Kako osmisliti razvoj nastavnika za umjetnu inteligenciju koji stvarno mijenja praksu?

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

Veljača je. Vaš prorektor je najavio inicijativu za umjetnu inteligenciju s proračunskom stavkom, a vi imate jedan semestar da se to pokaže u učionicama. Ili ste prošle jeseni održali šest radionica, sobe su bile pune, a nastava kojoj prisustvujete nije se promijenila. Ili dekan u vrijeme proračuna postavi jednostavno pitanje: što je novac kupio?

Sva tri slučaja dolaze iz iste greške u dizajnu. Radionica pokazuje ljudima što alat radi. Praksa se mijenja kada nastavnik provede potpomognuto, strukturirano vrijeme na problemu na vlastitom kolegiju, dovoljno dugo da nova navika potisne staru, uz ustanovu koja eksperimentu kaže da, a ne da ga samo tolerira.

Osnovni zaključak za sastanak: standardizirajte ciklus radionica u kojem svaki sudionik donosi stvarni materijal sa svog kolegija i odlazi s prerađenim, smjestite provjeru, otkrivanje i kontrolu rizika u radni dokument umjesto u završni govor o etici, rastegnite program preko jednog dana i povežite ga s mentorstvom, vodite kohorte vezane uz disciplinu i izvijestite o materijalima koje su ljudi izradili na naknadnom susretu, a ne o tome koliko su samouvjereni bili posljednjeg poslijepodneva.

Kratka verzija

1. Učvrstite svaku radionicu u materijalu s vlastitog kolegija sudionika i završite radionicu s tim materijalom prerađenim.

2. Stavite provjeru, otkrivanje i kontrolu rizika u radni predložak, gdje se doista rabe, tako da zabrinuti sudionik ima kamo staviti svoju brigu.

3. Potrošite sate na procjenu i rubrike, najslabije područje na početku i ono s najvećim izmjerenim napretkom.

4. Vodite kohorte vezane uz disciplinu, a zatim ih iznutra razlikujte prema iskustvu.

5. Osigurajte uvjete: izrečeno dopuštenje za eksperimentiranje, zaštićeno vrijeme, materijale na jezicima na kojima vaši nastavnici rade.

6. Evaluirajte prerađene materijale s odgodom, uz jedan relacijski pokazatelj, a ocjene zadovoljstva tretirajte kao šum.

Vodite svaku radionicu na kolegiju samog sudionika

Najčišća usporedba ovdje jest Bi i sur. (2026.), koji su anketirali 568 nastavnika na pet sveučilišta i proveli kvazieksperiment sa njih 160. Obje su skupine dobile četiri radionice od 90 minuta u uzastopnim tjednima, s identičnim vremenom kontakta, platformom i potporom voditelja. Sadržaj se razlikovao. Jedna je skupina dobila konvencionalni razvoj nastavnika za generativnu umjetnu inteligenciju, a druga strukturirani ciklus oblikovanja upita, pregleda izlaza, prerade materijala kolegija i pisanog osvrta prema predlošku sa sedam sastavnica koji pokriva ciljeve, ograničenja zadatka, kriterije procjene, provjeru, otkrivanje i kontrolu rizika.

Strukturirana je skupina postigla više na svih sedam dimenzija spremnosti. Njezina je najveća prednost bila u osmišljavanju upita, na otprilike dvije standardne devijacije, i bila je jedina skupina čiji je napredak u osmišljavanju upita preživio odgođeno testiranje; manji napredak konvencionalne skupine pao je ispod početne razine do naknadnog mjerenja.

Još dva rezultata objašnjavaju zašto se demonstracije ne prenose. U studiji unutar ispitanika s 13 nastavnika u visokom obrazovanju pristup chatbotu podigao je udio aktivnosti koje dosežu dva ili više viših zadataka po Bloomovoj taksonomiji s 41,7% na 91,7% (p = 0,01) i smanjio percipirani kognitivni napor s medijana 6,33 na 3,33 (p = 0,004). Pedagoška obuka oblikovanja upita dodana povrh toga nije dodatno poboljšala kvalitetu dizajna i malo je povećala napor. U međuvremenu je u radionici sa 60 nastavnika prirodoslovnih predmeta u osnovnoj školi produktivan element bio zajednički pregled ispitnih pitanja koje je generirao ChatGPT, što je iznijelo na vidjelo probleme konceptualne preciznosti i rizik od učvršćivanja pogrešnih predodžbi.

Ono što je tim studijama zajedničko: učenje je došlo iz kritike i prerade materijala. Ljudi poboljšavaju stvar koja je pred njima, i to brže kada je čita i kolega.

Prestanite tretirati vještinu kao dio koji nedostaje

Primamljiva je dijagnoza jaz u sposobnostima koji se zatvara boljom podukom. Bai i Hsieh (2026.) anketirali su 898 sveučilišnih nastavnika na skalama AI-TPACK i našli da nastavnici koji su razumjeli kako generativni alati rade, ili su njima kompetentno upravljali, nisu ništa vjerojatnije izvješćivali o osmišljavanju i primjeni novih nastavnih praksi od onih koji to nisu mogli. Integriran konstrukt AI-TPACK uopće nije imao izravan put do inovativnog ponašanja. Njegov je utjecaj išao u cijelosti kroz pismenost u području umjetne inteligencije, nastavničku samoefikasnost i profesionalni identitet.

To mijenja čemu radionica služi. Obilazak alata ne dotiče nijedno od to troje. Radionica u kojoj nastavnik prepisuje vlastiti zadatak, brani tu promjenu i čuje kolegu koji se slaže da je bolje dotiče sve troje odjednom, zato ciklus s materijalom nadmašuje demonstraciju i onda kada je sadržaj tanji.

Implikacija za dizajn neugodna je za svakoga s prezentacijom: ne možete nastavnika izgovoriti u to da sebe vidi kao vrstu nastavnika koji ovako radi. Možete ga staviti u situaciju u kojoj tako postupa jednom, uz potporu, i pustiti da se dokazi nakupe.

Stavite teške dijelove u predložak koji rabe

Doganov (2026.) okvir i-TPACK proizlazi iz PRISMA pregleda profesionalnog razvoja za umjetnu inteligenciju i pretraživanja koje je iznijelo još 17 studija. On usklađuje pet domena znanja (inteligentno tehnološko znanje, tehnološko znanje sadržaja, tehnološko pedagoško znanje, integrirani i-TPACK i etiku umjetne inteligencije) s četirima putovima utemeljenima na dokazima: aktivno učenje, modeli i primjeri, savjetovanje i stručna potpora te povratna informacija i osvrt, a upravlja njima pet načela od kolektivne sinergije umjesto silosa do fleksibilnosti unutar strukture.

Najoštrija kritika tog okvira upućena području jest da se etika u mnogim postojećim programima obrađuje površno ili je posve odsutna, a rješenje je u smještaju. Provjera, otkrivanje i kontrola rizika pripadaju u dokument koji sudionici rabe cijeli tjedan, a ne u posljednjih 20 minuta posljednje radionice. Predložak sa stupcem za kontrolu rizika biva ispunjen; završni dio o odgovornoj upotrebi dobiva samo kimanje glavom.

Ograničenje tog okvira jest to što je konceptualan, bez podataka o ishodima na razini programa. Rabite ga kao popis za provjeru dizajna, a ne kao dokaz da dizajn djeluje. Dokazi o ishodima nalaze se u studijama iznad i ispod.

Potrošite sate na procjenu

Ako vaš program ima mjesta za jednu dubinsku temu, odaberite procjenu. U osmosatnom programu Talebzadeha (2026.), četiri dvosatna susreta sa 163 nastavnika i budućih nastavnika, ukupni AI-PCK porastao je sa 151,65 na 220,14 (d = 2,36, p < 0,001). Najveći učinak sastavnice imale su rubrike za procjenu (d = 2,19), koje su ujedno bile najslabije područje na predtestu. Napredak je bio uži u nastavnoj metodi nego u procjeni.

Rubrike su i mjesto na kojem se tjeskoba u sobi može staviti u pogon. Sudionik koji je nelagodan zbog toga što se studenti oslanjaju na model može napisati crtu rubrike koja čini zaključivanje vidljivim, što zabrinutost pretvara u dizajnersku odluku s datumom.

Planirajte proračun preko jednog dana. U istom su programu budući nastavnici napredovali znatno više od iskusnih (p = 0,033), uglavnom u osmišljavanju scenarijskih zadataka i osmišljavanju rubrika. Iskusni su nastavnici rekli da je osam sati prekratko za promjenu duboko ukorijenjenih navika i tražili dugoročnu potporu utemeljenu na mentorstvu.

Izgradite kohorte, a zatim ih iznutra razlikujte

Održite li jednu univerzalnu radionicu, većinu ćete potrošiti služeći medijalnog sudionika, koji ne postoji. Sutedjo, Chowdhury i Liu (2026.) našli su među 127 ispitanika da je samopercipirano pedagoško znanje sadržaja visoko (M = 4,70), a znanje sadržaja blizu gornje granice (M = 5,15), dok su tehnološko pedagoško znanje (M = 2,62), tehnološko znanje sadržaja (M = 2,75) i holistički TPACK (M = 2,55) bili znatno niži. Znanje sadržaja nije pokazalo značajnu korelaciju ni s jednom tehnološki integriranom domenom (r = 0,11 do 0,15), pa se vladanje predmetom ne prenosi.

Te su tri niske domene bile međusobno korelirane r = 0,81 do 0,91, što uvjerljivo znači jednu sposobnost poučavanja s tim alatima, a ne tri odvojene vještine. Poučavate li to kao zajednički temelj, štedite dva susreta.

Zatim podijelite prema iskustvu. Bai i Hsieh našli su da je profesionalni identitet predviđao inovativno ponašanje gotovo dvaput snažnije među rijetkim korisnicima umjetne inteligencije nego među svakodnevnim korisnicima, granični rezultat, ali koristan putokaz: rad na identitetu najviše se isplati s ljudima koji alate jedva dotiču, dok česti korisnici dobivaju više od interdisciplinarnih projekata nego od temeljnog usmjeravanja. Laidlaw (2026.) zagovara kohorte vezane uz disciplinu kao okruženje upravo za taj razgovor, uz obrazloženje da fizičar i povjesničar ne rješavaju isti problem.

Otvorite pitanjem koje skeptici postavljaju

Laidlawin (2026.) autoetnografski prikaz zastupa tezu da otpor nije manjak vještina. Nastavnici koji pitaju koja je svrha poučavanja u svijetu generativne umjetne inteligencije ne pitaju kako sigurno rabiti alat; pitanje je ontološko. Ona čita generativnu umjetnu inteligenciju kao granični koncept (transformativan, problematičan, nepovratan, integrativan, omeđen) i zaključuje da su tjeskoba, otpor i zbrka nužni dijelovi njegova prelaženja, a ne pogreške koje treba ispraviti. Njezine preporuke preokreću standardnu radionicu: otvorite pitanjima identiteta umjesto demonstracijama, vodite kohorte vezane uz disciplinu, dopustite različite vremenske okvire i tretirajte načelno neusvajanje utemeljeno na disciplinarnim vrijednostima kao legitimno. Upozorava i da komunikacija pravila može skliznuti u „iluziju provedbe“ koja poruke o usklađenosti zamjenjuje potporom.

Krivnja je mjerljiva i nije ravnomjerno raspoređena. Vassallo (2026.) anketirala je 109 akademskih djelatnika i identificirala „kompleks krivnje zbog umjetne inteligencije“: 35% je brinulo da upotreba umjetne inteligencije potkopava njihov kredibilitet, a 26% je izvijestilo da se osjeća kao da „varaju“, pri čemu anticipatorna krivnja zbog kredibiliteta nadmašuje kajanje nakon upotrebe, pa je neugoda društveno-profesionalna, a ne privatna. Pokazala su se četiri profila: ugodni usvajači (27%), krivi nekorisnici (29%), oprezni korisnici (28%) i moralno uznemireni izbjegavatelji (16%). Jedan program rješava četiri različita problema, a 29% onih koji osjećaju krivnju dok ne rabe alate treba nešto drugo osim demonstracije.

Veličina zadatka vidljiva je u anketi AAC&U i Elona na 1.057 nastavnika (Watson i Rainie, 2026.): 68% je reklo da njihove ustanove nisu pripremile nastavnike za upotrebu generativne umjetne inteligencije u poučavanju i mentorstvu, uz sličan udio za znanstveni rad. 26% ispitanika uopće ne rabi alate, uključujući 40% nastavnika umjetnosti i humanistike, a 82% navodi otpor kolega kao prepreku usvajanju na razini odjela.

Popravite uvjete koje nastavni plan ne može popraviti

To je nalaz koji treba donijeti na sastanak rukovodstva. U anketi sa 568 nastavnika koja stoji iza gornje usporedbe kazaški su nastavnici izvijestili o višoj početnoj spremnosti od svojih kineskih kolega na svih sedam dimenzija, s najvećim razlikama u disciplinarnom prijenosu, osmišljavanju upita i osnovnom razumijevanju. U hijerarhijskoj regresiji koeficijent za Kazahstan, sam po sebi jasno značajan, pao je na razinu neznačajnosti kada su u model ušli prethodna upotreba generativne umjetne inteligencije, nedavna obuka o umjetnoj inteligenciji, institucionalna potpora, percipirano dopuštenje, pristup višejezičnim materijalima, jasnoća pravilnika i osjetljivost na rizik. To je smanjenje od otprilike četiri petine. Institucionalna potpora i percipirano dopuštenje nosili su najveću pozitivnu težinu, a osjetljivost na rizik bila je jedini prediktor koji je djelovao protiv spremnosti. Više nego dvaput toliko kazaških nego kineskih nastavnika izvijestilo je o obuci vezanoj uz umjetnu inteligenciju u prethodnih šest mjeseci.

Poluge dostupne voditelju programa zato su lokalne i bliže: praktična vježba, izričito dopuštenje za eksperimentiranje, materijali na jezicima na kojima nastavnici doista rade, vidljiva potpora jedinice. Nacionalni okvir politike sam po sebi ne nosi spremnost. Tamo gdje osjetljivost na rizik grize, odgovor je dati joj mjesto na kojem se može vježbati, a ne odgovarati je od opreza, a osmišljavanje rubrika i rutine provjere to su mjesto.

Dva praktična trenja pripadaju istom razgovoru. Namjera nastavka upotrebe bila je najviše ocijenjena dimenzija zadovoljstva u radu Bija i sur. (2026.), dok je upotrebljivost alata bila najniža, pa je dio onoga što izgleda kao nevoljkost trenje platforme. I Aponte i sur. (2026.) lociraju tvrdu granicu: umjetna inteligencija ne može nadoknaditi kroničnu preopterećenost, kaznenu kulturu odgovornosti, slabu vodeću strukturu ni odsutnost zaštićenog vremena. Tvrdi da ona pridonosi socioemocionalnom razvoju nastavnika samo kao relacijska infrastruktura (zaštićeno vrijeme za mentorstvo, dijalog među kolegama, zajednice prakse) i predlaže relacijsko zgusnjavanje kao standard, koji broji povjerenje, kontinuitet potpore i suregulaciju, a ne sate kontakta. Dvije se tvrdnje prevode u dizajn programa: oslobođeno se vrijeme reapsorbira kao dodatni zahtjev ako ustanova formalno ne zahtijeva da se ono reinvestira, a razgovorni agenti mogu neprimjetno zamijeniti teške ljudske pregovore koji proizvode rast. Njihov je okvir heuristika, a ne testirana uzročna tvrdnja.

Ako su ti uvjeti vaši, bolja radionica ih neće popraviti, i reći to korisnije je nego obećavati suprotno.

Izvijestite o materijalima s odgodom

Institucionalni okvir s kojim se vrijedi uskladiti jest Crompton, Burke i Nickel (2026.), čije je istraživanje utemeljeno na dizajnu kroz dva makrociklusa i 114 sudionika (nastavnici s 28 američkih ustanova i iz 11 zemalja, plus ravnatelji centara za poučavanje i koordinatori akreditacije) dalo šest standarda koji pokrivaju cijelu akademsku ulogu: nastavnik, koordinator, vođa, istraživač, učenik i suradnik. Postojeći okviri i standardi za edukatore ciljaju na nastavnike u osnovnim i srednjim školama ili obrađuju samo poučavanje, pa se centar koji svoju ponudu preslika na te standarde može preslikati i na ocjenjivanje rada i akreditaciju, što je ujedno argument koji preživljava proračunski pregled.

Zatim pazite kako evaluirate, jer većina te literature mjeri samoprijavljene dojmove. Bi i sur. mjerili su samoprijavljenu spremnost, a ne provedeno poučavanje, a njihove su se skupine formirale dobrovoljnom prijavom, a ne randomizacijom, pa su rezultati asocijacije. Bai i Hsieh istraživanje je poprečno, samoselektirano, iz osam sveučilišta u jednoj zemlji, i svaki je konstrukt izmjeren na istim ispitanicima u istom trenutku. Sutedjo i kolege ne mogu utvrditi smjer uzročnosti, što je važno jer njihova najsnažnija tvrdnja, da tehnološko znanje djeluje kao ulazna vrata, jest upravo ono što poprečni dizajn ne može razriješiti. Talebzadeh izvješćuje o vrlo velikim učincima bez randomizacije, naknadnog mjerenja ili raščlambe na razini discipline, pa se d = 2,36 čita kao kratkoročan. Laidlaw je autoetnografski, a Aponte i sur. navode da je njihov okvir konceptualan.

Obranjiva evaluacija zato mjeri materijale kolegija koje je sudionik preradio, napisane rubrike, osmišljene zadatke. Testira s odgodom, jer se razlika u radu Bija i sur. pokazala tek na naknadnom mjerenju, gdje je konvencionalna skupina nazadovala, a strukturirana nije. Zadovoljstvo i samopouzdanje tretira kao slabe signale, jer Pishtari i kolege (2026.) primjećuju da sam porast kvalitete ne dokazuje internalizaciju: rastuća kvaliteta dizajna jednako može odražavati delegiranje rutinskog posla ili prihvaćanje strukture koju je generirala umjetna inteligencija. I dodaje barem jedan relacijski pokazatelj, slijedeći Aponte i sur., jer poboljšavati materijale dok se sudionike izolira nije ono što je program tvrdio da radi.

Što voditelji programa pogrešno razumiju

Bolja demonstracija jest bolja radionica. Vrijeme kontakta držano je konstantnim na četiri susreta od 90 minuta u usporedbi Bija i sur., a skupina koja je prerađivala materijale pobijedila je skupinu koja je učila o alatima na svakoj dimenziji spremnosti, pri čemu je samo jedan od dvaju napredaka bio vidljiv na naknadnom mjerenju.

Samopouzdanje je ishod koji je važan. Najlakše ga je pomaknuti i najmanje predviđa. U studiji s 13 nastavnika percipirani je napor pao, dok sloj obuke o upitima nije dodao nikakvu izmjerenu kvalitetu dizajna, a ocjene na kraju dana zabilježile bi oboje kao uspjeh.

Etika je završni dio. Doganov je pregled našao da se etika obrađuje površno ili da je odsutna u mnogim ponudama, a razlika između stupca u predlošku i završnog slajda jest u tome rabi li to itko u trećem tjednu.

Jedan program može služiti cijelom nastavničkom zboru. Anketa sa 127 nastavnika opisuje znanje sadržaja blizu gornje granice uz holistički TPACK od 2,55, a četiri Vassallina profila uključuju 29% onih koji osjećaju krivnju dok ne rabe alate. Jedna radionica tretira četiri publike kao jednu.

Skeptici su prepreka kojom treba upravljati. Laidlawin prikaz smješta otpor na razinu identiteta, a Bai i Hsieh našli su da identitet predviđa inovaciju gotovo dvaput snažnije među rijetkim korisnicima. Ljudi koje najviše želite u sobi upravo su oni koje demonstracija učvršćuje u njihovoj sumnji.

Institucionalni mandat nosit će program. Kazaški je koeficijent pao za otprilike četiri petine kada su u model ušli institucionalna potpora i percipirano dopuštenje, a ta su dva čimbenika nosila najveću pozitivnu težinu. Mandat nije isti signal kao dopuštenje.

Što će vam se vratiti

„Nemamo sate.“ Onda ih potrošite drukčije, a ne dodajte. Šest sati raspoređenih kao ciklus s materijalom pobijedilo je šest sati demonstracija na identičnom vremenu kontakta, a kraći format potrošen na rubrike za procjenu cilja najslabije područje u Talebzadehovim podacima s predtesta.

„Naši nastavnici neće doći, ili će skeptici to izvesti iz tračnica.“ Ako skeptike regrutirate u demonstraciju, potvrđujete sumnju koja ih je tamo dovela. Otvorite pitanjima identiteta, vodite kohorte vezane uz disciplinu, dopustite različite vremenske okvire i izgovorite naglas da je načelno neusvajanje legitiman stav. To je Laidlawina preporuka i ona uklanja argument o usklađenosti sa stola. Očekujte da će rad na identitetu najviše značiti rijetkim korisnicima, prema Baiju i Hsiehu.

„Ne možemo natjerati ljude da to primijene.“ Uglavnom ne možete, ali možete promijeniti što ustanova signalizira. Percipirano dopuštenje i institucionalna potpora nosili su najveću pozitivnu težinu nakon što se učinak nacionalnog podrijetla urušio, pa su korisni potezi oni jeftini: izjavite da je eksperimentiranje odobreno, formalno zaštitite vrijeme da se ne reapsorbira, osigurajte materijale na radnim jezicima nastavnika i uklonite trenje platforme, koje je bilo najniže ocijenjena dimenzija u istoj studiji.

„Naša anketa na izlazu je snažna.“ Zadovoljstvo je mjera koja najvjerojatnije raste dok ništa drugo ne raste. Zatražite umjesto toga materijale iz prošle kohorte i ponovno kontaktirajte te sudionike semestar kasnije; razlika u radu Bija i sur. postojala je samo na naknadnom mjerenju.

Što učiniti ovaj tjedan

1. Prepisujte poziv tako da pohađanje zahtijeva donošenje jednog materijala s kolegija: cilja, rubrike ili zadatka procjene.

2. Prepisujte dnevni red tako da prvi susret počinje na tom materijalu, i dodajte provjeru, otkrivanje i kontrolu rizika kao stupce u predložak koji sudionici nose cijeli tjedan.

3. Premjestite jedan susret na osmišljavanje rubrika i procjene i pustite da sudionici odu s napisanom rubrikom.

4. Pribavite jednu rečenicu u pisanom obliku od dekana ili prorektora da je eksperimentiranje odobreno, zatim formalno zaštitite sate da se ne reapsorbiraju.

5. Postavite evaluaciju tako da prikuplja prerađene materijale i da ponovno kontaktira sudionike semestar kasnije, s jednim pitanjem o tome s kim sada rade.

Kamo dalje

Kompetencije nastavnika za umjetnu inteligenciju pokriva sam cilj kompetencija, a Nastavnička kompetencija za umjetnu inteligenciju i Obrazovni razvoj nose okvirni materijal iza njega. Za strukturiranje umjetne inteligencije u kolegij, a ne u radionicu, pogledajte Osmišljavanje umjetne inteligencije u učenje; za širu institucionalnu sliku, Deset glavnih nalaza o umjetnoj inteligenciji u obrazovanju za nastavnike i Institucionalni pravilnik o umjetnoj inteligenciji.