Baza znanja AIEdAIEd KB
Na ovoj stranici

Pročitajte ovu stranicu na engleskom

Pojmovi

Suradnja čovjeka i umjetne inteligencije

Stvoreno 2026-05-29 · Ažurirano 2026-11-08

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

Suradnja čovjeka i umjetne inteligencije — podjela kognitivnog rada između ljudi i modela — središnja je interakcijska tema baze znanja: Human-AI collaboration in higher education: Exploring the impact of technology expectations and distrust, "It felt a bit eerie": Exploring humanlike interactions during collaborative writing with an artificial agent, Generative AI (GenAI) as a mindtool that supports generative learning (GL) i Balancing Teacher and Student Agency: Co-Orchestration Tool Design Supporting Real-Time Dynamic Pairing ispituju povjerenje, djelotvornost i komplementarne uloge (Human-in-the-Loop, Agentska umjetna inteligencija). Definicijsko je pitanje čuva li partnerstvo ili zamjenjuje učenikov vlastiti kognitivni rad — isti raspored može podupirati učenje ili ga zamjenjivati, ovisno o tome kako je odgovornost raspodijeljena.

Pitanja za razmatranje

  • Definicijsko je pitanje u suradnji čovjeka i umjetne inteligencije čuva li partnerstvo vaš vlastiti kognitivni rad ili ga zamjenjuje. Sjetite se zadatka koji ste predali umjetnoj inteligenciji: jeste li generirali i odlučivali ili ste samo prihvatili?
  • Jedno je istraživanje pokazalo da je slobodna suradnja s ChatGPT-om dala samo prolazne dobitke koji su se urušili na kasnijem zadatku bez pomoći, dok je protokol „prvo razmisli, zatim ChatGPT“ dao trajno učenje. Zašto bi to tko generira ideje moglo predvidjeti učite li doista?
  • Isti alat može podupirati učenje ili ga zamjenjivati, ovisno o tome kako je odgovornost raspodijeljena. Možete li se sjetiti rasporeda koji vas je održao kognitivno produktivnima i onoga koji je tiho rasteretio vaše mišljenje?
  • Jedan raspored preokreće uobičajene uloge: umjesto da model daje odgovore, student objašnjava sadržaj, a model igra neznalicu koja traži objašnjenja, primjere i protuargument. Ako umjetna inteligencija pita, što se događa s tim koliko mišljenja ostaje na vašoj strani?
  • Povjerenje se opisuje kao nešto što treba kalibrirati, a ne pretpostaviti — oslanjati se na umjetnu inteligenciju gdje je to primjereno i provjeravati gdje nije. Kako trenutačno odlučujete kada vjerovati, a kada provjeriti UI rezultat?
  • Istraživanja prepoznaju načine suradnje koji razmjenjuju učinkovitost za dubinu vašeg samoregulacijskog angažmana. Kada se isplati prihvatiti manju učinkovitost da bi više učenja ostalo u vašim rukama?
  • Ako je suradnja pedagoški izbor koliko i tehnički, koje biste dizajnerske poteze (upute, tijekove rada, strukture) postavili da umjetna inteligencija pojačava, a ne zamjenjuje mišljenje vaših učenika?

Uvod

Suradnja čovjeka i umjetne inteligencije opisuje kako učenici, nastavnici i UI sustavi dijele kognitivni rad — tko što radi, tko odlučuje i kako se održavaju povjerenje i djelotvornost. Umjesto da uokviri umjetnu inteligenciju kao zamjenu ili pasivan alat, istraživanja suradnje tretiraju umjetnu inteligenciju kao partnera s komplementarnim prednostima čija vrijednost ovisi o tome kako je odgovornost raspodijeljena i nadzirana. Na razini opažljivog ponašanja interakcija studenta i umjetne inteligencije bilježi kako učenici taj odnos ostvaruju u praksi — pitanja, upite i poteze provjere koje čine s umjetnom inteligencijom iz trenutka u trenutak.

Podjela rada prožima i ljude koji osmišljavaju interakciju. Kroz dvanaest provedbi kolegija u obrazovanju nastavnika nastavno osoblje pozicioniralo je umjetnu inteligenciju kao misaonog partnera, generator kritike ili alat za uvježbavanje, dok su kandidati zadržali odgovornost za vrednovanje, prilagodbu i opravdavanje odluka, no isti bijeli papir izvješćuje da su kandidati obezvrijedili povratne informacije koje su već ocijenili korisnima nakon što je autorstvo umjetne inteligencije otkriveno, epizodu koju naziva efektom pucanja balona. Analiza 1 378 poteza dizajnera i chatbota upućuje u drugom smjeru kad je riječ o generiranju: dizajneri su ugrađenog asistenta rabili uglavnom za provjere usklađenosti ishoda učenja i pedagoškog pristupa, a ne za proizvodnju sadržaja. U oba slučaja ljudska evaluativna prosudba, a ne rezultat modela, nosi učenje.

Koristi, rizici i dizajnerske implikacije

Dokazi baze znanja pokazuju da je suradnja čovjeka i umjetne inteligencije dvosjekla postavka čiji ishod određuje dizajn, a ne sama umjetna inteligencija:

  • Suradnja može poboljšati učenje kada čuva kognitivni angažman. Studije GenAI-a kao misaonog alata i vođene suradnje pokazuju da, kada podjela rada zadržava učenika u generiranju, odlučivanju i vrednovanju, umjetna inteligencija pojačava, a ne zamjenjuje mišljenje — proizvodeći trajne dobitke u samoreguliranom učenju i kreativnosti. To što učenik zadržava odlučujuću ulogu prenosi se i na pisanje: Oppenheimer, Cash i Connell Pensky (2025.) pokazuju da su LLM kritike studentskih argumentacijskih eseja poboljšale pisanje tijekom semestra, pri čemu su učenici odlučivali hoće li prihvatiti ili odbiti povratnu informaciju modela (87,8 % odbijenih tvrdnji) — raspored koji je sačuvao evaluativni rad učenika — a dobitci su se pojavili i na esejima napisanima bez podrške LLM-a, što upućuje na trajnu vještinu, a ne na ovisnost o alatu.

  • Suradnja može zamijeniti učenje kada rasterećuje previše. Način neuspjeha je pretjerano oslanjanje: kada umjetna inteligencija proizvede odgovor, uloga učenika urušava se u pasivno prihvaćanje, a neposredna izvedba na zadatku prikriva izostanak trajnog učenja. Istraživanja izvedbe nasuprot učenju i ciklus štete od zamjene do potpore (From Substitution to Scaffolding: Breaking the Self-Reinforcing Harm Cycle of AI in Education (and Beyond)) to dokumentiraju sustavno.

  • Bolji rezultat sam po sebi nije dokaz da je suradnja nešto poučila. Ostali dokazi na stranici oprezno čitaju potpomognutu izvedbu, a randomizirani test vrste podrške pokazuje zašto. U laboratorijskoj studiji Iqbal i sur. (2026.) 87 studenata engleskog kao stranog jezika napisalo je esej bez pomoći, a zatim ga revidiralo uz ChatGPT 4.0 (n = 29), uz ljudskog instruktora pisanja (n = 28) ili bez podrške (n = 30). Koja je od četiriju strategija revizije izvedenih iz tragova student rabio bila je snažno povezana s podrškom koju je imao (Cramér's V = 0,668), a samo umjereno s njegovom ranijom strategijom pisanja (Cramér's V = 0,333); motivacija, vještina pisanja i točnost metakognitivne prosudbe nisu pokazale ukupnu povezanost, a metakognitivna se veza pojavila samo u uvjetu bez podrške (p = 0,0460). Presudno je da nijedna strategija revizije nije predviđala promjenu rezultata (p = 0,273), iako je vrsta podrške predviđala: skupina s GenAI-om poboljšala se znatno više od skupine s ljudskim stručnjakom i kontrolne skupine (H(2) = 16,591, p = 0,00025, η² = 0,174), a unutar iste strategije postupnog smanjivanja traženja pomoći studenti s GenAI-om dobili su u prosjeku oko 4 boda, dok su studenti s ljudskim stručnjakom izgubili 0,5. Autori obrazac čitaju kao vanjsku podršku koja zaobilazi učenikovu vlastitu metakognitivnu prosudbu i upozoravaju da dobitci mogu biti optimizacija specifična za zadatak, a ne trajna sposobnost. To ne ruši načelo tko generira i odlučuje (studija je mijenjala tko pruža podršku, a ne tko generira mišljenje), ali zaoštrava test koji instruktor treba primijeniti: dobitak ostvaren uz pomoć mora preživjeti zadatak bez pomoći da bi se računao kao učenje, a dodavanje ljudskog stručnjaka u prostoriju nije automatski sigurniji raspored.

  • Dodavanje vršnjaka također nije automatski sigurniji raspored. Chu, Dai i Zhai (2026.) dali su 87 studenata preddiplomskog studija da rade sami ili u parovima sa sustavom s više GenAI agenata osam tjedana. Parovi su postigli najviše na složenom dizajnerskom projektu (M = 89,64, prema 85,85 za studente koji su radili u parovima bez sustava i 86,45 za one koji su radili sami s njim, p = 0,039), no svijest o kritičkom mišljenju najviše je porasla onima koji su radili sami (M = 0,41) i lagano pala kod parova (M = −0,04, p = 0,039).

  • Dizajnersko načelo — sačuvajte učenikov produktivni rad. Kroz istraživanja, najoštriji prediktor toga pomaže li suradnja ili šteti jest tko generira i odlučuje. Rasporedi koji čovjeka održavaju kognitivno produktivnim (vođeno pisanje upita, „prvo razmisli, zatim se posavjetuj s umjetnom inteligencijom“, koraci provjere i vrednovanja) podupiru učenje; rasporedi koji cijeli zadatak predaju modelu ne. Komplementarni potez jest promijeniti to što model treba biti. U kvazieksperimentu Wang i sur. (2026.) 68 budućih nastavnika ili je objašnjavalo koncept obrnute učionice GAI učeniku početniku izgrađenom na ERNIE 3.5 (sustav uokviren kao radoznao i pun poštovanja koji je tražio objašnjenja, primjere, rezoniranje provjere i suprotno gledište, poredanih uzlazno po Bloomovoj taksonomiji) ili je postavljalo pitanja GAI nastavniku izgrađenom na istom modelu. Studenti koji su poučavali umjetnu inteligenciju objašnjavali su bolje (definiranje obrnute učionice M = 4,18 prema 3,29; njezine nastavne aktivnosti M = 4,91 prema 3,06, oba p < 0,001) i generirali su više i kvalitetnija pitanja (M = 3,67 prema 2,14; M = 5,67 prema 3,07, oba p < 0,001), dok je objektivno prisjećanje bilo statistički nerazlučivo (M = 23,18 prema 21,57, p = 0,416), pa je prednost bila u objašnjenju i prijenosu, a ne u dosjećanju činjenica. Studenti u uvjetu s UI nastavnikom bili su iskreni o razmjeni: neki su priznali da im je dao „točnije i detaljnije informacije“, ali su izvijestili da „nakon što sam ga počeo rabiti, nisam više želio samostalno misliti“. Dodjeljivanje modelu uloge učenika kojega treba poučavati pretvara studenta u jedini izvor ideja i uklanja dugotrajnu poteškoću pronalaženja prikladnog vršnjaka za poučavanje. Uz to dolaze dva dizajnerska ograničenja: planiranje i praćenje nisu se poboljšali (M = 4,01 prema 3,78, p = 0,062), pa preokretanje uloga samo po sebi nije metakognitivna intervencija, a autori taj nulti učinak pripisuju dizajnu zadatka koji je studente držao usmjerenima na točnost sadržaja. U učionici pisanja to načelo poprima konkretan oblik koji se može poučavati. U saudijskom kvazieksperimentu na nastavi engleskog kao stranog jezika Alshehri i sur. (2026.) studenti su provodili rutinu od pet dijelova — uokvirite problem i osmislite upite, pišite nacrt iterativno, revidirajte, provjerite svaku tvrdnju i citat u znanstvenim bazama podataka te regulirajte vlastito pripisivanje i oslanjanje — pri čemu je svaki zadatak zahtijevao evidenciju upotrebe umjetne inteligencije o tome što su prihvatili, odbili i zašto. Pisanje i digitalno kritičko mišljenje rasli su zajedno i kretali se gotovo u korak, a studentske su refleksije rutine provjere i popravljanja halucinacija izričito povezale s dobitcima u kritičkom mišljenju: iste navike propitivanja rezultata oblikovale su njihove odluke pri sastavljanju teksta. Autorska je ograda nužna dopuna načelu — tijek rada je kontingentan, a ne samodostatan, i može postati kontraproduktivan uz slabu postupnu potporu, nisku spremnost za kritičko mišljenje ili metakogniciju (gdje studentima nedostaje sposobnost prepoznavanja lošeg rezultata), postupno delegiranje odluka o sastavljanju ili nejasnu institucionalnu politiku upotrebe umjetne inteligencije.

  • Ograničeni autoritet i sam je dizajnerski obrazac za suradnju s visokim ulozima. Nastavnici u Reichert i sur. (2026.) nisu izrađivali prototipe otvorenih asistenata, nego sustava čija je sloboda bila unaprijed fiksirana: svaki je dizajn ograničio chatbot na određeni sadržaj lekcije, a sigurnost je bila slojevita kroz granice domene (opseg specifičan za lekciju, uz „kvotu informacija“ koja je zahtijevala najmanji broj činjenica ili problema prije nego što razgovor napreduje), filtriranje sadržaja sa standardiziranim odbijanjima („Žao mi je, to nije dio moje baze znanja“) koja su ujedno obavještavala nastavnika, te nastavničko poništavanje za dvosmislene slučajeve — navedeni je primjer bilo pitanje o ljudskoj reprodukciji koje je bilo legitimno unutar svoje jedinice i trebalo je ići osobi, a ne biti automatski odbijeno. Personalizacija formata, žanra, tempa i složenosti bila je dobrodošla unutar tih granica, a nadzor (potpuni zapisnici razgovora, upozorenja u stvarnom vremenu, poništavanje) uokviren je kao profesionalna odgovornost, a ne nepovjerenje prema modelu. Implikacija je da u okruženjima s visokim ulozima podjelu rada treba odrediti kao ograničenu, nadziranu i opozivu, a ne pregovarati iz poteza u potez.

  • Automatizacija i pojačavanje nisu alternative. Kroz četiri slučaja usmjerena na nastavnike zamjena je ostala unutar ograničenih analitičkih podzadataka, dok se komplementarnost pojavila svugdje gdje su nastavnici tumačili i potvrđivali rezultat, pa se pokazalo da je pojačavanje svojstvo onoga što nastavnik čini sljedeće, a ne samog alata (Horvers i sur. (2026.)).

  • Povjerenje se mora kalibrirati, a ne pretpostaviti. Produktivna suradnja ovisi o tome da učenici točno kalibriraju kada se osloniti na UI rezultat, a kada ga provjeriti — povezujući se s kalibracijom povjerenja i ljudskim nadzorom, a ne slijepim prihvaćanjem ni sveobuhvatnim odbacivanjem.

  • Afektivno upozorenje je znak koji nastavnik tumači, a ne uputa koju treba poslušati. U jednom srednjoškolskom satu geometrije emocionalna upozorenja UI sustava prethodila su vrlo različitim nastavničkim potezima, a potez — preuokvirivanje zadatka, kratka afirmacija ili namjerna neintervencija — ono je što je promijenilo angažman, pa je upozorenje djelovalo kao jedan od ulaza među onim što je nastavnik mogao opaziti (Swidan (2026.)).

  • Suradnja nastavnika i umjetne inteligencije dvosjekla je za angažman, ne samo za učenje. U anketi u tri vala na 468 sveučilišnih nastavnika suradnja je podigla radni angažman kroz psihološku dostupnost (neizravno 0,19), ali ga je snizila kroz otuđenje od rada (neizravno −0,03); digitalna kompetencija moderirala je oboje, spljoštivši nagib otuđenja s 0,38 na 0,17 (Sun i sur. (2026.)).

  • Podjela rada slijedi vjerodostojnost, a ne sposobnost. Ono na čemu se učenici zaustavljaju jest načelna raspodjela: umjetna inteligencija za neposredne, široko primjenjive povratne informacije o jeziku i instruktori za individualizirano, relacijsko vođenje, dodijeljeno prema percipiranoj vjerodostojnosti svakog izvora, a ne prema njegovoj točnosti, jer je oslanjanje ograničavala percipirana briga, a ne kompetencija (Serpil i Mor, 2026.).

  • Oslanjanje je populacijski proces, a ne samo pojedinačni izbor. U modelu utemeljenom na agentima vidljiv društveni dokaz za neprovjerenu upotrebu srušio je provjeru s 0,29 na 0,002 i podigao pretjerano oslanjanje s 0,30 na 0,52, dok je vidljiva vršnjačka provjera vratila gotovo potpunu provjeru — mijenjanje toga što učenici vide da drugi čine nadjačava snižavanje troška provjere (Biswas (2026.)).

To suradnju čovjeka i umjetne inteligencije čini pedagoškim konstruktom koliko i tehničkim: vrijednost partnerstva oblikuju to kako nastavnici osmišljavaju interakciju, kako je učenici reguliraju i kako sustav poziva na produktivan angažman ili ga obeshrabruje.

Kako se suradnja čovjeka i umjetne inteligencije pojavljuje u istraživanjima

  • Povjerenje i očekivanja: Očekivanja povjerenja ispituju kako učenikova očekivanja od umjetne inteligencije oblikuju je li suradnja produktivna ili vodi u pretjerano oslanjanje.

  • Komplementarne uloge u pisanju i mišljenju: Suradničko pisanje s umjetnom inteligencijom nalik čovjeku i GenAI kao misaoni alat pokazuju kako umjetna inteligencija može pojačati, a ne zamijeniti učenikovo mišljenje kada podjela rada čuva njegov kognitivni angažman.

  • Orkestracija i djelotvornost: Orkestracija djelotvornosti nastavnika i studenata i mentalni modeli studenata bave se time kako se djelotvornost pregovara između ljudi i umjetne inteligencije, povezujući se s čovjekom u petlji i agentskom umjetnom inteligencijom.

  • Metakognitivne i timske dimenzije: Metakognitivni modeli umjetne inteligencije usmjereni na čovjeka i disciplinsko posredovanje u studentskim timovima proširuju suradnju na metakogniciju i timsko učenje.

  • Kompetencija suradnje kao konfiguracija, a ne kontrolni popis — metakognicija preuzima integrativnu ulogu TPACK-a. Dang, Hong, Doyle i Nguyen (2026.) definiraju kompetenciju suradnje čovjeka i umjetne inteligencije kao dinamičku konfiguraciju domene, UI kompetencije i metakognitivne kompetencije te njihovih presjeka (rad s umjetnom inteligencijom, agentsko učenje s umjetnom inteligencijom, agentski osobni i profesionalni razvoj te sama HACC), izričito odbijajući aditivni popis UI vještina prilijepljen na postojeći kurikulum. Njihov središnji potez preusmjerava integrativni rad koji pedagogija obavlja u TPACK-u: budući da je umjetna inteligencija adaptivni sudionik čiji se doprinos mijenja kako se zadatak odvija, teret koordinacije pada na učenikovu vlastitu metakogniciju — odlučivanje kada se posavjetovati s umjetnom inteligencijom, kako uokviriti interakciju i kada je poništiti — pa je učenik, a ne nastavnik, taj koji drži mehanizam koji suradnju održava produktivnom. Učenička djelotvornost namjerno je izostavljena kao samostalan čvor; ona je umjesto toga emergentna kvaliteta koju učenici izražavaju kada koordiniraju tri kompetencije, što djelotvornost čini svojstvom konfiguracije, a ne vještinom koju treba uvježbavati izolirano. Intervjui u okviru istraživanja s 24 novozelandska edukatora opisno su podržali dimenzije, a razina uloge mijenjala je naglasak, a ne prihvaćanje: mreže ravnatelja bile su usredotočene na umjetnu inteligenciju s vezama prema HACC-u i profesionalnom razvoju, značajno se razlikujući od viših edukatora (U = 10,00, p = 0,04) i edukatora na početku karijere (U = 7,00, p = 0,01).

  • Različiti načini suradnje: empirijski rad prepoznaje tri načina rješavanja problema u suradnji čovjeka i umjetne inteligencije — delegirano rezoniranje, združeno tumačenje i delegiranu razradu — otkrivajući kompromis između učinkovitosti distribuiranog sustava čovjeka i umjetne inteligencije i dubine učenikova samoregulacijskog angažmana (delegirano rezoniranje daje najbolje rezultate, ali uz nižu samostalnu regulaciju).(Unpacking Interaction Profiles and Strategies in Human-AI Collaborative Problem Solving: A Cognitive Distribution and Regulation Perspective)

  • Ljudski i UI facilitatori mogu biti perceptivno zamjenjivi u strukturiranoj raspravi, ali ponovna upotreba počiva na različitim razlozima. Kuhail i sur. (2026.) zamijenili su ljudskog moderatora GPT-4 moderatorom (i vratili ga) kroz 32 rasprave koje su vodila 32 STEM studenta i pronašli nikakvu statistički značajnu razliku u djelotvornosti, uživanju, zadovoljstvu, korisnosti ni namjeri upotrebe (t od 0,23 do 1,30, p od 0,198 do 0,818). Ono što se razlikovalo bio je razlog zbog kojeg bi se studenti vratili: pod UI moderacijom percipirana korisnost pokretala je namjeru upotrebe (0,806, p = 0,004), dok je zadovoljstvo pokretalo samo pod ljudskom moderacijom (0,556, p = 0,002). Autori ravnu usporedbu čitaju kao normalizaciju u zadacima vezanima pravilima, a ne kao dokaz ekvivalencije, i preporučuju zadržavanje ljudskog nadzora iz etičkih i relacijskih razloga, uz to da se korisnost UI moderiranih aktivnosti učini čitljivom, umjesto oslanjanja na uživanje. Budući da je studija mjerila samo percepcije, ne govori ništa o tome jesu li studenti bolje argumentirali.

  • Dodijelite zadatak prije nego ga delegirate. Tsim i Gutoreva (2025.) dodaju četvrtu zonu — ono što model već zna — učenikovim razvojnim zonama, dobivajući zadatke zamjene, komplementa, pomoći i nepodložne pregovoru, i tvrde da se načini automatizacije, pojačavanja i suradnje razlikuju po mjestu kontrole i epistemičkoj odgovornosti, a ne po sofisticiranosti alata.

  • Inženjering upita kao pedagoško mišljenje, izgrađen kroz studiju lekcije. Robinson i sur. (2026.) pratili su pet edukatora nastavnika u jednoj ustanovi u UAE kroz dva ciklusa studije lekcije koji su dosegnuli 36 budućih nastavnika matematike u srednjoj i osnovnoj školi, osmišljavajući lekcije potpomognute umjetnom inteligencijom uz ChatGPT (GPT-4o). Ključan je bio potez spajanja umjetne inteligencije s disciplinskim okvirom: budući nastavnici generirali su zadatak, procijenili njegov kognitivni zahtjev prema modificiranom Okviru za analizu matematičkih zadataka, a zatim prepisali svoj upit da podignu konceptualnu dubinu, pa je revizija bila usidrena u matematici, a ne u značajkama alata. Šesnaest od 26 analiziranih upita nosilo je konceptualne značajke zadatka, a edukatori su zaključili da inženjering upita „nije tehnička vještina; to je kognitivna vještina“. Prijavljeno učenje poraslo je u revidiranoj lekciji (5 od 7 budućih nastavnika u prvom ciklusu i 10 od 14 u drugom izvijestilo je da je naučilo razlikovati konceptualne od proceduralnih zadataka), uz ogradu da je traženje konceptualnijeg zadatka od umjetne inteligencije ponekad dalo tek složeniji zadatak. Za razvoj nastavnika argument je za trajno kolaborativno istraživanje stvarnih lekcija, a ne za samostalne radionice o alatima.

  • Vođenje odlučuje o izvedbi nasuprot učenju: Wong i Qiu (2026.) suprotstavili su slobodnu i vođenu suradnju čovjeka i umjetne inteligencije na kreativnom zadatku. Slobodna suradnja s ChatGPT-om dala je samo prolaznu izvedbu koja se urušila na kasnijem zadatku bez pomoći, dok je vođeni protokol „prvo razmisli, ChatGPT kasnije“ — generiranje vlastitih ideja, a zatim njihovo poboljšavanje, razvijanje i vrednovanje uz ChatGPT — dao trajne dobitke u neovisnoj kreativnosti. Prednost je bila posredovana suradničkim upitima usmjerenima na poboljšavanje vlastitih ideja, što pokazuje da tko generira (podjela rada) predviđa proizvodi li suradnja učenje ili zamjenu.(Think First, ChatGPT Later: Guiding Human–AI Collaboration for Learning Gains in Independent Human Creativity)

  • Umjetna inteligencija kao posrednik, a ne tek partner: Niari rekonceptualizira umjetnu inteligenciju kao pedagoškog posrednika koji orkestrira interakciju, epistemičko osmišljavanje i regulacijske procese, preraspodjeljujući djelotvornost, autoritet i odgovornost među ljudskim i neljudskim akterima, umjesto da umjetnu inteligenciju tretira kao tutora, vršnjaka ili alat.

  • Suradnja nastavnika s umjetnom inteligencijom također ima obrasce i nije binarna. Kada nastavnici osmišljavaju nacrte lekcija s generativnom umjetnom inteligencijom, njihova interakcija poprima empirijski razlučive oblike. Choi i sur. (2026.) prepoznali su sedam obrazaca interakcije nastavnika i umjetne inteligencije — od izravnog usvajanja i razrađenog usvajanja UI rezultata do početnog odbijanja, revidiranog usvajanja, naknadne vođene upotrebe, složenih interakcija i zaobilaženja umjetne inteligencije — pri čemu nastavničko iskustvo u poučavanju i UI umješnost zajedno oblikuju hoće li nastavnik kritički ponovno pisati upite i prilagođavati umjetnu inteligenciju studentima i kontekstu (komplementarna podjela rada, distribuirana kognicija) ili pasivno prihvaćati prijedloge (UI dominantna raspodjela).

  • Posrednički agent kao hibridni oblik sudjelovanja. Umjesto srednje točke između alata i suradnika, generativna umjetna inteligencija konceptualizirana je kao posrednički agent koji posreduje u djelovanju dok proizvodi kontingentne doprinose za koje ne može odgovarati — zasebna kategorija koja dizajn preusmjerava s tehnološke sposobnosti na navike sudjelovanja (nadzorna djelotvornost, epistemička budnost).(Generative AI as a Mediational Agent: Rethinking Learning in Sociocultural Theory)

  • Zajednica i epistemički autoritet: učenje o umjetnoj inteligenciji u zajednici pokazuje da je suradnja i pitanje tko je autoritativan, usidrujući UI angažman u životne epistemologije učenika.

  • Otkriće osobina vođeno podacima: Analiza glavnih osobina (PTA) automatizira izvođenje interakcijskih „osobina“ iz velikih korpusa razgovora s LLM-om — PCA-om nadahnut postupak u četiri faze koji izvlači opažanja ponašanja, grupira ih u kandidatkinje za osobine, boduje svakog suradnika i odabire najrazlučivije osobine. Procijenjena na korpusu studenta i UI tutora te na korpusu programera i agentskog pomoćnika za kodiranje, PTA pronalazi osobine koje objašnjavaju i predviđaju ishode (npr. dubok konceptualni angažman pozitivno, delegiranje zadatka negativno, u obrazovnom okruženju), a — budući da se još ne generaliziraju kroz semestre i okruženja ni ne pokazuju putanje krivulje učenja — autori tvrde da se osobine još ne mogu tumačiti kao „vještine“. To nudi skalabilan, objektivan dodatak okvirima pismenosti o umjetnoj inteligenciji i mjerama samoprocjene, izravno informirajući to kako edukatori poučavaju „vještine upotrebe umjetne inteligencije“.

  • Odnos čovjeka i umjetne inteligencije kao najtrajnija briga kroz generacije CAI-a. Umbrella pregled konverzacijskih UI agenata (Ganguly i sur. 2025., 34 pregleda) nalazi da su brige o odnosu čovjeka i umjetne inteligencije — pretjerano oslanjanje, društvena izolacija, depersonalizacija, emocionalna ovisnost, transparentnost, odgovornost — najčešće raspravljano etičko pitanje kroz sve generacije CAI-a, prije GenAI-a. To pitanje „čuvati ili zamijeniti“ smješta u samo središte CAI etike i učvršćuje da je vrijednost suradnje određena dizajnom (tko generira, tko odlučuje, kako je odgovornost raspodijeljena).(Conversational AI agents in education: an umbrella review of current utilization, challenges, and future directions for ethical and responsible use)

  • Umjetna inteligencija koja novacima prenosi stručnost u stvarnom vremenu — prvi RCT živog poučavanja. Wang i sur. (2024.) u randomiziranom ispitivanju (900 tutora, oko 1 800 učenika K-12 u zajednicama s manje resursa) smjestili su umjetnu inteligenciju na stranu tutora, a ne studenta: Tutor CoPilot generirao je prijedloge nalik stručnima u stvarnom vremenu (izgrađene iz razmišljanja naglas iskusnih tutora) koje su novaci mogli urediti ili odbiti. Vjerojatnost ovladavanja temama bila je 4 postotna boda veća kod studenata poučavanih tutora (p < 0,01), uz dobitke od 9 postotnih bodova kod studenata najslabije ocijenjenih tutora — koji su se podigli do kontrolnih ishoda bolje ocijenjenih tutora — uz oko 20 dolara po tutoru godišnje. Nalaz je snažno empirijsko uporište za pojačavanje nastavnika i tutora kao ravnopravan način suradnje čovjeka i umjetne inteligencije: čovjek zadržava pedagošku prosudbu i autonomiju dok umjetna inteligencija pruža skalabilnu stručnost.

  • Ograničeni stručnjaci: kako nastavnici dijele autoritet s umjetnom inteligencijom. Reichert, Briceno, Tabarsi i Barnes (2026.) proveli su studiju participativnog dizajna u kojoj je šest srednjoškolskih nastavnika izradilo prototipe LLM chatbota za vlastite učionice i analiziralo kako autoritet treba raspodijeliti između nastavnika i sustava. Nastavnici su dosljedno uokvirivali umjetnu inteligenciju kao ograničenog stručnjaka — specijaliziranu sposobnost zatvorenu u strogo definiranu domenu koja djeluje pod ljudskim nadzorom — i tu su ograničenost razdvojili na dvije dimenzije: granice autoriteta, gdje se profesionalna i pravna odgovornost za učenje i sigurnost studenata ne može delegirati, i granice stručnosti, gdje sustavu nedostaje nastavnikovo kontekstualno znanje o pojedinim studentima, razrednoj dinamici i institucionalnim normama. Preslikavanje prototipa na Gagnéovih devet događaja poučavanja pokazalo je da je delegiranje selektivno, a ne sve ili ništa: nastavnici su prihvatili umjetnu inteligenciju za predstavljanje sadržaja, davanje zadataka za vježbu, postupnu potporu i formativne povratne informacije, ali su odbili predati informiranje studenata o ciljevima ili sumativnu procjenu. Dizajnersko je čitanje da sučelje za suradnju treba činiti vidljivim gdje čovjek zadržava odlučujuću ulogu, a ne samo gdje je model sposoban.

  • Uloga se mora prilagođavati, a ne samo nositi oznaku. Liao (2026.) pokazuje da je fiksni UI suputnik „vršnjak“ održavao dulje interakcije o knjizi, ali je dominirao razmjenom (niži udio studentskih riječi i rečenica) i udario u afektivni plafon, tvrdeći da suradnja zahtijeva logiku prilagodljive uloge — prebacivanje između vršnjaka, asistenta i savjetnika — a ne jednu statičnu personu.

  • Sudizajn na strani nastavnika i arhitektura uloga također su suradnja. Osim partnera okrenutih studentima, nastavnici surađuju s GenAI-om na osmišljavanju poučavanja. Wang i sur. (2026.) sustavno pregledavaju sudizajn zadataka učenja između nastavnika i umjetne inteligencije, bilježeći načine suradnje i napetosti (djelotvornost, epistemički autoritet, kontrola) koje nastaju kada nastavnici i umjetna inteligencija zajedno proizvode dizajne; Talebzadeh (2026.) nalazi da pedagoška stručnost nastavnika — a ne UI tečnost — određuje kvalitetu UI dizajniranih diferenciranih grupnih aktivnosti (bogatstvo uloga, sinergija, usklađenost razina), pozicionirajući nastavnika kao „dvojezičnog dizajnera učenja“.

  • GenAI kao agent i suradnički prostor u skupinama. Xu i sur. (2026.) promatraju male timove u visokom obrazovanju i pokazuju da se uloga GenAI-a pregovara i može konfigurirati — od podređenog asistenta do spornog suigrača — te da sinkrona zajednička upotreba održava zajedničko razumijevanje, dok asinkrona privatna upotreba fragmentira transparentnost, predlažući leću kooperativnog rada podržanog GenAI-om koja GenAI tretira i kao agenta i kao interaktivni suradnički prostor.

  • Komplementarne polovice razredne suradnje. Dvije studije iz 2026. mapiraju komplementarne polovice suradnje čovjeka i umjetne inteligencije u učionicama. MeduAI-SP (Yang i sur.) zagovara „funkcionalnu komplementarnost“ u kliničkom obrazovanju: UI agenti obavljaju ponavljajuće igranje uloga, dosljednu simulaciju pacijenta, praćenje kontrolnih popisa, sokratovsko poticanje i preliminarne formativne povratne informacije, dok nastavnici i ljudski standardizirani pacijenti pružaju kontekstualno tumačenje, nijansiran emocionalni odgovor, individualiziranu sanaciju, procjenu profesionalnosti i prosudbe spremnosti — pri čemu je zamjena ograničena posljedicama pogreške, nesigurnošću zadatka, relacijskom osjetljivošću i dostupnim ljudskim pregledom, a UI sustav izričito ne smije samostalno utvrđivati kliničku kompetenciju. U suprotnom smjeru, rasprava o etici s 45 studenata u mješovitom sastavu tri čovjeka i tri agenta (Seo i sur., 2026.) dokumentira dvosjekli obrazac: agenti su snizili društvene barijere (sudionici su govorili izravnije jer agenti nemaju emocije i nisu osjećali obvezu ispunjavati tišinu), no ta je ista ugoda preusmjerila interakciju od ljudi — 79,7 % pitanja otišlo je agentima prema 60 % koliko predviđa njihova dostupnost (p = 0,017). Zanimljivo je da je prisutnost drugih ljudi učinila da sudionici umjetnu inteligenciju tretiraju s više poštovanja, što upućuje na to da je ljudska su-prisutnost sama po sebi mogućnost za kalibriranje UI angažmana.

  • Komplementarnost je uvjetna, a ne zadano svojstvo timova. Tuo i sur. (2026.) pronašli su da su timovi čovjeka i umjetne inteligencije nadmašili i ljude i umjetnu inteligenciju same u samo jednom od šest uvjeta — zahtjevnim slučajevima u kojima je umjetna inteligencija bila manje točna od ljudi — i nisu izvijestili o dosljednoj prednosti tima drugdje, pa dodavanje UI partnera samo po sebi nije put do komplementarne izvedbe.

  • Profesionalni programi preusmjeravaju obuku s rutinske proizvodnje na kompetencije suradnje (dizajnerski protokol): Wang (2026.) predlaže okvir utemeljen na dizajnu za obrazovanje prevoditelja, izgrađen oko inventara pomaka zadataka (18 podzadataka ocijenjenih vjerojatnošću UI pomaka s oznakama podrijetla [E]/[P]) i četiriju preusmjerenih kompetencija: interdisciplinarno znanje, orkestracija umjetne inteligencije, strateška prosudba i kritičko vrednovanje umjetne inteligencije. Okvir je preregistrirani protokol bez empirijskih podataka; njegov je doprinos metoda — revizijska analiza pomaka i put sudizajna za reformu kurikuluma — koja se prenosi na svaki profesionalni program čije rutinske zadatke agentski sustavi sve više obavljaju.

  • Vrste isprepletenosti razlikuju se po tome što traže od studenta, i zato neke ostaju rijetke. Sun, Dohn i Rehm (2026.) klasificiraju 102 studije visokog obrazovanja prema tome kako se epistemički rad dijeli između studenta i sustava (Assistant, Enabler, Synthesizer, Generator, Reimaginator) i nalaze da dvije vrste koje zadržavaju kompetenciju pripisivom pojedinom studentu čine po 42,16 % korpusa, dok vrste koje raspodjeljuju autorstvo ostaju marginalne. Njihovo je objašnjenje institucionalno, a ne tehničko: rijetke vrste traže od studenata da preuzmu epistemičku odgovornost za rezultate koje nisu proizveli, a da se pritom ocjenjuju kao pojedinačni autori, i upravo ta proturječnost — a ne sama podjela rada — drži ih izvan prakse. Dizajnerski je odgovor učiniti raspodjelu epistemičkog rada eksplicitnom, slijediti aktivnosti kroz spektar i graditi refleksiju o tome kako je odgovornost raspodijeljena.

  • Posjedovati djelo nije isto što i biti njegov autor. Hong i sur. (2026.) imenuju deficit legitimacije autorstva: osoba može rezultat doživljavati svojim, a ipak ne moći opravdati autorsku ulogu, jer su psihološko vlasništvo, osjećaj djelotvornosti i odgovornost za objavljivanje djela zasebni putovi koji se ne moraju poravnati. Njihov laboratorijski nexus autorstva klasificira doprinose ulogu po ulogu, pa jedan zapis može poduprijeti uredničku tvrdnju i istodobno pasti na tvrdnji o isključivom stvaratelju. Prikaz je konceptualna analiza bez podataka i bez testiranog modela, pa je deficit predloženi konstrukt čije su predikcije još neispitane.

  • Vođenje, a ne kazivanje, treba vlastiti kriterij za prosudbu agenta. Dizajnerski slučaj koji je htio zrcaliti nastavničko facilitiranje otkrio je da se znanjem ograničen agent s kuriranom bazom može prosuđivati po točnosti, dok agent koji treba voditi studente prema vlastitim odgovorima ne može (Humburg i sur., 2025.).

  • Partnerstvo se proteže i na sam istraživački proces, ne samo na učenje studenata — Potter i sur. (2026.) dali su GPT-4o da izradi kodove i preliminarne teme u sigurnoj RAG platformi, dok su tri glavna istraživača i dva vanjska validatora zadržali interpretativni autoritet i objedinili četiri konačne teme. Hibridni je tijek rada preraspodijelio istraživački rad, a nije ga uklonio.

Veze

Suradnja čovjeka i umjetne inteligencije povezuje se s čovjekom u petlji (nadzor), agentskom umjetnom inteligencijom (autonomija), ulogom nastavnika (mijenjajući rad nastavnika), postupnom potporom i metakognicijom (kako suradnja podupire učenje) te pretjeranim oslanjanjem (načinom neuspjeha kada suradnja postane zamjena). Središnja je tema kroz pismenost o umjetnoj inteligenciji, samoregulirano učenje i iskustvo studenata.

Uobičajene zablude

  • „Suradnja znači da umjetna inteligencija obavi dio posla.“ Učenik zadržava odlučujuću ulogu, i to se prenosi na pisanje: Oppenheimer, Cash i Connell Pensky (2025.) pokazuju da to vrijedi kada je raspored tako osmišljen. Podjela rada nije suradnja ako čovjek ne zadrži prosudbu.
  • „U obrnutom rasporedu umjetna inteligencija objašnjava.“ Studenti koji su poučavali umjetnu inteligenciju objašnjavali su bolje — definiranje obrnute učionice na M = 4,18 prema 3,29, nastavne aktivnosti na M = 4,91 prema 3,06, oba p < 0,001. Učenje je pripalo onome koji objašnjava.
  • „Doprinosi ljudi i umjetne inteligencije su zamjene.“ Dvije studije iz 2026. mapiraju komplementarne polovice razredne suradnje, što dizajnerski problem uokviruje kao raspodjelu, a ne zamjenu.

Povezani koncepti

Povezani članci

Metapodaci

Učenje i poučavanjeStudent-AI Interaction
Tehnologije i tehnikeGenerative AI, Large Language Models (LLMs)
Temelji AI-ja u edukacijiSuradnja čovjeka i umjetne inteligencije, Pismenost u području umjetne inteligencije
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.