Razvoj teorije u umjetnoj inteligenciji u obrazovanju

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

Razvoj teorije u umjetnoj inteligenciji u obrazovanju — znanstveni rad na stvaranju, unapređivanju i kritičkom ispitivanju teorija i konceptualnih okvira koji objašnjavaju kako učenici, nastavnici i UI sustavi međusobno djeluju. Dok generativna umjetna inteligencija preoblikuje obrazovanje, područje istovremeno predlaže nove teorije učenja s umjetnom inteligencijom i prerađuje etablirane teorije učenja — a dokumentirana slabost u upotrebi teorije ostaje prekogranično ograničenje istraživanja u ovom području.

Pitanja za razmatranje

• Često govorimo o „primjeni teorije“ na umjetnu inteligenciju u obrazovanju, ali ova stranica pita izmišlja li područje doista nove teorije. Prije nego što nastavite: kada se poznati okvir (poput biheviorizma ili konstruktivizma) rastegne da pokrije generativnu umjetnu inteligenciju, što može pogoditi, a što možda neprimjetno iskrivi?
• Sjetite se trenutka kada ste rabili umjetnu inteligenciju i osjetili da vam je razumijevanje naraslo — ili obrnuto. Koja je razlika između „učenja s alatom“ i „suizgradnje znanja sa strojem“? Gdje biste povukli tu granicu, i ima li uopće smisla reći da je stroj sudjelotvorni agent?
• Mnoge studije o obrazovanju uz umjetnu inteligenciju kritiziraju se zbog slabe ili nikakve upotrebe teorije. Ako biste čitali studiju koja pokazuje da je UI alat „djelovao“, što bi vam trebala reći o tome zašto i kako je djelovao prije nego što biste nalaz nazvali teorijski smislenim, a ne samo veličinom učinka?
• Jedna predložena teorija tvrdi da UI-nativni učenici precjenjuju vlastito učenje jer umjetna inteligencija napuhuje njihovu izvedbu. Jeste li primijetili kod sebe ili drugih da se osjećaju kompetentnijima nakon intenzivne upotrebe umjetne inteligencije nego što bi to mogli doista pokazati bez nje? Koji bi bio najsnažniji dokaz da je to stvarni fenomen, a ne samo artefakt jedne studije?
• Stranica razlikuje teoriju (objašnjavanje mehanizama učenja) od filozofije (propitivanje što učenje i um u temelju jesu). Gdje se u vlastitom razmišljanju o umjetnoj inteligenciji krećete između to dvoje — primjerice kada ne pitate samo objašnjava li okvir učenje dobro, nego obuhvaća li ono što učenje doista jest?
• Pojavljuju se nove teorije — generativizam, epistemička sudjelotvornost, kognitivno zajedničko dobro. Kao čitatelj, što bi vas uvjerilo da je jedna od njih istinski napredak, a ne modno preimenovanje starijih ideja? Postavite vlastiti test za to što bi dobra nova teorija učenja s umjetnom inteligencijom trebala moći objasniti.

Uvod

Razvoj teorije u području umjetne inteligencije u obrazovanju nalazi se na granici između primijenjenih teorija učenja na koje se područje oslanja i novih konstrukata koje era umjetne inteligencije proizvodi. Dok Learning Theories katalogizira etablirane teorije primijenjene na umjetnu inteligenciju (biheviorizam, konstruktivizam, kognitivno opterećenje, samoodređenje itd.), ovaj koncept prati proces i proizvod samog teoretiziranja: koje se nove teorije i okviri rađaju, kako se etablirane teorije unapređuju i metodološko pitanje teoretizira li istraživanje u ovom području dobro.

• Okvir koji specificira vlastiti uvjet usporedbe. Nakamura (2026.) tretira podjelu kognitivnog rada kao eksplanatornu jedinicu, smješta operacije na stupnjeviti kontinuum od perifernih do konstitutivnih, imenuje uvjet usporedbe prema kojem se definiraju augmentacija i erozija te izvodi sedam uvjetovanih provjerljivih propozicija (Nakamura, 2026.). Budući da propozicije predviđaju razlike među konfiguracijama, studija koja izvješćuje samo o prosječnom učinku ne može ih potvrditi ni opovrgnuti.

Nove teorije učenja s umjetnom inteligencijom

Rastući klaster članaka izričito stvara novu teoriju za eru umjetne inteligencije, umjesto da primjenjuje postojeće okvire:

• Generativizam. Generativizam predložen je kao nova teorija učenja, s tvrdnjom da biheviorizam, kognitivizam, konstruktivizam i konektivizam svaki počiva na jednoj pretpostavci koju generativna umjetna inteligencija ruši: da vidljivi rezultat potvrđuje učenje (biheviorizam), da se kognitivne operacije odvijaju unutar učenika (kognitivizam), da se značenje konstruira, a ne dobiva (konstruktivizam) i da je teški dio doći do postojećeg znanja, a ne proizvesti ga (konektivizam). Imenuje četiri konstrukta — epistemičko partnerstvo, distribuiranu djelotvornost, generativnu pismenost i prilagodljivu metakogniciju — i izvodi pokazatelj procjene za svaki, što je izravan pokušaj da se imenuje zasebna teorijska paradigma za učenje posredovano umjetnom inteligencijom. Ono što ne čini jest da iznosi propozicije koje bi mogle propasti: to je pozicijski rad koji sintetizira postojeće dokaze, pa za razliku od Agentivizma u nastavku nudi rječnik i mjernu agendu, a ne opovrgljivu teoriju.

• UI povezanost. Fu i Zhao (2026.) rekonstruiraju povezanost za eru umjetne inteligencije kroz etiku brige i neoekološku teoriju, definirajući „povezanost s umjetnom inteligencijom“ kao psihološki stvarnu, ali etički asimetričnu vezu s tri dimenzije i šest opovrgljivih propozicija koje čekaju razvoj ljestvice.

Sintetička pozicija dodaje suparnički prijedlog koji doista iznosi propozicije: imenuje sintetičku promociju i autorsku suspenziju — self koji je gusto izražen, ali bez autora — i predviđa unakrsnu interakciju u kojoj ocjenjeno autorstvo i koherencija narativa o životnoj odluci idu u suprotnim smjerovima (Du i sur. (2026.)).

• Agentivizam. Yan i Gašević (2026.) predlažu Agentivizam kao teoriju učenja srednjeg dosega za interakciju čovjeka i umjetne inteligencije, definirajući učenje kao trajni rast ljudske sposobnosti, a ne kao uspješno dovršavanje zadatka uz umjetnu inteligenciju, i specificirajući četiri mehanizma: delegiranu djelotvornost, epistemičko praćenje i verifikaciju, rekonstruktivnu internalizaciju i prijenos uz smanjenu potporu. Ono što ga razdvaja od ostalih prijedloga na ovoj stranici jest opovrgljivost: iznosi šest propozicija, uključujući i to da je učenje snažnije kada umjetna inteligencija čuva odgovornost učenika za uokvirivanje problema, postavljanje kriterija i opravdavanje nego kada daje odgovore. Također tvrdi da bi zahtjev za verifikacijom trebao poboljšati odgođenu izvedbu, dok bi ponovljeno delegiranje s malo trenja, bez rekonstrukcije, trebalo oslabiti kalibraciju učenika o vlastitoj kompetentnosti.

Teoretiziranje na strani nastavnika sada preuzima istu obvezu provjerljivosti: Model sposobnosti i odluke smješta sposobnost AI-TPACK uzvodno od stava i percipirane bihevioralne kontrole i imenuje četiri uvjeta opovrgavanja — neuspjeh posredovanja, diskriminantni kolaps, nultu moderaciju i kontekstnu suvišnost — iako model ostaje netestiran (Mnguni (2026.)).

• Epistemička sudjelotvornost. Učenje sa strojevima gradi „prema teoriji epistemičke sudjelotvornosti“, teorijski utemeljen model toga kako učenici i sustavi generativne umjetne inteligencije zajednički proizvode znanje i razumijevanje.

• Ciklus kognitivnog partnerstva. Page (2026.) predlaže Ciklus kognitivnog partnerstva, rekurzivni model sa šest faza — ljudsko pitanje, UI proširenje, ljudska refleksija, integracija, revizija i novo pitanje — koji učenje smješta u promjenu kognitivne pozicije učenika, a ne u sofisticiranost upita, i imenuje četiri načina neuspjeha u kojima ista rekurzija zamjenjuje ili iskrivljuje mišljenje.

• Odsutna kognitivna osnovica (ACB). Odsutna kognitivna osnovica teoretizira strukturnu prazninu u akademskoj samoprocjeni UI-nativnih učenika — okvir s tri dimenzije koji objašnjava zašto učenici precjenjuju vlastito učenje kada umjetna inteligencija napuhuje izvedbu.

• Kognitivno zajedničko dobro. Kognitivno zajedničko dobro i regeneracija stručnosti oslanja se na teoriju zajedničkih resursa i distribuiranu kogniciju kako bi objasnio kako racionalne odluke o usvajanju umjetne inteligencije mogu iscrpiti zajednički fond stručnosti koji profesije trebaju za obnovu.

• Izvedba nasuprot učenju. Izvedba nasuprot učenju teoretizira oštro razilaženje između UI-napuhane izvedbe u zadatku i trajnog učenja, razliku koja se ponavlja u dokazima o dobitcima u učenju u bazi znanja.

• Epistemička pismenost o umjetnoj inteligenciji (EAIL). Epistemička pismenost o umjetnoj inteligenciji preokviruje pismenost o umjetnoj inteligenciji kao procesno orijentiranu epistemičku kompetenciju usredotočenu na to kako se znanje konstruira i opravdava kada učenici zajedno s generativnom umjetnom inteligencijom programiraju.

• Teorija triju sustava. Shaw i Nave (2026.) proširuju dualprocesne račune sa Sustavom 3 — vanjskim, automatiziranim, podacima vođenim rezoniranjem iz umjetne inteligencije koje može dopunjavati, zamjenjivati ili potiskivati Sustav 1 i Sustav 2 — i imenuju kognitivnu predaju, nekritično usvajanje UI rezultata, kao njegov karakteristični neuspjeh.

• Kognitivno upravljanje. Vjerodajnice i kognitivno upravljanje teoretiziraju institucionalnu odgovornost za zaštitu znanja i učenja u kontekstima procjene prožetima umjetnom inteligencijom.

• Su-regulacija i epistemička proaktivnost. Umjetna inteligencija kao kognitivni partner u suregulaciji integrira izvršne funkcije, metakogniciju, distribuiranu kogniciju i sociokulturni razvoj u razvojni model; epistemička proaktivnost teoretizira djelotvoran stav učenika prema umjetnoj inteligenciji u matematici.

• Paradigme ljudsko-generativne UI angažiranosti. Strydom (2026.) bavi se „teorijskim deficitom“ područja tako što sedam aktualiziranih paradigmi angažiranosti čovjeka i generativne umjetne inteligencije (zaštitnička, usmjerena na mogućnosti, augmentirana, pionirska, simbiotska, vrijednosno utemeljena, ravnopravnosna) utemeljuje u Schommerovu višedimenzionalnom modelu osobnih epistemoloških uvjerenja — epistemološkoj, a ne alatno usmjerenoj teoriji o tome kako se pojedinci različito pozicioniraju prema umjetnoj inteligenciji.

• Ekološki okvir sudjelotvornosti. Poudyal (2026.) tvrdi da generativna umjetna inteligencija preraspodjeljuje epistemološki autoritet s nastavnika na učenike i na strojeve, te uvodi okvir koji sudjelotvornost definira kroz tri međuovisne dimenzije — relacijsku, regulacijsku (preslikanu na ciklus SRL-a) i pedagošku (kontinuum usvajanja među nastavnicima) — sve omeđene neupitnim uvjetom ljudske epistemičke odgovornosti (osporivost, porijeklo i neprenosivost moralnog i intelektualnog priznanja). Time djelotvornost pozicionira kao epistemički dizajnerski problem, a ne pitanje upotrebljivosti, dajući institucijama precizniji jezik od „ravnoteže“ za upravljanje integracijom generativne umjetne inteligencije.

• Relacijska epistemička djelotvornost i epistemička ovisnost. Du i Yuan (2026.) daju kritičko-integrativni prikaz toga kada oslanjanje posredovano umjetnom inteligencijom čuva, a kada istiskuje prosudbu. Operacionaliziraju granicu između produktivnog oslanjanja i štetne ovisnosti kroz šest dijagnostičkih kriterija (osporivost, povrativost, prijenos, sljedivost, raspodijeljena odgovornost, epistemička pluralnost) i prate četiri sociotehnička puta (tečni autoritet, besprijekorno delegiranje, neprozirna sinteza, institucionalizirana ovisnost). Njihov normativni prijedlog, relacijska epistemička djelotvornost, nadograđuje pristupe relacijske autonomije i epistemičke sudjelotvornosti zadržavajući izričitu asimetriju — umjetna inteligencija može oblikovati rezoniranje bez uzajamne odgovornosti ili legitimnog autoriteta — dok istovremeno integrira odgovornost i epistemičku pravdu na institucionalnoj razini. Kao teorija učenja s umjetnom inteligencijom, ona pomiče pitanje područja s „pomaže li umjetna inteligencija ili šteti“ na „koje se epistemičke radnje čuvaju, preobražavaju ili istiskuju“, i čini dizajn ovisnosti, a ne puku upotrebu, predmetom pedagoške i institucionalne intervencije.

Izlaz modela uzdiže se na status kolektivnog znanja bez jamstva zajednice koje taj status zahtijeva — što Webb et al. (2026) nazivaju pseudo-cPCK, i razlog je zašto polju treba novi teorijski konstrukt, a ne bolje sučelje (Webb et al., 2026).

Unapređivanje etablirane teorije

Drugi radovi proširuju postojeću teoriju u kontekst umjetne inteligencije, umjesto da osnivaju nove paradigme: rad o paradoksu kritičkog mišljenja integrira teoriju kognitivnog opterećenja s nastavom usmjerenom na smanjenje opterećenja u okvir s tri razine; pravedna procjena re-teoretizira procjenu pod disruptijom generativne umjetne inteligencije. Ba, Gašević, Lim i Anderson (2026.) rekonceptualiziraju sam okvir zajednice istraživanja: umjesto da generativnu umjetnu inteligenciju uokvire kao alat, dijaloškog partnera ili spekulativnu „četvrtu prisutnost“, oni je premještaju u epistemički uvjet koji rekonfigurira kako se kognitivna, društvena i nastavna prisutnost aktualiziraju, dokazuju i upravljaju — preinačujući prisutnosti zajednice istraživanja u sociotehnička postignuća sklopova ljudi i generativne umjetne inteligencije i predlažući heuristiku utemeljenu na konfiguraciji u kojoj su uključenost generativne umjetne inteligencije i kvaliteta istraživanja uvjetno povezane kroz ljudsku odgovornost. Velik dio toga je rad na konceptualnom okviru (okviri za poslovne škole, valjana simulacija) koji operacionalizira teoriju za praksu.

Lin i Chang (2026.) proširuju samoregulirano učenje i ljudsko-UI regulaciju tako što imenuju čime učenik upravlja — standardima, evaluativnim prosudbama i ovlaštenjem za kontrolu — a ne samo što umjetna inteligencija čini.

Paradoks trenja nudi još jedno proširenje etablirane teorije: Gupta (2026.) primjenjuje poželjne teškoće Bjorka i Bjorka te Kapurov produktivni neuspjeh na relacijske susrete u obrazovanju u inozemstvu, tvrdeći da je važno koliko interpretativne djelotvornosti student prenosi na generativnog pomoćnika, a ne koliko se često njime služi. Okvir je konceptualan i iznosi pet propozicija kao konkurentske hipoteze.

Ranieri i Biagini (2026.) unapređuju funkcionalnu taksonomiju područja Zawacki-Richtera i sur. (2019.): među 154 publikacije s klasificirajućom funkcijom primjene, 90 (58,4 %) izmaklo je njezinim četirima kategorijama, a njihov okvir križa funkciju s delegiranom kontrolom, epistemičkom pozicijom i ugrađenom pedagogijom.

An, McLaren i Stamper (2026.) unapređuju ACT-R i okvir Knowledge-Learning-Instruction teoretizirajući obmanjujuću pregeneralizaciju — način neuspjeha u kojem kompilacija znanja daje pregeneraliziranu produkciju koja proizvodi točne radnje, ali izostavlja kritično ograničenje primjene — i empirijski validirajući postupak otkrivanja i sanacije na adaptivnim ITS-ovima i skupu podataka o učenju decimala u K-12.

Postfenomenologija i tehnološko posredovanje. Farazouli i sur. (2026.) unapređuju etablirani postfenomenološki okvir tehnološkog posredovanja (Ihde 1990.; Verbeek 2006., 2011.; Rosenberger i Verbeek 2015.) u kontekst umjetne inteligencije u obrazovanju. Umjesto da predlažu novu teoriju, primjenjuju ga da rekonceptualiziraju generativne UI chatbotove kao multistabilne tehnološke artefakte čiji „scenariji“ (brza odzivnost, tekst koji zvuči prirodno i može dosegnuti prolazne ocjene) posreduju nastavničke percepcije i rekonfiguriraju njihovu praksu — uzdrmavajući pouzdanje nastavnika, preoblikujući što kompetencija znači i gurajući nastavnike izvan instrumentalnih pitanja prihvatljive upotrebe prema preispitivanju vlastite uloge i smisla poučavanja. To je doprinos unapređenju teorije: pokazuje kako filozofski prikaz ljudsko-tehnoloških odnosa objašnjava emocionalni i profesionalni poremećaj koji nastavnici doživljavaju kada generativna umjetna inteligencija uđe u etabliranu obrazovnu praksu.

Dodatan doprinos okviru jest AI×Ed tipologija Rismanchiana i Doroudija, koja proširuje Kahnove (1977.) izvorne „tri interakcije“ duž dviju osi — uloge umjetne inteligencije (primijenjeni alat nasuprot analogiji ljudske inteligencije) i krajnjeg korisnika (od istraživača do učenika) — kako bi smjestila svaki projekt u području. Osim kategorizacije područja, zagovara oživljavanje teorijske i istraživačke niti „umjetna inteligencija kao analogija ljudskoj inteligenciji“, koristeći računske i agentske modele učenja (npr. vlastiti računski model okvira ICAP) za povezivanje suvremene teorije učenja i računskog modeliranja — metodološki smjer koji je područje uglavnom napustilo kada se okrenulo primijenjenom radu vođenom podacima.

Komparativna filozofija kao put prema teorijskom pluralizmu. Xie (2026.) modelira drukčiji put prema razvoju teorije: umjesto da umjetnu inteligenciju u obrazovanju teoretizira iznutra jedne tradicije, rad uprizoruje komparativni dijalog u kojem svaka tradicija „čini vidljivim ono što druga zamagljuje“, izričito odbijajući sintetizirati ih u jedan okvir — pristup koji teorijski pluralizam tretira kao metodološko stajalište, a ne kao neriješeno neslaganje. Tvrdi da nezapadne tradicije mogu više od diverzifikacije rasprava; mogu preoblikovati konceptualne temelje teorije ovog područja, rekonstruirajući daoističku „prirodu Daoa“ (道性), samokultivaciju (修道) i „Zhenrena“ (真人) kao resurse za promišljanje djelotvornosti, epistemičkih ciljeva obrazovanja i etičkog djelovanja u uvjetima posredovanima umjetnom inteligencijom. Izričito navodi i granice: doprinos je jednog autora, neempirijski, i upozorava da takvo prevođenje traži kontekstualizaciju kako bi se izbjegli romantizacija i orijentalizam.(Alternative AI Philosophy: Daoism as Method for AI in Education)

Problem upotrebe teorije u području AIEd

Teoretiziranje područja je neravnomjerno. Ograničenja u istraživanju umjetne inteligencije u obrazovanju dokumentiraju da studije često rabe teoriju slabo ili nekritički — ponavljajuća metodološka slabost uz praznine u reproducibilnosti i mjerenju. Pregledi nalaze da mnogi radovi primjenjuju teoriju površno ili nikako (npr. pregledi literature koji bilježe da malo studija utemeljuje intervencije u teoriji učenja). To razvoj teorije — i upotrebu teorije — čini pitanjem kvalitete koliko i znanstvenim proizvodom, povezujući se s istraživačkim metodama i vrednovanjem obrazovanja o umjetnoj inteligenciji.

Odnos prema filozofiji umjetne inteligencije u obrazovanju

Razvoj teorije i filozofija umjetne inteligencije u obrazovanju komplementarne su, ali različite niti temeljnog rada baze znanja. Razvoj teorije proizvodi i empirijski testira mehanizme učenja s umjetnom inteligencijom — imenovane teorije i okvire poput generativizma, epistemičke sudjelotvornosti i odsutne kognitivne osnovice koji objašnjavaju i predviđaju kako učenici i umjetna inteligencija djeluju zajedno. Filozofija propituje presupozicije na kojima ti mehanizmi počivaju: što se računa kao znanje, tko se računa kao znalac i što učenik u temelju jest. Teorija poput epistemičke sudjelotvornosti predlaže mehanizam, dok implicitno usvaja filozofske obveze o distribuiranoj kogniciji i djelotvornosti; filozofija te obveze čini izričitima i osporivima. Dok razvoj teorije pita objašnjava li okvir učenje dobro, filozofija pita obuhvaća li ono što učenje i um doista jesu — dvije se niti susreću u najtemeljnijim člancima područja, koji često čine oboje istovremeno.

Uobičajene zablude

„Nalaz da je alat djelovao teorijski je doprinos.“ Nije, i razlog je strukturni. Ako propozicije okvira predviđaju razlike među konfiguracijama, studija koja izvješćuje samo o prosječnom učinku ne može ih potvrditi ni opovrgnuti — nacrt ne može vidjeti razliku o kojoj teorija govori. Ispitivanje koje pokaže prosječni dobitak kaže da se nešto dogodilo, ali ne koji je mehanizam to uzrokovao, pa teorija ostaje točno onoliko potkrijepljena koliko je bila i prije.

„Primjena etablirane teorije na umjetnu inteligenciju jest razvoj teorije.“ Problem upotrebe teorije na ovoj stranici kaže suprotno: primjena nije unapređenje, a ponavljajući obrazac područja jesu posuđeni konstrukti rabljeni kao rječnik, a ne kao provjerljiva predviđanja. Razlika je važna jer posuđeni okvir koji ne može proizvesti opovrgljivu razliku jest ukras, a ne teorija.

„Postojeće taksonomije pedagoške funkcije umjetne inteligencije već pokrivaju ono što ti sustavi čine.“ Ne pokrivaju velik dio toga. Među 154 publikacije s klasificirajućom funkcijom primjene, 90 (58,4 %) izmaklo je četirima kategorijama prethodnog okvira, zbog čega noviji rad križa funkciju s delegiranom kontrolom, epistemičkom pozicijom i ugrađenom pedagogijom. Taksonomija koja pogrešno klasificira gotovo tri od pet slučajeva ne može služiti kao zajednički rječnik područja, a praznina je nalaz o fenomenu, a ne praznina u radu.

Implikacije za praksu

Za nastavnike i dizajnere nastave

• Kada studija izvijesti o prosječnom učinku, ne tretirajte ga kao smjernicu za svoju konfiguraciju. Tvrdnje na razini teorije odnose se na razlike među konfiguracijama, a prosjek vam ne može reći koju od njih vodite.
• Za svaki okvir koji usvojite, pitajte predviđa li nešto što se u vašem okruženju može pokazati netočnim. Ako ne može, neće vam pomoći ništa odlučiti.
• Očekujte da će postojeće kategorije promašiti vaš slučaj; više od polovice klasificiranih publikacija nije se uklopilo u standardnu četverodijelnu podjelu.

Za programere

• Izvješćujte konfiguracije, a ne jedan naslovni učinak. Ako vaš dizajn utjelovljuje određenu kombinaciju delegirane kontrole i epistemičkog stava, recite to — to je jedinica kojoj teorija govori i jedinica koju drugi tim treba za reproduciranje.
• Ne marketirajte tvrdnju o mehanizmu na temelju prosječnog ishoda; vrsta dokaza koja je potrebna za mehanizam jest kontrast, a ne srednja vrijednost.

Za istraživače

• Dizajnirajte kontraste konfiguracija ako namjeravate dati teorijski doprinos. Ispitivanje prosječnog učinka objavljeno kao razvoj teorije najčešći je i najmanje koristan proizvod područja.
• Svakom okviru koji uvedete pridružite izričite opovrgljive propozicije i izvijestite koje bi ih razlike među konfiguracijama opovrgle.

Povezani koncepti

• Learning Theories
• Filozofija umjetne inteligencije u obrazovanju
• Ograničenja u istraživanjima umjetne inteligencije u obrazovanju
• Research Methods in AIED
• Generative AI
• Constructivism
• Metacognition
• Kognitivno rasterećenje
• Learning Gains
• Umjetna inteligencija u obrazovanju
• AI Ed Evaluation
• Community of Inquiry
• Kognitivna predaja

Povezani članci

• Artificial Intelligence in Higher Education (2019–2026): A Systematic Review of Applications and an Evidence-Derived Multi-Axial Taxonomy — proširenje funkcionalne taksonomije: 90 od 154 klasificiranih publikacija (58,4 %) pada izvan izvornih četiriju kategorija (Ranieri i Biagini 2026.)

• Agentivism: a learning theory for the age of artificial intelligence — teorija učenja srednjeg dosega za interakciju čovjeka i umjetne inteligencije, s četiri mehanizma i šest provjerljivih propozicija (Yan i Gašević 2026.)

• Deceptive overgeneralization: When adaptive learning enables systematic misapplication — obmanjujuća pregeneralizacija: adaptivno ovladavanje može zaustaviti vježbu prije nego što učenici znaju kada treba suzdržati radnju (An, McLaren i Stamper 2026.)

• Reclaiming epistemic agency: A critical framework for human-generative AI co-agency in education

• Generativism: Toward a Learning Theory for the Age of Generative Artificial Intelligence — generativizam kao nova teorija učenja

• Learning with machines: Toward a theory of epistemic co-agency — prema teoriji epistemičke sudjelotvornosti

• Epistemic dependence in AI-mediated learning — relacijska epistemička djelotvornost i granica produktivnog oslanjanja i štetne ovisnosti (Du i Yuan 2026.)

• The Absent Cognitive Baseline: Theorizing a Structural Gap in AI-Native College Students' Academic Self-Assessment — odsutna kognitivna osnovica (ACB)

• The Tragedy of the Cognitive Commons: How AI Could Disrupt the Regeneration of Professional Expertise — kognitivno zajedničko dobro i regeneracija stručnosti

• Distinguishing performance gains from learning when using generative AI — izvedba nasuprot učenju

• Constructing Epistemic AI Literacy: Detecting Epistemic Aims and Processes in Student-AI Co-Programming — epistemička pismenost o umjetnoj inteligenciji (EAIL)

• What Does the Credential Still Certify? Cognitive Stewardship for AI-Mediated Education — vjerodajnice i kognitivno upravljanje

• Artificial intelligence as a cognitive partner: a developmental framework for human-AI co-regulation in learning — umjetna inteligencija kao kognitivni partner u suregulaciji

• From Prompting to Epistemic Proactivity: Temporal Trajectories of Student-AI Interaction in Mathematics Learning — epistemička proaktivnost u matematici

• Framing human-AI dynamics: An epistemological perspective on generative AI practices — sedam paradigmi angažiranosti čovjeka i generativne umjetne inteligencije utemeljenih u epistemološkim uvjerenjima

• The critical-thinking paradox in generative AI-integrated learning: distinguishing efficiency from cognitive depth — a differentiated framework and testable propositions — paradoks kritičkog mišljenja

• Reimagining Success and Failure: Equitable Assessment Practices in an Age of Artificial Intelligence — pravedna procjena pod generativnom umjetnom inteligencijom

• Thinking—fast, slow, and artificial: How AI is reshaping human reasoning and the rise of cognitive surrender — teorija triju sustava i kognitivna predaja: kako umjetna inteligencija preoblikuje ljudsko rezoniranje (Shaw i Nave 2026.)

• Reconceptualizing community of inquiry in the age of generative artificial intelligence — rekonceptualizacija zajednice istraživanja u doba generativne umjetne inteligencije

• Navigating uncertainty: university teachers' experiences and perceptions of generative artificial intelligence in teaching and learning — iskustva i percepcije generativne umjetne inteligencije sveučilišnih nastavnika: ranjivost, promišljanje procjene, učenje studenata u opasnosti (Farazouli i sur. 2026.)

• The evolution of research on AI and education across four decades: Insights from the AIxEd framework

• Alternative AI Philosophy: Daoism as Method for AI in Education — alternativna filozofija umjetne inteligencije: daoizam kao metoda za umjetnu inteligenciju u obrazovanju

• EduBehaviors: Assertion-based Schemas for Auditable Coding of Educational Dialogues — EduBehaviors: sheme utemeljene na tvrdnjama za provjerljivo kodiranje obrazovnih dijaloga

• Metacognitive Ownership in Human-AI Regulation: Construct Definition, Boundaries, and a Research Agenda — metakognitivno vlasništvo: definicija konstrukta, granice i istraživački program

• The synthetic position: generative artificial intelligence and the suspension of self-authorship in emerging adulthood — sintetička pozicija: dijaloški prijedlog selfa koji imenuje sintetičku promociju i autorsku suspenziju s unakrsnim predviđanjem

• A Capability–Decision Model of teacher readiness for AI integration in teaching — opovrgljiv model spremnosti nastavnika koji polazi od sposobnosti, s četiri uvjeta opovrgavanja

• Artificial Intelligence Connectedness: Theoretical Reconstruction of Connectedness and Its Impacts on Adolescent Mental Health — povezanost s umjetnom inteligencijom: trodimenzionalni konstrukt sa šest opovrgljivih propozicija za kasnije testiranje

• From Answer Generation to Cognitive Partnership: A Conceptual Framework for Human–AI Learning — ciklus kognitivnog partnerstva

• The friction paradox: generative AI and the educational value of difficulty in education abroad — poželjne teškoće i produktivni neuspjeh primijenjeni na interpretativnu djelotvornost u obrazovanju u inozemstvu

• Revisiting Pedagogical Content Knowledge (PCK) development for the age of generative AI — Tri vinjete i novi konstrukt, pseudo-cPCK, za izlaz koji oponaša kolektivno validirano znanje bez jamstva (Webb et al. 2026)