Obrazovni razvoj

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

Obrazovni razvoj (poznat i kao razvoj fakultetske nastave): procesi, programi i institucionalne potpore koji pomažu edukatorima razviti vještine, samopouzdanje i profesionalni identitet za učinkovito poučavanje uz umjetnu inteligenciju. Obrazovni razvoj obuhvaća individualnu obuku, redizajn kurikuluma, promjenu institucionalne politike i kulturni rad na razumijevanju onoga što generativna umjetna inteligencija znači za akademsku profesiju.

Pitanja za razmatranje

• Ako nastavnici u istom odjelu opisuju umjetnu inteligenciju s jedne strane kao ljudskog „pomoćnika“, a s druge kao puki „alat“ ili „tražilicu“, može li program obuke doista uspjeti prije nego se ti temeljni mentalni modeli iznesu na vidjelo? Što bi se moglo dogoditi ako razvoj preskoči taj korak?
• Obrazovni razvoj često se tretira kao zatvaranje jaza u vještinama: naučite nastavnike alatima i oni će ih usvojiti. No neka istraživanja integraciju generativne umjetne inteligencije uokviruju kao promjenu na razini identiteta („koji je smisao poučavanja u svijetu generativne umjetne inteligencije?“). Koje je uokvirenje, po vama, točnije i koje različite postupke svako od njih podrazumijeva?
• Okviri spremnosti poput EPIQ-AI dijele spremnost nastavnika na epistemičku, pedagošku, institucionalnu domenu te domenu kvalitete i usklađenosti. Ako je spremnost problem sociotehničkog usklađivanja, a ne pojedinačni manjak vještina, što to govori o tome gdje će usamljena „radionica o umjetnoj inteligenciji“ vjerojatno podbaciti?
• Kada ste osjetili da su vaše vlastite pretpostavke o novoj tehnologiji iznesene na vidjelo i promijenjene, kroz raspravu, metaforu ili zajednički jezik, a ne kroz poduku? Koju ulogu, po vama, zajednički jezik i analiza metafora imaju u pomaganju edukatorima da razumiju umjetnu inteligenciju?
• Zamislite „radionicu metafora“ s malo tehnologije, na kojoj nastavnici, osoblje i studenti izriču doživljavaju li umjetnu inteligenciju kao švicarski nož, pomoćnika, crnu kutiju ili konkurenta. Bi li iznošenje strahova (uključujući strah da će umjetna inteligencija zamijeniti nastavničke uloge) moglo pridonijeti usvajanju više od dodatne tehničke obuke?

Uvod

Obrazovni razvoj profesionalni je i institucionalni rad kojim nastavnici grade sposobnost dobrog oblikovanja, poučavanja i procjenjivanja, a u eri umjetne inteligencije postao je preduvjet da bi ikakva pedagoška promjena stupila na snagu. Koncept obuhvaća pojedinca (pismenost o umjetnoj inteligenciji, samopouzdanje, kompetenciju, stavove) i instituciju (standarde, politiku, osiguranje kvalitete i usklađenost između izrečenih očekivanja o umjetnoj inteligenciji i stvarnog oblikovanja procjene). Nalaz koji se ponavlja u ovoj bazi znanja jest da dokazi o učinkovitoj praksi znatno nadilaze ono što je većina institucija provela, zbog čega je razvojni rad, a ne više primarnih istraživanja, ograničavajući čimbenik. Znanosti o učenju daju nalaze koje taj rad prenosi: gdje to polje empirijski utvrđuje kako ljudi uče i koji dizajni mijenjaju ishode, obrazovni razvoj institucionalna je praksa koja takve dokaze prenosi u ono kako nastavnici doista poučavaju i procjenjuju. Njegov je rad ipak omeđen institucionalnim rubom: razvoj gradi sposobnost kod osoblja unutar institucije, dok alate koje se to osoblje zatim poziva usvojiti obično izvan nje grade Educational Technology Developers, čije odluke o oblikovanju i nabavi (zadane postavke, mogućnost prilagodbe, što preživi financiranje) dolaze kao ograničenja programa, a ne kao njegov proizvod.

Obrazovni razvoj u eri umjetne inteligencije

• Okviri spremnosti: Okvir EPIQ-AI utvrđuje četiri domene spremnosti: epistemičku, pedagošku, institucionalnu te domenu kvalitete i usklađenosti. Spremnost nastavnika problem je sociotehničkog usklađivanja, a ne samo pojedinačni manjak vještina.

• Provjerite što razine nekog okvira opisuju prije njegova usvajanja. U 16 institucijski potvrđenih okvira kompetencija za umjetnu inteligenciju upotreba umjetne inteligencije, ocjenjivanje rezultata i primjena u domeni bili su sadržajni u svih 16, dok formuliranje problema (7), podatkovna kompetencija (9) i stvaranje umjetne inteligencije (8) nisu bili; razine osposobljenosti također opisuju razvoj učenika, radnu ulogu ili razred, pa nisu izravno usporedive (Fitsilis (2026)).

• Standardi za integraciju tehnologije: Crompton i sur. rabe istraživanje utemeljeno na dizajnu za razvoj standarda za nastavnike o integraciji tehnologije (uključujući umjetnu inteligenciju) u institucijama visokog obrazovanja.

• Usvajanje i samopouzdanje: Istraživanje usvajanja umjetne inteligencije kod nastavnika izdvaja zabrinutosti, podršku, samopouzdanje i stavove kao ključne prediktore. Programi razvoja fakultetske nastave moraju se baviti svima četirima.

• Integracija u kurikulum: Okviri institucionalne promjene i reforma procjene zahtijevaju da nastavnici redizajniraju kolegije, a ne samo da dodaju alate s umjetnom inteligencijom.

• Programi obuke: Okviri za podizanje vještina u umjetnoj inteligenciji i TPACK utemeljena obuka budućih nastavnika daju modele za strukturirano obrazovanje nastavnika o umjetnoj inteligenciji.

• Profesionalna refleksija posredovana umjetnom inteligencijom. Model refleksivnog trokuta pozicionira umjetnu inteligenciju kao kognitivnog posrednika u samorefleksiji, suradničkoj refleksiji i refleksiji zajednice unutar profesionalne zajednice za učenje, ispitan u četverotjednoj studiji izvedivosti sa šest nastavnika; granica koju povlači jest da pojedinačni uvid ne postaje automatski dijeljenim profesionalnim znanjem (Nguyen (2026)).

• AI Governance i politika: Analiza institucionalnih politika o umjetnoj inteligenciji dokumentira jaz između institucionalnih ambicija i kapaciteta podrške nastavnicima.

• Pismenost o umjetnoj inteligenciji institucionalno je nevidljiva. Sustavni pregled 32 studije o pismenosti nastavnika jezika u području umjetne inteligencije utvrdio je da je ona odsutna iz modela radnog opterećenja, politika napredovanja i raspodjele resursa, a razvoj je rascjepkan i odgovornost je prenesena na institucije i agencije, pa razvoj pismenosti po defaultu postaje pojedinačni napor, a ne strukturna potpora (Deng, Çelik i Duran, 2026).

Metafore i zajednički jezik u obrazovnom razvoju

Nastavnici imaju heterogene, često duboko ambivalentne mentalne modele umjetne inteligencije, a učinkovit razvoj mora ih iznijeti na vidjelo i raditi s njima. Gerhardt i sur. pokazuju da nastavnici inženjerstva uokviruju umjetnu inteligenciju metaforama koje i grade i ograničavaju razumijevanje (umjetna inteligencija kao ljudski „pomoćnik“ nasuprot „alatu“ ili „tražilici“); kako nastavnici u istom odjelu često imaju bitno različite konceptualizacije, zajednički, točan jezik o generativnoj umjetnoj inteligenciji preduvjet je učinkovitog razvoja fakultetske nastave i produktivnih rasprava o usvajanju na razini odjela.

Praktična metoda za iznošenje tih mentalnih modela jest radionica analize metafora. Vallis, Wilson i Casey (2025) osmislili su i validirali suradničku radionicu s malo tehnologije na kojoj nastavnici, osoblje i studenti izriču svoje metafore za generativnu umjetnu inteligenciju. Metafore sudionika grupirale su se u četiri kategorije: funkcije (nalik alatu: „švicarski nož“), uloge (nalik čovjeku: „pomoćnik“, „prijatelj-neprijatelj“), kvalitete (nespoznatljivo: „crna kutija“, „klizava padina“) i djelotvornost (prijeteće: „konkurent“, „zloslutni robot“), iznoseći na vidjelo trajne napetosti između ljudske i strojne Learner Agency te između poznatog i nespoznatljivog. Radionica je pomogla sudionicima iznijeti pretpostavke, povezati se preko uloga, osjećati se „ne samima“ i razmišljati o Ethics generativne umjetne inteligencije, bez potrebe za tehničkom stručnošću. Kao razvojni alat, daje osmisliteljima programa niskopragni način da iznesu pretpostavke tima prije redizajna Assessment ili uvođenja politike i da se izravno suoče sa strahovima, uključujući strah da će umjetna inteligencija zamijeniti nastavničke uloge.(Fear and Awe: Making Sense of Generative AI Through Metaphor)

Generativna umjetna inteligencija kao rad na identitetu, a ne samo podizanje vještina

Pogled vođen graničnim konceptima preokviruje integraciju generativne umjetne inteligencije kao ontološku preobrazbu za nastavnike, a ne jaz u vještinama. Primjenjujući teoriju graničnih koncepata (Meyer i Land), Laidlaw tvrdi da generativna umjetna inteligencija pokazuje svih pet graničnih obilježja: preobražavajuće (rekonstruira pretpostavke o procjeni, pedagogiji i profesionalnoj ulozi), problematično (krši uvjerenja o originalnosti, ljudskoj djelotvornosti i odnosu truda i postignuća), nepovratno, integrativno (povezuje tehnologiju, pedagogiju, epistemologiju i identitet) i omeđeno (tečnost u generativnoj umjetnoj inteligenciji postaje nova oznaka profesionalne vrijednosti).(When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap)

U tom smislu nastavnici koji pitaju „koji je smisao poučavanja u svijetu generativne umjetne inteligencije?“ nisu manjkavi u kompetenciji; nalaze se u liminalnoj fazi prelaska granice, gdje su tjeskoba, otpor i zbunjenost nužni dijelovi preobrazbe, a ne prepreke koje treba ukloniti. Obuka utemeljena na vještinama koja odgovara na pitanje kompetencije koje nastavnici ne postavljaju može postati sporedna u odnosu na stvarnu preobrazbu, a dobronamjerno upravljanje može skliznuti u „iluziju provedbe“: prenošenje pravila umjesto podrške promjeni.(When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap)

Implikacija za oblikovanje: dopunite (nemojte zamijeniti) izgradnju vještina praksama koje podupiru identitet: otvorene sesije s pitanjima identiteta umjesto tehničkih demonstracija, trajne disciplinski specifične kohorte u kojima nastavnici istražuju što generativna umjetna inteligencija znači za svrhu njihova polja, strukture vršnjačkog mentorstva koje poštuju različite vremenske okvire preobrazbe te razlikovanje oklijevanja iz straha (kojemu pomaže podrška) od principijelnog neusvajanja utemeljenog na legitimnim disciplinskim vrijednostima (koje zaslužuje poštovanje).(When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap) Gore opisani model radionice metafora jedna je konkretna provedba toga: umjesto da počne od tehničkog podizanja vještina, otvara se interpretativnim pitanjem prožetim identitetom o tome što generativna umjetna inteligencija znači sudionicima.

Empirijska potpora uokvirenju rada na identitetu. Farazouli i sur. (2026) daju izravne kvalitativne dokaze za taj prikaz: 24 švedska sveučilišna nastavnika opisala su pojavu generativne umjetne inteligencije kao alarmantnu i preplavljujuću, izvijestivši o „stanju ranjivosti“ (nisko samopouzdanje, nesigurnost, strah da „nisu ispred studenata“) i osjećaju „zaglavljenosti“ između utopijskih i distopijskih diskursa. Njihovo ograničeno znanje i iskustvo, uz osjećaje ranjivosti, ističu nedostatak spremnosti nastavnika da se snalaze u generativnoj umjetnoj inteligenciji, procjenjuju je i usvajaju, a autori tvrde da institucije moraju osigurati za to predviđene prostore i vrijeme da nastavnici eksperimentiraju s generativnom umjetnom inteligencijom, razmjenjuju ideje i zajednički razvijaju prakse i smjernice na institucionalnoj razini, razini odjela i razini kolegija. To utemeljuje pristup rada na identitetu i pristup usmjeren na podršku u vlastitom iskustvu koje su nastavnici sami izvijestili, a ne samo u teoriji.

Program koji se izravno bavio pitanjem identiteta. Chick, Morello i Staffey (2026) izvješćuju o šestotjednom ljetnom institutu koji je deset nastavnika iz obrazovanja, zdravstvenih znanosti, poslovanja i drugih programa izveo iz niske tečnosti u umjetnoj inteligenciji (srednja samoprocjena 1,89 na šesterostupanjskoj ljestvici) do toga da 60 % izvješćuje o visokom samopouzdanju u vođenju studentske upotrebe umjetne inteligencije i 90 % o pozitivnim percepcijama, a pomak pripisuju manje obuci u alatima, a više strukturiranom, sigurnom eksperimentiranju koje je otvoreno egzistencijalnim pitanjem profesionalne vrijednosti, a ne demonstracijama. Promjena rječnika znak je na koji se oslanjaju: rana uokvirenja umjetne inteligencije kao „stroja za varanje“ ili „dehumanizirajuće sile“ ustupila su mjesto „znatiželjnom pomoćniku“, a njihove četiri teme (od straha do znatiželje, želja za etičkom jasnoćom koju politički vakuum nije pružio, inkluzivno oblikovanje kao pojačivač ravnopravnosti i nastavnici koji prelaze od vratara do vodiča) opisuju djelomičnu, namjernu preorijentaciju nastavnog identiteta. Deset završnih redizajna tvrđi su dokaz, pri čemu osam od deset pozicionira umjetnu inteligenciju kao potporu koja podupire, a ne zamjenjuje mišljenje, a autoričina simbiotska pedagogija formalizira ono što su sudionici izgradili: komplementarno oblikovanje, transparentan proces, kritičku integraciju, ugrađeno etičko rezoniranje i iterativno usavršavanje. Ograničenje je strukturno, a ne individualno: isti sudionici naveli su proturječne signale politike, osobne pretplate na alate i izostanak oslobađanja vremena za redizajne, pa autori zaključuju da otpor nikada nije bio problem i da će fragmentirani odgovori koji politiku i infrastrukturu ostavljaju netaknutima razočarati čak i entuzijastičnu kohortu.

Razvoj kao posredovanje i prvo pitanje koje razvijatelj postavlja. Sithole (2026) proučava akademski razvoj (starije ime polja i pojam koji rabi International Journal for Academic Development, koji je rad objavio) na dvije južnoafričke povijesno zakinute institucije i preokviruje razvijatelje ne kao tehničke proveditelje, nego kao digitalne posrednike koji rade na tri razine: pedagoškoj (prijevod diskursa o umjetnoj inteligenciji u izvedivu praksu poučavanja, učenja i Assessment), etičkoj (držanje automatizacije nasuprot Akademska čestitost, inovacije nasuprot brizi) i institucionalnoj (rad u liminalnom prostoru između imperativa uprave i akademskih pitanja). Dva nalaza važna su za osmišljavanje programa. Prvo, filtarsko je pitanje kontekstualno prije nego tehničko („što to znači za poučavanje ovdje, za naše studente iz siromašnih škola?“), a usporavanje usvajanja računa se kao dio posla, a ne kao otpor njemu. Drugo, afektivni trošak je strukturan, a ne osoban: od razvijatelja se očekivalo da iskazuju stručnost u alatima čije su implikacije još razrješavali („osjećam se kao varalica. Učim umjetnu inteligenciju u hodu, a institucija očekuje stručnost“), a njihov je odgovor bilo vršnjačko profesionalno učenje usmjereno prosudbi, a ne vještini, uključujući i namjerne pokušaje da se alati razbiju. Analitički doprinos rada jest razdvajanje digitalne nejednakosti, distributivnog problema, od algoritamske kolonijalnosti, epistemičkog problema koji preživljava puni pristup, i smještanje obojega unutar Globalnog juga visokog obrazovanja, gdje se od razvojnog rada očekuje da bude preobražavajući, a ne neutralna uslužna djelatnost.

Krivnja i moralna nelagoda kao razvojni signal. Vassallo (2026) daje afektivni pandan prikazu identiteta. U anketi među akademskim osobljem jednog malteškog sveučilišta (109 odgovora, stopa od 3,5 % koju rad čita kao samu po sebi informativnu o stanju etičke rasprave) krivnja je pratila prikrivanje, a ne otkrivanje: ograničavanje upotrebe umjetne inteligencije zbog nelagode koreliralo je s indeksom krivnje zbog umjetne inteligencije na r = 0,62, a izbjegavanje otkrivanja kolegama na r = 0,50, dok formalno otkrivanje u akademskim rezultatima nije pokazalo vezu (r = 0,08). Samo 31,2 % vidjelo je jasne institucionalne smjernice, a korelacija između te jasnoće i niže krivnje bila je slaba (r = -0,25, p = 0,010), što rad čita kao dokaz da mandati odozgo ne mogu riješiti djelomice emocionalan problem utemeljen na identitetu. Njegove su preporuke izravno razvojne: tretirajte krivnju i zabrinutost za identitet kao normalne prijelazne reakcije, a ne kao pogreške koje treba ispraviti, rabite strukturirano eksperimentiranje s niskim ulogom da osoblje provedete kroz anticipatornu tjeskobu i oslonite se na mentorstvo iskusnijih akademika, jer je krivnja bila najviša među osobljem na početku karijere (M = 2,71), a najniža među iskusnima (M = 2,03).

Praktične smjernice za osmislitelje programa

Za razvijatelje fakultetske nastave, akademske voditelje i instruktivne dizajnere koji planiraju profesionalni razvoj u području umjetne inteligencije, dokazi baze znanja upućuju na sljedeće:

Bavite se četirima pokretačima usvajanja, a ne samo znanjem. Samopouzdanje, stavovi, podrška i zabrinutosti predviđaju hoće li nastavnici doista usvojiti umjetnu inteligenciju, pa radionica koja se bavi samo znanjem i zanemaruje te čimbenike vjerojatno neće promijeniti praksu. Osmislite razvoj tako da gradi samopouzdanje kroz praktičnu upotrebu, pruža trajnu podršku (a ne jednokratnu obuku) i aktivno iznosi i odgovara na zabrinutosti nastavnika.(AI Adoption Among Teachers: Insights on Concerns, Support, Confidence, and Attitudes)

Samopouzdanje i pismenost nisu zamjenjivi ciljevi: u SEM-u na 502 ispitanika među sveučilišnim nastavnicima pismenost o umjetnoj inteligenciji bila je dominantan prediktor blagostanja u vezi s umjetnom inteligencijom (β = 0,713), dok je tehnološka samodjelotvornost pridonijela malo (β = 0,082), a podrška je do blagostanja stigla samo neizravno (Liu i sur. (2026)).

Tretirajte potražnju za smjernicama i primjerenost smjernica kao odvojene probleme. Nastavnici jednog sveučilišta snažno su podupirali institucionalne mjere protiv neetične upotrebe umjetne inteligencije (M = 4,59), a postojeće smjernice ocijenili najniže (M = 2,99) i kao svoje najslabije znanje naveli privatnost podataka i kulturnu uključivost, što je konkretan cilj profesionalnog razvoja (Bilgic i Sever, 2026).

Tretirajte spremnost kao problem sociotehničkog usklađivanja. Okvir EPIQ-AI pokazuje da spremnost nastavnika obuhvaća epistemičku, pedagošku, institucionalnu domenu te domenu kvalitete i usklađenosti. Programi koji obučavaju samo pojedinca propuštaju institucionalne poluge (politiku, radno opterećenje, poticaje, standarde kvalitete) koje omogućuju ili blokiraju promjenu, pa ih uskladite uz obuku.(Faculty Readiness for AI-Supported Teaching and Scalable Online Program Delivery in Higher Education: The EPIQ-AI Framework for Epistemic Integrity)

Ne izjednačujte ulaganje u infrastrukturu s preobrazbom. U 125 studija institucionalno ulaganje u infrastrukturu generativne umjetne inteligencije i obrazovni razvoj samo je slabo koreliralo sa stvarnom pedagoškom promjenom (r = 0,12), dok se 60-70 % nastavnika osjećalo nespremnima za integraciju generativne umjetne inteligencije, što razvoj, a ne nabavu, čini ograničavajućim čimbenikom.(Rathnayake (2026))

Gradite prema redizajnu kurikuluma, a ne prema usvajanju alata. Cilj je da nastavnici redizajniraju kolegije i procjenu, a ne samo da dodaju alate s umjetnom inteligencijom. Utemeljite profesionalni razvoj u redizajnu na razini kolegija i reformi procjene te nastavnicima dajte strukturirane okvire za to (npr. ljestvice procjene, okvire institucionalne promjene).(A Framework for Institutional Change in the Age of AI)(A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform)

Okupite selo, a ne pojedinca. U razgovorima s 12 akademika i 17 studenata redizajn procjene u eri generativne umjetne inteligencije nadilazio je sposobnost bilo kojeg pojedinog akademika (navedeni su nefleksibilni procesi, dugi rokovi i teret radnog opterećenja), pa autori predlažu tim na razini programa koji spaja stručnost za oblikovanje procjene, generativnu umjetnu inteligenciju, predmetno područje, program i industriju (Nicola-Richmond i sur., 2025).

Vodite seriju na podacima same sobe, a ne na uvezenoj najboljoj praksi. Perl-Nussbaum i Finkelstein (2026) dokumentiraju razrađen model iz velikog javnog fizikalnog odjela R1: šest sesija svaka dva tjedna u trajanju od 60 do 75 minuta, devetnaest nastavnika koji su sudjelovali kroz seriju i oko deset na svakom sastanku, pri čemu se svaka sesija otvarala lokalnim podacima ili materijalima iz odjela, prelazila na testiranje umjetne inteligencije u malim grupama na stvarnim anonimiziranim studentskim domaćim zadaćama i završavala zajedničkom raspravom. Ono što su nastavnici otkrili testiranjem bilo je korisnije od bilo kojeg paketa koji su voditelji mogli uvesti: umjetna inteligencija riješila je svaki problem koji su pokušali, ali njezine povratne informacije o stvarnom studentskom radu bile su neujednačene, ovisne o poticaju i usmjerene na površinu, osim kad su joj zadani eksplicitni ciljevi i rubrike, a studenti su poticali plitko i površno mijenjali rezultate osim kad je produktivna upotreba bila pokazana. Prvi konkretni rezultat bio je živi repozitorij s pet unosa (izjave politike iz silabusa, materijali za raspravu u učionici, studentska anketa, zadaci domaćih zadaća s integriranom umjetnom inteligencijom i strukture procjene), zbog čega autori samu strukturu sesije tretiraju kao argument, a ne bilo koji sadržaj koji je donijela.

Usidrite se u okvir kompetencija. Razvoj bi trebao graditi i pedagošku pismenost u poticajima, sposobnost kodiranja pedagoških namjera u poticaje, jer Talebzadeh (2026) nalazi da kvalitetu nastavničkog dizajnerskog rada potpomognutog umjetnom inteligencijom određuje pedagoška stručnost, a ne tečnost u umjetnoj inteligenciji.(AI-accelerated End-to-End Framework for Rapid Professional Upskilling)(AI literacy-related domains and AI-TPACK readiness among preservice mathematics teachers: A factor-informed structural equation modelling study)(The Architecture of Roles in AI-Designed Group Activities: A comparative inductive analysis of novice and experienced teachers' differentiated instruction within the IAT framework)

Redajte razumijevanje prije automatizacije. Kritička analiza diskursa 14 jedinica sive literature objavljene između studenoga 2022. i travnja 2025. koja praktičarima savjetuje o generativnoj umjetnoj inteligenciji za konstruktivno usklađivanje nalazi da sposobnost mora prethoditi pristupu alatu: kako kvaliteta angažmana prethodi kvaliteti razumijevanja u Constructivism okviru, rizik raste obrnuto razmjerno poznavanju, a početnici su najizloženiji prihvaćanju uvjerljivo izglednih, ali pedagoški plitkih rezultata vođenom uvjerljivošću. McInnes i sur. (2026) nadalje tvrde da se razvojne jedinice trebaju oduprijeti tehnicističkom zadatku, pomaganju nastavnicima da „steknu tečnost“ u alatima koji obavljaju „teški dio posla“ oblikovanja kolegija, jer takvo uokvirenje isključuje razvijatelje iz zatvorene petlje edukator-generativna umjetna inteligencija i preobražava razvoj vođen vrijednostima i odnosima u posredujući mehanizam za usvajanje softvera. Obranjiva alternativa zadržava obrazovne razvijatelje kao kustose i postavljače pravila svakog institucionalno omeđenog asistenta za usklađivanje s dopunom dohvatom koji postavlja propitujuća pitanja, označava nedovoljnu i prekomjernu procjenu i generira alternative, ali nikada dovršene artefakte, uz eskalaciju na ljudsku prosudbu u pitanjima akreditacije i međuprogramskih stvari koja se tretira kao značajka, a ne iznimka.

Iznesite i rješavajte strahove i mentalne modele. Prije redizajna poučavanja rabite radionicu analize metafora (Vallis, Wilson i Casey 2025) da iznesete pretpostavke i tjeskobe tima o generativnoj umjetnoj inteligenciji, uključujući strah da će zamijeniti nastavničke uloge, i izgradite razvoj koji na njih odgovara, a ne ih zanemaruje.(Fear and Awe: Making Sense of Generative AI Through Metaphor)

Budite primjer pismenosti o umjetnoj inteligenciji i mjerite stvarne dobitke. Razvoj fakultetske nastave i sam treba utjelovljivati prakse koje poučava (pedagošku upotrebu umjetne inteligencije, kritičko ocjenjivanje rezultata) i treba procjenjivati pokazanu kompetenciju, a ne samoprocjenu samopouzdanja, jer samopercepcija pouzdano precjenjuje vještinu u umjetnoj inteligenciji.(How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures)(Efficacy of an Intensive Generative AI Professional Development Program on Pedagogical Content Knowledge (AI-PCK) and the Comparative Analysis of Learning Gain between Experienced and Pre-service Teachers)

Ne pretpostavljajte da se predmetna stručnost prenosi na generativnu umjetnu inteligenciju. Sutedjo, Chowdhury i Liu (2026) anketirali su 127 nastavnika istraživačkih sveučilišta u SAD-u instrumentom TPACK-21 i utvrdili da sadržajno znanje (CK) nije pokazalo nikakvu značajnu korelaciju s tehnološkim znanjem ni s bilo kojom tehnološki integriranom domenom (r = 0,11-0,15, ns): disciplinska stručnost nije predviđala znanje o integraciji generativne umjetne inteligencije. Tehnološki integrirane domene (TPK, TCK, TPACK) bile su međusobno tako snažno povezane (r = 0,81-0,91) da mogu djelovati kao jedan čimbenik integracije generativne umjetne inteligencije. U praksi: gradite integraciju generativne umjetne inteligencije kroz disciplinski specifične aktivnosti koje njezine mogućnosti povezuju s predmetom svakog nastavnika i tretirajte tehnološki integrirane domene kao jedan zajednički temelj pismenosti o generativnoj umjetnoj inteligenciji, umjesto da ih obučavate kao odvojene vještine.(Assessing faculty self-perceived knowledge in using generative AI to teach 21st-century skills)

Disciplinski specifični modeli pametne učionice. Zhu, Liang, Mao i Wang (2026) pokazuju kako se diplomski kolegij iz matematike može obogatiti inteligentnim obrazovnim tehnologijama (automatizirano ocjenjivanje, personalizirane preporuke, višestruke povratne informacije umjetne inteligencije) integriranima u faze prije nastave, tijekom nastave i nakon nje unutar trodimenzionalnog okvira pametne učionice. Njihov kvazieksperiment našao je statistički značajne pomake u osposobljenosti za oblikovanje nastavnih ciljeva, nudeći prenosivi D-T-E model (Disciplinary Demand-Technological Empowerment-Evaluation Loop) za obrazovne djelatnike u obrazovanju nastavnika i obrazovne razvijatelje koji žele okvire pametnog obrazovanja prenijeti iz makrokoncepata u disciplinski specifičnu praksu.

Mjerite pohađanje, a ne osjećaj angažiranosti. U šestomjesečnom programu Intelligent-TPACK za 64 sveučilišna nastavnika stopa pohađanja predviđala je dobitak u kompetenciji za umjetnu inteligenciju (β = 0,407, p = 0,001), dok samoopaženo sudjelovanje nije (β = 0,049, p = 0,692), što autori čitaju kao konkretno bihevioralno ulaganje nasuprot površinskom angažmanu (Tan, Cheng i Ling, 2025). Program je spojio online predavanja s tri radionice uživo, a zatim je od nastavnika tražio da revidiraju svoje nastavne dizajne i provedu ih sljedećeg semestra, a autori preporučuju povezivanje pohađanja s ocjenjivanjem rada uz smislene poticaje.

Usporedite s onim što nastavnici sami izvješćuju. Anketa Watsona i Rainieja (2026) među 1 057 američkih sveučilišnih nastavnika nalazi da je institucionalni sloj tanak na načine koje osmislitelji programa mogu izravno mjeriti: 59 % ocijenilo je svoju ustanovu nespremnom za učinkovitu upotrebu generativne umjetne inteligencije u pripremi studenata za budućnost, a 68 % reklo je da ona nije pripremila nastavnike za njezinu upotrebu u poučavanju i mentorstvu, dok je strukturni odgovor dosegnuo radnu skupinu u 55 % institucija, ali ishod općeg obrazovanja o pismenosti u umjetnoj inteligenciji u samo 13 %. Nastavnici nisu čekali politiku: 87 % napisalo je vlastita pravila na razini zadatka, nasuprot 48 % koji su mogli uputiti na institucionalno, a kao prepreke usvajanju na razini odjela naveli su otpor kolega (82 %) i njihovu nenaviknutost (83 %), a ne mandate. Za razvojne programe to zagovara tretiranje vršnjačkih normi, zajedničkog jezika politike na razini zadatka i eksplicitnih mjera institucionalne spremnosti kao dijela intervencije, umjesto prepuštanja političkom dokumentu.

Odgovor nastavnika odražava središta moći, a ne stav. U instrumentalnoj studiji slučaja s 33 nastavnika pisanja četiri policentrična središta moći (globalni trend generativne umjetne inteligencije, sveučilište i odjel, kolege i studenti) oblikovala su praksu, a honorarni nastavnici ograničeni slabijom diskurzivnom moći prešli su s otkrivanja na poučavanje prihvatljive upotrebe (Zuo i sur. (2026)).

• Šest obitelji profesionalnog razvoja, tri dobro potkrijepljene i jasan pobjednik. Pregled 78 studija o instruktivnom dizajnu potpomognutom umjetnom inteligencijom razvrstava dokumentirani profesionalni razvoj u kompaktne ugrađene module (2-4 tjedna), cijelosemestarsko mikroučenje, cikluse dizajna utemeljene na zadacima, lance pitanja utemeljene na suradničkom dijalogu, kritičko suotkrivanje i samousmjereno učenje praktičara. Dokazi o ishodima najsnažniji su za kompaktne ugrađene module: trotjedni modul dao je statistički značajne pomake u svih šest domena Intelligent-TPACK s veličinama učinka od srednjih do velikih, a četverotjedni program sa 436 budućih nastavnika i kontrolnim uvjetom najjača je kontrolirana evaluacija u korpusu (Spyropoulou i Kameas, 2026).
• Tri značajke oblikovanja izdvajaju najbolje potkrijepljene intervencije. Etika ugrađena kao raspodijeljena praksa s kontrolnim točkama uz svaki zadatak, a ne kao samostalna sesija; procjena kompetencije utemeljena na izvedbi pomoću planova lekcija, dnevnika odluka i mikropoučavanja, motivirana izravno nepouzdanošću samoprocjene; i inženjerstvo poticaja razvijeno kao refleksivna, pedagoški utemeljena praksa. Usvajanje nije ista poluga kao izvedba: među 200 nastavnika u Sjevernoj Sumatri upotreba umjetne inteligencije nije imala izravan učinak na izvedbu nastavnika (β = 0,112, p = 0,087), dok ju je organizacijsko građansko ponašanje nosilo neizravno, pa je rad na razvoju fakultetske nastave usmjeren na suradničku upotrebu izvan propisane uloge verzija koju dokazi podupiru (Sherly i sur. (2027)). Popratna dvotjedna studija našla je brze dobitke u znanju i samopouzdanju, istodobno utvrdivši otkrivanje pristranosti kao najslabiju novonastalu kompetenciju, jaz koji je potrajao i u duljem modulu, u skladu s time da se etička perceptivna sposobnost razvija sporije od tehnološke upoznatosti.

Uobičajene zablude

„Radionica o vještinama intervencija je koja obrazovnom razvoju treba.“ Spremnost je problem sociotehničkog usklađivanja, a ne individualni manjak, zbog čega samostalna „radionica o umjetnoj inteligenciji“ ne zadovoljava potrebu kojoj je namijenjena. Program koji se izravno bavio tim pitanjem bio je šestotjedni ljetni institut koji je deset nastavnika iz obrazovanja, zdravstvenih znanosti, poslovanja i drugih programa proveo kroz rad na razini identiteta. Trajanje i kohorta nisu sporedni u tom dizajnu: oni ga razlikuju od obilaska značajki.

„Jasnije institucionalne smjernice riješit će nelagodu nastavnika.“ Smjernice pomažu i ne dosežu problem. Samo 31,2 % akademskog osoblja na jednom malteškom sveučilištu opažalo je jasne institucionalne smjernice, a korelacija između jasnoće smjernica i niže krivnje bila je slaba (r = -0,25, p = 0,010). Slab odnos takve veličine znači da mandati odozgo ne mogu riješiti ono što rad čita kao djelomice emocionalan problem utemeljen na identitetu: petina varijance koju objašnjavaju nije petina koja je važna.

„Krivnja zbog upotrebe umjetne inteligencije upućuje na kršenje pravila.“ Ona prati prikrivanje, a ne otkrivanje: ograničavanje upotrebe umjetne inteligencije zbog nelagode koreliralo je s njezinim skrivanjem, a ne sa zabranjenim ponašanjem. Čitanje krivnje kao dokaza nedoličnog ponašanja stoga promašuje njezin izvor, a tretiranje krivnje kao signala za usklađenost gurnut će ponašanje još dalje iz vida.

„Niska stopa odaziva na anketu znači da nastavnici nemaju izražene osjećaje.“ Rad svojih 109 odgovora (stopa od 3,5 %) čita kao same po sebi informativne o stanju etičke rasprave: nizak odaziv na pitanje o nelagodi nalaz je o toj nelagodi, a ne njezino odsustvo. A integracija generativne umjetne inteligencije uokvirena isključivo kao podizanje vještina promašuje pitanje identiteta koje neki nastavnici doista postavljaju: koji je smisao poučavanja u svijetu generativne umjetne inteligencije.

Povezani koncepti

• Kompetencije nastavnika za umjetnu inteligenciju
• Poučavanje
• Pismenost u području umjetne inteligencije
• Educational AI Policy
• Higher Education
• K-12
• Oblikovanje učenja
• Curriculum Design
• Workplace Learning
• Teacher Education
• Learning Sciences
• Educational Technology Developers
• Stakeholders - Krov: ljudi i publike u obrazovanju s umjetnom inteligencijom (učenici, nastavnici, dizajneri, administratori, donositelji politika)

Povezani članci

• Efficiency at what cost? Salvaging constructive alignment from the GenAI hype — Kritička analiza diskursa savjeta o usklađivanju s generativnom umjetnom inteligencijom: razvijatelji preokvireni u trenere tehnologije

• Designing faculty standards for technology integration in higher education institutions: a design-based research study — Standardi za nastavnike o integraciji tehnologije (DBR)

• Understanding ethical dimensions of AI in higher education: insights from faculty members and students — Etičke dimenzije umjetne inteligencije: pogledi nastavnika i studenata

• It Takes a Village... Program-Wide Approaches to Redesigning Assessment in a Time of Generative Artificial Intelligence (GenAI)

• It's Like "X": How Engineering Faculty Metaphors Construct (and Constrain) AI Understanding in Engineering Education — Kako metafore nastavnika inženjerstva grade (i ograničavaju) razumijevanje umjetne inteligencije

• Fear and Awe: Making Sense of Generative AI Through Metaphor — Strah i strahopoštovanje: razumijevanje generativne umjetne inteligencije kroz metaforu (radionica metafora za nastavnike, osoblje i studente)

• Governing the Unseen: A Systematic Review of AI Literacy among Language Teachers in Higher Education — Upravljanje nevidljivim: pismenost o umjetnoj inteligenciji među nastavnicima jezika

• Faculty Readiness for AI-Supported Teaching and Scalable Online Program Delivery in Higher Education: The EPIQ-AI Framework for Epistemic Integrity

• AI Adoption Among Teachers: Insights on Concerns, Support, Confidence, and Attitudes

• A Framework for Institutional Change in the Age of AI

• A Comparative Analysis of Institutional and Course Generative AI Policies within Higher Education: Implications for Instruction in Computing Education

• AI literacy-related domains and AI-TPACK readiness among preservice mathematics teachers: A factor-informed structural equation modelling study

• AI-accelerated End-to-End Framework for Rapid Professional Upskilling

• A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform

• From Prompts to Verified Loops: The PCHL-HE Framework for Generative AI-Assisted Educational and Research Content Creation in Higher Education

• Efficacy of an Intensive Generative AI Professional Development Program on Pedagogical Content Knowledge (AI-PCK) and the Comparative Analysis of Learning Gain between Experienced and Pre-service Teachers

• Generative AI in Higher Education: A Systematic Review of Opportunities, Challenges, and Pedagogical Innovations (2022–2025)

• When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap — Generativna umjetna inteligencija kao kriza identiteta, a ne jaz u vještinama

• “Will AI steal my glory?”: Power relations perceived by college instructors when grappling with Generative AI — Odnosi moći koje opažaju sveučilišni nastavnici suočeni s generativnom umjetnom inteligencijom u pisanju (Zuo, Xu i Dunning 2026)

• The Reflective Triangle Model: AI as a Cognitive Mediator in Teachers' Professional Learning and Learning-Community Development — Model refleksivnog trokuta: umjetna inteligencija kao kognitivni posrednik

• Assessing faculty self-perceived knowledge in using generative AI to teach 21st-century skills — Samoprocijenjeno TPACK-21 znanje nastavnika za generativnu umjetnu inteligenciju (Sutedjo, Chowdhury i Liu 2026)

• Enhancing Teachers' AI Competency: A Professional Development Intervention Study Based on Intelligent-TPACK Framework — Intelligent-TPACK profesionalni razvoj: pohađanje predviđa dobitke, samoopaženo sudjelovanje ne

• Improving Instructional Design Proficiency of Master's Students in Mathematics Education Through Intelligent Educational Technologies — Model pametne učionice i D-T-E petlja koji poboljšavaju osposobljenost za instruktivni dizajn u diplomskom studiju matematike (Zhu i sur. 2026)

• The Architecture of Roles in AI-Designed Group Activities: A comparative inductive analysis of novice and experienced teachers' differentiated instruction within the IAT framework — Arhitektura uloga u diferenciranim grupnim aktivnostima koje je osmislila umjetna inteligencija (Talebzadeh 2026)

• Navigating uncertainty: university teachers' experiences and perceptions of generative artificial intelligence — Iskustva i percepcije sveučilišnih nastavnika o generativnoj umjetnoj inteligenciji: ranjivost, preispitivanje procjene, učenje studenata u opasnosti (Farazouli i sur. 2026)

• From fear to innovation: A case study of transformative faculty development for ethical AI integration in higher education — Od straha do inovacije: šestotjedni institut za nastavnike, simbiotska pedagogija i institucionalni uvjeti koje nije mogao osigurati

• The AI guilt complex: Moral emotions and ethical dilemmas in academic technology adoption — Kompleks krivnje zbog umjetne inteligencije: anticipatorna krivnja, prikrivanje i razlike prema stadiju karijere među akademskim osobljem (Vassallo 2026)

• The AI Challenge: How college faculty assess the present and future of higher education in the age of AI — Anketa AAC&U i Elon među 1 057 američkih sveučilišnih nastavnika: institucionalna nespremnost, tanak sustav upravljanja i jaz između 87 % i 48 % u politici (Watson i Rainie 2026)

• Beyond the algorithm: academic developers as digital mediators in Global South higher education — Akademski razvijatelji kao digitalni posrednici u visokom obrazovanju Globalnog juga: razvoj kao sociotehnička praksa

• A Workshop Series for Effective Use of AI in Uncertain Times: Building a Physics Faculty Learning Community — Serija radionica za učinkovitu upotrebu umjetne inteligencije u nesigurnim vremenima: izgradnja fizikalne nastavničke zajednice za učenje

• Exploring University Faculty's AI Well-Being: A Structural Equation Model of Social Supports, AI Literacy, and Technological Self-Efficacy — Blagostanje nastavnika u vezi s umjetnom inteligencijom prati pismenost o umjetnoj inteligenciji, a ne tehnološku samodjelotvornost

• The AI Competence Framework Landscape: A Comparative Analysis of Frameworks for Education and Workforce Development — Provjerite što razine nekog okvira opisuju prije njegova usvajanja