Baza znanja AIEdAIEd KB
Na ovoj stranici

Pročitajte ovu stranicu na engleskom

Pojmovi

Informacijska i medijska pismenost

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

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

Informacijska i medijska pismenost dvije su srodne sposobnosti koje umjetna inteligencija preoblikuje na istom šavu. Informacijska pismenost usredotočena je na pronalaženje i provjeru točnih podataka; medijska pismenost na razumijevanje toga tko je poruku stvorio, kako je oblikovana i zašto. Preklapaju se u zajedničkom cilju izgradnje kritičkog mišljenja koje ljudima omogućuje snalaženje u digitalnom svijetu i prepoznavanje dezinformacija — a sada dijele i drugi problem: generativna umjetna inteligencija proizvodi tečan, uvjerljiv sadržaj čije su podrijetlo i namjera skriveni, pa se pitanje podrijetla koje je medijska pismenost oduvijek postavljala preselilo i u informacijsku pismenost.

Pitanja za razmatranje

  • Kada chatbot vrati samouvjeren odlomak s tri citata, vježba li student informacijsku pismenost, medijsku pismenost ili nijednu — i čini li zadatak tu razliku vidljivom?
  • Deepfakeovi i izmišljeni citati različiti su neuspjesi: jedan je lažni zapis o svijetu, drugi lažni zapis o literaturi. Može li jedan kolegij poučavati oboje, a da nijedno ne pouči loše?
  • UI detektori i provjerivači činjenica i sami su modeli sa stopama pogreške. Što se događa s kurikulumom provjere kada je alat za provjeru probabilistički?
  • Medijska pismenost poučavala se kroz produkciju — studenti stvaraju medije da bi ih razumjeli. Ako model sada stvara artefakt, koji dio pedagogije preživljava?

Uvod

Dvije pismenosti imaju odvojene institucionalne domove. Informacijska pismenost kodificirana je u knjižničnim i informacijskim znanostima, najvidljivije u Okviru ACRL, kao skup dispozicija o autoritetu, procesu i vrijednosti. Medijska pismenost izrasla je iz komunikacijskih i medijskih studija te iz školske medijske edukacije, a pita o autorstvu, tehnici, publici i učinku. Jedna prosuđuje zaslužuje li izvor vjerovanje; druga pita tko je poruku stvorio i što ona čini.

Ta je podjela oduvijek bila čišća u teoriji nego u učionici. Obje pismenosti poučavaju studente da uspore, provjere podrijetlo i odupru se tečnosti. Obje su izgrađene na pretpostavci da artefakt ima autora koji je platio trošak njegova stvaranja. Generativna umjetna inteligencija tu pretpostavku uklanja iz obiju odjednom: tekst se sintetizira iz korpusa koji se ne može ustanoviti, slike i glasovi se kloniraju, a automatizirani računi simuliraju samu publiku.

Ova stranica obrađuje par jer ga korpus tretira kao jedan nastavni problem s dva skupa ishoda. Dokazi su neujednačeni — bibliometrijska karta i dva sustavna pregleda na informacijskoj strani, mala intervencija i studija stručnih intervjua na medijskoj strani — i gotovo nijedan od njih ne testira kombinirani kurikulum. Taj nedostatak i sam je nalaz koji vrijedi ponijeti u praksu.

Gdje se dva konstrukta razilaze

Predmet informacijske pismenosti je izvor, a njezino je središnje pitanje je li tvrdnja istinita i je li dokaz iza nje vjerodostojan. Predmet medijske pismenosti je poruka, a njezino je središnje pitanje tko ju je stvorio, kako, za koga i s kojim ciljem. Izmišljeni citat pada na prvom testu; deepfake može proći svaku provjeru činjenica koju student zna izvesti, a pasti na drugom.

Empirijske literature odražavaju tu podjelu. Anketa na 236 studenata američkih sveučilišta pitala je gdje počinju akademske pretrage i pronašla tražilice na 45,5 %, početnu stranicu knjižnice na 27,9 % i UI chatbot na 26,6 %, pri čemu su međunarodni studenti zamjenjivali umjetnu inteligenciju za knjižnične izvore otprilike dvostruko češće od domaćih (Lund i sur., 2026.). Sustavni pregled 32 studije pronašao je integraciju pismenosti o umjetnoj inteligenciji u poučavanje informacijske pismenosti u „početnoj fazi“, ostvarenu kroz LibGuides i radionice, a ne kroz kurikulum (Mirza i Arif, 2026.). Na medijskoj strani, intervjui sa sedam stručnjaka i anketa na 141 studentu pronašli su uključivanje tehnologije u kurikulum kritičke medijske pismenosti „ograničenim i često površnim“, uz nedovoljno osposobljene nastavnike za alate koji proizvode dezinformacije i deepfakeove (studija kritičke medijske pismenosti, 2026.).

Kako umjetna inteligencija komplicira informacijsku pismenost

Prva komplikacija je izmišljanje u velikom razmjeru. Model proizvodi uvjerljiv tekst, vjerojatne reference i samouvjerene statistike koje možda ne postoje; čitatelj dobiva sintezu čiji je trag pretraživanja izbrisan. Provjera postaje drukčija vještina: ne „je li ovo dobar izvor“ nego „postoji li taj izvor i govori li ono što odgovor tvrdi“.

Druga je da se sloj pretraživanja urušio u sloj odgovora. Kada alat pretražuje, odabire i piše, pismeni se čin pomiče na prosuđivanje sinteze. To je ostatak na koji dokazi neprestano upućuju: platforma s ugrađenim knjižničarom nadmašila je konvencionalno knjižnično poučavanje rezultatom 0,78 prema 0,25 boda na instrumentu utemeljenom na ACRL-u, a konzultacije koje su proizvele dobitak bile su pretežno pitanja procjene izvora (Huang, 2026.).

Treća je kapacitet. U anketi na 412 akademskih knjižničara iz 38 nigerijskih ustanova samoprocjena kompetencije bila je visoka za poučavanje o bazama podataka (M = 4,07) i pružanje informacijske pismenosti (M = 4,02), ali složena UI kompetencija bila je 2,86, najslabija u osmišljavanju ciljeva (M = 2,70) i procjeni ishoda (M = 2,62) (Dada, 2026.). Područje mapirano na 1 669 publikacija pozvano je poučavati kompetenciju koju njegovi instruktori izvješćuju da još ne mogu osmisliti (Jabeen i Lux, 2026.).

Kako umjetna inteligencija komplicira medijsku pismenost

Utemeljiteljska pitanja medijske pismenosti pretpostavljala su stvaratelja s namjerom. Deepfakeovi, kloniranje glasa i automatizirani botovi ruše tu pretpostavku na tri načina: artefakt možda nema ljudskog autora, publika može biti sintetička, a namjera može biti optimizacija za angažman, a ne uvjeravanje bilo koga.

Kurikularni dokazi upućuju na to da škole nisu sustigle. Stručni intervjui opisuju obuku nastavnika kao ograničavajući čimbenik, a ne otpor studenata, i zagovaraju uokvirivanje kroz kritičku pedagogiju koje vrednovanje tretira kao etičku i participativnu praksu, a ne kao obuku za alate. Naručeno izvješće za javne medijske servise utvrdilo je da se ponuda za mlade od 14 do 19 godina naginje funkcionalnim UI vještinama i odmiče od kritičkog vrednovanja, unatoč pregledu više od 40 okvira i intervjuima s 35 stručnjaka (izvješće o UI pismenostima, 2025.).

UI kao obrambeni alat — tvrdnje i ograde

Argument za upotrebu umjetne inteligencije na obrambenoj strani uvjerljiv je i široko zastupljen: automatizirane provjere vjerodostojnosti koje pregledavaju povijest izvora i jezik tražeći signale pristranosti, detektori deepfakeova, analizatori metapodataka koji traže oznake podrijetla i simulacije koje studentima omogućuju vježbanje vrednovanja na realističnom sintetičkom materijalu. Te su sposobnosti stvarni proizvodi, a upotreba u učionici stvarna praksa.

Dokazi su tanji od tvrdnji. Detektori su probabilistički i degradiraju kako se generatori poboljšavaju; model za provjeru činjenica i sam je model, pa student još mora prosuđivati provjerivača; a metapodaci o podrijetlu pomažu samo kada ih proizvođač odluči priložiti. Jedan od najčvršćih rezultata korpusa jest da poučavanje medijske pismenosti potpomognuto umjetnom inteligencijom može djelovati u malom razmjeru: program od 18 sati izgrađen na modelu 5E proizveo je velike napretke kod 36 učenika četvrtog razreda u jednoj turskoj školi (Demir i Akar, 2026.). Trideset i šest učenika dokaz je koncepta, a ne slučaj za nabavu.

Stručni članak iz knjižničnog sektora gura istu ideju dalje: umjetna inteligencija mogla bi nositi pružanje informacijske pismenosti kroz pretraživanje, adaptivne tutorijale, chatbote i automatiziranu provjeru činjenica, pri čemu bi knjižničari, a ne dobavljači, posjedovali integraciju (Offem i Arikpo, 2026.). Rad ne izvješćuje o podacima, pa je to nacrt dizajna za to gdje bi poučavanje moglo živjeti, a ne dokaz da djeluje.

Čitane zajedno, dvije strane bilance upućuju na pravilo: umjetna inteligencija može nositi teret vježbe — realistične scenarije, neposredne povratne informacije, razmjer — ali teret prosudbe ostaje na učeniku, a svaki alat koji tvrdi da ga zamjenjuje treba vrednovati kao detektor s izmjerenom stopom pogreške, a ne usvojiti kao ključ za odgovore.

Što to znači za praksu

  • Poučavajte jedan postupak, dva predmeta. Provjerljiva rutina — slijedite tvrdnju do izvora, izvor do autora, pitajte što artefakt čini — djeluje i za citat i za video. Imenujte koji predmet zadatak procjenjuje.
  • Tretirajte detekciju kao dokaz, a ne presudu. Rezultat detektora vjerojatnost je; poučite studente da ga potvrde drugom metodom i da kažu što bi promijenilo njihovo mišljenje.
  • Zadržite produkciju u kurikulumu. Stvaranje medija bila je pedagogija koja je kritiku učinila konkretnom; generiranje uz umjetnu inteligenciju može je poduprijeti samo ako studenti ispitaju izbore koje je alat umjesto njih napravio.
  • Ugradite knjižničara ili medijskog stručnjaka u tijek rada. Najjači nastavni rezultat u ovoj literaturi dolazi iz dizajna u koji je ljudska konzultacija bila ugrađena, a ne ponuđena naknadno.
  • Procijenite kapacitet osoblja prije pisanja silabusa. Izmjereni manjak nalazi se u osmišljavanju ciljeva i procjeni ishoda, a ne u upotrebi alata.

Ograničenja dokaza

Većina je studija ovdje mala, samoprijavljena ili oboje: 236 studenata u jednoj anketi, 36 djece u jednoj intervenciji, 412 knjižničara koji ocjenjuju sebe. Bibliometrijska vidljivost nije praksa, a scientometrijski autori to izričito kažu. Nijedna studija u korpusu ne vrednuje kombinirani kurikulum informacijske i medijske pismenosti, a alati za detekciju i provjeru činjenica koje literatura o praksi preporučuje u ovim su izvorima uglavnom nemjereni. Tvrdnju da provjera potpomognuta umjetnom inteligencijom poboljšava ishode treba tretirati kao dizajnersku hipotezu dok je netko ne testira u odnosu na kontrolu.

Povezani koncepti

Povezani članci

Metapodaci

RazinaHigher Ed, K 12, Adult Learning
Predviđena publikaLibrarians, Instructors, Learners, Curriculum Designers
Učenje i poučavanjeCritical Pedagogy
Tehnologije i tehnikeGenerative AI, Large Language Models (LLMs)
Pravednost, etika i odgovorna upotrebaTrust Calibration
Temelji AI-ja u edukacijiInformacijska i medijska pismenost, Pismenost u području umjetne inteligencije, Kritičko mišljenje, Akademska čestitost
Vrsta straniceSynthesis
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.