsnažniji prediktori održive, pouzdane upotrebe umjetne inteligencije, a upravljačka pismenost najsnažniji prediktor svijesti o vezi UI–SDG (β = 0.64). To empirijski utemeljuje naglasak baze znanja na pismenosti kritičke upotrebe i pismenost u području umjetne inteligencije izravno povezuje s Sustainability i integracijom politike. Ponuda okvira sada je sama postala problem. Fitsilis (2026) usporedio je 16 institucionalno podržanih okvira kompetencija za umjetnu inteligenciju u obrazovanju i razvoju radne snage te utvrdio zajedničko jezgro od deset područja kompetencija, ali široku varijaciju u strukturi, progresiji i smjernicama za implementaciju — praktična težina je u biranju među njima, a ne u nestašici.

Kako se razvija pismenost u području umjetne inteligencije

Istraživanja upućuju na kolaborativne i aktivne pristupe kao najučinkovitije. Rismanchian i Doroudi pismenost u području umjetne inteligencije pozicioniraju kao više od primijenjene vještine: u njihovom okviru AI×Ed učenik je zaseban krajnji korisnik umjetne inteligencije (kojoj se pristupa kroz pismenost o umjetnoj inteligenciji i obrazovanje o umjetnoj inteligenciji), i zagovaraju obnovljeni rad o pismenosti koji potiče refleksiju o samom učenju — tretirajući pismenost kao put natrag u istraživanja o „umjetnoj inteligenciji kao analogiji ljudskoj inteligenciji“ o tome kako ljudi uče, struku koju je područje uglavnom napustilo. Okvir ICAP (Interactive → Constructive → Active → Passive) pruža korisnu taksonomiju kognitivnog angažmana: studenti najbolje uče o umjetnoj inteligenciji kada sukonstruiraju znanje, a ne kada pasivno primaju informacije. Dizajneri bi trebali odabrati način koji odgovara cilju učenja i favorizirati dublje (konstruktivne i interaktivne) načine gdje je to moguće. Praktične aktivnosti — dizajniranje upita, grupna procjena rezultata, debate o UI Ethics — nadmašuju predavanja.

Sastavljanje tekstova počinje od životnog iskustva — ali dubina koncepta zahtijeva podršku. Burriss i sur. (2026) utvrdili su da mladi temeljna načela UI Ethics sidraju u sustave s kojima se svakodnevno susreću — elektroniče „propusnice za hodnik“, školske regulirane prijenosnike, detektore plagijata — pri čemu je jedna grupa objasnila da je umjetna inteligencija u školama „bila osobna za sve članove grupe“, a 15 od 18 odgovora u anketi na kraju ciklusa izvijestilo je da je izrada videa promijenila njihovo razumijevanje UI etike. Autori su izričiti o ograničenju: samo sastavljanje tekstova nije samo po sebi zajamčilo konceptualno utemeljenje — „informirani pristanak“ preveden je kao „Moramo odobriti“, a neki termini (npr. „failsafe“) nikada nisu bili objašnjeni, što ih je potaknulo da planiraju dublji konceptualni rad u kasnijim iteracijama. Kreativna produkcija najbolje razvija pismenost o umjetnoj inteligenciji kada izradi prati eksplicitni konceptualni Scaffolding, radije nego da se pretpostavi da će iz njega proizaći sama.

UI intuicija kao iskustvena dopuna pismenosti. Prečesta je praznina što K-12 okviri pretpostavljaju da učenici umjetnoj inteligenciji pristupaju kroz deklarativno, na pravilima zasnovano znanje, dok u praksi prvo razvijaju praktični „osjećaj“ za to kako umjetna inteligencija reagira — eksperimentiranjem s upitima, promatranjem ponašanja, prilagodbom strategija — prije nego što mogu artikulirati formalna načela. Beau i Lazar (2026) to formaliziraju kao UI intuiciju: iskustveno, induktivno, često implicitno razumijevanje koje se razvija kroz iterativnu interakciju s UI sustavima i podržava rasuđivanje osjetljivo na kontekst u uvjetima nesigurnosti. Njihov dualni okvir smješta pismenost o umjetnoj inteligenciji (strukturirane, uglavnom statične kompetencije) uz UI intuiciju (dinamički proces učenja), preslikavajući oboje kroz standardne dimenzije — razumjeti koncepte, koristiti alate, kritički procijeniti, etički primijeniti, reflektirati — kako bi učenici povezali konceptualnu jasnoću i Guardrails (pismenost) s praktičnom mudrošću da povjeruju, ali provjere i odluče kada prestati sudjelovati (intuicija). Budući da intuicija njeguje „stručno promatranje“ umjetne inteligencije (npr. stres-testiranje upita kako bi se pronašlo gdje model zakaže), autori tvrde da je ona zaštita od pretjerane oslonjenosti i erozije kritičkog mišljenja; razlikuje se od Prompt Engineering (koji optimizira rezultate) time što u prvom planu stavlja epistemičko rasuđivanje. To povezuje pismenost s Experiential Learning, Constructivism i razvojno utemeljenom razrednom praksom, te usmjerava pripremu nastavnika prema olakšavanju induktivnog istraživanja, a ne samo prema prenošenju koncepata.

Motivacija je preduvjet, a ne samo ishod. Liang i sur. (2026) su u istraživanju provedenom na 2.086 studenata srednjih škola tijekom jednogodišnjeg kurikuluma o umjetnoj inteligenciji utvrdili da su studenti koji su prešli u profil motivacije Self-Determined motivacijski ili u njemu ostali (visoka zadovoljenost potreba za autonomijom, kompetentnošću i povezanošću) pokazali najveće napretke u pismenosti u području umjetne inteligencije. Pismenost u području umjetne inteligencije razvija se kroz održiv angažman, a taj angažman sam oblikuju motivacija i potpora psihološkim potrebama — pa bi učinkovita poduka o pismenosti trebala voditi računa o motivaciji učenika, a ne samo o njihovim vještinama.

Instrukcijski naglasak i otvorenost zadatka do izvedbe dopiru kroz različite potrebe. Yu, Lin i Chen (2026) randomizirali su 320 studenata preddiplomskog studija u četiri skupine u eksperimentu 2 x 2 na zadatku generiranja slika uz pomoć AIGC-a, ocjenjenom objektivnom rubrikom (ICC = 0.89), te utvrdili da je poduka usmjerena na razmišljanje, koja pokriva ograničenja modela, kritičku procjenu i etiku, nadmašila poduku zasnovanu na vještinama upita (M = 9.21 prema 7.69, F(1, 316) = 50.79, p < 0.001, parcijalni eta kvadrat = 0.138), uz veću razliku na zadatcima otvorenog tipa (10.10 prema 8.00). Strukturni model pokazuje da ta dva dizajnerska izbora putuju različitim rutama: poduka je djelovala neizravno kroz autonomiju (beta = 0.035) i kompetentnost (beta = 0.079), dok je otvorenost zadatka djelovala uglavnom kroz autonomiju (beta = 0.029), kompetentnost je bila najsnažniji prediktor izvedbe (beta = 0.358), a povezanost nije imala neovisni učinak. Ono što poduka sadrži je stoga važnije od toga dobivaju li učenici vježbu u upitima, i najvažnije je kada je zadatak otvorenog tipa.

Varijable koje okružuju pismenost u području umjetne inteligencije od tada su preslikane šire. Sustavni pregled iz 2025. koreliata pismenosti u području umjetne inteligencije sintetizirao je 31 studiju iz 14 zemalja (N = 12.071) i utvrdio najdosljednije povezanosti u afektivnom i bihevioralnom pojasu: samoučinkovitost u korištenju umjetne inteligencije, pozitivni stavovi prema umjetnoj inteligenciji, motivacija i digitalna kompetencija kretali su se zajedno s pismenošću o umjetnoj inteligenciji, dok su se AI anksioznost i negativni stavovi kretali protiv nje. Demografske varijable jedva su se registroirale, pri čemu su dob i socioekonomski status korelirali slabo ili uopće ne. Oprez pregleda tiče se instrumenata: iste studije koje su proizvele jake korelacije iz samoprocjene pokazale su i daleko slabije kada je pismenost o umjetnoj inteligenciji testirana, a ne samoprocjenjivana.

Studija strukturnih jednadžbi provedena na 502 ispitanika iz akademskog osoblja na jednom kineskom istraživačkom sveučilištu utvrdila je da je pismenost o umjetnoj inteligenciji najsnažniji prediktor UI blagostanja (β = 0.713), nasuprot malom putu tehnološke samoučinkovitosti (β = 0.082), pri čemu su društvena i organizacijska podrška do blagostanja dopirala samo neizravno (Liu i sur. (2026)).

Jedna naizgled negativna povezanost okreće se pod kontrolom: među 303 studenta preddiplomskog studija iz Hong Konga tehnološka anksioznost korelirala je negativno s pismenošću o umjetnoj inteligenciji (r = −0.14), a ipak je predvidjela β = 0.15 u zajedničkom modelu, pri čemu je taj učinak bio ograničen na kritičku procjenu i etičku kompetentnost (Chow i sur. (2026)).

Hu (2026) dodaje uređeni opis onoga što pismenost o umjetnoj inteligenciji predviđa, radije nego onoga što nju predviđa. Istražujući 450 studenata sveučilišta u kontinentalnoj Kini koji već koriste ChatGPT, studija je utvrdila da je pismenost o umjetnoj inteligenciji izravno povezana s daljnjom upotrebom (beta = 0.16, p = 0.002) i neizravno po serijskom putu kroz Trust i akademsku Self-Efficacy (neizravni učinak = 0.07, 95 % CI [0.04, 0.10]), pri čemu je povezanost pismenosti s povjerenjem najveća povezanost u modelu (beta = 0.50). AI anksioznost moderirala je tu prvu povezanost (interakcijski beta = -0.25, pri čemu padaju jednostavni nagibi od 0.76 do 0.25 kroz raspon anksioznosti), pa je lanac tanji za anksioznije studente i sama poduka o pismenosti ne bi se trebala pretpostaviti da ih doseže. Dizajn je presječan, a uzorak ograničen na postojeće korisnike, pa je redoslijed modelacijska pretpostavka, a ne promatrana sekvenca.

Temeljna primijenjena svrha pismenosti o umjetnoj inteligenciji je smanjenje zloupotrebe umjetne inteligencije: podučavanje studenata da umjetnu inteligenciju koriste etički i produktivno, radije nego da zamjenjuje njihov kognitivni rad. Gdje pismenost o umjetnoj inteligenciji gradi sposobnost kritičke procjene i upotrebe umjetne inteligencije, tamo je smanjenje zloupotrebe bihevioralna i strukturna dobit — kombinacija dizajna alata s ogradama, redizajna procjene i edukativnih poluga kao što su sekvence „prvo razmišljaj, zatim koristi UI“ s podrškom te vježba u upitima s namjernim Feedback. Ta dva koncepta međusobno se jačaju: pismenost o umjetnoj inteligenciji pruža kritičke dispozicije koje intervencije za smanjenje zloupotrebe čine trajnima, dok dokazi o smanjenju zloupotrebe (npr. razmak između izvedbe i učenja) motiviraju zašto pismenost mora ići dalje od operativne vještine do kritičkog rasuđivanja.

Pismenost u području umjetne inteligencije također treba razvojno primjerene oblike za najmlađe učenike. AI-Play kompetencije pismenosti o umjetnoj inteligenciji prevodi u aktivnosti zasnovane na igri, odnosno unplugged aktivnosti za učenike od predškole do 2. razreda — organizirane oko AI Body (umjetna inteligencija kao sustav sastavljen od dijelova), AI Food (umjetna inteligencija uči iz primjera), AI Brain (umjetna inteligencija napreduje kroz obrasce i povratnu informaciju) i etičke leće Pre/Post-AI — rješavajući trajnu nestašicu razvojno utemeljenih smjernica o pismenosti o umjetnoj inteligenciji za ranu dobi i čineći pismenost o umjetnoj inteligenciji dostupnom netehničkim edukatorima i obiteljima. Kao dopuna tome, Vahedian Movahed i Martin (2025) utvrdili su da djeca u dobi od 6 do 14 godina uglavnom povjeravaju u chatbota prilagođenog dobi kao izvor informacija i da ga većina modelira kao „pametan računalni program koji uči“ (početno razumijevanje Machine Learning), ali pokazuje praznine u kritičkom angažmanu i svijesti o digitalnoj sigurnosti — dokaz da povjerenje najmlađih učenika može nadmašiti njihove vještine kritičke procjene, čineći eksplicitno Trust Calibration i poduku o sigurnosti nužnim dijelom pismenosti o umjetnoj inteligenciji za djecu.

Mjerenje prati taj razvojni zaokret na mlađoj grani. Validacija Thianwan i Srikoon iz 2025. upitnika samoprocjene pismenosti o umjetnoj inteligenciji za učenike viših razreda osnovne škole razvila je instrument od 15 čestica za razrede od 4. do 6., organiziran oko Learning About AI, Learning About How AI Works i Learning for Life with AI, te potvrdila trofaktorsku strukturu u dva uzorka (n = 335 i n = 579) s ukupnim Cronbachovim alfa od .934. Autori to definiraju kao formativnu dijagnostiku percipirane, a ne demonstrirane pismenosti, i napominju da je točnost samoprocjene djece ograničena metakognitivnom sposobnošću koja se još razvija.

Učenje temeljeno na projektima kao mehanizam realizacije. Zhu i Kong (2026) razvili su i validirali ljestvicu za učenje temeljeno na projektima umjetne inteligencije (AI-PBLS) i na uzorku iz Hong Konga od 1.027 studenata srednjih škola i sveučilišta (446 s potpunim podacima) koristili modeliranje strukturnih jednadžbi kako bi pokazali da osnaživanje pri korištenju umjetne inteligencije za rješavanje problema i UI etička svijest zajednički posreduju odnos između percipiranog Project-Based Learning i zadovoljstva tečajem o pismenosti u području umjetne inteligencije. To pozicionira PBL ne samo kao format realizacije, nego kao mehanizam koji uz kompetenciju gradi samopouzdanje učenika i etičko rezoniranje, čime jača povezanost između PBL-a i smislenog razvoja pismenosti o umjetnoj inteligenciji. Također pruža validirani mjerni instrument za buduće mjerenje iskustava s tečajevima o pismenosti u području umjetne inteligencije.

Podizanje etičke dimenzije pismenosti ima problem predznaka. Među 584 studenta preddiplomskog studija koji su sami naučili koristiti umjetnu inteligenciju, kompetentnost je povećala etičku svijest (β = 0.644, p < .001), a etička svijest je zatim povećala AI anksioznost (β = 0.439, p < .001), radije nego što ju je smanjila, što je suprotno predviđenom smjeru (Mu i sur. (2026)). Pouka koju autori izvlače je da poduka o tome kako se etičke brige uređuju mora pratiti samu etičku dimenziju, ili rad na pismenosti može učenike ostaviti anksioznijima nego što su bili.

Pismenost u području umjetne inteligencije kao temeljna praznina u okvirima Conversational AI. Umbrella pregled konverzacijskih UI agenata (Ganguly i sur. 2025, 34 pregleda) identificira ograničenu potporu pismenosti o umjetnoj inteligenciji kao veliku prazninu u CAI okvirima, a njegov plan puta za etičku upotrebu čini temeljnu procjenu (uključujući jačanje pismenosti o umjetnoj inteligenciji) prvim stupom uz participativni dizajn, smjernice za etičku upotrebu i kontinuiranu procjenu kognitivnog učinka. Nadalje nalazi da se pismenost o umjetnoj inteligenciji, obuka i svijest rangiraju među najistaknutijim etičkim smjerovima u CAI literaturi.(Conversational AI agents in education: an umbrella review of current utilization, challenges, and future directions)

Učinkovitost intervencija pismenosti o umjetnoj inteligenciji. Trorazinska metaanaliza 59 studija (172 veličine učinka, 7.211 sudionika) procjenjuje velik ukupni učinak intervencija pismenosti o umjetnoj inteligenciji (g = 0.837, p < .001) — ali sa širokim intervalom predikcije [−0.292, 1.966], pa se učinkovitost znatno mijenja između konteksta. Intervencije u istočnoj Aziji i Europi nadmašile su one u Sjevernoj Americi, a intervencije usmjerene na znanje nadmašile su one usmjerene na vještine, stavove ili etiku. Autori tvrde da bi obrazovanje o pismenosti u području umjetne inteligencije stoga trebalo prijeći izvan znanja prema vještinama, praksama, etici i stavovima, uz podršku integriranih i reflektivnih pedagogija (temeljenih na projektima i problemima, istraživačkih, iskustvenih) i alata potpomognutih generativnom umjetnom inteligencijom — pomak koji se usklađuje s participativnim, na produkciju usmjerenim oblicima Computational Thinking opisanima drugdje u ovoj bazi znanja.

Druga sinteza dostiže sličnu veličinu na užoj osnovi i zaostruje problem mjerenja. Yu, Kim, Chang i Huang (2026) objedinili su 57 veličina učinka iz 16 studija koje pokrivaju 3.837 učenika K-12 kojima je podučavana sama umjetna inteligencija, a ne podučavano pomoću umjetne inteligencije, te procijenili Hedgesov g = 0.892 (95 % CI [0.548, 1.236], p < .001), robusno u odnosu na pretpostavljene korelacije prije–poslije od 0 do 1 i stabilno nakon trim-and-fill na g = 0.952. Svaka od 57 veličina učinka pokazivala je pozitivno (raspon od 0.16 do 4.93), i nijedan moderator (izvor publikacije, godina, razina škole) nije objasnio znatnu heterogenost (I² = 94.68 %). Autori preferiraju objašnjenje koje se tiče mjerenja: uključene studije su sve od znanja o umjetnoj inteligenciji i etike do stavova, motivacije, samoučinkovitosti i interesa za karijeru nazivale „pismenošću o umjetnoj inteligenciji“, pa objedinjeni broj opisuje raspodjelu pozitivnih nalaza pod jednom labavom etiketom, a ne jednu ujednačenu intervenciju. Čitano uz Liu i sur., dvije procjene suglasne su da poduka o pismenosti u području umjetne inteligencije funkcionira i suglasne su o malo čemu drugom, što je samo po sebi mjerni signal područja.

Dokazi iz razreda za namjerno kratke dizajne tanji su, ali idu u istom smjeru i dodaju ishod na razini ponašanja koji ankete ne mogu pružiti. Clerc i sur. (2026) su 116 francuskih učenika od 8. do 9. razreda proveli dvosatnu radionicu o tome kako LLM-ovi rade i zakažu, uz vježbu predviđanja hoće li upit dobiti upotrebljiv odgovor, procjenu odgovora i reviziju ili ponovno pitanje. Dva dana kasnije, tijekom šest znanstvenih problema s podrškom LLM-ova s kontrolnom grupom, educirani učenici rjeđe su prihvaćali nedovoljno definirane upite (51,5 % prema 66,7 %, OR = 0.47), znatno češće su postavljali dodatna pitanja nakon slabog odgovora (59,2 % prema 27,9 %, d = 0.80), i osjetljivije su sudili o točnosti odgovora ovisno o kvaliteti upita (interakcijski OR = 2.52), uz skromnu razliku u rezultatu (11,38 prema 10,29 od 20, p = .040). Radionica nikada nije vježbala zadatke testa, pa je ono što se prenijelo bio regulacijski stav, a ne poznavanje zadatka — i autori su izričiti da dva dana nisu trajnost.

Kritička pismenost o medijima potpomognuta umjetnom inteligencijom u osnovnoj školi. Demir i Akar (2026) pružaju konkretnu demonstraciju poduke o pismenosti potpomognute generativnom umjetnom inteligencijom u osnovnoj školi: program od 18 sati po modelu 5E za učenike četvrtog razreda u Turskoj u kojem su ChatGPT i Grammarly bili ugrađeni fazno kao pedagški agenti (ChatGPT za refleksivna pitanja i pitanja i odgovore, Grammarly i Canva AI za doradu sadržaja, Padlet za povratne informace vršnjaka), usklađeni s kurikulumima turskog jezika i društvenih znanosti. Grupa potpomognuta umjetnom inteligencijom pokazala je velike napretke u čitanju medija (+3.50), pisanju (+1.67) i ukupnoj pismenosti o medijima (+5.17, sve p < .01) s veličinama učinka između grupa Cohenovog d = 1.12–1.31, dok je kontrolna grupa napredovala samo skromno. Kvalitativna analiza otkrila je šest domena rasta kritičke pismenosti o medijima — digitalna samozaštita i privatnost podataka, svrhovita i odgovorna upotreba medija, sigurna komunikacija i svijest o granicama, kritička procjena i svijest o dezinformacijama, svijest o mrežnim rizicima i medijska etika/digitalno građanstvo — dokaz da razvojno primjerena, u disciplinu ugrađena upotreba generativne umjetne inteligencije može graditi dimenzije kritičke procjene i etike pismenosti o umjetnoj inteligenciji, a ne samo operativnu vještinu.

Okviri za strukturiranje pismenosti o umjetnoj inteligenciji. Nekoliko nedavnih doprinosa nudi strukturirane progresije za izgradnju pismenosti o umjetnoj inteligenciji. Marienko, Markova i Semerikov (2026) predlažu peterorazinski okvir (Awareness, Application, Evaluation, Creation, Ethics) integriran s tri paradigme umjetne inteligencije u obrazovanju (AI-directed, AI-supported, AI-empowered), razvijen kroz istraživanje miješanih metoda ukrajinskih nastavnika srednjih škola (nacionalno istraživanje n = 2018; evaluacija PD-a n = 1130). Utvrdili su da 84 % edukatora koristi umjetnu inteligenciju, ali samo 11 % može identificirati specijalizirane usluge izvan ChatGPTa, a intervencija profesionalnog razvoja proizvela je 24 % poboljšanje u UI kompetenciji — dokaz da ciljani PD unapređuje pismenost izvan površinskog poznavanja alata. Utemeljenost okvira u Constructivism, konektivizmu i TPACK-u povezuje se s Technological Pedagogical Content Knowledge (TPACK) i Teacher AI Competency. Kao dopuna tome, Moore i sur. (2026) koristili su dvogodišnji proces DBR-a s savjetodavnim odborom mladih i stručnjaka za umjetnu inteligenciju za dizajniranje kurikuluma strojnog učenja integriranog u znanost za mlade srednjoškolce, utvrdivši napretke u znanju o ML-u u oba kohorta (Kohorta 2 M2−M1 = 0.175 nasuprot Kohorti 1 0.076) i veće napretke među sudionicima ženskog spola i ne-bijelcima — dokaz da participativni, u disciplinu integrirani dizajn može unaprijediti i pismenost o umjetnoj inteligenciji i Equity.

PRISMA pregled 39 STEAM studija (2016–2025) utvrdio je da te implementacije uglavnom razvijaju tehničke pismenosti — temeljne koncepte umjetne inteligencije, računalno razmišljanje, pismenost o podacima — dok nedovoljno razvijaju etičku svijest, kreativnu imaginaciju te stvaranje, upravljanje i dizajniranje s umjetnom inteligencijom, pa u disciplinu ugrađene cjeline ipak mogu propustiti elemente višeg reda (Niri i sur., 2026).

Konstrukt je osporen upravo tamo gdje su edukatori u pitanju. Pregled 34 studije o pismenosti u području umjetne inteligencije u obrazovanju nastavnika utvrdio je da području nedostaje konsenzus o tome što pismenost o umjetnoj inteligenciji znači za profesionalne edukatore kao nešto što se razlikuje od opće digitalne pismenosti, i da UNESCO-ov okvir kompetencija za umjetnu inteligenciju za nastavnike navodi 15 kompetencija kroz pet dimenzija, ali funkcionira kao globalna referenca politike, radije nego kao smjernica za implementaciju. Nastavno osoblje u međuinstitucionalnom kolaboratoriju za pripremu nastavnika pismenost o umjetnoj inteligenciji tretiralo je kao integriranu dimenziju profesionalne pripreme, radije nego kao zasebnu tehnološku vještinu, pa se od kandidata očekivalo da revidiraju, usporede i opravdaju UI rezultat unutar disciplinskih tečaja, a ne da demonstriraju poznavanje alata.

Početna priprema nastavnika mjesto je gdje je struktura najtanja. Pinto i sur. (2026) pregledali su 11 studija o umjetnoj inteligenciji u početnoj pripremi nastavnika za nastavnike matematike preddiplomskog studija koji se pripremaju za poduku u osnovnoj školi i utvrdili su da je devet od njih bilo jedna sesija ili nekoliko sesija ugrađenih u postojeće tečajeve, da su upiti bili eksplicitni sadržaj obuke samo u nekim od njih, i da se Ethics pojavljivao u samo tri, od kojih nijedna nije obrađivala transparentnost, algoritamsku pristranost ili odgovornost. Rizici koje prijavljuju su neuspjesi na razini pismenosti: budući nastavnici nisu primijećivala konceptualne pogreške koje je proizveo ChatGPT, prihvaćali su generirani sadržaj bez kritičkog stava i delegirali su više rješavanja problema alatu kako su zadaci postajali teži. Njihova preporuka je graditi UI kompetenciju kroz cijeli slijed pripreme, od pripremne faze u nastavnu praksu, radije nego u izoliranom modulu.

Ispisi nastavnika o zašto se podučava obrazovanje o umjetnoj inteligenciji dodaju sloj svrhe koji okviri kompetencija ostavljaju implicitnim. Fagerlund i sur. (2026) intervjuirali su 13 finskih nastavnika od predškolskog odgoja do 9. razreda, uglavnom novaka u obrazovanju o umjetnoj inteligenciji, i čitali su njihova izražavanja svrhe kroz Biestaove tri domene. Kvalifikacija, stjecanje kompetencija, bila je najjasnija i najkonkretnija svrha i djelovala je kao put u druge dvije: studenti su trebali shvatiti umjetnu inteligenciju kao sociotehnički fenomen i koristiti njene alate, pri čemu je umjetna inteligencija služila i kao cilj i kao pomoć u učenju. Socijalizacija se pojavila kao njegovanje entuzijazma, predstavljanje umjetne inteligencije kao „cool“ stvari i okretanje studenata kao budućih radnika koji je razumiju, a koji moraju zadovoljiti zahtjeve kompetencija. Subjektifikacija, samoodređeno i osobno smisleno angažman koje Biesta tretira kao središnje, naznačena je kao važna, ali nije imala konkretan instrukcijski repertoar izvan raspravljanja i kontemplacije, a nastavnici nisu nudili izrađene primjere za osporavanje autoriteta umjetne inteligencije. Autori predlažu informiranu UI agenciju, heuristiku koja subjektifikaciju stavlja u središte, a kompetencije tretira kao objašnjavajuće okvire za samoodređene izbore. Implikacija za dizajn je da „zašto“ obrazovanja o umjetnoj inteligenciji zahtijeva jednaku pažnju u dizajnu kao i „kako“: kada subjektifikacija počiva na generičkoj raspravi, poduka o pismenosti u području umjetne inteligencije vraća se na kvalifikaciju uz koju je trebala stajati.

Sama spremnost osporen je cilj. Charles (2026) tvrdi da spremnost nastavnika za učenje obilježeno umjetnom inteligencijom treba čitati iz kvaliteta dizajna koje nastavnici proizvode, a ne iz usvajanja, samopouzdanja ili digitalne kompetencije, i gradi okvir oko dizajnerskog posredovanja: promatljivih odluka kao što su odabir alata, dizajn zadatka i upita, podrška, verifikacija, transparentnost, redizajn procjene, planiranje pristupačnosti i ljudski nadzor. Dva njegova zahtjeva imaju izravne posljedice za profesionalni razvoj. Prvo, Self-Efficacy je resurs mobilizacije, a ne pokazatelj kvalitete, jer samopouzdanje bez UI-specifičnog pedagškog znanja ili etičke orijentacije može ubrzati loš dizajn radije nego ga spriječiti, što kvalificira uobičajeno čitanje nastavničkog samopouzdanja kao signala spremnosti. Drugo, jasnoća politike i institucionalna podrška odvojeni su moderatori, pa materijalna podrška može biti visoka dok očekivanja ostaju dvosmislena i spremnost se ipak slabo prevodi. Okvir također odbija poistovjetiti neupotrebu s nespremnošću, jer razmišljena odluka da se umjetna inteligencija ne koristi i sama može pokazati dizajnersko rasuđivanje. Rad je konceptualan i nevalidiran, pa pruža propozicije i izvore dokaza, radije nego utvrđene učinke.

Pismenost u UI-interakciji: interakcijska dimenzija. Brunnström i Palmqvist (2026) predlažu užu, interakcijsku kompetenciju — sposobnost upravljanja, procjene i učenja iz iterativne interakcije s generativnom umjetnom inteligencijom — kao specifičnu aktualizaciju aplikacijskih, evaluativnih i integracijskih dimenzija u širim okvirima kao što je AI Literacy Heptagon. Njihova refleksivna demonstracija pokazuje od čega se sastoji u praksi: prepoznavanje da je tečan odgovor postavljen iznad vlastite sheme, zahtijevanje pojednostavljenja, sužavanje opsega i usmjeravanje sustava prema fokusiranoj vježbi. Slijede dvije posljedice za dizajn — vještina je neravnomjerno raspodijeljena, pa nesmjerna upotreba može favorizirati već samouvjerene studente i širiti praznine (Equity), i ona se mora eksplicitno podučavati, radije nego pretpostaviti, uz nastavnike koji pokrivaju kako formulirati produktivne upite i kada prestati koristiti alat (Self-Regulated Learning).

Kritička pismenost o umjetnoj inteligenciji: dalje od vještina prema moći i otporu

Zasebna struka baze znanja pismenost u području umjetne inteligencije tretira ne samo kao vještine ili kritičku procjenu, nego kao kritičku i političku praksu koja preispituje moć, autoritet i to čije znanje se računa. To povezuje pismenost o umjetnoj inteligenciji s Critical Pedagogy i Equity:

Te kritičke struke dopunjuju operativne i kognitivne dimenzije pismenosti o umjetnoj inteligenciji: dok ove posljednje pitaju „može li učenik koristiti i procijeniti umjetnu inteligenciju?“, kritička pismenost o umjetnoj inteligenciji pita „razumije li učenik i osporava li strukture moći koje umjetna inteligencija utjelovljuje?“

Pismenost o umjetnoj inteligenciji u STEM odgoju i obrazovanju

Najrazrađenija disciplinska dokazna osnova za pismenost o umjetnoj inteligenciji dolazi iz STEM odgoja i obrazovanja, a Hallström, Chiu, Ding, Koretsky i Li (2026) sintetiziraju deset najčitanijih studija (2022.-2026.) kako bi pokazali i osnovnu razinu i njene granice. U korpusu se pismenost o umjetnoj inteligenciji definira kroz šest preklapajućih konstrukata — znanje/vještine/stavovi (Su & Yang 2024), konceptualno-proceduralno-kontekstualno znanje (Stolpe & Hallström 2024), know-understand/use-apply/evaluate-create/ethics (Ng i sur. 2022.) i Long & Magerkovo uporaba–kommunikacija–evaluacija okviriranje (Hornberger i sur. 2023) — pa je „konceptualna dvosmislenost” područja zapravo problem mjerenja: dvije studije mogu obje ocijenjivati „pismenost o umjetnoj inteligenciji” bez da ocjenjuju isti konstrukt. Samo dvije od deset nude potpune okvire. Najoštriji nalaz recenzije jest asimetrija — korpus gotovo u cijelosti mjeri pismenost učenika, a gotovo ništa ne razvija pismenost nastavnika, što je praznina koja ostavlja intervencije pismenosti o umjetnoj inteligenciji usmjerene nastavnicima da se oslanjaju na pretpostavku, a ne na dokaz, i tu se autori povezuju s praktičnim zahtjevom da nastavnici sami budu pismeni o umjetnoj inteligenciji kako bi provodili takve intervencije.(AI Literacy and STEM Education: Emerging Frontiers and Research Priorities)

Dokazi o chatbotovima u tom korpusu idu protiv osposobljavanja utemeljenog na tečnosti. Ding i sur. (2023.) utvrdili su da je ChatGPT podučavanje na sveučilišnoj fizici podignulo samopouzdanje i znanje, ali ojačalo zabludu o „nadljudskoj i nepogrešivoj” umjetnoj inteligenciji, zaključujući da je odgoj i obrazovanje o pismenosti o umjetnoj inteligenciji „prije svega poboljšanje vještina kritičkog razmišljanja učenika pri procjeni informacija.” Xu i sur. (2026.) utvrdili su da je STEM programiranje podržano ChatGPT-om poboljšalo samopouzdanje i znanje, ali ostavilo komputacijsko razmišljanje i neovisno mišljenje nepromijenjenima — dobitci u tečnosti koji egzistiraju uz nikakvu dobit u razmišljanju. Oba nalaza zrcalili su zabrinutosti oko Trust Calibration i pretjerane ovisnosti na drugim mjestima ove stranice: podučavatelj koji nikada ne proturiječi učeniku može stvoriti samouvjerene učenike koji ne mogu vrednovati. Pokazalo se da je stav, a ne spremnost ili samoefikasnost, najjači odrednik stvarne uporabe AI alata među STEM studentima (Falebita & Kok 2025.), a recenzija bilježi da je disciplinsko pokrivenje STEM-a iskrivljeno prema biologiji i fizici, uz tehnologiju kao predmet gotovo odsutnu. Za disciplinski specifičan dizajn, praktično upozorenje recenzije jest da sveobuhvatni okviri kompetencija (UNESCO, EU/OECD) „često nemaju vezu s empirijskim istraživanjima ni dostatnim teorijskim utemeljenjem” i da ih je malo primjenjivo u nastavi.

Čije UI vještine se računaju? Podjela u okviru nastavnik–poslodavac

Središnje otvoreno pitanje u pismenosti o umjetnoj inteligenciji jest koje vještine su važne i za koga. Studija Ithaka S+R koja uspoređuje kako američki nastavnici i poslodavci prioritiziraju 26 vještina HiBob okvira kompetencija za umjetnu inteligenciju utvrdila je da suglasni o važnosti samo jedne (postavljanje realnih očekivanja za rad potpomognut umjetnom inteligencijom). Nastavnici naglašavaju kritičku, orijentaciju na odgovornu upotrebu — prepoznavanje ograničenja umjetne inteligencije, transparentnost i pripisivanje, ljudsku odgovornost, proaktivnu reviziju rezultata — što se usklađuje s akademskim vrijednostima pripisivanja, revizije i pismenosti o informacijama. Poslodavci naglašavaju na produktivnost usmjerene vještine — procjenu i redizajn radnog procesa, automatizaciju i timski rad čovjeka i umjetne inteligencije — koji odražavaju timsku učinkovitost na radnom mjestu. Budući da samo tri od 26 vještina podučava polovica ili više nastavnika, a one koje se podučavaju naginju prema kategorijama kritičke upotrebe, izvješće identificira konkretnu prazninu u UI vještinama: cijele kategorije koje poslodavci vrednuju niti su prioritizirane niti se podučavaju u visokoškolskim kurikulumima.(AI skills for college graduates: Exploring how instructors and employers prioritize AI skills differently) Ta podjela pismenost o umjetnoj inteligenciji definira kao osporen konstrukt — pismenost kritičke upotrebe za akademske kontekste nasuprot pismenosti integracije u radni proces za zaposlenje — napetost relevantnu za Framing AI Use for Students, Curriculum Design i Workplace Learning.

Vlastite ocjene studenata pričaju povezanu, ali drugačije uređenu priču. ElSayary i Ragab (2026) istražili su 380 studenata sveučilišta, uglavnom upisanih na STEM programe i čestih korisnika umjetne inteligencije, i utvrdili je da samoprocjenjena pismenost o umjetnoj inteligenciji nosi najveći dio objašnjenja percipirane spremnosti za zaposlenje: četiri dimenzije pismenosti dodale su ΔR² = 0.554 (p < .001) na vrhu kontrolnih varijabli vrijednih samo 0.054, a puni model dosegnuo je 60,8 % varijance. Unutar skupa pismenosti evaluativna dimenzija bila je najsnažnija (Analyze & Evaluate, β = 0.286), slijedila ju je afektivna (Attitudes & Mindsets, β = 0.266), s praktičnom upotrebom (β = 0.217) i temeljnim znanjem (β = 0.187) za njima; za percipiranu spremnost za karijeru specifično, samo su Analyze & Evaluate (β = 0.216, p < .001) i Attitudes & Mindsets (β = 0.192, p = .004) bili značajno povezani. Čitano nasuprot podjeli Ithaka, vlastiti osjećaj studenata za spremnost na radnom mjestu naginje prema orijentaciji kritičke procjene koju nastavnici favoriziraju, radije nego prema vještinama integracije u radni proces koje poslodavci naglašavaju. Dizajn je samoprocjena u jednoj sesiji s ujednačeno visokim srednjim vrijednostima (4.17 do 4.57 od 5) i bez mjere poslodavca ili zaposlenja, pa ono što pokazuje je da samoprocjenjena pismenost o umjetnoj inteligenciji i samoprocjenjena zaposlenost kreću se zajedno, uz najveći doprinos evaluativnih i dispozicijskih dijelova, a ne da su ti studenti dokazano spremni za radnu snagu.

Dizajniranje intervencija pismenosti o umjetnoj inteligenciji

Okviri baze znanja i empirijske studije konvergiraju na skup praktičnih smjernica za edukatore i dizajnere poduke koji grade intervencije pismenosti o umjetnoj inteligenciji:

1. Koristite strukturirani okvir kompetencija kao potporu, a ne kao kontrolni popis. Zreli okviri dizajnerima daju zajednički vokabular i razvojno slijeđen cilj. Okvir SAIL organizira pismenost o umjetnoj inteligenciji u tri domene (AI Concepts; Application and Technical Skills; AI Digital Citizenship) kroz četiri poduprta razine — Understand and Explore → Apply and Integrate → Evaluate and Create → AI++. AI Literacy Heptagon transverzalno presijeca sedam dimenzija (tehničko znanje, primjena, kritičko razmišljanje, etika, društveni učinak, integracija, pravno/regulatorno) s četiri razine stručnosti usklađene s Bloomom, i naglašava da naglasak mora biti prilagođen disciplinskom kontekstu — tehnički programi naglašavaju primjenu, programi humanističkih znanosti naglašavaju etičko i društveno-usmjereno rezoniranje.(The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education)(The AI Literacy Heptagon: A Structured Approach to AI Literacy in Higher Education)

2. Angažirajte učenike kroz načine ICAP-a. Primjenjujući ICAP Framework, učinkovita poduka daje učenicima prilike za angažman na više kognitivnih razina — pasivno izlaganje (predavanja o konceptima umjetne inteligencije), aktivnu manipulaciju (praktična upotreba alata), konstruktivno generiranje (stvaranje UI artefakata, samoobjašnjavanje) i interaktivni dijalog (kolaborativno Problem Solving s vršnjacima i umjetnom inteligencijom) — odabirući način koji odgovara cilju učenja. Sustavni pregled utvrdio je da su uspješne kolaborativne intervencije pismenosti o umjetnoj inteligenciji obuhvaćale sva četiri načina ICAP-a.(Systematic Review of Collaborative Learning Activities for Promoting AI Literacy)

3. Procjenjujte demonstriranu kompetenciju, a ne samopercepciju. Samoprocjenjena pismenost o umjetnoj inteligenciji značajno odstupa od izmjerene izvedbe — nastavnici precjenjuju svoje UI vještine za ~40 %, a mjere zasnovane na izvedbi koreliraju s integracijom umjetne inteligencije u razred daleko bolje od samoprocjena (r≈0.72 prema 0.31). Projektirajte intervencije oko procjene zasnovane na izvedbi i kalibraciji, radije nego oko anketa samopouzdanja, i koristite dijagnostičke profile (precjenjivače nasuprot pravim novacima) za ciljano usmjeravanje podrške.(How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures)

4. Gradite metakognitivne i kritičke dispozicije, a ne samo operativnu vještinu. Pismenost o umjetnoj inteligenciji bolje se razumije kao metakognitivna društvena praksa nego kao kontrolni popis vještina: budući da su LLM-ovi probabilistični i neprozirni, učenici moraju pratiti i prilagođavati svoje strategije, njegovati znanstveni skepticizam i preispitivati kako algoritmi oblikuju proizvodnju znanja — a ne samo učiti rukovati alatima. Participativni ko-dizajn i eksperimentalni, na projektima zasnovani prostori (a ne jednokratna obuka o alatu) mjesta su gdje ta svijest raste.(Metacognitive AI literacy: going beyond the AI skills gap agenda)

5. Ugradite pismenost u disciplinu i učinite je održivom. Kretanje prema višim etapama pismenosti o umjetnoj inteligenciji (od nekritičke upotrebe → informirane upotrebe → kritičke procjene → poboljšanja) najvidljivije je kada su iskustva održiva i u disciplinu ugrađena, radije nego dostavljena kao samostalne radionice. Projektirajte za ponovljenu, kontekstualnu praksu unutar autentičnih tečajeva.(Beyond Tool Adoption: A Practical Five-Stage Developmental Continuum for AI Literacy in Higher Education) Konkretan model kritičke pismenosti ugrađene u disciplinu je taksonomija temeljena na zadacima od Dierickx i sur. (2026) za novinarstvo: ona preslikava zadatke potpomognute LLM-ovima kroz četiri etape novinarskog radnog procesa (newsgathering, sensemaking, editing, publication/distribution), svaku povezanu s osnovnim upitom i strategijom rizika i ublažavanja. Tretirajući definiciju zadatka i upite kao situiran oblik profesionalnog rasuđivanja — a ne kao neutralnu tehničku vještinu — to pretvara samo upite u sredstvo kritičke pismenosti o umjetnoj inteligenciji (pristranost, halucinacija, pretjerana oslonjenost, i trajna vrijednost ljudskog uredničkog nadzora), a njezina temeljna logika prenosi se na druge znanjem intenzivne profesije (pravo, medicina, javna politika). Kao dopuna takvim disciplinski specifičnim taksonomijama, taksonomija Dohn i sur. (2026) klasificira aktivnosti učenja potpomognute generativnom umjetnom inteligencijom duž šest dimenzija, od kojih Epistemic Engagement (razumijevanje / korištenje / kritiziranje / konstruiranje generativne umjetne inteligencije) izravno operacionalizira pismenost o umjetnoj inteligenciji kao dubinu kognitivnog odnosa učenika s tehnologijom — od pasivnog izlaganja do aktivne kritike i konstrukcije.

6. Tretirajte ravnopravnost i digitalnu prazninu kao ograničenja dizajna. Pismenost o umjetnoj inteligenciji mehanizam je za rješavanje trorazinske digitalne praznine (pristup, vještine, ishodi): zatvaranje praznine u uređajima nedovoljno je ako se vještine i kritička upotreba ne grade tako da se koristi ravnomjerno raspodijele. Intervencije bi trebale izričito planirati za učenike koji ulaze s manjim prijašnjim pristupom umjetnoj inteligenciji, i uključiti kulturne i upravljačke perspektive, radije nego pismenost tretirati kao kulturno neutralnu.(The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education)(Digital Divide)

7. Povežite pismenost s polugama za smanjenje zloupotrebe. Budući da zloupotreba umjetne inteligencije aktivno šteti trajnom učenju, poduka o pismenosti trebala bi se povezati sa strukturnim i edukativnim polugama dokumentiranima pod Reducing AI Misuse — dizajnom alata s ogradama „savjet, a ne odgovor“, redizajnom procjene i poduprtim sekvencama „prvo razmišljaj, zatim koristi UI“ s namjernom vježbom u upitima.

8. Počnite od stvarne ulazne točke učenika. Učenici ulaze s različitim orijentacijama — izbjegavanjem potaknutim strahom, nepovjerenjem ili nedostatkom pristupa, nasuprot nekritičkoj oslonjenosti koja maskira nerazumijevanje. Dijagnostički, na etapama zasnovan pristup (radije nego ujednačen kurikulum) omogućuje dizajnerima da sretnu studente tamo gdje jesu i da ih pomaknu prema kritičkom, odgovornom angažmanu.(Beyond Tool Adoption: A Practical Five-Stage Developmental Continuum for AI Literacy in Higher Education)

9. Proširite ponudu izvan publika koje formalno obrazovanje već doseže. Okvir AI Literacies za javne medije iz pregleda pejzaža više od 40 okvira i 35 stručnih intervjua tvrdi da se ponuda naginula prema tehničkim i funkcionalnim vještinama, i da se AI pismenosti preklapaju i trebaju biti povezane s digitalnom, medijskom i informacijskom pismenošću, radije nego podučavane kao samostalan predmet. Njegova struktura — šest područja kompetencija, pet vrijednosti i tri razine progresije (Understanding and Applying, Analysing and Evaluating, Synthesising and Specialising) s vodičem za procjenu — upotrebljiv je predložak za pružatelje izvan formalnog školovanja, a njegov argument ravnopravnosti uputstvo je za dizajn: dosezanje mladih ljudi koji su digitalno ili na drugi način marginalizirani zahtijeva namjerene partnerstva, a ne univerzalnu objavu.(Supporting AI Literacies for Young Adults Aged 14-19: A value-based, practical framework for public service media organisations)

Mjerenje pismenosti u području umjetne inteligencije

Zasebna istraživačka struka pismenost u području umjetne inteligencije tretira ne samo kao cilj poduke, nego i kao konstrukt koji se mjeri. Istraživačka struka procjene u ovoj bazi znanja razlikuje samoprocjenjenu od na izvedbi zasnovane pismenosti: samoprocjene značajno odstupa od demonstrirane kompetencije (nastavnici precjenjuju za ~40 %), a mjere zasnovane na izvedbi predviđaju integraciju umjetne inteligencije u razred daleko bolje od anketa samopouzdanja (r≈0.72 prema 0.31). Rad na intervencijama tu divergenciju reproducira na razini ponašanja: u Clerc i sur. (2026), ni stavovi prema generativnoj umjetnoj inteligenciji ni opća ljestvica metakognitivne svijesti nisu predvidjeli regulaciju interakcije s LLM-ovima kod studenata niti njihove konačne rezultate na zadatku (r = .01 i r = .04, oba statistički neznačajna), dok su ponašanja koja je radionica promijenila — odbijanje nedovoljno definiranih upita, prosudba točnosti odgovora, postavljanje dodatnog pitanja — pratila kvalitetu odgovora. Validirani instrumenti pojavljuju se kako bi zatvorili tu prazninu — GLAT pruža psihometrijski validiranu procjenu pismenosti o generativnoj umjetnoj inteligenciji, a dijagnostički profili (precjenjivači nasuprot pravim novcima) omogućuju dizajnerima da podršku usmjere tamo gdje je potrebna. Guo i sur. (2026) izravno preslikavaju taj pejzaž instrumenata, pregledavši 80 validiranih okvira — 69 digitalne pismenosti i 11 pismenosti o umjetnoj inteligenciji — objavljenih između siječnja 2014. i veljače 2025. Umjetna inteligencija potaknula je digitalnu pismenost prema etici i preoblikovala komunikaciju tako da uključuje interakciju čovjeka i umjetne inteligencije, dok metakognitivna regulacija i suradnja čovjeka i umjetne inteligencije specifična za edukatore ostaju najmanje specificirane. Za dizajn i istraživanje, to povezuje pismenost o umjetnoj inteligenciji s Educational Measurement i s Assessment općenito: okvir pismenosti samo je onoliko koristan koliko su instrumenti korišteni za praćenje rasta, a kontinua zasnovana na etapama zahtijevaju pouzdano mjerenje kako bi se učenici smjestili duž njih.

Instrument od 32 čestice i šest faseti proširuje četverodimenzijski model s dvjema dodatnim facetama — odgovornom upotrebom i samorazvojem — i održava skalarnu invarijantnost kroz adolescente (12–17), mlade odrasle osobe (18–40) i odrasle osobe srednje dobi (41–60), iako autori upozoravaju da se ΔCFI približio uobičajenoj granici (Liu i sur. (2026)).

Zhi, Yang i Huang (2026) grade model specifičan za diplomski studij na Marzanovoj taksonomiji: analiza utemeljena teorijom intervjua s 14 profesora sažela je 329 sirovih etiketa u 96 koncepata, 15 kategorija i pet dimenzija (kognitivna osnova, operativne vještine, razmišljanje višeg reda, metakognitivna refleksija, etička odgovornost), koje su zatim operacionalizirane kao Likertova ljestvica od 15 čestica čijih je pet faktora izdvojila eksploratorna faktorska analiza (83,14 % kumulativne varijance) i održala se u konfirmatornoj faktorskoj analizi na drugoj poduzorku (CFI = 0.934, RMSEA = 0.083), s pouzdanošću od 0.796 do 0.842 kroz 308 valjanih upitnika.

Critical 3wAI Literacy Scale (Bozkurt, Ertan i Cömert, 2026) validira istu trodijelnu strukturu za odrasle učenike kao instrument samoprocjene (n = 546 i n = 647; χ²/df = 4.93, CFI = 0.931, α = 0.913). Njezini faktori Know-How i Know-Why izašli su najtješnije povezani (HTMT = 0.544), dok se teorijsko znanje samo po sebi nije pretočilo u praktičnu učinkovitost. Kao mjera samoprocjene dijeli problem divergencije dokumentiran gore, pa je validirana dijagnostika, a ne mjera izvedbe — i autori pozivaju na revalidaciju kroz dobne skupine i kulturne kontekste.

Povezano pitanje je što instrumenti uopće mogu mjeriti. Burriss i sur. (2026) napominju da postojeće ljestvice pismenosti o umjetnoj inteligenciji i okviri kompetencija pretpostavljaju individualno mjerljivu izvedbu i time strukturno isključuju kolaborativan, kreativni izraz — dokazi njihove cjeline bili su Multimodal AI filmski artefakti, refleksije i građanski diskurs, radije nego summativni rezultat, a autori tvrde da takvi dokazi mogu dopuniti, radije nego zamijeniti konvencionalne mjere. Proširivanje konstrukta stoga može zahtijevati proširivanje prihvatljivih dokaza, a ne samo dodavanje čestica bogatih modalitetom postojećim ljestvicama.

Dopunska struka mjeri kako učenici i nastavnici primaju UI materijale za pismenost, radije nego samu pismenost. Wang, Chuang i Wu (2026) dali su 794 studenta i 37 nastavnika da ocijene dva izdanja priručnika izgrađenih prema UNESCO-ovu dobnoj pragu (dobi 9-12 i 13-18) nakon otprilike 30 minuta vođenog izlaganja u razredu. Prihvaćanje je imalo četverofaktorsku strukturu (Performance Expectancy, Effort Expectancy, Perceived Playfulness, Behavioral Intention) uz podržanu invarijantnost mjerenja kroz dva izdanja za studente, mlađi učenici postigli su više na svim četiri konstrukta, a percipirana zabavnost nosila je najveću povezanost s namjerom u oba kohorta. Autori su izričiti o tome što ovo nije: percipirano prihvaćanje resursa razvrstanog po dobi nije postignuće pismenosti o umjetnoj inteligenciji, etičko rezoniranje, usvajanje ili održiva upotreba, i prihvaćanje na razini materijala ne bi se trebalo čitati kao dokaz da se pismenost poboljšala.

Mjerenje se proširuje i na edukatore koji posreduju u angažmanu učenika s umjetnom inteligencijom. Većina procjena pismenosti o umjetnoj inteligenciji cilja studente ili opće korisnike, ostavljajući prazninu u obrazovanju nastavnika — prazninu koju rješava Teachers' AI Literacy Scale (TAILS): utemljena u okviru ED-AI sa šest dimenzija (znanje, procjena, suradnja, kontekstualizacija, autonomija i etika), validirana je kroz eksploratornu i konfirmatornu faktorsku analizu s budućim nastavnicima jezika. Takvi instrumenti podržavaju mjerenje i razvoj pismenosti o umjetnoj inteligenciji edukatora koji posreduju u angažmanu učenika s umjetnom inteligencijom. Na strani studenata, Nie i sur. (2026) razvijaju i validiraju Generative AI Assessment Literacy Scale (GAA-LS) za studente visokog obrazovanja — instrument od 18 čestica i pet faktora čije rezultate prate angažman s Feedback, Academic Integrity i odgovornu upotrebu umjetne inteligencije, s neizravnim putem do integriteta kroz povratnu informaciju — dokaz da se pismenost o umjetnoj inteligenciji specifična za procjenu može mjeriti i da je povezana s ponašanjem integriteta. Ono što taj korpus instrumenata usmjerenih na nastavnike doista sadrži od tada je revidirano: Pregled Zainal, Mohd Matore i Maat iz 2026. alata za mjerenje UI pismenosti nastavnika procijenio je 33 instrumenta objavljena između 2019. i 2025. i utvrdio je da je 31 (93,9 %) bio ljestvicom samoprocjene percipiranog samopouzdanja, samo su dva objektivno testirala znanje, i nijedan nije koristio zadatke zasnovane na izvedbi, dok su dokazi o pravednosti bili najslabija kvalitativna domena, uz samo pet instrumenata koja su prijavljivala invarijantnost mjerenja ili diferencijalno funkcioniranje čestica.

Ažuriranje literature o mjerenju iz 2026. reorganizira je u četiri domene — znanje i upotreba, epistemički nadzor, kalibracija oslonjenosti i operativna kontrola alata koji koriste agente — i izvještava da nijedan validirani instrument na individualnoj razini u korpusu ne pokriva punu kombinaciju opsega, dopuštenja, oporavka, izolacije stanja, neovisne revizije i dokazima zasnovanog zatvaranja koju zahtijeva upotreba agentskih alata. Njihova objedinjena korelacija subjektivno–objektivno kroz tri učinka na istom uzorku bila je r = .055, što je u skladu s divergencijom opisanom gore, radije nego sa samoprojenama kao upotrebljivom zamjenom (Verí (2026)).

Pejzaž mjerenja sam po sebi je neuredan, a sada je dijelom i preslikljiv. He, Zhang, Wang i Ji (2026) analizirali su korpus instrumenata pismenosti o umjetnoj inteligenciji s procesom kodiranja temeljenim na LLM-u i utvrdili da područje pod jednom etiketom mjeri mnogo konstrukata — problem jangle-a, pri čemu jedan konstrukt nosi nekoliko imena (Behavioral Commitment pojavljuje se u osam kandidatskih parova, Intrinsic Motivation u pet), uz kandidatske slučajeve jingle-a gdje instrumenti dijele etiketu, ali ne i sadržaj svojih čestica. Njihovo otkrivanje strukture čestica i konstrukata putem semantičke sličnosti koreliralo je samo umjereno s vlastitim prijavljenim pouzdanošću instrumenata (r = 0.49 na razini čestice nasuprot 0.45 i 0.35 na razini konstrukta), i metode se nude kao probir, a ne kao presuđivanje. Posljedica za svakoga tko bira mjeru je da konvergentne tvrdnje kroz studije nisu sigurne za pretpostavljanje: dva instrumenta s istim imenom možda ne operacionaliziraju isti konstrukt.

Ono što ti instrumenti mogu podržati sada je revidirano, i revizija je trijezna. Jin, Gašević, Martinez-Maldonado i Yan (2026) su 8.056 zapisa proveli do 58 studija koje pokrivaju 47 jedinstvenih instrumenata, procijenjenih s COSMIN-om prema konstruktu čiji je prozor razvoja instrumenata sažet u tri godine (dva instrumenta prije 2023., 28 samo u 2025.). Korpus ostaje 37-od-47 samoprocjena, a dokazi se zbijaju usko oko unutarnje strukture: strukturna valjanost bila je dovoljna u 32 od 58 studija, a unutarnja dosljednost u 32, pri čemu nijedna nije ocijenjena nedovoljnom, ali je valjanost konstrukta prijavljivala samo 15 studija (12 dovoljno), kriterijsku valjanost jedna, invarijantnost mjerenja invarijantnost pet (sve dovoljno), i samo 2 od 58 zaslužila su dovoljnu ukupnu ocjenu valjanosti sadržaja — sveobuhvatnost bila je nedovoljna u 53 unatoč 43 studije koje su prijavljivale kognitivno intervjuiranje. Obrazac je da praksa mjerenja izgleda robusno upravo tamo gdje je najjeftinije demonstrirati, a tanak gdje dokazi moraju doći izvan instrumenta, pa čista faktorska struktura i visoki koeficijent (koji može odražavati redundantnost čestica koliko i reprezentaciju konstrukta) ne bi se trebali čitati kao demonstrirana sposobnost. Prepis autora je konsolidacija, radije nego množenje: usavršite postojeće ljestvice, testirajte invarijantnost kada god jedna prijeđe jezik ili obrazovnu razinu, i dodajte kriterijske dokaze povezujući rezultate sa zadacima izvedbe.

Jedan od izuzetaka izgrađen je za usporedbu skupina. Zhang i sur. (2026) razvili su Generative AI Literacy Scale (GAILS) — 43 čestice reducirane na 34 kroz Delphi reviziju s pet stručnjaka i pilotiranje sa sedam osoba, zatim validirane u 341 odrasle osobe iz Sjeverne Amerike — i testirali skalarnu invarijantnost, utvrdivši da se održala kroz ispitanike ženskog i muškog spola i kroz skupine studenata i radne snage. To je ono što licencira usporedbe srednjih vrijednosti koje instrument prijavljuje — muškarci postižu skromno više na Adaptive Operational Skills, studenti više na Adaptive Operational Skills i Responsible GenAI Literacy — kao razlike kompetencije, radije nego diferencijalno funkcioniranje čestica, i to je ono što čini ljestvicu upotrebljivom kroz Higher Education i radna okruženja, radije nego samo za studente. Njezini vlastiti dokazi nisu bez mrlje: usklađenost je bila miješana (CFI = .967 i SRMR = .058 unutar uobičajenih granica, RMSEA = .087 iznad njih), α cijele ljestvice = .973 stoji uz jednu neuspjelu Fornell–Larckerovu usporedbu diskriminantnosti (Faktor 1 √AVE = .828 nasuprot r = .873 s Faktorom 3), i, kao gotovo sve u korpusu, mjeri percipiranu kompetenciju bez bihevioralnog kriterija. Validirana ljestvica u ovom području početna je točka za rad na invarijantnosti i kriterijima koji revizija poziva, a ne završen Benchmark.

Povezanosti unutar baze znanja

Pismenost u području umjetne inteligencije presijeca se s UI tutori (razumijevanje kada su UI tutori učinkoviti i kako rade), Teacher AI Competency (spremnost edukatora), Academic Integrity (znanje o tome što predstavlja prikladnu upotrebu umjetne inteligencije) i Umjetna inteligencija u obrazovanju općenito. Ona je i preduvjet za učinkovitu upotrebu umjetne inteligencije i ishod dobro dizajnirane UI integracije — studenti uče pismenost o umjetnoj inteligenciji TIME što koriste umjetnu inteligenciju kritički, a ne samo uče O umjetnoj inteligenciji.

Pismenost u području umjetne inteligencije za pretjeranu oslonjenost dvosjekla je: Maizel i sur. (2026) utvrdili su da su dimenzije pismenosti o umjetnoj inteligenciji zasnovane na vještinama (korištenje/razumijevanje, otkrivanje) bile pozitivno povezane s prijavljenom ovisnošću o umjetnoj inteligenciji, dok su UI Self-Efficacy i akademsko samopouzdanje bili negativno povezani — pa sama tehnička obuka o pismenosti, bez podrške samoučinkovitosti i Self-Regulated Learning, može povećati ovisnost. Pismenost o umjetnoj inteligenciji ovdje postaje omogućujući kapacitet čiji smjer ovisi o komplementarnim motivacijskim resursima.

  • Navike verifikacije isplate donose samo kroz regulaciju. U istraživanju Davor, Larbi i Boateng (2026) provedenom na 533 studenta sveučilišta u Gani, pismenost o verifikaciji umjetne inteligencije nije imala značajan izravni učinak na kritičko razmišljanje (beta = .076, p = .090) ili tehničko Problem Solving (beta = .043, p = .385) i bitna je bila samo kroz metakognitivnu samoregulaciju (beta = .167, p < .001), puno posredovanje koje autori nazivaju metakognitivnom aktivacijom. Podrška zadatku umjetnom inteligencijom predvidjela je oba ishoda (beta = .185 i .170), dok je sklonost kognitivnom prebacivanju predvidjela ih negativno (beta = -.240 i -.312) i potisnula regulaciju (beta = -.294). Podučavanje studenata da provjeravaju UI rezultat stoga nije dovoljno samo po sebi: evaluativne navike zahtijevaju planiranje, praćenje i refleksiju ugrađenu u zadatak.

  • Kritika UI rezultata kao praksa pismenosti: Hosseini (2026) procjenu pogrešaka koje je generirala umjetna inteligencija tretira kao temeljnu vještinu pismenosti o umjetnoj inteligenciji, koristeći analizu načina neuspjeha i iterativnu doradu upita u tečaju dizajna baza podataka. Studija je utvrdila da su studenti precjenjivali svoje UI sposobnosti (samoprocjenjena pismenost bila je slabo, negativno korelirana s objektivnom kompetentnošću), i da je učenje temeljeno na kritici jačalo kalibraciju.

  • Socijalistička humanistička pismenost o umjetnoj inteligenciji (2026): Pregled literature kritizira pismenost o umjetnoj inteligenciji usmjerenu na usklađenost i predlaže socijalističko-humanističko uokvirivanje asinhrone pismenosti o umjetnoj inteligenciji i poštene upotrebe u visokom obrazovanju, povezujući povijesnu digitalnu prazninu s modernom pismenošću o umjetnoj inteligenciji i pozivajući na pristupe koji služe procvatu čovjeka i ravnopravnosti, radije nego mehaničkom usklađivanju s politikom (From Mechanical Compliance to Human Flourishing: A Socialist Humanist Approach to Asynchronous AI Literacy and Fair Use in Higher Education).

  • Jeftina, blaga upozorenja otupjuju UI uvjeravanje — bez troška za opće povjerenje. Orchinik i Rand (2026) preregistrirali su dva eksperimenta (ukupno N = 3.208 američkih odraslih osoba) u kojima su sudionici razgovarali s Large Language Models (LLMs) kojemu je naloženo da pomakne njihove stavove o političkim temama. Jedno kratko upozorenje — da se od modela može tražiti da uvjerava i da informacije može predstavljati selektivno — smanjilo je promjenu uvjerenja za otprilike polovinu (-48.1 %, 95 % CI [-59.5 %, -36.8 %]) u odnosu na kontrolu, a dodavanje upozorenja o specifičnim tehnikama uvjeravanja nije donijelo dodatnu korist. Svojstvo koje je važno za poduku nalazi se na drugoj strani učinka: opće povjerenje u Generative AI nije palo, pa intervencija gradi kalibrirano povjerenje, radije nego potpuni skepticizam. To je intervencija u jednom odlomku bez facilitacije, što je rijedak profil troška za dizajn pismenosti o umjetnoj inteligenciji.

  • Upravljanje učenika umjetnom inteligencijom važnije je od dizajna alata. Azimi (2026) randomizirao je 33 studenta s magisterskog tečaja analitike podataka između UI Study Coacha s podrškom ugrađenog u bilježnice (n = 16) i neograničene upotrebe bilo kojih Generative AI alata koje su sami odabrali (n = 17) tijekom sedam tjedana. Izvedba na zadacima i napretci na inventaru koncepata bili su nerazlikujući; uvjet Coacha prijavio je više samopouzdanja. Ono što je studente razdvojilo bila je pismenost o umjetnoj inteligenciji u praksi: oni koji su sami formulirali pravila za to kada koristiti umjetnu inteligenciju postigli su više u oba uvjeta, a studenti s najdubljim razumijevanjem modela — svaki od njih samouki — postavljali su najnamjernije upite. Implikacija za dizajn ide protiv refleksa kontrole: podučavajte samoregulatorne i komponente razumijevanja modela pismenosti o umjetnoj inteligenciji, radije nego ograničavajte alate.

Povezani koncepti

Povezani članci

Povezani FAQ-ovi

Povezani resursi

  • Education Agent Skills
    A library of 165 evidence-grounded agent skills covering pedagogy, learning science, curriculum, and assessment, packaged for Claude, Codex, and Hermes.
  • EduGems
    'A growing library of pre-made Google Gemini 'Gems' — shareable, pre-written prompts for planning, feedback, forms, images and AI-use reflection.
  • mglearn Classroom Resources
    A large set of free, browser-based classroom activity suites and print-ready materials from TCEA, including Gen AI literacy and digital citizenship modules.
  • OnMicro.AI
    A no-code builder that lets educators make focused AI apps, publish them by link, embed them in an LMS through LTI, and see how students use them.
  • Playlab
    A nonprofit creator platform where educators build, share and evaluate their own AI apps — grounded in their curriculum, run on the model of their choice, with teacher visibility built in.
  • Pressing Prompts
    Openly accessible higher-education activities and resources for pressing critical questions about AI, organised into three thematic clusters.
  • Student Guide to AI
    A free three-edition student guide to artificial intelligence from Elon University, AAC&U and The Princeton Review, whose 2026 edition builds ten human capacities with teacher-ready learning modules and an anonymous self-assessment.
  • Vibes DIY
    A plain-language app builder: describe a small tool in words and get a working, shareable web app, with the underlying React packages and CLI released under Apache-2.0.

Metapodaci

RazinaHigher Ed, K 12
Predviđena publikaFaculty Developers, Instructors, Learners
Tehnologije i tehnikeGenerative AI, Large Language Models (LLMs)
Temelji AI-ja u edukacijiAcademic Integrity, Umjetna inteligencija u obrazovanju, Pismenost u području umjetne inteligencije, Educational Development
SourceHistoryEditChat

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.