Baza znanja AIEdAIEd KB
Na ovoj stranici

Pročitajte ovu stranicu na engleskom

Pojmovi

Povijest umjetne inteligencije u obrazovanju

Stvoreno 2026-08-23 · Ažurirano 2026-11-08

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

Povijest umjetne inteligencije u obrazovanju — proučavanje toga kako su se umjetna inteligencija i obrazovanje zajedno razvijali od sredine 20. stoljeća i kako prošli konceptualni, terminološki i dizajnerski izbori i danas oblikuju rasprave o umjetnoj inteligenciji u učenju. Umjesto da generativnu umjetnu inteligenciju tretira kao naglu, neviđenu silu, povijesna leća otkriva napetosti koje se ponavljaju — kontrola nasuprot djelotvornosti, standardizacija nasuprot kreativnosti, automatizacija nasuprot pojačavanju — koje strukturiraju umjetnu inteligenciju u obrazovanju od njezinih početaka.

Pitanja za razmatranje

  • Današnja generativna umjetna inteligencija često se opisuje kao revolucija bez presedana. Kako bi to uokvirivanje („kronocentrizam“) moglo spriječiti da vidimo obrasce koji se ponavljaju ispod njega?
  • Područje se gotovo nazvalo „kibernetika“ umjesto „umjetna inteligencija“. Kako je taj jedan izbor naziva mogao oblikovati to vidimo li strojeve kao neovisne inteligencije ili kao dio međusobno povezanih sustava povratnih informacija?
  • Stranica ovu povijest AIED-a uokviruje kao napetost između kontrole (Andersonovi kognitivni tutori koji optimiziraju poučavanje) i djelotvornosti (Papertov konstrukcionizam koji osnažuje učenike). Gdje na tom spektru leže vaši vlastiti izbori u obrazovanju uz umjetnu inteligenciju — i zašto?
  • Personalizacija, tvrdi stranica, ima dva značenja: mijenjanje puta do istog ishoda ili omogućavanje raznolikih ishoda koje usmjerava učenik. Koju vrstu personalizacije vaša institucija doista slijedi i koju bi, po vama, trebala?
  • Ako današnje rasprave o GenAI-u „zrcale“ te povijesne napetosti, koje bismo prošle pogreške mogli ponavljati — i što bismo mogli izbjeći ako ih se sjetimo?
  • Stranica tvrdi da tehnički dizajnerski izbori ugrađuju vrijednosne prosudbe o svrsi učenja. Možete li prepoznati dizajnersku odluku u UI alatu za obrazovanje koji ste rabili, a koja je tiho favorizirala standardizaciju nauštrb učeničke djelotvornosti — ili obrnuto?

Uvod

Povijest ovog područja nije linearno napredovanje, nego niz kontingentnih odluka čiji odjeci još traju. Razumijevanje te povijesti štiti od „kronocentrizma“ (pristranosti koja trenutna zbivanja tretira kao jedinstveno revolucionarna), pomaže izbjeći ponavljanje prošlih pogrešaka i otkriva kako izbori uokvirivanja i terminologije — a ne samo tehnologije — usmjeravaju putanju umjetne inteligencije u obrazovanju.

Ključne povijesne niti

Od kibernetike do „umjetne inteligencije“. Kad je John McCarthy planirao Dartmouthski ljetni istraživački projekt 1956., namjerno je odabrao termin umjetna inteligencija umjesto kibernetike — dijelom da bi područje udaljio od Norberta Wienera i njegova usmjerenja na analognu povratnu vezu. Ta odluka o nazivu uokvirila je sposobnosti strojeva u izravnu usporedbu s ljudskom kognicijom (antropomorfno uokvirivanje), usmjeravajući istraživačke prioritete, javnu percepciju i etičku raspravu desetljećima. Da je područje zadržalo kibernetičko uokvirivanje, članak zamišlja, danas bismo možda govorili o „kibernetičkim sustavima učenja“ koji naglašavaju povratnu vezu i međusobnu povezanost, a ne o „UI tutorima“ koji stroj pozicioniraju kao neovisan izvor inteligencije.

Kognitivna revolucija i korijeni ITS-a. Rani pioniri — Herbert Simon, Allen Newell, Marvin Minsky, John Anderson — nisu samo modelirali kogniciju; istraživali su temeljna pitanja o učenju i poučavanju. Njihov je rad proizveo informacijsko-procesne modele ljudske kognicije koji su postali temelj obrazovne psihologije i doveo je do inteligentnih tutorskih sustava (ITS), utemeljenih u paradigmama heurističkog pretraživanja i ekspertnih sustava umjetne inteligencije 1960-ih i 70-ih. Ti su se sustavi prirodno poravnali s postojećim strukturama procjene i standardizacije te su se naposljetku objedinili u zajednicu AIED.

Kontrola nasuprot djelotvornosti: Anderson i Papert. Pojavile su se dvije suparničke vizije, utjelovljene u Johnu Andersonu i Seymouru Papertu. Andersonovi kognitivni tutori (teorija ACT/ACT-R) razlagali su znanje na produkcijska pravila, pružali precizne individualizirane povratne informacije i učvršćivali tradicionalne obrazovne strukture — viziju umjetne inteligencije kao alata za optimizaciju poučavanja. Papertov konstrukcionizam (Logo, „mikrosvjetovi“, otklanjanje pogrešaka kao učenje) vidio je računala kao okruženja u kojima djeca konstruiraju znanje kreativnim eksperimentiranjem — viziju umjetne inteligencije kao instrumenta intelektualnog osnaživanja koji izaziva institucionalne hijerarhije. Ta „bitna napetost“ između kontrole i djelotvornosti provlači se kroz cijelu povijest područja.

Dva oblika personalizacije. Personalizacija ima dva različita tumačenja koja se preslikavaju na te vizije. Prvo zadržava ujednačene ishode dok mijenja put (utemeljeno u Skinnerovim nastavnim strojevima i u viziji Khan Academyja o poučavanju do ovladanosti). Drugo prihvaća raznolike ishode — učenici slijede vlastite interese i talente, neograničeni standardnim granicama kurikuluma (Zhao, 2024.). ITS model podupire prvo; konstrukcionizam drugo.

Pouke za doba GenAI-a. Današnje rasprave o generativnoj umjetnoj inteligenciji blisko zrcale te povijesne napetosti. GenAI se često pozicionira kao inteligentni tutor nove generacije (proširenje Andersona), što izaziva zabrinutost zbog nadzora, prikupljanja podataka i standardizacije. Alternativno, može biti alat za kreativnu djelotvornost (proširenje Papertova pristupa), što zahtijeva da preispitamo procjenu i prihvatimo dvosmislenije ishode. Kako zaključuju Mishra i sur., institucionalne sile ustrajno favoriziraju pristupe koji učvršćuju postojeće strukture — a jezik i metafore koje odaberemo oblikovat će buduće mogućnosti. Okvir AI×Ed koji su predložili Rismanchian i Doroudi toj intuiciji daje empirijsko uporište: smještajući radove iz zbornika AIED (1985., 1993., 2021., 2024.) i IJAIED (2004., 2014., 2021.) duž dviju osi — uloge umjetne inteligencije (primijenjeni alat nasuprot analogiji ljudske inteligencije) i krajnjeg korisnika — prate područje koje se pomaknulo od raznolike smjese, uključujući znatna rana istraživanja koja su umjetnu inteligenciju rabila kao analogiju ljudske inteligencije (računalni modeli učenja, Papertovi mikrosvjetovi, agentski modeli stjecanja znanja), prema gotovo isključivoj usmjerenosti na primijenjene, instrumentalne upotrebe do 2000-ih. Zanimljivo je da se čini da doba generativne umjetne inteligencije djelomice preokreće tu putanju: do AIED-a 2024. tri od četiri mjesta u kvadrantu „UI kao analogija“ izgradili su LLM-ovi, a jedan je od njih dobio nagradu za najbolji rad za poučive agente pokretane LLM-om.

Zapis u časopisima okreće se dvaput. Model strukturnih tema na 5 387 članaka iz Computers & Education (1976.–2026.) pronašao je umjetnu inteligenciju u 390 zapisa (7,2 %), kroz 17 od 18 tema časopisa. Godišnji izgledi da članak bude povezan s umjetnom inteligencijom rasli su 21,8 % godišnje do 1989., padali 3,7 % godišnje do 2018., a zatim rasli 40,1 % godišnje do 2025. (Wu i sur., 2026.). Prijelom iz 2018. prethodi ChatGPT-u četiri godine, pa je generativno doba ubrzalo trend koji je već bio u tijeku, a nije ga pokrenulo.

Nedavni utjecaj generativne umjetne inteligencije

Dolazak generativne umjetne inteligencije — široke obitelji koja uključuje velike jezične modele (tekst), uz generatore slika, zvuka i videa — označava najvažniju prekretnicu u povijesti AIED-a od osnutka područja. LLM-ovi su najistaknutiji član te obitelji i pokretač najvećeg dijela učinka u učionicama, ali generativna umjetna inteligencija kao cjelina (sposobna proizvesti nov tekst, slike, zvuk i kod) šira je sila koja preoblikuje obrazovanje. Najbolje ju je razumjeti u odnosu na povijest AIED-a, a ne kao čist prekid. Nekoliko značajki čini doba generativne umjetne inteligencije prepoznatljivim:

Razmjer i doseg. Za razliku od kognitivnih tutora i ITS-a ranijih desetljeća, koji su djelovali u kontroliranim laboratorijskim i razrednim okruženjima, LLM-ovi su u nekoliko mjeseci od objavljivanja dosegnuli stotine milijuna učenika i edukatora, gotovo odmah ušavši u svakodnevno pisanje, domaće zadaće i poučavanje. Rasprava o GenAI-u preselila se sa specijaliziranih časopisa u učionice, upravne odbore i zakonodavna tijela neviđenom brzinom.

Nova vrsta sposobnosti. Raniji AIED sustavi modelirali su kogniciju i pružali strukturirano poučavanje (Andersonova tradicija). LLM-ovi izvode otvoreno generiranje — proizvode eseje, objašnjenja, kod i dijalog — što u prvi plan stavlja učeničku djelotvornost i kreativnost (Papertova tradicija) na način na koji raniji ITS nije mogao. Zato trenutni trenutak tako oštro ponovno raspiruje napetost između kontrole i djelotvornosti: isti se alat može uvesti kao inteligentni tutor nove generacije (kontrola ishoda) ili kao kreativni supisac i misaoni partner (pojačavanje djelotvornosti).

Preokret jednadžbe pristupa. Povijesno je personalizirano poučavanje bilo rijetko i skupo; GenAI je adaptivnu podršku jedan na jedan učinio gotovo besplatnom i univerzalnom — dramatično snizivši prepreke pristupačnosti i troška koje su oblikovale raniji AIED. No uveo je i nove rizike: algoritamsku pristranost, halucinacije, nadzor, prikupljanje podataka i gubitak vještina kod edukatora.

Obnovljena zabrinutost za pismenost o umjetnoj inteligenciji i zloupotrebu. Doba generativne umjetne inteligencije učinilo je pismenost o umjetnoj inteligenciji hitnom i preoblikovalo rasprave o akademskoj čestitosti (otkrivanje nasuprot dijalogu), oživjevši pritom dugotrajne zabrinutosti zbog automatizacije, standardizacije i epistemičke ovisnosti. To su suvremeni izrazi izvornih napetosti područja.

Rizik kronocentrizma. Kako upozoravaju Mishra i sur., hajpu oko generativne umjetne inteligencije često nedostaje povijesna svijest, što dopušta tehnološkim evanđelistima da dominiraju razgovorom. Razumijevanje da današnje rasprave o GenAI-u odjekuju Anderson-Papertovu podjelu i odluku o nazivu iz 1955. pomaže nam donositi namjerne odluke, umjesto da sadašnjost tretiramo kao neizbježnu. Pravo pitanje nije što UI alati mogu učiniti, nego što želimo da čine — odluka koju oblikuje to gdje smo bili.

Implikacije

  • Čitajte hajp povijesno. Prepoznajte da se svaki novi UI val uokviruje kao revolucionaran; povijesna svijest otkriva kontinuitet i pomaže oduprijeti se korporativnoj dominaciji razgovora.
  • Vidite dizajnerske izbore kao vrijednosne izbore. Tehničke odluke o umjetnoj inteligenciji u obrazovanju ugrađuju ideološke pozicije o svrsi učenja — iznesite ih na vidjelo i preispitajte.
  • Odmjerite kontrolu i djelotvornost namjerno. Treba li umjetna inteligencija optimizirati prema standardnim ishodima ili omogućiti raznolike ishode koje usmjerava učenik, istinski je izbor s institucionalnim i političkim posljedicama, a ne tehnički podatak.
  • Čuvajte učeničku djelotvornost. Ponavljajući otpor standardizaciji i kontroli u korist otvorenih pristupa usmjerenih na učenika trajna je nit koju vrijedi braniti.

Uobičajene zablude

„Umjetna inteligencija u obrazovanju počela je s ChatGPT-om.“ Nije, a vjerovanje je skupo jer svaku raniju lekciju čini nevidljivom. Inteligentno poučavanje potječe iz rada na heurističkom pretraživanju i ekspertnim sustavima 1960-ih i 70-ih, a zajednica AIED formirala se oko njega desetljećima prije velikih jezičnih modela. Mishra i sur. pokazuju da današnje rasprave reproduciraju podjelu već izričitu u Andersonovim kognitivnim tutorima i Papertovu konstrukcionizmu, pa će čitatelj koji područje datira u 2022. iznova izvesti argumente koje je područje već jednom riješilo, napustilo ili izgubilo.

„Područje je postupno napustilo UI kao analogiju u korist primijenjenih alata, a generativna umjetna inteligencija nastavlja taj trend.“ To je najpoučnija korekcija na stranici, jer je putanja stvarna, ali nije monotona. Pozicijska analiza Rismanchian i Doroudi radova AIED 1985., 1993., 2021. i 2024. te IJAIED 2004., 2014. i 2021. doista pokazuje pomak od mješovitog područja prema gotovo isključivoj primijenjenoj instrumentalnosti do 2000-ih. No na AIED-u 2024. tri od četiri rada u kvadrantu UI kao analogije bila su utemeljena na LLM-ovima, uključujući rad nagrađen kao najbolji o poučivim agentima utemeljenima na LLM-u. Generativna umjetna inteligencija djelomice preokreće trend, a ne produljuje ga, zbog čega je tretiranje kao „sljedećeg inteligentnog tutora“ pogrešno čitanje toga kamo se istraživačka fronta doista pomaknula.

„Personalizacija znači prilagodbu težine svakom učeniku.“ To je samo jedno od dva nespojiva značenja, a njihovo poistovjećivanje skriva politički izbor. U prvom je značenju ishod fiksiran i mijenja se samo put, a loza ide od Skinnerovih nastavnih strojeva do poučavanja do ovladanosti. U drugom se sami ishodi razlikuju, dok učenici slijede pojedinačne interese neograničene standardnim kurikulumom (Zhao, 2024.). ITS ostvaruje prvo; konstrukcionizam drugo. Alat opisan kao „personaliziran“ nije vam rekao ništa dok ne znate koje od toga znači.

„Umjetna inteligencija“ bila je jednostavno očit naziv za područje. Termin je bio namjeran izbor. Kad je McCarthy planirao Dartmouthski projekt 1956., preferirao je umjetnu inteligenciju umjesto kibernetike dijelom da bi rad udaljio od Wienerove tradicije analogne povratne veze. Ta je jedna odluka uokvirila strojeve u izravnu usporedbu s ljudskom kognicijom, a antropomorfno uokvirivanje koje je uspostavila i danas oblikuje istraživačke prioritete, jezik proizvoda i etička pitanja koja javnost postavlja.

Praktična primjena

Za instruktore i dizajnere poučavanja

  • Imenujte tradiciju kojoj vaš alat pripada prije nego ga usvojite. Pitajte optimizira li prema fiksnim ishodima ili otvara smjer učenika, jer taj odgovor, a ne popis značajki, određuje što će učiniti vašem dizajnu procjene.
  • Preispitajte riječ „personalizirano“ u svakoj tvrdnji dobavljača i zatražite odgovor u smislu dvaju gore opisanih značenja. Proizvod koji mijenja tempo prema zajedničkom standardu i onaj koji dopušta studentima da se raziđu nisu zamjene.
  • Kad studenti predstavljaju GenAI kao neviđen, povijest je sama po sebi sadržaj koji se može poučavati. Anderson-Papertovo uokvirivanje daje im vokabular za raspravu o umjetnoj inteligenciji, a ne samo za njezinu upotrebu.

Za programere

  • Jezik sučelja dizajnerska je odluka s lozom. Nazvati svoj sustav „UI tutorom“ nasljeđuje Andersonovo uokvirivanje i očekivanje optimizacije prema standardnim ishodima; nazvati ga „mikrosvijetom“ ili „okruženjem za učenje“ nasljeđuje Papertovo. Nijedno nije neutralno, pa birajte namjerno.
  • Ako gradite u tradiciji analogije (modeli učenja, poučivi agenti, simulacije stjecanja znanja), recite to. Taj je kvadrant dva desetljeća bio gotovo prazan i ponovno se puni; pozicioniranje je razlika, a kriteriji vrednovanja drukčiji.

Za istraživače

  • Rabite povijesne korpuse kao osnovu, umjesto da sadašnjost tretirate kao jedinu dostupnu usporedbu. Zbornici AIED za 1985., 1993., 2021. i 2024. te IJAIED za 2004., 2014. i 2021. gotov su longitudinalni uzorak tvrdnji samog područja.
  • Citirajte lozu kada tvrdite novost. Tvrdnja da sustav „personalizira učenje“ ili „modelira učenika“ nova je samo u odnosu na određenu prethodnu tradiciju, a tradicija je dokumentirana.

Povezani koncepti

Povezani članci

Metapodaci

Učenje i poučavanjeConstructivism, Learning Theories
Tehnologije i tehnikeGenerative AI, Intelligent Tutoring
Temelji AI-ja u edukacijiDjelotvornost učenika, Umjetna inteligencija u obrazovanju, Povijest umjetne inteligencije u obrazovanju
IzvorPovijestUrediRazgovor

Ugradi ovu stranicu

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