Poučavanje

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

Poučavanje - kako umjetna inteligencija preoblikuje rad, identitet i djelotvornost edukatora. S više od 50 članaka koji ispituju tu dimenziju, baza znanja dokumentira temeljnu preobrazbu: od jedinog izvora znanja do orkestratora okruženja učenja u kojima rade ljudi i umjetna inteligencija. Ova stranica nadilazi opis tog pomaka - detaljno opisuje što nastavnici doista čine drukčije, kako mogu prilagoditi svoju praksu i kako se povezuju s oblikovanjem učenja, pismenošću o umjetnoj inteligenciji i akademskom čestitošću.

Malyn-Smith i sur. (2026) to nazivaju paradoksom više ljudskosti: u šest scenarija za 2030. koje je suoblikovalo 20 istraživača iz 13 zemalja, zasićenost umjetnom inteligencijom pojačava, a ne istiskuje ljudski pedagoški rad. Scenariji opisuju umjetnu inteligenciju kao „sustav obrade zraka u ekosustavu učenja“ - primjećujete ga samo kad ne radi.

Pitanja za razmatranje

• Stranica opisuje nastavnikov pomak „od jedinog izvora znanja do orkestratora okruženja učenja u kojima rade ljudi i umjetna inteligencija“. Što dobivate, a što gubite kao edukator kad prestanete biti glavni izvor sadržaja?
• Tvrdi se da umjetna inteligencija preusmjerava nastavnikov najoskudniji resurs - pažnju - s proizvodnje materijala na iščitavanje učenika. Zvuči li to preokretanje istinito i što biste doista učinili s vraćenim vremenom?
• Istraživanje citirano na stranici prikazuje nastavnike kao aktivne dizajnere umjetne inteligencije - koji pišu poticaje i potpore koje oblikuju kako se umjetna inteligencija ponaša prema njihovim učenicima - a ne kao pasivne potrošače. Što bi bilo potrebno da se vi (ili nastavnici koje poznajete) osjećate kao dizajner umjetne inteligencije, a ne kao njezin korisnik?
• Na krajnjem kraju spektra „timskog rada nastavnika i umjetne inteligencije“ nastavnik orkestrira tim ljudskih učenika, AI tutora i kurikularnih resursa. Gdje u tom timu ljudska prosudba ostaje nezamjenjiva i što bi tiho moglo oslabiti ako orkestracija uglavnom ostane na umjetnoj inteligenciji?
• Ako se nastavnikova pažnja preusmjeri s proizvodnje materijala na iščitavanje učenika, koje nove kompetencije i rizike to uvodi - i ko podržava nastavnika u njihovu razvoju?

Uvod

Poučavanje ovdje imenuje profesionalnu ulogu onako kako je umjetna inteligencija preoblikuje: manje prenošenja sadržaja, više orkestracije ljudskih i strojnih sudionika, iščitavanja onoga što učenici doista razumiju i oblikovanja uvjeta pod kojima je upotreba umjetne inteligencije legitimna. Stranice okupljene pod tim konceptom dokumentiraju timski rad nastavnika i umjetne inteligencije i promjenu tijeka rada, kompetencije koje uloga sada zahtijeva te napetost između dobitaka u učinkovitosti i pažnje koju pojedinačna podrška traži. Stoji uz obrazovni razvoj, pismenost o umjetnoj inteligenciji i procjenu kao jedna od uloga koja određuje mijenja li integracija umjetne inteligencije praksu ili je samo ukrašava. Znanosti o učenju istraživačko su područje čiji dokazi preoblikuju tu poziciju: opisuju i provjeravaju kako učenje nastaje i koji ga dizajni mijenjaju, dok ova stranica pokriva razrednu ulogu koja na te dokaze mora djelovati u trenutku.

Kako umjetna inteligencija preobražava poučavanje

• Od instruktora do orkestratora: Pet razina timskog rada nastavnika i umjetne inteligencije i istraživanje orkestracije djelotvornosti mapiraju spektar od umjetne inteligencije kao alata do umjetne inteligencije kao nastavnog partnera. Na krajnjem kraju nastavnik orkestrira tim koji uključuje ljudske učenike, AI tutore i kurikularne resurse, umjesto da sam prenosi sav sadržaj.

• Preobrazba tijeka rada: How AI Is Changing Teaching Workflows dokumentira kako umjetna inteligencija pomiče nastavnikovo vrijeme s prenošenja sadržaja na aktivnosti veće vrijednosti poput pojedinačne podrške, povratnih informacija i oblikovanja kurikuluma. Nastavnikov najoskudniji resurs - pažnja - preusmjerava se s proizvodnje materijala na iščitavanje učenika. Sistematski pregled jezičnih edukatora (Li i sur. 2026) to potvrđuje: edukatori najviše cijene generativnu umjetnu inteligenciju za pripremni rad (planiranje lekcija, stvaranje materijala, podršku pisanju), a oklijevaju s upotrebom uživo u razredu, i njihovo usvajanje oblikuju čimbenici profesionalnog identiteta, pedagogije, tehnologije, institucije i akademske čestitosti - pri čemu se jazzovi u kompetencijama preslikavaju na episteme (razumijevanje sposobnosti i granica umjetne inteligencije), techne (inženjerstvo poticaja, dizajn zadataka i procjene uz umjetnu inteligenciju, otkrivanje teksta generiranog umjetnom inteligencijom) i phronesis (etička prosudba, postupanje s pristranošću i privatnošću, prosudba osjetljiva na kontekst). dokumentira kako umjetna inteligencija pomiče nastavnikovo vrijeme s prenošenja sadržaja na aktivnosti veće vrijednosti poput pojedinačne podrške, povratnih informacija i oblikovanja kurikuluma. Nastavnikov najoskudniji resurs - pažnja - preusmjerava se s proizvodnje materijala na iščitavanje učenika.

• Zahtjevi za kompetencijama: Okviri kompetencija nastavnika za umjetnu inteligenciju definiraju što edukatori trebaju znati, od osnovne tečnosti s alatom do pedagoški utemeljene orkestracije. Studije usvajanja prepoznaju stvarne prepreke: samopouzdanje, institucionalnu podršku i zabrinutost zbog radnog opterećenja. Bai i Hsieh (2026) tome daju empirijsku težinu u SEM-u na 898 kineskih sveučilišnih nastavnika: inovacija poučavanja potpomognuta generativnom umjetnom inteligencijom manje ovisi o izdvojenom tehnološkom znanju o umjetnoj inteligenciji, a više o pedagoški i disciplinarno ugrađenoj kompetenciji za umjetnu inteligenciju (pismenost o umjetnoj inteligenciji i profesionalni identitet), pri čemu su obje djelomično posredovale odnos kompetencija prema inovaciji - signal da obrazovni razvoj treba graditi oko ugrađene kompetencije povezane s identitetom, a ne samo obuke o alatima.

• Spremnost kao dizajnerska sposobnost, a ne stav: Charles (2026) tvrdi da se nastavnička spremnost za interaktivno učenje bogato umjetnom inteligencijom ne može očitati iz usvajanja, samopouzdanja ili digitalne kompetencije, jer nijedno od toga ne predviđa kvalitetu dizajna koje nastavnici doista proizvode. Spremnost kroz dizajn usmjerena je na provedbu: nastavnici mobiliziraju pedagoško znanje o umjetnoj inteligenciji, pedagoška uvjerenja, samoučinkovitost i etičku orijentaciju kroz dizajnersko posredovanje (odabir alata, dizajn zadataka i poticaja, postupna potpora, transparentnost, provjera, redizajn procjene, planiranje pristupačnosti i ljudski nadzor) unutar institucionalne i političke ekologije koja tu preobrazbu omogućuje i umjerava. Dvije tvrdnje imaju praktičnu težinu. Samoučinkovitost je resurs za mobilizaciju, a ne pokazatelj kvalitete, pa samopouzdanje bez pedagoškog znanja o umjetnoj inteligenciji ili etičke orijentacije može ubrzati loš dizajn. A jasnoća politike i materijalna podrška zasebni su moderatori, pa dobro opremljena škola i dalje može ostaviti nastavnike da nagađaju što je dopušteno. Charles također odbija izjednačiti neupotrebu s nespremnošću: promišljena odluka da se umjetna inteligencija ne upotrijebi i sama može pokazati spremnost.

• Sudizajn i djelotvornost: Poticaji koje pišu nastavnici i vibe kodiranje za nastavnike prikazuju edukatore kao aktivne dizajnere umjetne inteligencije, a ne pasivne potrošače - koji pišu poticaje i potpore koje oblikuju kako se umjetna inteligencija ponaša prema njihovim učenicima. U planiranju nastave umjetnosti u STEAM-u za djecu, Luo i Tahir (2025) eksperimentalno su potvrdili da je važno kako nastavnik delegira ChatGPT-u: popunjavanje sadržajnih praznina u lekciji koju je sam ocrtao (metoda koju preferira 60% i koja se preporučuje) sačuvalo je nastavnikovu dizajnersku autonomiju i pritom podiglo kvalitetu plana prema ocjeni stručnjaka (medijan 20,5 prema 17,6; p = ,002; velik učinak), nadmašujući i to da umjetna inteligencija generira cijele planove ili da se gotov plan samo provjeri. Umjetna inteligencija služila je uglavnom kao suradnik za inspiraciju i pronalaženje praznina, a ne kao izvor posve izvornih inovacija - što pojačava da nastavnik ostaje dizajnerski čimbenik i sudac rezultata, uključujući uočavanje propusta u sigurnosti djece i kulturnoj pristranosti koje je alat propustio. Sistematski pregled sudizajna nastavnika i umjetne inteligencije u zadatcima učenja (Wang, Liu i Islam 2026) nalazi da taj suradnički stav ostaje neujednačen - prevladavajući je način još uvijek umjetna inteligencija kao pomoćnik ili generator sadržaja - a Talebzadeh (2026) pokazuje da je nastavnikova djelotvornost kao „dvojezičnog dizajnera učenja“ ono što grupne aktivnosti osmišljene umjetnom inteligencijom pretvara u diferenciranu nastavu usklađenu sa zonom proksimalnog razvoja.

• Autorstvo bota nije isto što i kontrola nad onim što on poučava. Dvadeset sedam nastavnika iz srednjih škola koji su konfigurirali alat za autorstvo chatbota sa svrhom i pravilima vidjelo je samo djelomičnu vjernost u generiranom ponašanju - usklađenost je pala s 88,9% za responzivnost i 81,5% za personu na 70,4% za pravila i 59,3% za svrhu, a pridržavanje pravila variralo je prema odabranom modelu - jaz izvršenja i evaluacije koji ulogu nastavnika kao dizajnera čini probom namjere, a ne jamstvom za nju (Riahi i sur. (2026)).

• Priprema budućih nastavnika: Obuka utemeljena na TPACK-u i programi obrazovnog razvoja pripremaju buduće nastavnike za razrede obogaćene umjetnom inteligencijom prije nego u njih uđu. Igra uloga sa simuliranim učenikom to proširuje na praktičnu vježbu: prilagođeni ChatGPT bot (Student GPT) koji glumi matematički zabludama sklonog srednjoškolca omogućuje budućim nastavnicima da u okruženju niskog rizika uvježbavaju dijagnosticiranje i vođenje učenikova zaključivanja, pripremajući ih za središnji nastavni zadatak - čitanje i ispravljanje učenikova mišljenja.

• Nastavnički front u koji baza dokaza jedva da je zašla: Štefánik i sur. (2026) sastavili su Edustories, 1.492 studije slučaja iz stvarnih osnovnih i srednjih razreda koje su napisali nastavnici - izazovno ponašanje učenika, intervenciju koju je nastavnik pokušao i što je uslijedilo - upravo zato što je većina istraživanja o umjetnoj inteligenciji u obrazovanju bila usmjerena na individualiziranu podršku učenicima, dok se većina poučavanja odvija u kolektivnim razredima. Mjereći četiri obitelji jezičnih modela na predviđanju je li intervencija uspjela, najjači modeli dosegli su 58% točnosti prema 64% kod ljudskih stručnjaka; autori jaz čitaju u oba smjera, kao ograničenje sadašnje nastavnički usmjerene pomoći i kao dokaz novog potencijala. Ono što stranica time dobiva jest izmjereni strop, a ne tvrdnja o sposobnosti: savjet nastavnicima mora biti bolji od stručne prosudbe prije nego mu se može vjerovati, a danas je poredak obrnut. Paralelna praznina javlja se u PRISMA pregledu Yalçına i sur. (2026) o 46 empirijskih studija generativne umjetne inteligencije u visokoškolskom programiranju: uloge nastavnika i institucionalne prakse bile su među najmanje proučavanim područjima, a 26 od 46 studija nije dalo nikakav kodirajući opis svog nastavnog pristupa, pa su dizajnerske odluke koje su proizvele izvještene ishode često nevidljive čak i drugim nastavnicima.

• Gdje umjetna inteligencija doista ulazi u rad, po zadatku: Holster (2026) razdvaja usvajanje od raspodjele koristeći podatke TALIS 2024 od 56.669 nastavnika, s uzorkom raspodjele od 24.058 korisnika umjetne inteligencije u 46 obrazovnih sustava. Zadatak ocijenjen jednim bodom iznad nastavnikova vlastitog prosječnog zahtjeva vjerojatnije je dobio pomoć umjetne inteligencije (OR = 1,163), ali smjer se razlikuje po zadatku: planiranje raste sa zahtjevom (OR = 1,084), procjena i ocjenjivanje padaju (OR = 0,921), a podrška i prilagodba u specijalnom obrazovanju strmo rastu (OR = 1,442, što je predviđeni raspon od 34,0% na 50,3% duž raspona zahtjeva). Čitanje kroz kompetencije i politiku jest da nastavnici već drže ocjenjivanje s visokim ulozima u ljudskim rukama, a posežu za umjetnom inteligencijom u individualiziranom prilagodbenom radu, pa će smjernice koje nastavničku upotrebu umjetne inteligencije tretiraju kao jedno ponašanje promašiti gdje je podrška doista potrebna.

Kako promijenjena uloga doista izgleda: konkretni primjeri

Apstrakciju „orkestrator“ lakše je shvatiti kroz konkretne, svakodnevne promjene u nastavnikovu radu:

• Od pisanja svakog materijala do odabira nacrta koje je generirala umjetna inteligencija. Nastavnik koji je nekoć proveo večer gradeći diferencirani radni list sada potiče umjetnu inteligenciju da proizvede tri verzije na različitim razinama težine, a zatim istu večer provodi pregledavajući ih i prilagođavajući - pomak s autorstva na uredničku prosudbu. Tijekovi rada Kurikulum kao kod taj proces čine izričitim, a sistematski pregled Kibara i Ilgaz pokazuje umjetnu inteligenciju kao „suradnika“ koji sastavlja sadržaj koji dizajner potom dotjeruje. Stručna validacija planova lekcija iz prirodoslovlja koje generira umjetna inteligencija izričito pokazuje što ta urednička prosudba mora odmjeriti: Karaismailoglu, Surmeli i Yildirim (2026) našli su da je jedanaest stručnjaka za prirodoslovno obrazovanje ocijenilo planove za šesti razred ChatGPT-4 i alata usmjerenog na obrazovanje uporabljivim nacrtima - 7 od 11 ocijenilo ih je „primjenjivima uz ispravak“, samo 3 izravno „primjenjivima“ - a preferencije su se razilazile od sirovih ocjena (7 je preferiralo alat usmjeren na obrazovanje s višom ocjenom, 4 opći plan) jer je prosudba odmjeravala afektivne i kontekstualne dimenzije iznad strukturne vjernosti. Nastavnici ostaju suci hoće li i kako nacrt umjetne inteligencije postati poučljiva lekcija utemeljena u kontekstu.
• Od predavanja do treniranja u stvarnom vremenu. Umjesto da cijelom razredu prenose isto objašnjenje, nastavnici sve češće rutinska pitanja usmjeravaju AI tutoru, a vrijeme licem u lice posvećuju učenicima kojima treba ljudska prosudba - studije tijeka rada dokumentiraju upravo tu preraspodjelu pažnje.
• Od ocjenjivanja do osmišljavanja procjena koje umjetna inteligencija ne može zaobići. Nastavnici prestaju ovisiti o zadatcima temeljenim na prisjećanju koje LLM-ovi trivijalno rješavaju i umjesto toga osmišljavaju autentične procjene, ljestvice procjene i formativne zadatke koji čuvaju postignuća u učenju.
• Od poučavanja sadržaja do poučavanja upotrebe. Nastavnikov posao sve više uključuje pokazivanje kako oblikovati poticaje, ocjenjivati i odgovorno upotrebljavati umjetnu inteligenciju - kurikulum pismenosti o umjetnoj inteligenciji utkan u svaki kolegij, a ne zaseban predmet.
• Od čitanja nadzornih ploča do djelovanja na njih - kontekstualno. Mejia-Domenzain i sur. (2026) pokazuju da se način na koji nastavnici doista upotrebljavaju analitičke nadzorne ploče razlikuje prema kontekstu: nastavnici u obrnutom razredu (sveučilište) slijedili su slijedno istraživanje i preferirali prilagodbu na razini kolegija i prikaz nadzornih ploča u razredu, dok su se nastavnici strukovnih programa vraćali sažetim stranicama i alat uglavnom upotrebljavali za pojedinačne sesije treniranja. Predložene radnje nastavnika oblikovao je zastupljeni sadržaj i njihova nastavna razina, a ne vrsta grafikona - sveučilišni nastavnici preferirali su tjedne testove i prilagodbu kolegija, a strukovni izravno, individualizirano treniranje. To upućuje na dizajn nadzornih ploča osviješten o kontekstu i diferencirane potrebe za podrškom nastavnicima, a ne na analitičko sučelje jednako za sve.
• Od primanja upozorenja do njihove prosudbe. Swidan (2026) pratio je jednog nastavnika i osam uspješnih srednjoškolaca na lekciji geometrije u GeoGebri u kojoj je Dash4Emotion označavao učenike crvenim pravokutnicima koji signaliziraju negativne emocije, i našao da upozorenja nisu pokretala ishode - pokretala ih je nastavnikova radnja nakon svakog upozorenja: preokvirivanje Mirina zadatka s pronalaženja minimalne vrijednosti na geometrijsko mjesto minimalnih točaka ponovno je otvorilo njezino istraživanje, tri istodobna upozorenja potaknula su preokvirivanje cijelog razreda, a namjerna neintervencija tijekom jednog sata bila je sama po sebi pedagoška odluka. Stajalište studije jest da je emocionalno upozorenje koje generira umjetna inteligencija znak koji treba tumačiti uz ono što nastavnik vidi, a ne uputa koju treba poslušati.
• Od vratara do načelnog facilitatora povratnih informacija o suradnji. Razredna pilotiranja Community Buildera (CoBi) pokazuju da nastavnička uloga odlučno oblikuje cjelovitost provedbe: nastavnici koji su zapažanja i vizualizacije umjetne inteligencije upotrijebili kao poticaj za metakogniciju i kritičku refleksiju o suradnji postigli su upotrebu visoke cjelovitosti, dok oni koji su pustili da sustav sklizne u praćenje izvedbe - ili skrenu u općenite rasprave o umjetnoj inteligenciji - nisu. Nastavnici su također brinuli da će ih povratne informacije u stvarnom vremenu staviti „na mjesto“ i preferirali su pregled prije ili poslije radnje umjesto prikaza uživo, što ističe da orkestracija suradničke umjetne inteligencije na razini razreda zahtijeva znatno profesionalno učenje, a ne samo tečnost s alatom.
• Od poučavanja uz umjetnu inteligenciju do njezina zamjenjivanja. Gdje digitalni jaz ne ostavlja uređaj za svakog učenika, nastavnik može postati fizičko sučelje sustava - posrednik, a ne njegov orkestrator. U modelu „AIED bez struje“ Rodriguesa i sur. (2026), učenici nastavljaju raditi papirom i olovkom dok nastavnik fotografira njihova rješenja, a umjetna inteligencija vraća personalizirane popise zadataka i povratne informacije specifične za pogreške koje treba vratiti učenicima. To je klasterirani kvazieksperiment u 19 autentičnih brazilskih osnovnoškolskih razreda, a ne demonstracija prototipa, i njegova dva rezultata izravno se tiču uloge. Prvo, prednost u učenju pred uobičajenom praksom došla je od jedne obuke nastavnika od 50 minuta, a ne od tehnologije: uvjeti obuke i obuke uz sustav nisu se razlikovali u dobitcima (-4,33; 95% CI [-17,29, 7,23]), pa je priprema, a ne alat, djelatni sastojak. Drugo, korist samog sustava djelovala je neizravno, kroz nastavnika - smanjeni trud posredovao je pozitivnim učinkom na dobitke (3,649; 95% CI [1,097, 6,398]) - pa učinak doseže učenike koje umjetna inteligencija nikada ne dotakne, a rad na snimanju i provjeri koji su nastavnici opisali (fotografiranje listova, čekanje na obradu, ispravljanje pogrešaka prepoznavanja) dio je pedagoškog troška širenja umjetne inteligencije na razrede sa slabijim resursima.
• Od pružatelja informacija do dizajnera učenja. Hochberg i Waitzman (2026) pratili su 93 nastavnika kroz osam tjedana programa o umjetnoj inteligenciji i našli da se praksa pomiče prema heutagoškom dizajnu za učenikovu djelotvornost, iako samoprijavljeni pomaci nisu bili značajni nakon prilagodbe, a ishodi učenja nisu mjereni.

Metafora orkestracije

Prevladavajuća metafora u bazi znanja jest orkestracija: nastavnici koordiniraju ljudske učenike, AI tutore i kurikularne resurse. To je u suprotnosti s narativima o zamjeni - umjetna inteligencija proširuje, a ne zamjenjuje ljudsko poučavanje. Empirijski dokazi podupiru to stajalište: PRISMA-vođeni sistematski pregled 42 studije (2023-2025) našao je da se LLM-ovi izjednačuju s ljudskim ocjenjivačima na kratkim, dobro strukturiranim zadatcima, ali da izvedba opada na duljem, višejezičnom i nijansiranom radu - zaključujući da LLM-ovi ne mogu u potpunosti zamijeniti nastavnike i da hibridni sustavi procjene s čovjekom u petlji postižu najveću učinkovitost ocjenjivanja (Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback). Leća orkestracije preokviruje nastavnikovu sržnu vještinu kao prosudbu: odlučivanje kada je čovjek, umjetna inteligencija ili osmišljena aktivnost učenja pravi instrument za određenog učenika i trenutak. PRISMA pregled iz 2026. o 29 studija Teacher intervention in K-12 AI-based instruction: a systematic review of processes, strategies, and effects izoštrava metaforu u četverofazni ciklus - praćenje, prosudba, intervencija, orkestracija - i pokazuje zašto nijednu fazu ne treba pretpostaviti. Nastavnici su preferirali zajedničku kontrolu, prihvaćajući, mijenjajući, odbijajući ili nadglasavajući prijedloge umjetne inteligencije; neki su namjerno odgađali intervenciju kako bi učenici najprije produktivno zapeli; a nadzorne ploče koje su proširivale svijest mogle su i preopteretiti pažnju ili nadmašiti ono na što jedan nastavnik fizički može djelovati. Njegove tri strategije - pedagoško prevođenje rezultata umjetne inteligencije, dizajn podrške učenju i rekonstrukcija struktura interakcije - opisuju rad kao rekontekstualizaciju, a ne odobravanje, što nastavnika smješta bliže posredniku nego ulozi recenzenta s čovjekom u petlji. Razredno promatranje iste ponašanja imenuje kao tipove. Šest lekcija s iskusnim nastavnikom dodalo je tri tipa orkestracije Drijversovim četirima - praćenje nadzorne ploče, ispravljanje umjetne inteligencije i posredovanje umjetne inteligencije - pri čemu su nastavnikove sadržajne i etičke uloge bile najvidljivije kad je ispravljao povratne informacije koje je generirala umjetna inteligencija (Noh i Kim, 2026).

Razvojne i kritičke nastavničke uloge

Noviji rad širi metaforu orkestracije u bogatije konceptualizacije uloga:

• Suorkestrator kroz prijelaze aktivnosti. Yang i sur. (2026) upotrijebili su participativno brzo upoznavanje sa 17 nastavnika i 13 učenika kako bi mapirali kako kontrolu treba raspodijeliti kroz faze razredne aktivnosti - prijelaze prije, tijekom i nakon između individualnog i suradničkog rada - u alatu za suorkestraciju koji podupire dinamičko uparivanje u stvarnom vremenu. Načelo dizajna koje iz toga proizlazi jest da kontrola nije fiksna točka: nastavnici i učenici žele različite količine djelotvornosti u svakoj fazi, a alat bi nastavniku trebao omogućiti da u stvarnom vremenu prilagodi grupiranje, prijelaze aktivnosti i vrijeme intervencije, zadržavajući nastavničko nadglasavanje. To nastavnika pozicionira kao suorkestratora cijelog živog okruženja učenja - ulogu specifičniju od opće metafore orkestracije, usmjerenu na granularne odluke iz trenutka u trenutak o tome tko s kim radi, kada i uz kakvu podršku - i povezuje istraživanje individualnog podučavanja s dizajnom na razini razreda.
• „Kognitivni koreograf“. Posthumanistički okviri preoblikuju nastavnika u kognitivnog koreografa koji orkestrira kogniciju raspodijeljenu između bioloških i umjetnih sustava, nadilazeći instrumentalističke modele poput TPACK-a i SAM-a.(Pedagogical Symbiosis: conceptualizing the Post-Human Learner in the age of cognitive AI)
• Facilitator, suistraživač, etički nadzornik. U učenju prirodoslovlja nastavničke se uloge pomiču s prenositelja znanja na facilitatore i suistraživače te dobivaju nove odgovornosti kao etički nadzornici odgovorne upotrebe umjetne inteligencije učenika.(Artificial Intelligence in Science Learning within the Framework of Situated Learning Theory: A Qualitative Investigation of Teachers' Perspectives)
• Posrednik načela učenja. Edukatori operacionaliziraju stara načela učenja (iskustveno, situirano i distribuirano računanje) kroz umjetnu inteligenciju, tretirajući je kao alat koji unapređuje, a ne zamjenjuje edukatorovu vodeću ulogu.(Empowering Educators: Operationalizing Age-Old Learning Principles Using AI)
• Kritički posrednik koji rezultat umjetne inteligencije pretvara u predmet kritike. Canonigo (2026) pratio je deset srednjoškolskih nastavnika matematike kroz osam tjedana intervencije s ChatGPT-4 i identificirao pet praksi posredovanja: postavljanje problema koje generira umjetna inteligencija, potpore s pomoći osmišljene da se povuku, kritičku usporedbu rezultata umjetne inteligencije s učeničkim vlastitim radom, diferencirano poticanje (vizualna analogija za učenika koji zapinje, kubno proširenje za vršnjaka) i umjetnu inteligenciju kao partnera u refleksivnom dijalogu. Gdje su nastavnici provodili te prakse, rezultat je postao nešto s čime se raspravlja, a ne ključ odgovora, i učenici su se pomaknuli prema pretpostavkama i metakognitivnom propitivanju; gdje je posredovanja izostalo, autoritet se preselio prema algoritmu, a učenici su se savjetovali s umjetnom inteligencijom prije nastavnika i vraćali se samo po potvrdu, što je jednog nastavnika potaknulo da pomak opiše kao prelazak s „proročišta“ na „urednika“. Nalaz studije o ravnopravnosti najoštriji je: na 300 odgovora modela besplatna verzija bila je netočna u 32,7% slučajeva prema 12% kod premijske verzije (χ²(1) = 17,5; p < ,001), pa su je nastavnici u školi sa slabijim resursima nazvali „granično beskorisnom za matematiku“. Kvaliteta alata, a ne samo pristup alatu, postaje pedagoška varijabla, a politika prihvatljive upotrebe u školi jednog nastavnika bila je desetljeće stara i nijema o umjetnoj inteligenciji, ostavljajući prazninu u upravljanju razredu.
• Neizmireni i ranjivi profesionalni identitet. Farazouli i sur. (2026) dokumentiraju emocionalnu stranu rekonfiguracije uloge: 24 švedska sveučilišna nastavnika doživjela su pojavu generativne umjetne inteligencije kao alarmantnu i preplavljujuću, izvještavajući o „stanju ranjivosti“ (nisko samopouzdanje, nesigurnost, strah da „nisu ispred studenata“) i osjećaju „zaglavljenosti“ između utopijskih i distopijskih diskursa. Generativna umjetna inteligencija potaknula ih je da preispitaju prioritete - njegovanje kritičkog mišljenja, procjenivačke prosudbe i etičke upotrebe - i da preispitaju vlastitu i sveučilišnu buduću ulogu u krajoliku koji se činio „izvan kontrole“. To pomak nastavničke uloge uokviruje kao identitetski i emocionalno nabijen, a ne samo kao promjenu vještina ili tijeka rada.
• Akademski razvojni djelatnici kao digitalni posrednici, uključujući i kočnicu. Sithole (2026) intervjuirao je dvanaest akademskih razvojnih djelatnika i dizajnera učenja u dvije južnoafričke povijesno zapostavljene institucije i nalazi da se uloga pomiče s olakšavanja refleksivnog poučavanja prema tehnološkom posredniku i rješavaču problema, pri čemu posredovanje obuhvaća pedagogiju, etiku i institucionalnu politiku. Zaseban potez jest tretiranje usporavanja kao dijela posla: jedan sudionik opisuje prevođenje između „onoga što menadžment želi, što tehnologija može i što nastavnike doista brine“, i imenovanje plagiranja, ovisnosti studenata i prepuštanja mišljenja prije nego entuzijazam odredi tempo - „To nije samo tehnička podrška; to je i pregovaranje.“ Ista studija dokumentira afektivni trošak („Osjećam se kao varalica. Učim umjetnu inteligenciju u hodu, a institucija očekuje ekspertizu“) i odgovor profesionalnog učenja: vršnjačke prostore koji testiraju i namjerno lome alate, ciljajući prosudbu, a ne vještinu, te izričito odbijanje binarnosti usvajanja ili otpora - „Nisam protiv umjetne inteligencije; ja sam za kontekst.“
• Načelna selektivnost umjesto usvajanja ili otpora. Adiozaman i Segar (2026) intervjuirali su dvije akademske djelatnice s više od deset godina iskustva tri puta tijekom jednog semestra i našli da je identitetski rad organiziran oko triju povezanih napetosti - pedagogija nasuprot platformi, edukator nasuprot facilitatoru i skrb nasuprot usklađenosti - koje se nisu razriješile u ustaljeni položaj, nego u načelnu selektivnost: odluke osjetljive na kontekst vođene pedagoškim vrijednostima, etičkom predanošću i profesionalnom prosudbom. Opisuju putanju od implicitne orijentacije, preko srednjesemestarskih strategija poput traženja od studenata da objasne svoje mišljenje i redizajna zadataka i procjene, do stajališta koja su ostala namjerno otvorena, a ne fiksna, pri čemu se odbijanje određene upotrebe tretira kao legitiman izraz prosudbe, a ne kao propust u usvajanju. To daje konstruktivnu protutežu ranjivosti dokumentiranoj gore: pomak uloge zahtijeva prosudbu, pa institucionalni odgovori izgrađeni oko obuke o alatima rješavaju pogrešan problem.
• Poluautonomija kao preferirana radna točka. Dai i sur. (2026) anketirali su 287 nastavnika s iskustvom generativne umjetne inteligencije u 27 zemalja i regija i našli da alat smještaju na poluautonomne razine ljestvice automatizacije - 130 ih je odabralo razinu 2 („pomoć nastavniku“), 94 razinu 3 („djelomična automatizacija“), a točno jedan razinu 6 - opisujući ga kao „pomoćni“, „potporu“, „dopunu“ ili „partnera“. Percipirana korisnost dominirala je njihovom namjerom usvajanja (β = ,832; p < ,001), dok je percipirana umjetna autonomija utjecala na namjeru samo neizravno preko korisnosti, a averzija prema riziku snizila je namjeru bez umanjivanja korisnosti jer su se njihove brige vezale uz upotrebu studenata - varanje i čestitost, oslabljeno temeljno znanje i mišljenje višeg reda, halucinacije, smanjenu ljudsku interakciju te etičke, pravne i rizike ravnopravnosti. Autorska oznaka „frenemy“ precizno hvata stajalište: generativna umjetna inteligencija cijenjena kao alat podrške, ali nepouzdana kao autonomni agent. Posljedica za nastavničku ulogu jest da nastavnici žele ostati odlučujući čimbenik i rješavati upotrebu slučaj po slučaj - disciplina, potrebe učenika, vrsta zadatka, vrijeme - pa alate za orkestraciju treba graditi oko ljudskog nadzora i prosudbe na razini slučaja, a ne oko obećanja autonomije.
• Autoritet ostaje uz nastavnika; sposobnost se širi samo unutar njega. Reichert, Briceno, Tabarsi i Barnes (2026) dali su šestero srednjoškolskih nastavnika od 6. do 12. razreda (društvene znanosti, matematika, zootehnika, prirodoslovlje te računalne znanosti i robotika) zadatak da na papiru prototipiraju LLM chatbot za vlastiti razred i našli da je svaki prototip kodirao isto stajalište: sustav je bio ograničeni stručnjak, specijaliziran, ali sveden na određenu domenu i pod nastavnikovim nadzorom. Nastavnici su povukli dvije granice. Granice autoriteta proizlazile su iz profesionalne i pravne odgovornosti - kontrola nad tim što učenici uče i kako su zaštićeni nije se mogla delegirati, pa je nadzor (potpuni zapisi razgovora, upozorenja u stvarnom vremenu za neprikladne upite i ručno nadglasavanje) tretiran kao dužnost uloge, a ne kao provjera alata. Granice ekspertize proizlazile su iz onoga što model ne može znati: povijesti pojedinih učenika, dinamike razreda i institucionalnih normi. Delegiranje je zatim raspodijeljeno selektivno kroz poučavanje - nastavnici su prihvatili umjetnu inteligenciju za predstavljanje sadržaja, davanje zadataka za vježbu, postupnu potporu i formativne povratne informacije, ali su sami zadržali informiranje učenika o ciljevima i sumativnu procjenu. To gore dokumentiranoj preferenciji poluautonomije daje konkretnu arhitekturu: nastavnikov autoritet fiksni je element, a sposobnost umjetne inteligencije raste samo unutar njega.
• Nastavnici kao ocjenjivači prožeti vrijednostima. Luo i Dawson (2026) pokazuju da ocjenjivanje rada potpomognutog generativnom umjetnom inteligencijom nije neutralan čin utemeljen na kriterijima, nego vrijednosna prosudba koju oblikuju nastavnikove pretpostavke o tome tko je student (poštenje, marljivost), što može (samostalnost, vještina s generativnom umjetnom inteligencijom, disciplinarna ovladanost), kako se odnosi prema drugima (povjerenje) i vodi li odluka dobrim ishodima (pravičnost, dobročinstvo). Nastavnicima često nedostaje svijest o vrijednosnim orijentacijama u pozadini njihova ocjenjivanja, a one se razlikuju prema disciplini (humanističke znanosti kritičnije prema upotrebi generativne umjetne inteligencije; tvrde i primijenjene znanosti imaju manje izazova u ocjenjivanju) i epistemološkom stajalištu (apsolutističko, multiplističko, evaluativističko). To nastavnika pozicionira kao evaluativnog profesionalca čiju prosudbu - a ne samo upotrebu alata - treba podupirati i činiti transparentnom.
• Nastavnik kao sudac pedagoški smislenih objašnjenja. Budući da povjerenje nastavnika u preporuke umjetne inteligencije raste kad su objašnjenja uokvirena njihovim kurikularnim i pedagoškim jezikom, a ne sirovim unutarnjim stanjem modela, učinkoviti alati moraju „govoriti“ nastavnikovu domenu. U eksperimentu unutar subjekta, Feldman-Maggor i sur. (2025) našli su da su objašnjenja vođena domenom alata za grupiranje umjetne inteligencije bila mnogo više prihvaćena i pouzdana od onih vođenih podacima o važnosti značajki, pozicionirajući nastavnikov pedagoški rječnik kao sučelje kroz koje umjetna inteligencija stječe povjerenje i upotrebu - a njihovu prosudbu o tome je li objašnjenje pedagoški utemeljeno kao odlučujući čimbenik usvajanja.
• Facilitator čija se funkcija može djelomično delegirati. Kuhail i sur. (2026) dali su 32 STEM studenta da raspravljaju pod ljudskim moderatorom, AI chatbotom (GPT-4, potaknut ponašanjima koja se očekuju od fakultetskog osoblja: neutralnost, jednako vrijeme govora, kratke upute, držanje teme, potpitanja, smirivanje) ili svakim od njih redom, i nisu našli značajnu razliku u učinkovitosti, uživanju, zadovoljstvu, korisnosti ni namjeri ponovne upotrebe (t = 0,23 do 1,30; p = 0,198 do 0,818). Autori nulti rezultat čitaju kao normalizaciju suradnje čovjeka i umjetne inteligencije u raspravi vezanoj pravilima, a ne kao jednakost. Put do ponovne upotrebe doista se razlikovao: pod ljudskim moderiranjem zadovoljstvo je pokretalo namjeru upotrebe, dok je pod moderiranjem umjetne inteligencije to činila percipirana korisnost (0,806 prema 0,495), pa aktivnost koju vodi umjetna inteligencija opstaje na dokazanoj korisnosti, a ne na tome koliko je ugodna. Praktično čitanje jest moderiranje umjetnom inteligencijom kao pomoć pri skaliranju velikih kolegija ili onih s malo osoblja uz ljudski nadzor, s neprovjerenom ravnopravnošću za sarkazam, neizravan jezik i manjinske komunikacijske stilove.
• Postavljač svrha, a ne samo kompetencija. Fagerlund i sur. (2026) intervjuirali su 13 finskih nastavnika od predškole do 9. razreda o tome zašto bi učenici trebali učiti o umjetnoj inteligenciji i s njom, čitajući njihove iskaze kroz Biestinu kvalifikaciju, socijalizaciju i subjektifikaciju. Kvalifikacija je bila najjasnija i najkonkretnija svrha, obuhvaćajući umjetnu inteligenciju i kao cilj učenja i kao alat za njega; socijalizacija se pojavila kao njegovanje povoljnih stajališta prema umjetnoj inteligenciji i pripremanje učenika kao budućih radnika vičnih umjetnoj inteligenciji; subjektifikacija, samoodređen i osobno smislen angažman, prihvaćena je kao važna, ali iza nje nije bilo konkretnih nastavnih strategija, nego se oslanjala na „raspravljanje i promišljanje“. Autori predlažu informiranu djelotvornost u umjetnoj inteligenciji, sa subjektifikacijom u središtu i kompetencijama kao temeljem, što nastavničkoj ulozi daje dužnost postavljanja svrhe: razjasniti „zašto“ kako bi vještine dobile kontekst umjesto da stoje kao same sebi svrha, i dopuniti tehničke okvire poput TPACK-a trajnom pažnjom prema obrazovnoj svrsi.
• Usvajanje nije ista poluga kao izvedba. Kod 200 nastavnika u Sjevernoj Sumatri upotreba umjetne inteligencije nije imala izravan učinak na nastavničku izvedbu (β = 0,112; p = ,087), dok je organizacijsko ponašanje građanstva posredovalo s β = 0,370, pa upravo izvankolegijski, suradnički rad oko alata, a ne sam alat, pretvara upotrebu u izvedbu (Sherly i sur. (2027)).

Te uloge povezuju nastavnički rad s distribuiranom kognicijom, situiranim učenjem, utjelovljenim učenjem i kritičkom pedagogijom te preoblikuju nastavnika u dizajnera i etičkog vodiča učenja posredovanog umjetnom inteligencijom, a ne tek korisnika.

• Odluke potpomognute umjetnom inteligencijom grupiraju se gdje su dostupni podaci o ponašanju. Köroğlu i sur. (2026) pregledali su 27 empirijskih studija (2016-2025) i identificirali osam vrsta odluka predavača, nalazeći da je podrška umjetne inteligencije koncentrirana na nastavne odluke, odluke o povratnim informacijama i procjeni, dok su odluke o kurikulumu, okruženju učenja, emocijama, etici i administraciji rijetko podržane. Nadzorne ploče analitike učenja bile su najčešći sustav, obrađujući tekstualne i zapisničke podatke u bihevioralne pokazatelje izvedbe i angažmana; multimodalni i interakcijski podaci, agentski sustavi te kognitivni, metakognitivni, motivacijski i afektivni ishodi bili su razmjerno rijetki u pregledanom korpusu. Praktično čitanje za nastavnike jest da je prostor odluka koji alat umjetne inteligencije otvara omeđen podacima koje prikazuje, pa je odabir alata i izbor o tome koje se nastavne odluke resursno podupiru.

Kako bi nastavnici trebali prilagoditi svoju praksu poučavanja umjetnoj inteligenciji

Dokazi u bazi znanja slijevaju se u skup konkretnih prilagodbi:

Dizajnirajte pedagoški omotač umjetne inteligencije, a ne samo alat. Ista umjetna inteligencija daje velika postignuća u učenju ili neto štetu, ovisno o tome kako je aktivnost oko nje osmišljena. Kibar i Ilgaz i dokazi o postignućima u učenju su dosljedni: nastavnikov je posao osmisliti iskustvo učenja, tretirajući umjetnu inteligenciju kao komponentu unutar strukturirane aktivnosti, a ne kao stroj za odgovore. Najprije poduprite učenički pokušaj, a zatim pustite umjetnu inteligenciju da trenira - to je razlika između procjene i napuhavanja izvedbe.

Zahtijevajte kontrolnu točku s čovjekom u petlji. Umjesto da prihvaćate rezultate umjetne inteligencije zdravo za gotovo, poučite studente da procjenjuju, ispravljaju i preuzimaju vlasništvo nad radom potpomognutim umjetnom inteligencijom. Pismenost o umjetnoj inteligenciji u okviru poštene upotrebe to uokviruje kao uravnoteživanje produktivnosti umjetne inteligencije sa stvarnim ljudskim procvatom i autorstvom. Dizajnirajte zadatke tako da umjetna inteligencija pomaže u sastavljanju, ali učenik ostaje čimbenik procjene i revizije.

Odaberite nacrte povratnih informacija umjetne inteligencije; nemojte ih prenositi. Chen i sur. (2026) dali su 64 kineska studenta nastavničkih studija povratne informacije o argumentativnom pisanju uz pomoć ChatGPT-a i našli da je tretiranje rezultata kao nacrta, a ne gotovog komentara, pokrenulo kritičko mišljenje gdje povratne informacije samo nastavnika nisu (Cohenov d na završnom mjerenju 3,74 prema 0,25 na početnom; p < ,001). Ono što su nastavnici učinili s nacrtom dio je koji se prenosi: prepisali su prikladan sadržaj na razini sličnoj svojoj (28%), proširili ga dubljim unosom (16%), dodali ga (16%), revidirali (14%) ili ga potpuno odbacili (14%), a dodatnih 9% trebalo je ispravak. Potpomognute povratne informacije naginjale su modeliranju (demonstracija, 33,1% prema 10,9%) i propitivanju (pitanje izbliza, 21,5% prema 6,0%), a studenti su ih revidirali prema analizi, evaluaciji i stvaranju, a ne prepoznavanju, no šest od osam intervjuiranih ipak je izvijestilo o nepreciznosti i neprofesionalnosti. Nastavnikov korak provjere ono je što hibrid čini sigurnim.

Prilagodite procjenu eri umjetne inteligencije. Pomaknite se od zadataka koje LLM-ovi mogu doslovno dovršiti prema autentičnim, procesnim i osobnim procjenama. Ljestvice procjene daju nastavnicima rubriku za odlučivanje koliko je pomoći umjetne inteligencije legitimno u svakoj fazi, a metaanalitički dokazi pokazuju da umjetna inteligencija može poduprijeti mišljenje višeg reda kad dizajn procjene to zahtijeva.

Zaštitite uvjete za trajno učenje. Budući da odgovori umjetne inteligencije učenje čine lakim, nastavnici moraju dizajnom suprotstaviti jazu između izvedbe i učenja. Lodge i Loble upozoravaju da beznaporni uspjeh s umjetnom inteligencijom može prikriti odsutnost učenja; nastavnici bi trebali ugraditi produktivni napor, zahtijevati samostalnu demonstraciju ovladanosti i tretirati odgovore potpomognute umjetnom inteligencijom kao polazište, a ne konačni ishod.

Planirajte za medij izvedbe. Prilagodba nije neutralna prema mediju: poučavanje na mreži s umjetnom inteligencijom umnožava i prilike (skalabilnu personalizaciju, podršku stalno dostupnu) i rizike (čestitost, rasterećenje). Osmislite omotač umjetne inteligencije jednako namjerno na mreži kao i u neposrednom kontaktu.(Can AI deliver appropriate support for diverse student profiles? A large-scale evaluation)

Ugrađivanje pismenosti o umjetnoj inteligenciji u poučavanje

Pismenost o umjetnoj inteligenciji nije zaseban modul - utkana je u to kako nastavnici osmišljavaju svaki kolegij. Učinkoviti pristupi uključuju:

• Pokazujte pismenost o umjetnoj inteligenciji u praksi. Nastavnici koji i sami upotrebljavaju, ocjenjuju i kritiziraju umjetnu inteligenciju postavljaju normu za studente. Kontinuumi pismenosti o umjetnoj inteligenciji opisuju napredovanje od tečnosti s alatom do kritičkog vrednovanja koje nastavnici trebaju podupirati.
• Poučavajte vrednovanje i kalibraciju, a ne samo upotrebu. Studenti moraju znati kada je umjetnoj inteligenciji moguće vjerovati, a kada halucinira - kritičko mišljenje o rezultatima umjetne inteligencije sržna je pismenost. To se povezuje s odgovornom upotrebom i s time kako se upotreba umjetne inteligencije uokviruje za studente.
• Suzgradite norme upotrebe umjetne inteligencije sa studentima. Načelni pristupi obrazovanju o umjetnoj inteligenciji i poticaji koje pišu nastavnici pokazuju da izričita, suosmišljena očekivanja djeluju bolje od kaznenih pravila.

Osiguranje akademske čestitosti u eri umjetne inteligencije

Akademska čestitost s umjetnom inteligencijom dizajnerski je problem, a ne problem nadzora. Nastavnici se prilagođavaju tako da:

• Preokviruju čestitost oko procesa i autorstva. Umjesto otkrivanja, naglašavaju akademsku čestitost kao transparentnu, dokumentiranu upotrebu. Istraživanje agentske umjetne inteligencije i duhova studenata pokazuje da se rizik za čestitost pomiče kad studenti upute AI agente da djeluju u njihovo ime, pa nastavnici moraju definirati što autorstvo znači kad je „duh“ umjetna inteligencija.
• Upotrebljavaju otkrivanje i uokvirivanje. Kako se upotreba umjetne inteligencije uokviruje za studente - kao pomoćna štake ili kao legitiman alat - oblikuje hoće li je otkriti. Norme transparentnosti (npr. otkrivanje upotrebe umjetne inteligencije) smanjuju poticaj za skrivanje upotrebe.
• Dizajnom uklanjaju poticaj za varanje. Autentične, procesne i osobne procjene (usmeni ispiti, portfelji, promatrano rješavanje problema) čine prepuštanje manje privlačnim nego što to čine alati za otkrivanje umjetne inteligencije. Ljestvice procjene i autentična procjena konstruktivna su alternativa utrci u naoružanju oko otkrivanja.
• Regulacija na razini zadatka način je na koji nastavnici doista upravljaju umjetnom inteligencijom. Studija Chirikova (2026) o više od 31.000 silabusa pokazuje da nastavnici sve više djeluju kao regulatori na razini zadatka, a ne primjenjuju opća pravila: ograničavaju umjetnu inteligenciju za sastavljanje i reviziju (79% kolegija) i zaključivanje te rješavanje problema (65%), dopuštaju je za uređivanje i lekturu (83%) i podršku učenju (80%), a najspornijima ostavljaju ideaciju i planiranje (46% dopušta, 54% ograničava). Ta diferencijacija - utemeljena na tome koje zadatke umjetna inteligencija zamjenjuje, a koje proširuje - konkretna je alternativa politici usvajanja ili zabrane koju vode nastavnici i daje nastavničkoj ulozi središnje mjesto u oblikovanju politike.
• Sesijsko osoblje nosi teret ocjenjivanja bez ovlasti. Dvadeset honorarnih akademskih djelatnika, od kojih neki predaju na tri ili više institucija istodobno, opisalo je otkrivanje nedoličnog ponašanja kroz neuvižbanu vještinu, bez ikakvih kurikularnih ni političkih ovlasti (Andriamora i Andriamora, 2026.).

Povezivanje poučavanja s oblikovanjem učenja

Poučavanje i oblikovanje učenja dvije su strane istog novčića - nastavnikove svakodnevne prosudbe živo su izvršenje osmišljenog iskustva učenja. Umjetna inteligencija tu vezu zateže:

• Nastavnici kao dizajneri učenja. LearnAI i dizajn poticaja koje pišu nastavnici pokazuju nastavnike kao dizajnere: koji određuju aktivnost, ulogu umjetne inteligencije i potpore koje strukturiraju učenje. To je oblikovanje učenja na djelu u točki upotrebe.
• Načela oblikovanja učenja upravljaju pedagoškom upotrebom umjetne inteligencije. Ista načela oblikovanja učenja - jasni ciljevi, usklađena procjena, postupna potpora i povratne informacije - određuju pomaže li umjetna inteligencija ili šteti. ISD-Agent-Bench empirijski potvrđuje da utemeljenje dizajna umjetne inteligencije u formalnim modelima nastavnog dizajna pobjeđuje poticanje bez teorije.
• Dizajnirajte za nastavnikovu orkestraciju. Učinkovita okruženja učenja s umjetnom inteligencijom osmišljena su imajući nastavnika na umu - alati koje pruža umjetna inteligencija usmjerena na čovjeka trebaju smanjiti nastavnikovo opterećenje i proširiti prosudbu, a ne dodati još jednu neprozirnu crnu kutiju. Kad nastavnici suosmišljavaju aktivnosti učenja s umjetnom inteligencijom (perspektive teorije aktivnosti), i usvajanje i kvaliteta se poboljšavaju.

Odnos prema identitetu učenika

Nastavnička uloga i identitet učenika recipročna su lica istog ljudskog procesa, a umjetna inteligencija preoblikuje oba.

• Nastavni identitet je profesionalni identitet; identitet učenika je identitet učenja. Stranica o nastavničkoj ulozi dokumentira kako umjetna inteligencija preoblikuje rad, identitet i djelotvornost edukatora - njihovo profesionalno samorazumijevanje koje se razvija (vidi Laidlawljevo uokvirivanje generativne umjetne inteligencije kao identitetske krize). Identitet učenika paralelan je konstrukt za studente: tko su i što postaju kao učenici, u disciplinarnim, profesionalnim, kreativnim i akademskim terminima.
• Uzročno su povezani. Nastavnici koji dožive poremećaj identiteta (nesigurnost o profesionalnoj svrsi usred generativne umjetne inteligencije) manje su sposobni poduprijeti razvoj identiteta svojih studenata - nastavnik koji sumnja u svoju ulogu teško potvrđuje novi osjećaj sebe studenata u istoj domeni. Suprotno tome, nastavnici koji održavaju samouvjeren profesionalni identitet bolje su pozicionirani da podupru studentima pripadnost i autorstvo.
• Različiti načini neuspjeha. Nastavni identitet ugrožavaju zastarjelost uloge i svrha (pitanje „čemu uopće poučavanje?“). Identitet učenika ugrožavaju gubitak autorstva i kompetencija (pitanje „je li ovo doista moje / jesam li dovoljno dobar?“). Oba su identitetske (a ne samo vještinske) reakcije na umjetnu inteligenciju.
• Oba su pitanja profesionalnog razvoja i pedagogije. Podrška nastavnom identitetu pripada obrazovnom razvoju i kompetencijama nastavnika za umjetnu inteligenciju; podrška identitetu učenika pripada iskustvu učenika, autentičnoj procjeni i djelotvornosti. Dobro osmišljen integrirani sustav brine o obama - jer je nastavnikov identitet uvjet pod kojim se identiteti učenika formiraju.

Sudizajn nastavnika u ranoj pismenosti o umjetnoj inteligenciji

• Sudizajn nastavnika u ranoj pismenosti o umjetnoj inteligenciji. Lee (2026) pokazuje da su dvije odgojiteljice u predškolskoj dobi i dvije učiteljice u vrtiću koje su suosmišljavale kurikulum Play With AI (PL-AI) doživjele znatan rast samopouzdanja i pedagoške djelotvornosti, pri čemu je sudizajn potaknuo vlasništvo nad kurikulumom, refleksivnu praksu i smislenu prilagodbu. To nastavnike pozicionira kao središnje suosmišljivače - a ne samo provoditelje - razvojno primjerenih kurikuluma pismenosti o umjetnoj inteligenciji, model sa zaključcima za pripremu nastavnika u ranom djetinjstvu i osnovnom obrazovanju i obrazovanju o umjetnoj inteligenciji.

Nastavnici koji suosmišljavaju izvore učenja s umjetnom inteligencijom

• Nastavnička uloga proteže se i na suosmišljavanje izvora učenja s umjetnom inteligencijom: simulacije koje su nastavnici suosmislili s umjetnom inteligencijom za STEM nastavu o dronovima zadržale su rezultate generativne umjetne inteligencije pedagoški valjanima i kontekstualno relevantnima, a nastavnici su namijenjeni korisnici Ljestvice pismenosti nastavnika o umjetnoj inteligenciji. Učinkovita integracija generativne umjetne inteligencije sve više ovisi o uključenosti nastavnika u dizajn.

Sustavi refleksije s umjetnom inteligencijom trebaju se prilagoditi iskustvu nastavnika

• Analitika refleksije namijenjena nastavnicima treba biti prilagođena ekspertizi, a ne jednaka za sve. Anketa 100 američkih nastavnika od K-12 (medijalna podjela na devet godina; binomni testovi; 15% razlika u odabiru uočljivo pri oko 83% snage) našla je sustavne razlike u preferencijama. Manje iskusni nastavnici kao glavnu prepreku navode nedostatak vremena za refleksiju tri puta češće od iskusnih (37% prema 12%; p < ,001) i žele analitiku o nezainteresiranosti studenata (48% prema 33%; p = ,028) i emocijama (31% prema 18%; p = ,036).
• Pravilo dizajna izvedeno iz te podjele jesu načini preporuke prilagođeni iskustvu. Iskusni nastavnici žele analitiku o poboljšanom učenju nakon pomoći studentu (40% prema 26%; p = ,019) i o vlastitim nastavnim metodama (42% prema 26%; p = ,012); njihova je glavna prepreka praćenje izvedbe (28% prema 15%; p = ,009). Pravilo dizajna: način za početnike = strukturirani poticaji i analitika angažmana; način za eksperte = fleksibilna longitudinalna analiza - izravan argument protiv jednakih nadzornih ploča. (How expertise levels shape preferences and reflection needs — towards AI reflection systems for teacher empowerment)

Uobičajene zablude

„Umjetna inteligencija će smanjiti ili zamijeniti pedagoški rad poučavanja.“ Dokazi stručnih scenarija upućuju na suprotno. Malyn-Smith i sur. (2026) nazivaju to paradoksom više ljudskosti: u šest scenarija za 2030. koje je suoblikovalo 20 istraživača iz 13 zemalja, zasićenost umjetnom inteligencijom pojačava, a ne istiskuje ljudski pedagoški rad. Scenariji opisuju umjetnu inteligenciju kao „sustav obrade zraka u ekosustavu učenja“ - infrastrukturu koju primjećujete samo kad ne radi. Ne mijenja se količina potrebne ljudske prosudbe, nego njezin predmet: pažnja se pomiče s proizvodnje materijala na iščitavanje učenika.

„Kompetencija nastavnika za umjetnu inteligenciju znači naučiti alate.“ Tečnost s alatom najslabiji je dostupni prediktor. U SEM-u Baija i Hsieha (2026) na 898 kineskih sveučilišnih nastavnika, inovacija poučavanja potpomognuta generativnom umjetnom inteligencijom ovisila je manje o izdvojenom tehnološkom znanju o umjetnoj inteligenciji, a više o pedagoški i disciplinarno ugrađenoj kompetenciji za umjetnu inteligenciju zajedno s profesionalnim identitetom, pri čemu su obje djelomično posredovale ishod. Radionica o značajkama koja ne dotiče pedagogiju ni disciplinarni identitet cilja na pogrešnu varijablu - zato Laidlaw i sur. odgovor fakultetskog osoblja na generativnu umjetnu inteligenciju uokviruju kao identitetsko pitanje, a ne kao jaz u vještinama.

„Nastavnici su već suosmišljivači umjetne inteligencije, pa je tranzicija u tijeku.“ Težnja je stvarna; opis još nije. Sistematski pregled sudizajna nastavnika i umjetne inteligencije u zadatcima učenja Wanga, Liua i Islama (2026) nalazi da suradnički stav ostaje neujednačen, a prevladavajući je način još uvijek umjetna inteligencija kao pomoćnik ili generator sadržaja. Čitanje tog pregleda kao dokaza dovršenog pomaka prikrilo bi jaz između nastavnika koje stranica poput ove preporučuje i nastavnika koje većina institucija doista ima.

„Kako nastavnik delegira chatbotu jedva da je važno, jer model obavlja posao.“ Obrazac delegiranja jest intervencija. U planiranju nastave umjetnosti u STEAM-u za djecu, Luo i Tahir (2025) eksperimentalno su našli da je popunjavanje sadržajnih praznina u samostalno ocrtanoj lekciji sačuvalo nastavnikovu dizajnersku autonomiju i pritom podiglo kvalitetu plana prema ocjeni stručnjaka (medijan 20,5 prema 17,6; p = ,002; velik učinak), nadmašujući alternativu da model sam sastavi okvir. Isti model, isti zadatak, drukčija podjela rada, bitno drukčiji rezultat.

Praktični početni slijed

Dokazi podupiru određeni redoslijed radnji za nastavnika koji usvaja umjetnu inteligenciju, a ne popis značajki koje treba naučiti.

1. Napišite aktivnost prije odabira alata. Odredite cilj, učenički pokušaj koji dolazi prvi i što se računa kao dokaz razumijevanja. Alati odabrani prvi obično prepisuju aktivnost oko sebe.
2. Izričito odlučite obrazac delegiranja. Sami ocrtajte lekciju i pustite umjetnu inteligenciju da popuni sadržajne praznine, umjesto da prihvatite generirani okvir - obrazac s izmjerenom razlikom u kvaliteti opisan gore.
3. Smjestite ljudsku kontrolnu točku tamo gdje je vlasništvo. Dizajnirajte tako da učenik procjenjuje, ispravlja i posjeduje rad potpomognut umjetnom inteligencijom te da povratne informacije umjetne inteligencije stižu kao nacrt koji nastavnik odabire, a ne kao komentar koji prenosi.
4. Zaštitite vrijeme za tumačenje koje pomak stvara. Ako se pažnja pomiče s proizvodnje materijala na čitanje učenika, to preusmjereno vrijeme mora preživjeti susret s kalendarom; ako ga apsorbira novi administrativni rad, obećana promjena uloge ne nastupa.
5. Provjerite obučavaju li vas za alate ili za pedagogiju. S obzirom na rezultat SEM-a, preferirajte profesionalni razvoj koji radi na disciplinarnim zadatcima i identitetu umjesto obilaska značajki.

Povezani koncepti

• Pedagogical Partnerships - Pedagoška partnerstva
• Learner Identity - identitet učenika koji se razvija u disciplinarnom, profesionalnom, kreativnom i akademskom smislu
• Business Education
• Obrazovni razvoj
• Kompetencije nastavnika za umjetnu inteligenciju
• Pismenost u području umjetne inteligencije
• K-12
• Higher Education
• Scaffolding
• Oblikovanje učenja
• Intelligent Tutoring
• Large Language Models (LLMs)
• Workplace Learning
• Distributed Cognition
• Situated Learning
• Critical Pedagogy
• Teacher Education
• Learning Sciences
• Akademska čestitost
• Pedagogies and Teaching Strategies - Krov: pedagogije i strategije poučavanja u obrazovanju s umjetnom inteligencijom
• Stakeholders - Krov: ljudi i publike u obrazovanju s umjetnom inteligencijom (učenici, nastavnici, dizajneri, administratori, kreatori politika)

Povezani članci

• Artificial learning: how sessional academics view contract cheating and digital academic misconduct in assessment — Honorarni akademski djelatnici nose posao čestitosti bez ovlasti

• Navigating AI's educational future: expert scenarios and implications for teaching and teacher preparation — Paradoks više ljudskosti: stručni scenariji za 2030. nalaze da zasićenost umjetnom inteligencijom pojačava, a ne istiskuje ljudski pedagoški rad (Malyn-Smith i sur. 2026)

• Exploring Teachers' Instrumental Orchestration and Roles in High School Mathematics Classes Using AI-Based Digital Tools — Šest promatranih srednjoškolskih lekcija matematike proširuje instrumentalnu orkestraciju trima novim tipovima (Noh i Kim 2026)

• Responding to AI-generated emotional alerts: teachers' intervention and students' engagement in the mathematics classroom — Odgovor na emocionalna upozorenja koja generira umjetna inteligencija: nastavnikova intervencija i angažman učenika u razredu matematike

• Edustories: A Collection of Real-world Case Studies from Classroom Practices — Edustories: zbirka studija slučaja iz stvarne razredne prakse

• Human-Centered Design of LLM-Powered Educational Chatbots: A Study with Secondary Teachers — Nastavnici osmišljavaju razredne chatbote kao ograničene stručnjake i zadržavaju autoritet

• GenAI as a Frenemy in Teaching: Perceived Autonomy and Risks — Generativna umjetna inteligencija kao „frenemy“: nastavnici preferiraju poluautonomiju, korisnost pokreće usvajanje, averzija prema riziku usmjerena je na upotrebu studenata (Dai i sur. 2026)

• AI-Supported Lecturer Decision-Making in Higher Education: A Socio-Technical Perspective — Odlučivanje predavača potpomognuto umjetnom inteligencijom u visokom obrazovanju

• How Instructors Regulate AI in College: Evidence from 31,000 Course Syllabi — Kako nastavnici reguliraju umjetnu inteligenciju u više od 31.000 silabusa; regulacija na razini zadatka (Chirikov 2026)

• AI Teaching Innovation Behavior Among College Teachers: A Structural Equation Modeling Analysis Based on the AI-TPACK Framework, Teaching Self-Efficacy, Professional Identity, and AI Literacy — Ponašanje inovacije poučavanja s umjetnom inteligencijom među sveučilišnim nastavnicima (AI-TPACK SEM; Bai i Hsieh 2026)

• Towards Synergistic Teacher-AI Interactions with Generative Artificial Intelligence

• Balancing Teacher and Student Agency: Co-Orchestration Tool Design Supporting Real-Time Dynamic Pairing

• How AI Is Changing Teaching Workflows

• Teacher-Authored Prompts for Configuring Student-AI Dialogue: K-12 Classroom Implementation

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

• Artificial intelligence, cognitive offloading and implications for education — Umjetna inteligencija, kognitivno rasterećenje i implikacije za obrazovanje (Lodge i Loble 2026)

• The Intersection of Artificial Intelligence and Instructional Design Practice: A Systematic Review — Umjetna inteligencija i praksa nastavnog dizajna: sistematski pregled (Kibar i Ilgaz 2026)

• Can AI deliver appropriate support for diverse student profiles? A large-scale evaluation — Može li umjetna inteligencija pružiti primjerenu podršku raznolikim profilima studenata? Evaluacija na velikoj razini

• The Devil is in the Details: AI Agents, Ghost Students, and the Crisis of Verified Presence in an Agentic AI World — Duhovi studenti i agentska umjetna inteligencija u procjeni

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

• Navigating uncertainty: university teachers' experiences and perceptions of generative artificial intelligence — Iskustva i percepcije generativne umjetne inteligencije kod sveučilišnih nastavnika: ranjivost, preispitivanje procjene, učenje studenata pod rizikom (Farazouli i sur. 2026)

• Exploring value judgements in grading: will teachers mark down student work assisted by GenAI, and should they? — Vrijednosne prosudbe u ocjenjivanju rada potpomognutog generativnom umjetnom inteligencijom: poštenje, povjerenje, valjanost i dvosmjerna transparentnost (Luo i Dawson 2026)

• Making machine learning findings accessible to teachers in blended classrooms — Približavanje nalaza strojnog učenja nastavnicima u mješovitim razredima

• A Systematic Review of Language Educators' Practices and Development with GenAI — Prakse i razvoj jezičnih edukatora s generativnom umjetnom inteligencijom

• ChatGPT-Assisted Lesson Planning for Children's STEAM Arts Education: An Experimental Study on Benefits, Challenges, Methods, and a Prompt Framework

• A Feasibility and Implementation Integrity Study of the Community Builder (CoBi): An AI-based Collaboration Support System in K-12 Classrooms

• Integrating ChatGPT in Mathematics Teacher Education: AI-Based Simulation Role-Playing to Support Practice-based Teaching

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

• Suitability of Artificial Intelligence Supported Lesson Plans from the Perspective of Science Education Experts

• Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback

• ‘Resistance is futile?’: identity tensions and principled selectivity in AI-integrated teaching — Identitetske napetosti i načelna selektivnost u poučavanju integriranom s umjetnom inteligencijom (Adiozaman i Segar 2026)

• Teacher intervention in K-12 AI-based instruction: a systematic review of processes, strategies, and effects — Nastavnička intervencija u nastavi od K-12 utemeljenoj na umjetnoj inteligenciji: sistematski pregled

• Beyond the algorithm: academic developers as digital mediators in Global South higher education — Akademski razvojni djelatnici kao digitalni posrednici: rekonfiguracija uloge, afektivni rad i prosudba u južnoafričkim povijesno zapostavljenim institucijama

• Where Artificial Intelligence Enters Teacher Work — Gdje umjetna inteligencija ulazi u nastavnički rad

• AIED unplugged, teacher workload, and numeracy learning: a clustered quasi-experimental mixed-methods study — AIED bez struje: nastavnik kao posrednik između učenika i umjetne inteligencije, kvazieksperiment u 19 razreda gdje dobitke pokreću obuka i neizravno smanjenje truda (Rodrigues i sur. 2026)

• Instructional Governance by Design: A Framework for AI in Computing Education — Nastavno upravljanje kroz dizajn: okvir za umjetnu inteligenciju u računalnom obrazovanju

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

• Teacher Mediation and the Contingent Promise of Generative AI in Mathematics Education — Nastavničko posredovanje u matematici: pet praksi kritičkog posredovanja, pomicanje autoriteta i algoritamski jaz između besplatne i premijske verzije

• Teacher Readiness-By-Design for AI-Rich Interactive Learning — Nastavnička spremnost kroz dizajn: spremnost kao dizajnerska sposobnost, a ne usvajanje ili samopouzdanje (Charles 2026)

• Effects of ChatGPT-Assisted Teacher Feedback on College Students' Critical Thinking Skills and Perceptions of Argumentative Writing — Povratne informacije nastavnika uz pomoć ChatGPT-a: nastavnici odabiru nacrte umjetne inteligencije umjesto da ih prenose

• From Competency to Agency: Teachers' Views of the Purposes of AI Education — Od kompetencije do djelotvornosti: stajališta nastavnika o svrhama obrazovanja o umjetnoj inteligenciji

• The Great Debaters Meet the Great Facilitators: How Debate Students Evaluate Human Moderators and Their AI Counterparts — Ljudski moderatori nasuprot AI moderatorima rasprave: jednake ocjene, različiti putovi do ponovne upotrebe

• Mapping Research on Generative Artificial Intelligence for Programming Education: A Systematic Review — Generativna umjetna inteligencija u programskom obrazovanju: sistematski pregled u kojem su uloge nastavnika najmanje proučavane

• From information providers to learning designers: heutagogical teaching practices in AI-enhanced education — Od pružatelja informacija do dizajnera učenja: heutagoška praksa poučavanja u obrazovanju potpomognutom umjetnom inteligencijom

• How expertise levels shape preferences and reflection needs — towards AI reflection systems for teacher empowerment — Kako razine ekspertize oblikuju preferencije i potrebe za refleksijom: prema sustavima refleksije s umjetnom inteligencijom za osnaživanje nastavnika (Falhs i sur. 2025)

• A Conversational AI Framework for Teacher Training — Dijagnostika konverzacijske umjetne inteligencije za nastavne zablude uz dijalog utemeljen na dokazima (Miranda i Calvani 2026)

• AI Use, Work-Life Balance, and Innovative Work Behavior as Predictors of Teacher Performance: The Mediating Role of Organizational Citizenship Behavior — Upotreba umjetne inteligencije nije imala izravan učinak na nastavničku izvedbu; posredovalo je organizacijsko ponašanje građanstva (Sherly i sur. 2027)