Zablude o umjetnoj inteligenciji

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

Zablude o umjetnoj inteligenciji — netočna uvjerenja koja ljudi drže o tome što su sustavi umjetne inteligencije, što rade i što njihova upotreba znači za učenje i rad. Zablude nisu jedna jedina neistina, nego obitelj pogrešaka u kalibraciji koje se okupljaju oko dviju temeljnih pogrešaka: pogrešne procjene što je model (autoritet nasuprot alatu, neutralnost nasuprot pristranosti, razumijevanje nasuprot generiranju) i pogrešne procjene što učenje zahtijeva (rezultat nasuprot procesu). Ne drže ih samo studenti, nego i nastavnici, administratori, kreatori politika i šira javnost — a njihovo ispravljanje središnji je cilj obrazovanja za Pismenost u području umjetne inteligencije i Trust Calibration.

Pitanja za razmatranje

• Mnogi ljudi vjeruju da je odgovor AI chatbota provjerena činjenica jer zvuči samouvjereno i tečno. Stranica to naziva „zabludom autoriteta“. Kada čitate AI-generirano objašnjenje, kako odlučujete hoćete li ga prihvatiti — i koliko ga često doista provjeravate?
• Zabluda „učenje = rezultat“ jest uvjerenje da je stvaranje rada s AI-jem isto što i naučiti ga. Jeste li ikada osjetili da ste nešto „naučili“ tako što ste alatu prepustili pisanje nacrta? Što je zapravo nedostajalo nakon toga?
• Ljudi često pretpostavljaju da je AI objektivan i nepristran. Stranica to naziva „iluzijom neutralnosti“ — modeli kodiraju pristranosti iz podataka za obuku, što u kontekstu pisanja može homogenizirati ideje u cijeloj generaciji. Gdje bi se pristranost mogla skrivati u alatu koji se osjeća neutralnim?
• Zablude o akademskom integritetu okupljaju se na dvama krajevima: neki studenti AI rezultat tretiraju kao „nije kopiranje osobe“ i stoga dopušten, dok drugi misle da je svaka upotreba varanje. Gdje bi po vama trebala biti granica i ko bi je trebao odrediti?
• Uobičajeno je uvjerenje da je jedan upit dovoljan i da je AI rezultat determiniran — isto pitanje uvijek daje isti odgovor. Stranica to opisuje kao pogrešku determinizma. Kako bi ta zabluda nekoga mogla navesti na pretjerano povjerenje u jedan jedini rezultat?
• Zablude su opisane kao stabilne, uvjerljive i otporne na ispravljanje — slično zabludama u bilo kojem području. Ako puko kazivanje istine rijetko mijenja mišljenje ljudi, kako bi se AI pismenost zapravo trebala poučavati?

Uvod

Zablude o umjetnoj inteligenciji važne su jer su kognitivni prethodnik štetnih ponašanja koja baza znanja dokumentira pod pretjeranim oslanjanjem i problemima s Akademska čestitost. Ljudi rijetko namjerno zloupotrebljavaju AI; to čine jer ih netočni mentalni modeli navode da pogrešno polože povjerenje, preskoče provjeru i tretiraju rezultat kao razumijevanje. U obrazovanju te pogreške oblikuju sve — od toga kako studenti uče do toga kako nastavnici i institucije osmišljavaju kurikule, Assessment i politike.

Što su zablude o umjetnoj inteligenciji

Zabluda ovdje nije puko neznanje o tome kako model funkcionira — to je aktivno držano, često samopojačavajuće uvjerenje koje proizvodi sustavne pogreške u tome kako studenti komuniciraju s AI-jem. Izravno su analogne predmetnim zabludama proučavanim u znanosti o učenju: stabilne, uvjerljive i otporne na ispravljanje dok se s njima ne suoči. Njihovo ispravljanje središnji je cilj obrazovanja za Pismenost u području umjetne inteligencije i Trust Calibration.

Uobičajene zablude u akademskom kontekstu

• Zabluda autoriteta — tretiranje rezultata Large Language Models (LLMs) kao provjerene činjenice, a ne kao probabilističkog dovršetka. To potiče nekritično prihvaćanje i obrazac traženja odgovora umjesto razumijevanja dokumentiran u istraživanjima AI podučavanja, gdje učenici prihvaćaju odgovor modela bez provjere prema Hallucination Risk.
• Iluzija neovisne provjere — tretiranje AI povratne informacije kao vanjske korekcije kad model zrcali vaše vlastito razmišljanje. Početna točnost korisnika bila je dominantan prediktor konačne izvedbe, a poticanje specifično za ulizivanje smanjilo je pozicijsko oponašanje (OR = 0,26), ali nije dotaknulo širenje pogrešaka, pa obuka učenika nije zaštitna mjera (Koyuturk et al. (2026)).
• Učenje = rezultat — uvjerenje da je stvaranje rada s AI-jem isto što i naučiti ga. To je upravo pogreška iza pretjeranog oslanjanja: procesi pisanja nacrta, dosjećanja i revizije koji grade trajno znanje prepuštaju se van.
• Iluzija neutralnosti — pretpostavka da je AI objektivan i nepristran. Studenti često propuštaju da modeli kodiraju pristranosti iz podataka za obuku i da u kontekstu poučavanja pisanja to proizvodi homogenizaciju ideja u cijeloj generaciji.
• Siva zona integriteta — pogrešna procjena je li upotreba AI-ja prihvatljiva. Neki studenti vide AI rezultat kao „nije kopiranje osobe“ i stoga dopušten; drugi pretjerano ispravljaju i misle da je svaka upotreba varanje. Institucionalna nedosljednost hrani obje pogreške.
• Antropomorfizam — uvjerenje da model ima namjeru, pamćenje i razumijevanje njihovog konteksta. To pretjerano povjerenje posebno je rizično akademski jer se studenti mogu osloniti na uvjerljivo zvučeća objašnjenja koja model zapravo ne može utemeljiti.
• Pogreška determinizma — očekivanje da je jedan upit dovoljan i nesvijest o tome da je rezultat nedeterminiran i osjetljiv na poticaj. Podcjenjivanje toga proizvodi „jaz u poticanju“, gdje studenti plitke rezultate zamjenjuju s gornjom granicom alata.
• Pogrešna kalibracija detekcije — podcjenjivanje i institucionalne detekcije i, još važnije, štete za sebe od predaje rada koji kasnije ne mogu objasniti ni obraniti.
• Iluzija učinkovitosti — tretiranje ušteđenog vremena kao čistog dobitka, propuštajući da neučvršćene temeljne vještine slabe i da novaci još ne mogu razlikovati dobar rezultat od lošeg.
• Iluzija prijateljstva i sigurnosti (djeca) — uvjerenje da je naizgled prijateljski AI inherentno siguran i manje sklon špijuniranju. Leisten et al. (2026) anketirali su 71 dijete u dobi od 10 do 16 godina (Mdob = 12,90) i proveli šest fokus-grupa (n = 36) oko društvenog robota Blossom s otvorenim kodom, nalazeći da temeljno znanje o AI-ju pouzdano raste s dobi (M = 4,41 od 6; β = 0,17), dok stavovi o sigurnosti ostaju ambivalentni (važnost M = 2,51, trenutna sigurnost M = 2,77 na ljestvici 1–4), uhvaćeni u uvjerenju 12–13-godišnjaka da „možda ako su dobri prijatelji, ne špijunira toliko“, uz uvjerenje da se AI-jevo znanje može izbrisati pritiskom na gumb, da hakiranje vodi do otmice i da „wifi zrači u mozak“.

Siva zona integriteta ima strukturu, a ne samo dvije krajnosti. Intervjui s 20 studenata, zajedno s njihovim chat zapisima i dokumentima kolegija, otkrili su pet odvojenih mjesta na kojima živi AI politika — od namjere nastavnika preko formalne politike i vlastite politike studenta do stvarne prakse — plus 23 različite racionalizacije u šest kolegija (Kim et al., 2026). Racionalizacije su bile ad hoc i post hoc, sastavljene da objasne upotrebu koja se već dogodila, a ne da je vode. Stroga zabrana nije spriječila upotrebu koliko je pojačala moralni sukob kod studenata koji su je htjeli poštovati, što metu ispravljanja stavlja u mjesto politike, a ne u formulaciju pravila.

Institucionalni i javni mitovi o AI-ju

Zablude nisu ograničene na studente — one prožimaju institucionalni i javni diskurs o AI-ju koji studenti nasljeđuju. Rudolph et al. (2025) razgrađuju osam ukorijenjenih „mitova“ koji oblikuju politiku i poučavanje u visokom obrazovanju: da je AI istinski „umjetan“ (a ne izgrađen na iskorištavanom ljudskom radu), da je istinski „inteligentan“ i agentan, da će bez problema „učiniti svijet boljim mjestom“, da je „objektivan i nepristran“, da SAD drži monopol jedine supersile, da neće poremetiti tržište rada, da „revolucionira visoko obrazovanje“ i da nastavnici mogu pouzdano prepoznati AI-generirani rad. Ti su institucionalni mitovi uzvodni izvor mnogih gore dokumentiranih studentskih zabluda — najizravnije iluzije neutralnosti („AI je objektivan“) i zablude autoriteta („AI je inteligentan“), te pogrešne kalibracije detekcije koja navodi studente da pretpostave da je neotkrivena i neprovjerljiva upotreba sigurna. Gdje studenti upijaju i djeluju prema institucionalno ponavljanim mitovima, njihovo ispravljanje zahtijeva suočavanje ne samo s uvjerenjem učenika nego i s diskursom koji ga hrani.

Zašto su zablude važne za učenje

Zablude se izravno prevode u ponašanja koja uzrokuju štetu u učenju. Uvjerenje da je „AI uvijek u pravu“ potiskuje provjeru; uvjerenje da je „korištenje AI-ja učenje“ potiskuje naporan proces; uvjerenje da „to nije varanje“ zaobilazi metakognitivni pregled koji konsolidira razumijevanje. U tom su smislu zablude uzvodno od AI Misuse and Learning Harm dokumentirane u dokaznoj bazi čitave baze znanja.

Uvjerenje da je korištenje AI-ja učenje ne drži se samo prije upotrebe; alat ga može proizvesti. Kim et al. opisuju zabludu LLM-a u kojoj se neproziran, tečan i trenutačan rezultat pogrešno čita kao dokaz vlastite kompetencije korisnika, pa se percipirana i stvarna sposobnost razilaze za razmak koji nazivaju ΔC. Budući da su mehanizam tečnost i dvosmislenost pripisivanja, a ne pogreška, zabluda ostaje bila model točan ili halucinirao, što znači da točan AI-potpomognut odgovor nije dokaz da je uvjerenje ispravljeno.

Zablude izvan studenata: nastavnici, institucije i javnost

Zablude o AI-ju nisu ograničene na učenike — raširene su među odraslima koji oblikuju obrazovanje:

• Nastavnici i akademsko osoblje mogu precijeniti sposobnost AI-ja da pouzdano ocjenjuje ili otkrije zlouporabu, ili podcijeniti njegovu pristranost, što vodi bilo nekritičnom prihvaćanju bilo refleksnoj zabrani. Ta pretpostavka pouzdanosti dijelom je provjerljiva, a dijelom netočna: Humble (2026) proveo je red team na svakodnevnom radnom procesu AI ocjenjivanja i otkrio da upute skrivene u predanoj datoteci podižu ocjenu nedovoljnog eseja bez vidljivog upozorenja, u 9 od 9 iteracija za jednu strategiju i 17 od 18 za drugu. Kad nastavnici drže zabludu autoriteta o AI rezultatima, modeliraju istu nekritičnu poziciju koju bi trebali ispravljati kod studenata. Priprema nastavnika s točnim mentalnim modelima AI-ja preduvjet je za odgovornu integraciju AI-ja i sigurnu pedagogiju.
• Administratori i kreatori politika nasljeđuju i šire institucionalne mitove — da je AI „objektivan“, da će „revolucionirati“ obrazovanje ili da su alati za detekciju pouzdani — koji zatim oblikuju politiku, nabavu i pravila ocjenjivanja. Povjerenje koje studenti razvijaju dijelom je proizvod institucionalnog okvira koji nasljeđuju.
• Šira javnost upija medijske i prodajne narative o sposobnostima i rizicima AI-ja. Budući da studenti uče unutar tog diskursa, javni mitovi postaju supstrat iz kojeg rastu studentske zablude. Ispravljanje zabluda o AI-ju stoga je zadatak AI pismenosti usmjeren na cijeli obrazovni ekosustav, a ne samo na učenike.

Ta širina razlog je zašto baza znanja tretira zablude kao presječnu temeljnu temu, a ne isključivo studentsku: iste se pogreške kalibracije ponavljaju kod učenika, nastavnika, institucija i javnosti, a njihovo ispravljanje zahtijeva suočavanje i s pojedinačnim uvjerenjima i s diskursom koji ih hrani.

Pedagoške zablude nastavnika zrcalna su slika toga: nisu nerazumijevanja AI-ja, nego uvjerenja o poučavanju koja nisu potkrijepljena dokazima i traju neovisno o AI-ju. Miranda and Calvani (2026) to mjere Effective Teaching Questionnaireom, gdje se 50 binarnih čestica preslikava na metaanalitičke veličine učinka (d ≥ 0,40), pa se nastavnikov odgovor može usporediti s dokazno usklađenim mjerilom — a njihov je nalaz da su zablude duboke i specifične. Pilot s 123 nastavnika u Italiji pokazao je najizraženije neslaganje s tvrdnjom o stilovima učenja (78% nastavnika branilo je vizualno/slušno uparivanje), zatim s uključivanjem i grupnim radom (68%) i preopterećenošću obrazovnom tehnologijom (54%); prosječna usklađenost kretala se oko 50% na dimenzijama planiranja, kognitivnoj, evaluacijskoj i upravljačkoj. Dva su detalja važna za dizajn ispravljanja. Prvo, zablude preživljavaju sveučilišno obrazovanje i nastavnu praksu — autori opisuju „internalizirani zdrav razum“ koji „prethodi ulasku u školu“ i traje — pa to nisu praznine u znanju koje predavanje zatvara. Drugo, kad je razgovorni AI ponovno uveo iste čestice tek nakon što je validirao nastavnikov vlastiti kontekst, 41% prigovora navelo je stvarna kontekstualna ograničenja — veličinu razreda, učenike s posebnim potrebama, pokrivenost kurikula — a ne same dokaze. Daljnjih 5,9% nazvalo je sustav „strojem za algoritamsku dogmu“: granični uvjet u kojem normativno uokvirivanje rađa obrambenost umjesto refleksije. Za razvoj Kompetencije nastavnika za umjetnu inteligenciju implikacija je da dijagnostika plus dijalog može pokazati koja su uvjerenja dokazno utemeljeno neslaganje, a koja zabluda — razliku koju sam rezultat ne može napraviti.

Ispravljanje zabluda

Ispravljanje nije jednokratno otkrivanje nego trajni proces AI pismenosti koji razvija Metacognition i Self-Regulated Learning: pomaže studentima (i odraslima oko njih) pratiti svoje oslanjanje, kalibrirati kada vjerovati a kada preispitati model te vidjeti cijenu zaobilaženja vlastitog kognitivnog rada. Budući da su zablude otporne, najbolje se rješavaju izravnim suočavanjem s dokazima — uključujući nalaz da studenti često ne opažaju štetu za učenje od zlouporabe AI-ja.

Tekst opovrgavanja temeljna je tehnika ispravljanja. Budući da se zablude aktivno drže i otporne su, najizravnija dokazno utemeljena strategija jest tekst opovrgavanja — poučni tekst koji navodi zabludu, izričito je opovrgava i predstavlja točnu koncepciju. To je ista obitelj tehnika koja se koristi za ispravljanje predmetnih zabluda proučavanih u znanosti o učenju, ovdje primijenjena na uvjerenja studenata o samom AI-ju. Stranica koncepta Refutation Text u bazi znanja sintetizira kako se to odvija u AI-ju u obrazovanju na tri komplementarna načina:

• AI kao ispravljač. Razgovorni AI tutori mogu pružiti personalizirano opovrgavanje, prilagođavajući ga konkretnoj zabludi učenika u hodu. Corbett & Tangen (2026) otkrili su da personalizirani AI dijalog proizvodi veća i brža smanjenja uvjerenja od statičnog opovrgavanja u stilu udžbenika, uz veću angažiranost i samopouzdanje — iako prednost blijedi nakon dva mjeseca bez pojačavanja.
• AI kao generator sadržaja opovrgavanja. Akdoğan (2025) otkrila je da AI-generirani tekst konceptualne promjene/opovrgavanja odgovara kvaliteti koju piše stručnjak (i oba su nadmašila potaknuti interaktivni dijalog u tom znanstvenom kontekstu), pokazujući da AI može proizvesti učinkovite materijale za ispravljanje u velikom opsegu.
• AI-generirane zablude kao resurs za učenje. Umjesto da se AI-generirane zablude tretiraju kao puko štetne, Cheah et al. (2026) predlažu generiranje zabluda i njihovo rješavanje kroz strukturiranu vršnjačku raspravu — suradnički oblik opovrgavanja koji potiče konceptualnu promjenu i kritičko mišljenje.

Za zablude o AI-ju to znači da ispravljanje treba spojiti izravno suočavanje (materijale u stilu opovrgavanja koji imenuju i pobijaju konkretne mitove) sa strukturiranom praksom — korištenjem poučavanja AI pismenosti i Metacognition da se ljudima pomogne vidjeti i pogrešno uvjerenje i točan model. Dokazi upozoravaju da je format važan: personalizirano interaktivno ispravljanje angažiranije je i u početku djelotvornije, ali treba pojačavanje da bi se zadržalo; a mjereni ishod (znanje nasuprot stavovima nasuprot vještinama) oblikuje koliki se učinak ispravljanja pokazuje. Budući da zablude obuhvaćaju učenike i odrasle koji oblikuju učenje, djelotvorno ispravljanje mora dosegnuti nastavnike, administratore i kreatore politika jednako kao i studente.

Bernstein i Sibia (2026) pokazuju da analogije koje generira GenAI uvode strukturalne zablude koje može uhvatiti samo znanje izvorne domene (Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education): analogija kružnog puta za povezani popis implicira povratak na početak, a analogija badmintonske izmjene za rekurziju ne nosi zajamčeno smanjujući ulaz. Studenti koji su poznavali izvornu domenu prepoznali su te nedostatke i predložili popravke, dok su sudionici primijetili da pogrešna analogija ipak može ostati pamtljiva — što pokazuje da poznat izvor analogije može pomoći učenicima da otkriju, a ne usvoje AI-proizvedenu zabludu, i da uokvirivanje nedostataka kao namjernih artefakata za kritiku pretvara rizik u priliku za ocjenjivanje.

Zablude koje generira model mjerljiva su sposobnost, a ne slučajnost. Miličević et al. (2026) izgradili su SocraticTrap-CS, koji je potaknuo sedam modela s otvorenim težinama da napišu „sokratovsku zamku“ za 35 temeljnih koncepata računarstva — objašnjenje koje je tečno i autoritativno, a počiva na suptilnoj, domenski specifičnoj pogrešci. Od 241 potaknutog segmenta, 221 (91,7%) potvrđeno je kao strateška zabluda većinskim glasom stručnjaka (Fleiss' κ = 0,9487), bez značajnih razlika među područjima računarstva; 66,5% potvrđenih pogrešaka bilo je konceptualno, a ne činjenično, i nijedna nije bila isključivo logička. Tečnost je mehanizam, a ne obrana: uvjerljivost je u prosjeku iznosila 3,71 na ljestvici od pet stupnjeva i bila je snažno ovisna o modelu, a učestalost i ozbiljnost razdvojile su se — dva modela koja su najčešće proizvodila zamke ujedno su ocijenjena najuvjerljivijima. Budući da loše formulirano pitanje studenta i samo može djelovati kao adversarijalni poticaj, autori stopu tretiraju kao sposobnost pod adversarijalnim poticanjem, a ne kao osnovnu stopu za obične sesije učenja — i tvrde da se zadatak AI pismenosti pomiče s provjere činjenica u pojedinačnim tvrdnjama na konceptualnu provjeru i validaciju mentalnog modela. To je tamnija strana generativne upotrebe gore: ista sposobnost koja može zasijati plodnu vršnjačku raspravu može i učvrstiti pogrešku koju je učenik već počeo oblikovati.

Ispravljanja u stilu opovrgavanja za česte zablude o AI-ju

Budući da se zablude aktivno drže i otporne su, najizravniji način da se rješavaju — uključujući na ovoj stranici — jest struktura teksta opovrgavanja: imenujte zabludu, izričito je opovrgnite i navedite točnu koncepciju. Unosi u nastavku primjenjuju tu strukturu na najvažnije zablude o AI-ju i o učenju, poučavanju i obrazovanju:

„AI je uvijek u pravu.“ To je zabluda. AI rezultat je probabilistički dovršetak, a ne provjerena činjenica. Ispravak: LLM-ovi generiraju uvjerljivo zvučeći tekst na temelju statističkih obrazaca; mogu halucinirati, biti pristrani i samouvjereno pogriješiti. Tretirajte rezultat kao nacrt koji treba provjeriti prema izvorima, a ne kao autoritet koji treba prihvatiti. To je srž Trust Calibration i razlog zašto „uvijek provjeri“ pobjeđuje „uvijek vjeruj“.

„Korištenje AI-ja je učenje.“ To je zabluda. Stvaranje rada s AI-jem nije isto što i stjecanje znanja ili vještine koju rad treba pokazati. Ispravak: trajno učenje događa se kroz naporne procese pisanja nacrta, dosjećanja, revizije i metakognitivnog pregleda — upravo procese koje prepuštanje AI-ju prekida. Koristite AI kao alat uz taj napor, a ne kao njegovu zamjenu.

„AI je neutralan i objektivan.“ To je zabluda. Modeli nasljeđuju pristranosti, praznine i perspektive svojih podataka za obuku. Ispravak: AI može reproducirati i pojačati pristranost; tretirajte njegove rezultate s istom kritikom izvora koju biste primijenili na svaki drugi tekst. Svijest o tome dio je AI pismenosti i pomaže suprotstaviti se štetama za pravednost od nekritičnog prihvaćanja.

„AI će zamijeniti nastavnike.“ To je zabluda. AI proširuje, ali ne istiskuje pedagoški rad nastavnika — prosudbu, kontekstualizaciju te relacijske i etičke dimenzije poučavanja. Ispravak: AI povećava potrebu za pedagoškim posredovanjem i kritičkom prosudbom; nastavnici koji razumiju AI postaju djelotvorniji, a ne zastarjeli. To preokvirivanje važno je jer oblikuje hoće li institucije ulagati u kompetenciju nastavnika za AI ili će refleksno pružati otpor ili pretjerano prihvaćati.

„AI razumije kao čovjek.“ To je zabluda. Modeli nemaju namjeru, pamćenje vas ni istinsko razumijevanje vašeg konteksta. Ispravak: antropomorfiziranje AI-ja vodi pretjeranom povjerenju i oslanjanju na objašnjenja koja model zapravo ne može utemeljiti. Držite granicu jasnom: AI je moćan alat, a ne um.

„AI će automatski transformirati obrazovanje.“ To je zabluda. Tehnologija sama ne mijenja učenje; to čini pedagogija oko nje. Ispravak: koristi od AI-ja ovise o namjernom dizajnu poučavanja, pripremi nastavnika i institucionalnoj podršci — a ne o pukom uvođenju alata. Zato su dokazi i rigorozna evaluacija važni i zato baza znanja odgovornu upotrebu AI-ja uokviruje kao pitanje upravljanja i politike, a ne kao isključivo tehničko pitanje.

„Jedan poticaj trebao bi mi dati odgovor.“ To je zabluda. Rezultat je nedeterminiran i osjetljiv na poticaj. Ispravak: očekujte iteriranje, dotjerivanje i unakrsnu provjeru; „jaz u poticanju“ — zamjena plitkih prvih rezultata s gornjom granicom alata — problem je vještine, a ne ograničenje alata. Razvijanje toga dio je Prompt Engineering.

„Nije varanje ako to nije napisala osoba.“ To je zabluda. Akademski integritet odnosi se na pošteno, pripisivo stvaranje rada, a ne samo na to da nije kopirana osoba. Ispravak: neotkrivena AI-generirana predaja može prekršiti Akademska čestitost čak i kad nije kopirana nijedna osoba; pitanje je je li rad doista učenikov. Kad ste u nedoumici, otkrijte i provjerite politiku svoje institucije.

Ta su opovrgavanja namjerno napisana u obliku teksta opovrgavanja kako bi se i sama mogla koristiti (ili prilagoditi u interaktivni AI dijalog) za suočavanje s i ispravljanje zabluda o AI-ju — i o učenju, poučavanju i obrazovanju općenito.

Uobičajene zablude

• „Zablude nastavnika mogu se ispraviti izlaganjem dokaza.“ U pilotu s 123 talijanska nastavnika neslaganje se najjače okupljalo oko kognitivnih stilova učenja (78% nastavnika branilo je vizualno/slušno uparivanje), uključivanja i grupnog rada (68%) te preopterećenosti obrazovnom tehnologijom (54%). Najjača neslaganja bila su ona najotpornija na dokaze, zato opovrgavanje pobjeđuje tvrdnju.
• „Svi prigovori nastavnika na dokaze puko su opiranje.“ Kad su iste čestice dostavljene kroz razgovorni AI koji je validirao nastavnikov kontekst prije ponovnog uvođenja dokaza, 41% prigovora ticalo se stvarnih kontekstualnih ograničenja — veličine razreda, posebnih potreba, zahtjeva kurikula. Znatan dio prividne zablude bio je točan prigovor.
• „Zablude se mogu pouzdano otkriti iz dijaloga.“ Od 241 potaknutog segmenta, 221 (91,7%) potvrđeno je kao strateška zabluda većinskim glasom stručnjaka (Fleiss' κ = 0,9487), bez značajnih razlika među skupinama. Visoka pouzdanost dostižna je uz stručno presuđivanje, i to je uvjet o kojem tvrdnja ovisi.

Povezani pojmovi

• Pedagogical Patterns — Slijedovi konceptualne promjene koji se suočavaju s konkretnim držanim uvjerenjem
• Learners — Učenici: krovni pojam za koncepte na strani učenika
• Pismenost u području umjetne inteligencije
• Trust Calibration
• Kognitivno rasterećenje
• Metacognition
• Self-Regulated Learning
• Akademska čestitost
• Hallucination Risk
• Generative AI
• Student Experience
• Uokvirivanje upotrebe umjetne inteligencije za učenike
• Refutation Text
• Poučavanje
• Educational AI Policy
• Trust

Povezani članci

• Don't believe the hype. AI myths and the need for a critical approach in higher education — Ne vjerujte hypeu: osam mitova o AI-ju i potreba za kritičkim pristupom u visokom obrazovanju
• "It's OK Because.": The Wild West of Student Rationalization of AI Use in Academic Writing — Studentska racionalizacija AI pisanja
• The GenAI Skill Bypass: Mapping Divergent Pathways of University Students and Staff AI Literacy — Zaobilaženje vještina pomoću GenAI-ja i pismenost
• Trust and Reliance on AI in Education: AI Literacy and Need for Cognition as Moderators — Povjerenje i oslanjanje u AI obrazovanju
• The Hidden Cost of Contextual Sycophancy: an AI Literacy Intervention in Human-AI Collaboration — Kontekstualno ulizivanje i AI pismenost
• Sycophantic AI makes human interaction feel more effortful and less satisfying over time — Ulizivački AI u društvenoj interakciji
• The LLM Fallacy: Misattribution in AI-Assisted Cognitive Workflows — Pogrešno pripisivanje zablude LLM-a (Kim et al.)
• Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education — Pogrešne, ali pamtljive: kritička recepcija interesa personaliziranih GenAI analogija kod studenata računarstva
• The Socratic trap: Benchmarking the capacity of large language models to generate strategic misconceptions in computer science education — SocraticTrap-CS: tečna, autoritativna objašnjenja koja su konceptualno, a ne činjenično pogrešna (Miličević et al. 2026)
• Ethical implications of prompt injection in AI-mediated grading: An adversarial red-team evaluation — Skrivene upute u predanoj datoteci mogu podići AI ocjenu bez vidljivog upozorenja (Humble 2026)
• “If we are good friends, AI doesn't spy so much”: Children's knowledge and misconceptions of AI safety — Zablude djece o sigurnosti AI-ja: prijateljstvo s robotom pogrešno shvaćeno kao jamstvo privatnosti (Leisten et al. 2026)
• A Conversational AI Framework for Teacher Training — Razgovorni AI dijagnostik za nastavne zablude s dijalogom utemeljenim na dokazima (Miranda & Calvani 2026)