Kompetencije nastavnika za umjetnu inteligenciju

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

Kompetencije nastavnika za umjetnu inteligenciju: znanja, vještine i dispozicije koje nastavnici trebaju da bi umjetnu inteligenciju djelotvorno, etički i ravnopravno integrirali u poučavanje i učenje. To nadilazi tehničku upotrebu alata i obuhvaća pedagošku integraciju, pismenost o procjeni, etičku prosudbu i pouzdanje da se umjetna inteligencija dobro upotrebljava. Kompetencije nastavnika za umjetnu inteligenciju nastavnička su protuteža pismenosti o umjetnoj inteligenciji i razvijaju se kroz profesionalni razvoj. Središnje su za to kako se uloga nastavnika preobražava u učionicama pojačanima umjetnom inteligencijom.

Pitanja za razmatranje

• Stranica tvrdi da je nastavnik „odlučujući čimbenik“ u tome poboljšava li umjetna inteligencija učenje, jer alati pomažu samo kada nastavnici mogu planirati s njima, postupno poduprijeti njihovu upotrebu i vrednovati rezultate. Odgovara li to vašem iskustvu, ili mislite da je sam alat važniji od nastavnika?
• Kompetencije nastavnika za umjetnu inteligenciju obuhvaćaju tehničku osposobljenost, pedagošku integraciju, pismenost o procjeni i etičku prosudbu. Što od toga nastavnicima najviše nedostaje i što je najteže osposobiti?
• Istraživanje dokumentira jaz između samoprocijenjene i stvarne vještine nastavnika u upotrebi umjetne inteligencije. Zašto mislite da ljudi precijene vlastitu spremnost, i što bi bilo potrebno da se taj jaz pošteno zatvori?
• Intenzivan program profesionalnog razvoja u citiranom istraživanju proizveo je velike dobitke u pedagoškoj vještini s umjetnom inteligencijom, što upućuje na to da je tehničko-pedagoška vještina osposobljiva. Ako je to istina, zašto se toliko nastavnika i dalje čini nespremnima? Što im stoji na putu?
• Ako nastavnik može „dobro upotrebljavati umjetnu inteligenciju“, što za vas znači „dobro“, i kako biste znali da ju je nastavnik dostigao, a ne samo prihvatio alat?

Uvod

Kompetencije nastavnika za umjetnu inteligenciju važne su jer je nastavnik odlučujući čimbenik u tome poboljšava li umjetna inteligencija učenje. Istraživanja dosljedno pokazuju da se alati umjetne inteligencije pretvaraju u bolje ishode samo kada nastavnici mogu planirati s njima, postupno poduprijeti učenikovu upotrebu, vrednovati rezultate i integrirati ih u koherentnu nastavu. Literatura baze znanja ispituje dimenzije te kompetencije, jazove između samopercepcije i stvarne vještine i profesionalni razvoj koji je gradi.

Nunez-Canal i sur. (2026.) izravno povezuju kompetencije nastavnika za umjetnu inteligenciju s ishodima učenika, koristeći teorije ljudskog kapitala i dionika na anketi među nastavnicima poslovanja i ekonomije kako bi ustvrdili da ulaganje sveučilišta u kompetencije nastavnika nije diskrecijsko.

• Obuka u poticajima kupuje vrijeme, a ne bolje materijale. U preregistriranom randomiziranom kontroliranom pokusu sa 204 nastavnika Appel, Fervers i Piepenburg (2026.) našli su da je ChatGPT poboljšao kvalitetu materijala za pripremu nastave i skratio vrijeme pripreme za 34%, dok je prethodna obuka o umjetnoj inteligenciji dodala daljnjih 21% smanjenja vremena bez poboljšanja ocijenjene kvalitete (Appel i sur., 2026.). Obučeni nastavnici pisali su dulje poticaje i manje iterirali; oba su puta dala jednaku kvalitetu.

Temeljne dimenzije kompetencije

Istraživanje u bazi znanja konvergira prema nekoliko međusobno povezanih dimenzija:

• Tehnička osposobljenost: oblikovanje djelotvornih poticaja za obrazovne ciljeve, vrednovanje alata umjetne inteligencije prema pedagoškoj prikladnosti i sigurnosti te rješavanje kvarova u stvarnom vremenu. Intenzivan program profesionalnog razvoja o generativnoj umjetnoj inteligenciji dokumentirao je značajne dobitke u svih pet komponenata AI-PCK (ukupno d = 2,36), što pokazuje da je tehničko-pedagoška vještina osposobljiva.

• Određivanje tijekova rada agenata: kada nastavnici konfiguriraju chatbot prirodnim jezikom, prevladavajući je propust izgubljena namjera, a ne netočne činjenice: botovi su preskočili obvezne korake tijeka rada u 53,8% razgovora krajnjih korisnika i izostavili postavljanje očekivanja u 33,4% (Liu i sur. (2026.)), pa je pisanje poredanih, izričitih koraka zasebna dimenzija kompetencije koja se može osposobiti.

• Pedagoško znanje odlučujući je sloj. Međurazinska studija srednjoškolskog obrazovanja o umjetnoj inteligenciji (46 nastavnika, 2.832 učenika) našla je da samo tehničko znanje o umjetnoj inteligenciji nije dovoljno i da čak može malo sniziti percepciju učenika o umjetnoj inteligenciji za društveno dobro, dok je pedagoško znanje o umjetnoj inteligenciji pokretalo percepcije učenika i njihovu namjeru da uče o umjetnoj inteligenciji. Okviri kompetencija stoga bi pedagoško znanje o umjetnoj inteligenciji trebali odvagati kao ključnu dimenziju, a ne kao mekani dodatak.

• Pedagoška integracija: preslikavanje upotrebe umjetne inteligencije na ciljeve učenja, oblikovanje postupne potpore koja podupire učenikovu metakogniciju i vlastitu samoregulaciju te integriranje umjetne inteligencije u oblikovanje nastave. Istraživanje AI-TPACK-a modelira kako nastavnici spajaju tehnološko, pedagoško i sadržajno znanje kroz tijekove rada s više agenata, dok okvir suradnje nastavnika i umjetne inteligencije na pet razina (od transakcijske do sinergijske) obuhvaća kako generativna umjetna inteligencija može zamijeniti, dopuniti ili proširiti nastavničku kompetenciju.

• Pismenost o procjeni: vrednovanje sadržaja koji generira umjetna inteligencija i učenikovih rezultata uz umjetnu inteligenciju te razumijevanje kako se valjanost mijenja kada učenici upotrebljavaju umjetnu inteligenciju. To se povezuje s automatiziranom procjenom, otkrivanjem umjetne inteligencije i širim programom preoblikovanja procjene. Kod sustava preporuka to se proteže na prosudbu jesu li objašnjenja umjetne inteligencije doista razumljiva i pedagoški smislena: Feldman-Maggor i sur. (2025.) našli su da su nastavnici više vjerovali preporukama umjetne inteligencije za grupiranje kada su objašnjenja bila uokvirena jezikom domene (kurikuluma) nego kada su izlagala sirove značajke modela: vještina traženja i ocjenjivanja kvalitete objašnjenja, umjesto prihvaćanja neprozirnog rezultata.

• Odabir modela i oblikovanje poticaja kao dokazive vještine: instrumentalna pismenost o umjetnoj inteligenciji uključuje znanje koji model upotrijebiti i kako formulirati zadatak. Jacobsen i sur. (2026.) dali su da ChatGPT-4, Claude 3 i Gemini Advanced kritiziraju ciljeve planiranja nastave 153 buduća nastavnika pod četiri sustavno varirana poticaja (N = 240 povratnih informacija u studiji 1, 345 u studiji 2), pri čemu su povratne informacije ocjenjivane u devet kategorija kvalitete. Sam odabir modela objasnio je 26,9% varijance ocijenjene kvalitete (18,4% u studiji 2), a oblikovanje poticaja dodalo je značajnih 15,9% (5,7%) povrh toga; jedina odlučujuća značajka poticaja bio je stručni jezik specifičan za domenu, čije je uklanjanje značajno snizilo kvalitetu (β = -0,412), dok dodavanje primjera i uklanjanje upute o lancu razmišljanja nije dalo značajnu razliku u studiji 1. Njihovo čitanje (da terminologija predmeta otključava relevantan sadržaj iz podataka za treniranje i uokviruje zahtjev profesionalno, poput poticaja uloge), uz praktično pravilo da se upotrijebi najsposobniji trenutačni vrhunski model, čini odabir modela didaktičkom, a ne tehničkom odlukom.

• Etička i kritička upotreba: prepoznavanje pristranosti u rezultatima umjetne inteligencije, zaštita podataka učenika (privatnost) i osiguravanje ravnopravnih ishoda (ravnopravnost). Kulturno relevantna upotreba umjetne inteligencije ispituje kako nastavnici mogu upotrijebiti LLM-ove da diversificiraju materijale, umjesto da pojačaju prevladavajuće norme.

• Etička odgovornost je raspodijeljena, a ne pojedinačna. U sedam nacionalnih slučajeva nastavnici su postavljeni kao moralni čuvari upotrebe umjetne inteligencije, a nedostaje im institucionalna i epistemička potpora, pa se etička pismenost o umjetnoj inteligenciji mora proširiti na kritičku i političku djelotvornost, a ne na tehničku vještinu (Raffaghelli i sur. (2026.)).

• Pouzdanje i stavovi: nastavničko pouzdanje oblikuje prihvaćanje. Istraživanje prihvaćanja nalazi da pouzdanje, potpora i percipirana korisnost pokreću to upotrebljavaju li nastavnici umjetnu inteligenciju doista, a orijentacije nastavnika oblikuju prihvaćanje u istraživanju i poučavanju.

• U anketi u pet zemalja s 1.405 nastavnika u K-12 spremnost za umjetnu inteligenciju predviđala je pozitivna uvjerenja o nastavnoj vrijednosti generativne umjetne inteligencije (B = 0,59, R² = 0,50), ali i veću zabrinutost za kreativnost (B = 0,18), a isti prediktori objasnili su samo 7% i 6% zabrinutosti: izgradnja spremnosti sama po sebi ostavlja zabrinutost netaknutom (Xiu i sur. (2026.)).

Spremnost treba poredati i mjeriti u skladu s tim: model sposobnosti i odluke smješta dokazanu sposobnost u umjetnoj inteligenciji uzvodno od stava i pouzdanja i predlaže pokazatelje uspjeha, a ne samo samoprocjenu: zadatke oblikovanja nastave, zadatke vrednovanja poticaja s ugrađenim pogreškama, prosudbe o valjanosti sadržaja i rubrike za artefakte iz učionice (Mnguni (2026.)).

Emocionalna i moralna spremnost zasebna je dimenzija. Vassallo (2026.) anketirao je akademsko osoblje jednog malteškog sveučilišta (109 ispitanika) i izgradio Indeks krivnje zbog umjetne inteligencije (α = 0,88) od četiri čestice moralnih emocija, nalazeći da je anticipatorna krivnja nadmašila grižnju savjesti doživljenu nakon upotrebe: najsnažnija je bila zabrinutost da upotreba umjetne inteligencije potkopava nečiju vjerodostojnost (34,9% složilo se), zatim osjećaj da se vara pri njezinoj upotrebi (25,7%), dok je grižnja savjesti nakon upotrebe privukla samo 9,2%. Nalazi koji su važni za okvire kompetencija jesu da su oni koji je ne upotrebljavaju izvijestili o višoj krivnji od korisnika (M = 3,25 prema M = 2,32) i da je krivnja padala kako je rasla sigurnost karijere: akademici na početku karijere izvijestili su o najvišoj (M = 2,71), a seniori o najnižoj (M = 2,03). Emocionalna spremnost stoga se ne obuhvaća mjerama vještine ni pouzdanja, a rad tvrdi da bi okviri kompetencija trebali tretirati krivnju i zabrinutost za identitet kao normalne prijelazne reakcije, a ne kao mane koje treba ispraviti.

Snažnija inačica tog preoblikovanja drži da je generativna umjetna inteligencija granični koncept, a ne jaz u vještinama: autoetnografski prikaz tvrdi da su anksioznost i otpor nastavnika konstitutivni za prelaženje granice, pa obuka utemeljena na vještinama propada, a načelno neprihvaćanje treba poštovati, a ne ispravljati (Laidlaw (2026.)).

Jaz u kompetenciji

Ključni je nalaz jaz između samoprocjene i kompetencije utemeljene na izvedbi. Istraživanje o procjeni pismenosti o umjetnoj inteligenciji dokumentira znatnu razliku (do oko 40%) između onoga što nastavnici vjeruju da mogu i onoga što doista mogu pokazati: nastavnici koji su pouzdani u svoje vještine s umjetnom inteligencijom često nemaju temeljne sposobnosti oblikovanja poticaja i vrednovanja. To motivira procjenu utemeljenu na izvedbi nastavničke kompetencije, umjesto oslanjanja na samoprocjenu, i povezuje se s kalibriranom samoprocjenom. Nacionalna anketa među 2.586 nigerijskih srednjoškolskih nastavnika mjerila je obje strane zasebnim instrumentima: umjereno poznavanje umjetne inteligencije (M = 3,13 od 8) nasuprot nižoj pedagoškoj vještini s umjetnom inteligencijom (M = 2,47 od 5), pri čemu su nastavnici na početku i u sredini karijere izvijestili o višoj vještini od iskusnijih kolega (Olurinola i sur., 2026.).

Spremnost je najdokumentiranija prepreka u matematičkoj literaturi. Pregled 54 studije o matematičkom obrazovanju našao je da su tehnološko-pedagoška integracija i spremnost nastavnika najčešće izvješćivani izazov (38 od 54), ispred valjanosti i čestitosti procjene (26) i pretjeranog oslanjanja (24) (Manto i sur. (2026.)).

Jaz nije samo između percipirane i stvarne vještine, nego i u širini onoga što nastavnici znaju: nacionalna anketa među 2.018 ukrajinskih srednjoškolskih nastavnika našla je da je 84% izvijestilo o upotrebi umjetne inteligencije u profesionalnoj praksi, dok je samo 11% moglo navesti specijaliziranu uslugu umjetne inteligencije osim ChatGPT-a (Marienko, Markova i Semerikov (2026.)). Druga se uskost pokazuje u onome što nastavnici sami nude, a ne u onome što mogu navesti: 53 nastavnika u službi označila su vlastite slučajeve iz učionice prema OECD-ovu okviru pismenosti o umjetnoj inteligenciji i opisala 43 prakse pismene u umjetnoj inteligenciji nasuprot samo 10 neuspjeha (Wang i sur., 2026.). Njihovi su se odabiri kompetencija grupirali oko praktične prosudbe (vrednovanje rezultata umjetne inteligencije, N = 38) i rijetko dosezali društvenu pristranost (N = 5), etičku usklađenost (N = 6) ili potrošnju energije umjetne inteligencije (N = 9).

Anketa među 132 nastavnika u Indoneziji našla je gotovo univerzalno prihvaćanje uz slabo mehanističko razumijevanje: 96,2% podržalo je upotrebu umjetne inteligencije među nastavnicima, no samo 4,6% navelo je tokenizaciju ili dekodiranje, a 21,5% vjerovalo je da ChatGPT pretražuje bazu podataka ili internet (Aji i sur. (2026.)). Povoljan stav nije dokaz upotrebljivog mentalnog modela alata.

Jaz je vidljiv i u artefaktu, kao i u samoprocjeni. Međuinstitucionalni laboratorij nastavnika u obrazovanju nastavnika, u kojem su edukatori nastavnika ugrađivali umjetnu inteligenciju u vlastite metodike kolegije, izvijestio je da su kandidati mogli proizvesti uglađene planove nastave uz pomoć umjetne inteligencije, a da pritom nisu mogli objasniti zašto plan odgovara učenicima i standardima, jer sam plan ne govori ništa o rasuđivanju koje stoji za njim. Ocjenjivanje obrazloženja, a ne proizvoda, jedan je odgovor. Okvir pedagogija prakse upućuje na drugi, tretirajući probu kao približavanje praksi: proba posredovana umjetnom inteligencijom sa strukturiranom povratnom informacijom nakon probe povećala je upotrebu istraživačkih i produbljujućih pitanja među kandidatima, no vlastite prosudbe kandidata o njihovoj izvedbi i dalje su se razilazile s onim što su promatrači zabilježili.

Pad samoprocjene nakon obuke može signalizirati učenje, a ne gubitak. U šestomjesečnom programu profesionalnog razvoja Intelligent-TPACK sa 64 nastavnika sveučilišta u Hong Kongu nasuprot 61 u kontrolnoj skupini ukupna kompetencija za umjetnu inteligenciju porasla je za oko pola standardne devijacije (Cohenov d = -0,521), no neki su nastavnici u obje skupine na završnom mjerenju postigli niže rezultate nego na početnom (Tan, Cheng i Ling, 2025.). Intervjui su padove pripisali pomaku s nesvjesne na svjesnu nesposobnost, odnosno rekalibraciji koju predviđa Dunning-Krugerov učinak, a ne izgubljenoj vještini. Autori zaključuju da samoprocjena prije i poslije podcjenjuje intervenciju, jer dio dobitka dolazi kao korekcija instrumenta naniže.

Jaz se pokazuje i kao nesudjelovanje. Watson i Rainie (2026.) anketirali su 1.057 američkih sveučilišnih nastavnika krajem 2025. i našli da 26% uopće ne upotrebljava alate generativne umjetne inteligencije, pri čemu se trećina odlučila ne upotrebljavati ih za poučavanje, a neupotreba je koncentrirana u umjetnosti i humanistici (40%). Institucionalna strana jaza bila je veća od pojedinačne: 68% reklo je da njihove ustanove nisu pripremile nastavnike za upotrebu generativne umjetne inteligencije u poučavanju i mentorstvu, a nastavnici su kao vodeće prepreke prihvaćanju na razini odsjeka naveli otpor kolega (82%) i njihovu neuputrćenost (83%): slika u kojoj izgradnja sposobnosti, norme vršnjaka i politika moraju ići zajedno.

Početno obrazovanje nastavnika u velikoj mjeri zaobilazi etičku dimenziju kompetencije. Sistematski pregled umjetne inteligencije u početnom obrazovanju nastavnika za buduće nastavnike razredne nastave matematike (Pinto i sur. 2026., 11 studija odabranih iz 341 zapisa) našao je da su se intervencije usredotočile na kratkoročne tehničke i pedagoške dobitke, pri čemu je devet od jedanaest bilo kratkih intervencija od jedne do šest sesija, i izvijestio da je etika obrađena u samo tri od jedanaest studija. Okviri kompetencija etičku prosudbu navode kao dimenziju; literatura o početnom obrazovanju koja bi je trebala izgraditi rijetko je poučava ili mjeri.

• Sedam klastera kompetencija, s etikom kao najslabijom karikom. Tematska sinteza 78 studija daje klastere za inženjerstvo poticaja, kritičko vrednovanje rezultata umjetne inteligencije, etičku svijest i otkrivanje pristranosti, usklađenost pedagoškog sadržaja, konceptualnu pismenost o umjetnoj inteligenciji te ljudski nadzor i refleksiju. Inženjerstvo poticaja bilo je najdosljednije dokumentirano i ponaša se kao razvojni spektar, a ne kao jedna vještina, zbog čega su recenzenti ustvrdili da ga je najbolje razumjeti kao pedagoško rasuđivanje koje se odvija kroz novi medij: poticaj kao eksternalizirana dizajnerska odluka. Etička svijest bila je najslabije dokumentirana kompetencija u studijama o početnom obrazovanju (Spyropoulou i Kameas, 2026.).
• Nastavnici precijenjuju vlastitu vještinu vrednovanja. Uz nalaz da je samo 38,3% ciljeva učenja koje je generirala umjetna inteligencija zadovoljilo sve kriterije kvalitete bez revizije, budući nastavnici sustavno precijenjuju svoju sposobnost vrednovanja rezultata chatbota, što recenzenti čitaju kao mogući percepcijski, a ne deklarativni nedostatak. Zato tvrde da kompetenciju treba procjenjivati kroz artefakte izvedbe (planovi nastave, dnevnici odluka, mikro-poučavanje), a ne kroz samoprocjenu: nepouzdanost samoprocjene pokazuje se upravo u literaturi koju obuka treba obraditi.

Profesionalni razvoj koji djeluje

Literatura o profesionalnom razvoju u bazi znanja prepoznaje djelotvorne pristupe:

• Intenzivni programi utemeljeni na teoriji: Intenzivan program profesionalnog razvoja o generativnoj umjetnoj inteligenciji sa 163 nastavnika i budućih nastavnika proizveo je značajne dobitke u svim komponentama AI-PCK, uz najveću korist za buduće nastavnike. Profesionalni razvoj utemeljen na teoriji samoodređenja pokazuje da obuka koja podupire potrebe poboljšava pismenost nastavnika o umjetnoj inteligenciji, njihove stavove i angažman, dok istodobno smanjuje anksioznost.
• Dizajnersko-temeljeni i integrirani pristupi: obuka o pismenosti u generativnoj umjetnoj inteligenciji utemeljena na DBR-u bavi se pretjeranim naglaskom na tehničko znanje i alate prije generativne umjetne inteligencije; integrativni, razvojni okviri i integracija socijalno-emocionalnih kompetencija proširuju pismenost izvan puke tehnike.
• Istraživanje i autentična praksa: modeli istraživanja uz potporu umjetne inteligencije grade pismenost o umjetnoj inteligenciji i autentičnu izvedbu kod budućih nastavnika.
• Spremnost specifična za kontekst: Okvir spremnosti EPIQ-AI naglašava da je spremnost nastavnika sociotehničko pitanje koje zahtijeva usklađivanje kapaciteta nastavnika, upravljanja i osiguravanja kvalitete.
• Potpora mora biti diferencirana prema iskustvu i osposobljenosti za umjetnu inteligenciju. Choi i sur. (2026.) našli su da to kako nastavnici doista komuniciraju s umjetnom inteligencijom pri oblikovanju nastave ovisi o međudjelovanju nastavnog iskustva i osposobljenosti za umjetnu inteligenciju, a ne o jednom od toga zasebno. Iskusni nastavnici s visokom osposobljenošću kritički prilagođavaju rezultat umjetne inteligencije kontekstu (ponovno poticanje, razrada), dok novaci, čak i tehnički tečni, teže izravnom prihvaćanju odgovora umjetne inteligencije i rijetko uzimaju u obzir učenike i kontekst. To zagovara profesionalni razvoj utemeljen na profiliranju: kontrolne popise za vrednovanje odgovora i predloške poticaja za novake te praktičnu izgradnju vještina za iskusne nastavnike s nižom osposobljenošću.
• Sama vremenska korist slijedi iskustvo i pouzdanje, a ne samo oblikovanje potpore. U pokusu Roya i sur. (2026.) s pomoćnikom za planiranje nastave utemeljenim na umjetnoj inteligenciji smanjenje opterećenja bilo je veće kod nastavnika s nižim pouzdanjem u predmetno znanje, nižim pedagoškim znanjem, kraćim stažem u profesiji ili višim pouzdanjem u tehnologiju. Osposobljenost i pouzdanje stoga su dio učinka intervencije, a ne samo njezina prihvaćanja.

Konfiguracija uvjerenja druga je os profiliranja: među 40.680 nastavnika u TALIS-u 2024. isti status neupotrebe prikrivao je suprotne prepreke: 83,3% profila „ravnodušnih“ navelo je pedagoške zadrške, dok je 66,2% profila „odmjerenog prihvaćanja“ navelo nedostatno znanje i vještine (Fang i Jin (2026.)). Profesionalno učenje povezano s umjetnom inteligencijom pratilo je pripadnost profilu dosljednije od dobi ili obrazovanja.

• Nastavnici ne dijele jednu koncepciju umjetne inteligencije. Fenomenografska studija sa 16 danskih nastavnika u visokom obrazovanju našla je tri koncepcije poučavanja s umjetnom inteligencijom i tri koncepcije učenja s umjetnom inteligencijom, pa jedinstveni model radionice doseže samo dio svake skupine nastavnika (Stenalt (2026.)).

• Suoblikovanje i pedagoška pismenost o poticajima kompetencije su, a ne dodaci. Sistematski pregled suoblikovanja zadataka učenja između nastavnika i umjetne inteligencije (Wang, Liu i Islam 2026., 28 studija) nalazi da je prevladavajući način suradnje umjetna inteligencija kao pomoćnik ili generator sadržaja i uočava jaz u nastavničkim sposobnostima potpunijeg suoblikovanja i dijaloškog partnerstva. Talebzadeh (2026.) pokazuje da profesionalni razvoj koji spaja tehničku obuku o umjetnoj inteligenciji s pedagoškim rasuđivanjem (izgradnja „pedagoške pismenosti o poticajima“, kodiranje PCK-a u poticaje) omogućuje nastavnicima da rezultat umjetne inteligencije pretvore u djelotvorne diferencirane grupne aktivnosti.

• Strukture koje grade kompetenciju, a ne popisi kompetencija. Perl-Nussbaum i Finkelstein (2026.) vodili su zajednicu za učenje nastavnika u šest dvotjednih sesija na velikom javnom odsjeku za fiziku R1 (devetnaest nastavnika kroz cijeli niz, oko deset na svakom sastanku), gdje je svaka sesija počela lokalnim podacima, prešla na testiranje umjetne inteligencije u malim grupama na stvarnim anonimiziranim domaćim zadaćama učenika i završila zajedničkom raspravom, a proizvela je zajednički repozitorij s pet zapisa, a ne paket obuke. Pismenost o procjeni može se graditi na isti način kroz alat za oblikovanje: u pilotu Paula i sur. (2026.) osam iskusnih koordinatora STEM i zdravstvenih kolegija razvilo je svoju pismenost o procjeni kritizirajući nacrte procjena prilagođenog GPT-a prema disciplinskim standardima, iako su rezultati opetovano promašivali disciplinski kontekst, zanemarivali slijed tema i u jednom slučaju nosili izmišljene reference kroz ponovljene poticaje. Svih osam zadržalo je akademsku prosudbu kod sebe i odbilo automzatizaciju od početka do kraja, što strukturiranu kritiku generiranih nacrta čini razvojnim mehanizmom, a ne obukom za alat.

• Kratke sesije mogu pomaknuti prihvaćanje bez pomaka u usvajanju. Mesenhöller i Böhme (2026.) vrednovali su tromjesečnu sesiju INSIGHT sa 100 njemačkih nastavnika i našli da su percipirana korisnost i percipirana lakoća upotrebe značajno porasle (korisnost t(99) = -3,24, p = 0,002, d = 0,32; lakoća upotrebe d = 0,25), dok se bihevioralna namjera upotrebe tehnologija utemeljenih na umjetnoj inteligenciji za diferencijaciju nije promijenila. Autori primjećuju da su njihove početne vrijednosti već bile povoljne, pa je moguć učinak stropa. Pouka za oblikovanje profesionalnog razvoja uska je, ali korisna: kratka sesija može promijeniti kako nastavnici prosudjuju alate umjetne inteligencije, a da ne promijeni planiraju li ih upotrebljavati, što je vrsta promjene koja zahtijeva nastavak, a ne jednokratni događaj.

• Nastavnici preferiraju tečnost, ali učenje pripisuju postupnoj potpori. Među 41 nastavnikom, osnovni model GPT-4o bio je ukupno preferiran (21 prema 13), no fino podešeni trokoračni model (prepoznaj, istraži, razvij) češće je bio povezan s učenjem (18 prema 13), a dvije su se prosudbe slagale samo 39% vremena (Molnar i sur. (2026.)).

• Institucionalna potpora: profesionalni razvoj mora se upariti s institucionalnom infrastrukturom (politika, institucionalna promjena) za održivo usvajanje.

• Alati za izradu ne jamče pedagošku vjernost. Riahi i sur. (2026.) proučavali su 27 nastavnika srednjih škola koji su konfigurirali obrazovne chatbote u radionicama profesionalnog razvoja, analizirajući fokus-grupe uz zapise konfiguracije i interakcija. Nastavnici su chatbot tretirali kao nastavnu potporu omeđenu pravilima koja su sami odredili, no usklađenost namjere i ponašanja utemeljena na zapisima bila je snažnija za odazivnost (88,9%) i personu (81,5%) nego za pravila (70,4%) i svrhu (59,3%). Konfigurabilne kontrole same po sebi ne prenose pedagošku namjeru u ponašanje, pa je izražavanje, testiranje i dotjerivanje pedagogije chatbota samo kompetencija koju alati za izradu moraju poduprijeti.

Dizajnerski protuprimjer tretira kompetenciju kao situacijsku, a ne kao stepenicu na ljestvici. Eyalova dizajnersko-temeljena studija iz 2025. sa 22 edukatora nastavnika u visokom obrazovanju dala je sudionicima da pregledaju pet objavljenih okvira procjene i suoblikuju alternativu organiziranu oko tri međusobno povezane osi: prilagodba kontekstu (infrastruktura, sociokulturni čimbenici, lokalne potrebe, razvojna faza), profesionalne potrebe (disciplina, pedagogija, vodstvo, potpora) i dinamičan razvoj. Model odbija fiksne razine kompetencije i dopušta nelinearno napredovanje, a isporučuje se s upitnikom refleksivne samoprocjene od 20 čestica ocijenjenih od 1 do 5. Njegova je validacija samo kvalitativna, bez kvantitativnog testiranja pouzdanosti, pa ostaje dizajnerski doprinos, a ne validiran instrument.

• Metaanalitička procjena. Guo i sur. (2026.) objedinili su 212 veličina učinka iz 34 studije i procjenjuju profesionalni razvoj pismenosti nastavnika o umjetnoj inteligenciji na g = 0,76 (95% CI [0,50, 1,02]), najsnažnije za vještine (g = 0,91), a najslabije za stavove i vrijednosti (g = 0,61); ispravak za očiti selekcijski efekt objavljivanja snižava procjenu na oko g = 0,49.

• Prisutnost predviđa dobitke, dok osjećaj sudjelovanja ne. U istom šestomjesečnom programu stopa prisutnosti predviđala je dobitak u kompetenciji (β = 0,407, p = 0,001), dok samopercipirano sudjelovanje nije (β = 0,049, p = 0,692), a disciplina, nastavno iskustvo i profesionalni naziv objasnili su malo; autori prisutnost čitaju kao bihevioralno ulaganje, a percipirano sudjelovanje kao površinski angažman (Tan, Cheng i Ling, 2025.).

• Vrijednosti zaostaju za vještinama i u programu specifičnom za domenu. U jednogodišnjem programu u Hong Kongu s 30 nastavnika engleskog znanje o multimodalnim strategijama procjene poraslo je s 3,13 na 4,15 od 5 (parcijalni η² = 0,571), a kompetencija u podupiranju učenika s 3,05 na 3,98 (0,482), oboje značajno, dok je svaka poddomena vrijednosti ostala statistički nepromijenjena uz alfa korigiranu Bonferronijem od 0,006. Nastavnici su dobitke pripisali zajedničkom planiranju u školi i sastancima klastera među školama, a ne samo radionicama (Jiang i sur., 2026.).

• Mikroučenje može razviti kompetenciju sveučilišnih nastavnika za umjetnu inteligenciju. Cechovsky (2026.) dotjerao je dva modula strukovnog obrazovanja kroz dvije mrežne grupne rasprave u pet načela oblikovanja (jasna struktura i orijentacija, vođenje i potpora u navigaciji, segmentacija i modularizacija, multimodalno izlaganje i aktiviranje učenika) i našao da su navigacija platformom i pronalaženje modula glavne praktične prepreke.

Kompetencije nastavnika za umjetnu inteligenciju i preobražaj uloge nastavnika

Kako umjetna inteligencija preuzima rutinske nastavne i procjembene zadatke, nastavnički se doprinos pomiče prema orkestraciji, prosudbi i odnosu: odlučivanju kada i kako se umjetna inteligencija upotrebljava, postupnom podupiranju djelotvornosti učenika i kritičke upotrebe, osiguravanju ravnopravnosti i pružanju socijalne i emocionalne potpore koju umjetna inteligencija ne može dati. To preoblikuje nastavničku kompetenciju oko nadzora s čovjekom u petlji, etičke prosudbe i podupiranja samoreguliranog učenja, povezujući se s ulogom nastavnika i zaštitom od pretjeranog oslanjanja.

Posljedice za umjetnu inteligenciju u obrazovanju

• Procjenjujte izvedbu, a ne samo samoprocjenu: nastavničku kompetenciju treba vrednovati kroz pokazivanje, s obzirom na dokumentirani jaz u samoprocjeni.

• Osposobljavajte cijelu kompetenciju, a ne samo alate: profesionalni razvoj treba istodobno graditi tehničku, pedagošku, procjembenu i etičku dimenziju, utemeljenu u teoriji učenja.

• Gradite pouzdanje uz vještinu: stavovi i samoučinkovitost oblikuju prihvaćanje, pa profesionalni razvoj treba smanjiti anksioznost i izgraditi pouzdanje kroz autentičnu praksu s potporom.

• Podupirite institucionalni sloj: održiva nastavnička kompetencija zahtijeva usklađenu politiku, upravljanje i kapacitet, a ne izoliranu obuku.

• Digitalna kompetencija nastavnika za oblikovanje kurikuluma s generativnom umjetnom inteligencijom. Guillén-Gámez (2026.) validirao je dijagnostički instrument utemeljen na TAM-u sa 434 nastavnika u službi; bihevioralna namjera bila je glavni prediktor digitalne kompetencije za upotrebu generativne umjetne inteligencije u planiranju kurikuluma, sa samoučinkovitosti kao temeljnim pokretačem.

Psihometrijski instrument za kompetencije nastavnika za umjetnu inteligenciju

• Psihometrijska studija razvila je Skalu pismenosti nastavnika o umjetnoj inteligenciji (TAILS) za mjerenje pismenosti o umjetnoj inteligenciji posebno unutar obrazovanja nastavnika jezika, operacionalizirajući šest dimenzija okvira ED-AI. Razvoj instrumenta popunjava prazninu u procjenama koje ciljaju učenike ili opće korisnike i podupire mjerenje nastavničke kompetencije za umjetnu inteligenciju.

Krajolik instrumenata od tada je pregledan. Sistematski pregled alata za mjerenje pismenosti nastavnika o umjetnoj inteligenciji Zainala, Mohd Matorea i Maata iz 2026. ocijenio je 33 instrumenta objavljena između 2019. i 2025. i našao da je područje metodološki monotono: 31 (93,9%) su skale samoprocjene percipiranog pouzdanja, samo dva (6,1%) objektivno ispituju znanje, a nijedan ne upotrebljava zadatke utemeljene na izvedbi. Unutarnja konzistencija bila je najsnažnija domena kvalitete (28 od 33 na razini A), a pravičnost najslabija, s pet instrumenata (15,2%) koji izvješćuju o invarijantnosti mjerenja ili razlikovanju čestica. Sadržaj i zaostaje za tehnologijom, jer 29 instrumenata (87,9%) cilja opće koncepte umjetne inteligencije, a samo četiri (12,1%), svi iz 2025., bave se generativnom umjetnom inteligencijom.

Uobičajene zablude

• „Obuka u poticajima poboljšava nastavničke materijale.“ Obuka u poticajima kupuje vrijeme, a ne bolje materijale: u preregistriranom randomiziranom kontroliranom pokusu sa 204 nastavnika Appel, Fervers i Piepenburg (2026.) našli su da je ChatGPT poboljšao vrijeme utrošeno na pripremu, dok kvaliteta materijala nije slijedila. Dobitak u učinkovitosti stvaran je i nije dobitak u kvaliteti.
• „Kada nastavnici konfiguriraju chatbot, propust je činjenična pogreška.“ Kada nastavnici konfiguriraju chatbot prirodnim jezikom, prevladavajući je propust izgubljena namjera, a ne netočne činjenice: botovi preskaču korak koji je nastavnik namjeravao. Praćenje uputa propada strukturno, a ne činjenično.
• „Tehnička vještina odlučujući je sloj.“ Pedagoško znanje odlučujući je sloj: međurazinska studija obrazovanja o umjetnoj inteligenciji u srednjim školama Shen i sur., 2026.. Kompetencija koja određuje ishod ona je u koju većina programa obuke najmanje ulaže.

Povezani koncepti

• Pismenost u području umjetne inteligencije
• Obrazovni razvoj
• Poučavanje
• Prompt Engineering
• Oblikovanje učenja
• Scaffolding
• Metacognition
• Assessment Validity
• Equity
• Ethics
• Self-Efficacy
• Human-in-the-Loop
• Learner Agency
• Kognitivno rasterećenje
• Educational AI Policy
• Umjetna inteligencija u obrazovanju
• Technological Pedagogical Content Knowledge (TPACK)
• Teacher Education
• Pedagogies and Teaching Strategies - Kišobran: pedagogije i strategije poučavanja u obrazovanju s umjetnom inteligencijom

Povezani članci

• Lesson planning using AI lesson assistant, Aila - A Teacher Choices Trial — Koji su nastavnici dobili vrijeme za planiranje: niže pouzdanje u predmetno znanje, niže pedagoško znanje, kraći staž ili visoko pouzdanje u tehnologiju

• AI Misconception and Adoption Among Indonesian K-12 Teachers — Nastavnici prihvaćaju umjetnu inteligenciju, a pogrešno razumiju kako radi (Aji i sur. 2026.)

• AI integration in mathematics education: A systematic review of implementation challenges and pedagogical implications (2017-2025) — Spremnost nastavnika i tehnološko-pedagoška integracija kao najčešće izvješćivani izazov u 54 studije o matematičkom obrazovanju (Manto i sur. 2026.)

• Conceptualizing and developing second language teachers' multimodal assessment literacy in the GenAI era — Multimodalna pismenost o procjeni: jednogodišnji program u kojem su se znanje i kompetencija pomaknuli, a vrijednosti nisu

• The impact of professional development programs on K-12 teachers' AI literacy: A systematic review and meta-analysis

• Enhancing Teachers' AI Competency: A Professional Development Intervention Study Based on Intelligent-TPACK Framework — Intelligent-TPACK profesionalni razvoj: pola standardne devijacije dobitka i negativni dobici koji se čitaju kao rekalibracija - Utjecaj programa profesionalnog razvoja na pismenost nastavnika K-12 o umjetnoj inteligenciji: sistematski pregled i metaanaliza

• AILitHub: Building AI Literacy Infrastructure to Situate Frameworks into Practice — Nastavnici su označili vlastite slučajeve upotrebe umjetne inteligencije u učionici i lako dosegli praktične kompetencije, a društvene i etičke rijetko (Wang i sur. 2026.)

• Typology of Generative AI Tools for Education — Odabir alata kao ostvarenje djelotvornosti edukatora

• Generative Artificial Intelligence (GAI) in Teaching and Learning Processes at the K-12 Level: A Systematic Review — Sistematski pregled generativne umjetne inteligencije u poučavanju i učenju u K-12 (Marzano 2026.)

• Pedagogy first, technology second: Cross-level relationships between teacher professional knowledge and student — Nastavničko profesionalno znanje u obrazovanju o umjetnoj inteligenciji u K-12: TAIK nasuprot TPAIK i učenje učenika (Shen i sur. 2026.)

• Analyzing teacher-AI interaction patterns across teacher experience and AI proficiency in student-centered lesson design — Obrasci interakcije nastavnika i umjetne inteligencije u oblikovanju nastave prema iskustvu i osposobljenosti za umjetnu inteligenciju (Choi i sur. 2026.)

• Preparing Pre-Service Teachers for Responsible Generative AI Use: Curriculum Implications for Ethics, Privacy, and AI Literacy — Odgovorna upotreba generativne umjetne inteligencije među budućim nastavnicima: posljedice za kurikulum (Kohnke i sur. 2026.)

• Validating AI-generated classroom observations: Reliability, accuracy, and limits of LLM-based pedagogical judgment — Promatranje nastave pomoću LLM-a za profesionalni razvoj nastavnika (Melo i sur. 2026.)

• Responsible Integration of AI into Pedagogies of Practice in Mathematics Teacher Education — Generativna umjetna inteligencija kroz prikaze, raščlambe i približavanja: proba, strukturirana povratna informacija i oprezi o točnosti

• Efficacy of an Intensive Generative AI Professional Development Program on Pedagogical Content Knowledge (AI-PCK) and the Comparative Analysis of Learning Gain between Experienced and Pre-service Teachers — Djelotvornost intenzivnog programa profesionalnog razvoja o generativnoj umjetnoj inteligenciji

• Modeling AI-TPACK in Practice: Insights from Teachers'' Multi-Agent Workflow Design — Modeliranje AI-TPACK-a kroz tijekove rada nastavnika s više agenata

• Towards Synergistic Teacher-AI Interactions with Generative Artificial Intelligence — Prema sinergijskim interakcijama nastavnika i umjetne inteligencije

• Teacher education for artificial intelligence literacy through a self-determination theory perspective — Obrazovanje nastavnika za pismenost o umjetnoj inteligenciji kroz teoriju samoodređenja

• Development and evaluation of artificial intelligence literacy training for teacher education students — Obuka o pismenosti u generativnoj umjetnoj inteligenciji utemeljena na dizajnerskom istraživanju

• Rethinking Generative AI Literacy: An Integrative, Developmental, and Dialectical Framework for K-12 Teacher Education — Promišljanje pismenosti u generativnoj umjetnoj inteligenciji u obrazovanju nastavnika

• Exploring interfaces and implications for integrating social-emotional competencies into AI literacy for education: a narrative review — Integracija socijalno-emocionalnih kompetencija s pismenošću o umjetnoj inteligenciji

• AI Adoption Among Teachers: Insights on Concerns, Support, Confidence, and Attitudes — Prihvaćanje umjetne inteligencije među nastavnicima: pouzdanje i potpora

• Faculty Orientations Shape Adoption of AI in Research and Teaching — Orijentacije nastavnika oblikuju prihvaćanje umjetne inteligencije

• How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures — Neusklađenost samoprocijenjene i izvedbene kompetencije za umjetnu inteligenciju

• Effects of an AI-supported inquiry model on AI literacy and authentic performance: A quasi-experimental study with preservice teachers — Istraživanje uz potporu umjetne inteligencije za buduće nastavnike

• Faculty Readiness for AI-Supported Teaching and Scalable Online Program Delivery in Higher Education: The EPIQ-AI Framework for Epistemic Integrity — Okvir spremnosti nastavnika EPIQ-AI

• LLMs to Support K-12 Teachers in Culturally Relevant Pedagogy: An AI Literacy Example — LLM-ovi za kulturno relevantnu pedagogiju u K-12

• A Framework for Institutional Change in the Age of AI — Okvir institucionalne promjene za umjetnu inteligenciju

• TeachingCoach: A Fine-Tuned Scaffolding Chatbot for Instructional Guidance to Instructors — Chatbot TeachingCoach za usmjeravanje nastavnika

• When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap — Generativna umjetna inteligencija kao kriza identiteta, a ne jaz u vještinama

• Situated AI ethics: a cultural-historical and ecological framework for education

• Transforming Curriculum Design with Generative AI: A Model for Assessing Teacher Digital Competence — Procjena digitalne kompetencije nastavnika za oblikovanje kurikuluma s generativnom umjetnom inteligencijom (Guillén-Gámez 2026.)

• Understanding what good education is: a phenomenographic investigation of university teachers' understandings of AI — fenomenografska studija koncepcija umjetne inteligencije sveučilišnih nastavnika

• AI Literacy in Secondary Education: Framework, Assessment, and Professional Development in the Ukrainian Context — Petorazinski okvir pismenosti o umjetnoj inteligenciji i profesionalni razvoj za ukrajinske srednjoškolske nastavnike (Marienko i sur. 2026.)

• Reimagining teacher-AI co-design in learning task design: trends and perspectives — Suoblikovanje zadataka učenja između nastavnika i umjetne inteligencije: trendovi i perspektive (Wang i sur. 2026.)

• The Architecture of Roles in AI-Designed Group Activities: A comparative inductive analysis of novice and experienced teachers' differentiated instruction within the IAT framework — Arhitektura uloga u diferenciranim grupnim aktivnostima koje osmišljava umjetna inteligencija (Talebzadeh 2026.)

• The Impact of Explainable AI on Teachers' Trust and Acceptance of AI EdTech Recommendations: The Power of Domain-specific Explanations

• AI Literacy of Teachers: Prompt Engineering and Model Selection as Predictors of AI-Feedback Quality — Inženjerstvo poticaja i odabir modela kao prediktori kvalitete povratnih informacija umjetne inteligencije (Jacobsen i sur. 2026.)

• The AI guilt complex: Moral emotions and ethical dilemmas in academic technology adoption — Kompleks krivnje zbog umjetne inteligencije: anticipatorna krivnja i četiri profila moralnog odgovora među akademskim osobljem (Vassallo 2026.)

• Empowering teachers to use AI for differentiation: changes in teachers’ acceptance of AI-based technologies following participation in a short professional development training session — Trosatna sesija profesionalnog razvoja podigla je percipiranu korisnost i lakoću upotrebe, ali ne i izrečenu namjeru usvajanja (Mesenhöller i Böhme 2026.)

• Artificial intelligence in initial teacher training for pre-service primary school teachers in mathematics: a systematic review — Sistematski pregled umjetne inteligencije u početnom obrazovanju nastavnika razredne nastave matematike: etika obrađena u samo tri od jedanaest studija (Pinto i sur. 2026.)

• The AI Challenge: How college faculty assess the present and future of higher education in the age of AI — Anketa AAC&U i Elona među 1.057 američkih nastavnika: pripremljenost, neupotreba i jaz između pojedinačne i institucionalne politike (Watson i Rainie 2026.)

• AI Integration as Instructional Design: Lessons from a Cross-Institutional Faculty Collaboratory in Teacher Preparation — Međuinstitucionalni laboratorij nastavnika: integracija umjetne inteligencije kao oblikovanje nastave u obrazovanju nastavnika

• Assessing teachers' AI literacy: a systematic review of measurement tools — Sistematski pregled 33 instrumenta za mjerenje pismenosti nastavnika o umjetnoj inteligenciji: 31 samoprocjena, dva objektivna testa znanja, nijedan zadatak izvedbe (Zainal, Mohd Matore i Maat 2026.)

• Rethinking artificial-intelligence literacy through the lens of teacher educators: The adaptive AI model — Dizajnerski adaptivni model pismenosti o umjetnoj inteligenciji i refleksivni upitnik od 20 čestica suoblikovan s 22 edukatora nastavnika (Eyal 2025.)

• A Workshop Series for Effective Use of AI in Uncertain Times: Building a Physics Faculty Learning Community — Niz radionica za djelotvornu upotrebu umjetne inteligencije u nesigurnim vremenima: izgradnja zajednice za učenje nastavnika fizike

• Designing Authentic Assessments with Generative AI: A Pilot Study of Assessment Authentifire in Higher Education — Oblikovanje autentičnih procjena s generativnom umjetnom inteligencijom: pilot-studija Assessment Authentifire u visokom obrazovanju

• Will It Teach as Intended? How Teachers Configure Educational AI Chatbots — Hoće li podučavati kako je namijenjeno? Kako nastavnici konfiguriraju obrazovne chatbote s umjetnom inteligencijom

• A Capability–Decision Model of teacher readiness for AI integration in teaching — Poredani model spremnosti nastavnika koji prvo ide na sposobnost, s pokazateljima sposobnosti utemeljenima na izvedbi

• K-12 in-service teachers' beliefs about generative AI in classrooms: insights from the United States, India, Qatar, Colombia, and the Philippines — Međunarodna anketa među 1.405 nastavnika K-12: spremnost predviđa pozitivna uvjerenja, ali ne i zabrinutost

• Teachers’ AI Belief Profiles and Their Associations with AI Use, Pedagogical Applications, and Barriers: A Person-Centered Analysis of TALIS 2024 — Četiri profila uvjerenja nastavnika iz TALIS-a 2024. povezuju profesionalno učenje i prepreke specifične za profil s upotrebom umjetne inteligencije

• Designing Microlearning Modules on AI for University Teachers in Vocational Teacher Education: A Design-Based Research Study — Oblikovanje modula mikroučenja o umjetnoj inteligenciji za sveučilišne nastavnike u strukovnom obrazovanju nastavnika: studija utemeljena na dizajnerskom istraživanju

• EduWild: How Teacher-Configured Chatbots Fail in Real-World Use and How to Fix Them — EduWild: kako chatboti koje konfiguriraju nastavnici propadaju u stvarnoj upotrebi i kako ih popraviti