SAMR model

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

SAMR model — okvir za integraciju tehnologije koji je razvio Ruben Puentedura i koji na četiri razine klasificira u kojoj mjeri tehnologija preobražava učenje: supstitucija, nadgradnja, preinaka i redefinicija. Donje dvije razine (supstitucija, nadgradnja) poboljšavaju postojeći zadatak — tehnologija radi ono što se radilo i prije, bolje ili prikladnije; gornje dvije (preinaka, redefinicija) ga preobražavaju — sam se zadatak mijenja u nešto što prije nije bilo moguće. U umjetnoj inteligenciji u obrazovanju SAMR je standardna leća za pitanje koristi li se generativna umjetna inteligencija za postupno poboljšanje postojeće prakse ili za rekonceptualizaciju učenja, i stoji uz TPACK kao način opisivanja kako nastavnici integriraju tehnologiju, a ne zašto je prihvaćaju.

Pitanja za razmatranje

• Kada se umjetna inteligencija uvodi u kolegij, je li to supstitucija (chatbot zamjenjuje polje za pretraživanje) ili redefinicija (postaje moguć zadatak koji prije nije bio)? Što određuje koja je razina primjerena — i je li preobrazba uvijek cilj?
• SAMR i modeli usvajanja tehnologije odgovaraju na različita pitanja: teorija usvajanja pita zašto nastavnik ili ustanova prihvaća alat; SAMR pita koliko duboko alat mijenja učenje. Na koje pitanje doista odgovara neka studija o integraciji umjetne inteligencije?
• Sustavni pregled integracije umjetne inteligencije u visokom obrazovanju utvrdio je da je većina upotreba bila na razini supstitucije ili nadgradnje, a samo se jedna studija približila redefiniciji. Ako je to tipično, što to govori o jazu između potencijala umjetne inteligencije i njezine stvarnosti u učionici?
• SAMR se često zaziva u pripremi nastavnika i profesionalnom razvoju kako bi edukatorima pomogao planirati upotrebu tehnologije. Mijenja li klasificiranje lekcije na SAMR ljestvici ono što nastavnik doista radi, ili je to ponajprije opisna oznaka?
• Kritičari tvrde da SAMR, kao i TPACK, počiva na humanističkoj ontologiji koja kogniciju drži nepromijenjenom pod utjecajem tehnologije i da ne govori ništa o moći, vlasništvu nad podacima ni ravnopravnosti. Je li leća razine integracije dovoljna, ili integracija u eri umjetne inteligencije traži kritičniji okvir?

Uvod

SAMR opisuje dubinu tehnološke preobrazbe zadataka učenja. Njegove četiri razine tvore uzlaznu ljestvicu od poboljšanja prema preobrazbi: supstitucija (alat zamjenjuje drugi bez funkcionalne promjene — chatbot mjesto tražilice), nadgradnja (alat zamjenjuje i poboljšava — provjera pravopisa u programu za obradu teksta mjesto pisaćeg stroja), preinaka (zadatak je znatno redizajniran — učenici surađuju u stvarnom vremenu na zajedničkom nacrtu koji je generirala umjetna inteligencija) i redefinicija (postaju mogući novi zadaci koji su prije bili nezamislivi — učenici sustvaraju s generativnim modelom na načine koji nemaju ne-UI analogiju). Model se široko koristi u obrazovno-tehnološkom istraživanju i profesionalnom razvoju nastavnika kao rječnik za planiranje i vrednovanje integracije tehnologije, i standardni je pratitelj TPACK-a i okvira usvajanja tehnologije — iako odgovara na drugo pitanje od njih.

Što znače četiri razine

• Poboljšanje (donja polovica): supstitucija i nadgradnja poboljšavaju postojeći zadatak ne mijenjajući njegovu prirodu. Većina rutinske upotrebe umjetne inteligencije — generiranje pitanja, brzo generiranje teksta, sažimanje — nalazi se ovdje: brže je i prikladnije, ali ne mijenja ono što se od učenika traži.
• Preobrazba (gornja polovica): preinaka i redefinicija mijenjaju sam zadatak. Vibe kodiranje, suizgradnja s modelom u stvarnom vremenu i prilagodljiv interaktivni dijalog zadaci su koji prije generativne umjetne inteligencije nisu bili mogući i predstavljaju preobražavajući kraj ljestvice.

SAMR se često povezuje s okvirom ICAP jer se dva okvira poravnavaju: četiri scenarija od kuhanja do učenja u radu Rummela, Nachtigalla i Panadera (2026.) preslikavaju ICAP-ove načine angažmana na razine SAMR-a — ICAP pasivno sa SAMR supstitucijom, aktivno s nadgradnjom, konstruktivno s preinakom i interaktivno s redefinicijom — ilustrirajući napredovanje od pasivnog delegiranja do interaktivne suizgradnje.

Dokazi iz baze znanja

• Integracija umjetne inteligencije u visokom obrazovanju uglavnom je postupna, a ne preobražavajuća. AlSheikh i sur. (2026.) u PRISMA sustavnom pregledu 22 intervencijske studije probrane iz 959 zapisa ocijenili su integraciju umjetne inteligencije SAMR modelom i utvrdili da se većina studija zgrupila na razini supstitucije ili nadgradnje, manje ih je bilo na preinaci, a samo se jedna približila redefiniciji. Umjetna inteligencija uvođena je uglavnom radi poboljšanja postojeće prakse — uz prevlast automatizacije procjene i potpore personaliziranom učenju — a ne radi rekonceptualizacije kurikula ili ishoda učenja.
• SAMR je uobičajena analitička leća za promjene kurikula potaknute generativnom umjetnom inteligencijom. Sabani i sur. (2026.) preslikavaju pet kurikularnih pomaka (od statičnog prema dinamičnom, od prijenosa prema sposobnosti, od lokalnog prema institucionalnom) na etablirane leće, uključujući SAMR i konstruktivno poravnanje, koristeći model za razjašnjavanje pedagoških mehanizama kojima generativna umjetna inteligencija preoblikuje kurikul.
• SAMR i TPACK usidruju standarde za integraciju tehnologije u nastavničkom radu. Crompton i sur. (2026.) smještaju svojih šest standarda za tehnologiju u radu nastavnog osoblja nasuprot postojećim okvirima — TPACK, RAT, SAMR, SETI — i standardima (ISTE, UNESCO, DigCompEdu), od kojih većina cilja nastavnike od osnovne do srednje škole ili samo nastavni dio akademskih uloga, ostavljajući prazninu u razvoju sveučilišnog osoblja.
• SAMR je meta posthumanističke kritike. Elsayed (2026.) kritizira TPACK, SAMR i modele pismenosti o umjetnoj inteligenciji zbog zajedničke humanističke ontologije koja pretpostavlja omeđenog učenika čija se kognicija u temelju ne mijenja tehnološkim posredovanjem, te tvrdi da ti instrumentalistički okviri ne mogu obraditi konstitutivnu ulogu umjetne inteligencije u kogniciji.
• Okvir za integraciju, a ne okvir za moć. Poudyal (2026.) vrednuje SAMR uz TPACK i druge okvire integracije i nalazi da nijedan ne obrađuje ravnopravnu moć, vlasništvo nad podacima ni odgovornost, što ga potiče na alternativni ekološki okvir sudjelotvornosti.
• Studentska upotreba također se preslikava na SAMR, a povratne informacije prelaze sve razine. Kodiranje izjava o generativnoj umjetnoj inteligenciji 31–36 studenata u kolegiju fizike smjestilo je učenje na supstituciju–nadgradnju, oblikovanje na supstituciju, a obavljanje zadatka na preinaku–redefiniciju, dok su se povratne informacije — provjeravanje, razjašnjavanje, verifikacija — pojavile na sve četiri razine (Quince i Faulconer (2026.)).
• Dubina i uključenost zasebne su osi. Jita, Jita i Omoniyi (2026.) povezuju SAMR s univerzalnim dizajnom za učenje kroz 38 izvora i tvrde da zadaci na razini redefinicije i dalje mogu isključiti učenike čiji jezik, uređaj ili povezanost ne uklapaju u dizajn.

SAMR, TPACK i usvajanje tehnologije: po čemu se razlikuju

Tri okvira često se poistovjećuju, ali odgovaraju na različita pitanja:

• Modeli usvajanja tehnologije (TAM, UTAUT) objašnjavaju zašto pojedinac ili ustanova prihvaća tehnologiju i nastavlja je koristiti — percipiranu korisnost, lakoću upotrebe i društveni utjecaj.
• TPACK opisuje znanje koje nastavnik treba za djelotvornu integraciju tehnologije — međuigru tehnološkog, pedagoškog i sadržajnog znanja, proširenu u eri umjetne inteligencije na AI-TPACK/GenAI-TPACK.
• SAMR klasificira koliko duboko tehnologija preobražava zadatak učenja, od poboljšanja do redefinicije.

SAMR je najbolje razumjeti kao leću dubine integracije koja se rabi u planiranju i vrednovanju, kao dopunu teoriji usvajanja (koja objašnjava prihvaćanje) i TPACK-u (koji objašnjava nastavničku sposobnost). U eri umjetne inteligencije najproduktivnije ga je upotrijebiti za pitanje primjenjuje li se generativna umjetna inteligencija na poboljšanje postojećih zadataka ili na omogućavanje doista novih — razlika koja prožima istraživanja procjene i kurikula u bazi znanja.

Implikacije za praksu

• Upotrijebite SAMR za pitanje dubine, a ne za propisivanje preobrazbe. Poboljšanje nije samo po sebi lošije; mnoge rutinske upotrebe umjetne inteligencije legitimne su supstitucije. Model je dijagnostički: razjašnjava što određena upotreba doista mijenja.
• Povežite ga s ICAP-om. SAMR opisuje što zadatak postaje; ICAP opisuje kako se učenik angažira. Zajedno razlikuju površinsku supstituciju od duboke interaktivne suizgradnje.
• Dopunite ga lećama usvajanja i ravnopravnosti. SAMR ne govori ništa o tome zašto se alat prihvaća ni kome koristi. Povežite ga s modelima usvajanja i analizom ravnopravnosti kako oznaka dubine ne bi zamijenila kritičko vrednovanje.
• Tretirajte dokaze o postupnoj integraciji kao nalaz, a ne kao neuspjeh. Ako se većina integracije umjetne inteligencije zgrupava na supstituciji i nadgradnji, dizajnerski zadatak nije prisiliti redefiniciju, nego prepoznati da preobražavajuća upotreba traži drukčije dizajne zadataka, a ne samo bolje alate.

Uobičajene zablude

„Viša razina na SAMR-u znači bolje poučavanje.“ SAMR je leća za pitanje rekonceptualizira li umjetna inteligencija učenje ili poboljšava postojeću praksu; nije ljestvica kvalitete i redefinicija nije točan odgovor za svaki zadatak. Supstitucija koja uklanja neproduktivan korak uspjeh je koji se ocjenjuje prema učenju, a ne prema razini koju zauzima.

„Usvajanje umjetne inteligencije napreduje uz ljestvicu.“ Raspodjela je koncentrirana pri dnu. Sustavni pregled integracije umjetne inteligencije u visokom obrazovanju utvrdio je da je većina upotreba bila na razini supstitucije ili nadgradnje, a samo se jedna studija približila redefiniciji. Praktična je upotreba SAMR-a u toj literaturi stoga uvelike dijagnostička — imenuje gdje se polje doista nalazi.

„SAMR i TPACK su konkurentski okviri.“ Opisuju različite stvari: SAMR opisuje stupanj preobrazbe zadatka, dok TPACK opisuje znanje koje nastavnik treba za dobru integraciju tehnologije. Nastavnik može biti visoko TPACK-sposoban i ipak djelovati na razini supstitucije, zbog čega se dva okvira rabe zajedno, a ne biraju se jedan umjesto drugoga.

„Alat koji je preobražavajuć na jednoj razini preobražavajuć je na svim razinama.“ Isti generativni alat može podupirati supstituciju u jednom kolegiju i redefiniciju u drugom, jer je razina svojstvo dizajna zadatka, a ne tehnologije. Pripisivanje razine alatu proizvodi odluke o usvajanju umjesto dizajnerskih odluka.

Povezani koncepti

• Umjetna inteligencija u obrazovanju — umjetna inteligencija u obrazovanju (krovni koncept)
• Tehnološko pedagoško sadržajno znanje (TPACK) — tehnološko pedagoško sadržajno znanje
• Technology Adoption Models — modeli usvajanja tehnologije
• ICAP Framework — okvir ICAP za kognitivni angažman
• Technologies — tehnologije i tehnike umjetne inteligencije
• Kompetencije nastavnika za umjetnu inteligenciju — kompetencije nastavnika za umjetnu inteligenciju
• Obrazovni razvoj — obrazovni razvoj
• Oblikovanje učenja — oblikovanje učenja
• K-12 — obrazovanje od osnovne do srednje škole
• Higher Education — visoko obrazovanje
• Generative AI — generativna umjetna inteligencija

Povezani članci

• Mapping artificial intelligence integration in higher education: A systematic review using the FACETS and SAMR frameworks — integracija umjetne inteligencije u visokom obrazovanju ocijenjena SAMR-om: uglavnom supstitucija i nadgradnja
• With a Thermomix You Lose the Ability to Cook: A Kitchen Machine Analogy for Applications of Generative AI in Education — ICAP i SAMR u preslikavanju četiriju scenarija od kuhanja do učenja
• Rewriting the Curriculum: A Systematic Review of Generative AI-Driven Pedagogical Change and Emerging Systems of Learning in Higher Education — SAMR među lećama za kurikularne promjene potaknute generativnom umjetnom inteligencijom
• Designing faculty standards for technology integration in higher education institutions: a design-based research study — SAMR među okvirima koji informiraju standarde za tehnologiju u radu nastavnog osoblja
• Pedagogical Symbiosis: conceptualizing the Post-Human Learner in the age of cognitive AI — posthumanistička kritika humanističke ontologije SAMR-a
• Reclaiming epistemic agency: A critical framework for human-generative AI co-agency in education — šutnja SAMR-a o moći, vlasništvu nad podacima i odgovornosti
• Student GenAI use under changing institutional policies: a mixed-methods case study in undergraduate physics — studentska upotreba generativne umjetne inteligencije pod promjenjivim institucionalnim politikama: funkcije upotrebe preslikane na razine SAMR-a (Quince i Faulconer 2026.)
• AI in mathematics classrooms: A synergistic strategy for diversity and inclusivity — Umjetna inteligencija u nastavi matematike: sinergijska strategija za raznolikost i uključivost