Kako spriječiti pretjerano oslanjanje učenika na umjetnu inteligenciju?

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

Učenik briljira na problemskom zadatku za domaću zadaću, a polovicu ispita ostavi praznom. Netko preda izvještaj iz laboratorija kroz koji ga ne možete provesti, ili blok koda koji ne može objasniti red po red. Kolega želi zabraniti alat na kolegiju prve godine, a vi odvagnete što to stoji učenike koji se na njega najviše oslanjaju.

Kratko: pretjerano oslanjanje uglavnom je pitanje smještaja alata u zadatak. Rješenja koja ga smanjuju stavljaju učenički pokušaj ispred alata, konfiguriraju umjetnu inteligenciju da daje nagovještaje umjesto odgovora, čine provjeru obveznim dijelom uratka i čuvaju jedan ocijenjeni trenutak u kojem alata nema.

Kratka verzija

1. Stavite učeničke vlastite ideje, hipotezu ili grubu skicu pred alat prije nego što se on otvori.

2. Konfigurirajte umjetnu inteligenciju da daje nagovještaje, postavlja pitanja i nudi primjere gdje god je ciljna vještina ono što ocjenjujete.

3. Učinite provjeru uratkom s vlastitim retkom u zadatku.

4. Ocijenjeni trenutak neka bude bez alata, a rad uz pomoć usporedite s njim.

5. Vremenski smjestite pitanje za promišljanje u fazu zadatka koju još može promijeniti.

6. Pogledajte koga vaš dizajn ostavlja za sobom, po prethodnom znanju, a ne po prosjeku.

Utvrdite imate li problem ili samo intenzivnu upotrebu

Kognitivno rasterećenje je prijenos kognitivnog zahtjeva na vanjski alat, čime se oslobađaju ograničeni mentalni resursi za drugi rad. Guo i Ye (2026) promatraju taj konstrukt kroz dinamički metakognitivni model Nelsona i Narena, u kojem praćenje težine pokreće odluku o rasterećenju na unutarnju ili vanjsku strategiju. Rasterećenje je samoregulacijski izbor, a kvar zbog kojeg vrijedi brinuti jest neusklađenost kalibracije; sam obujam malo vam govori.

Biswas (2026) modelira oslanjanje kao tri radnje: rješavati sam, prihvatiti odgovor umjetne inteligencije bez provjere ili ga upotrijebiti i provjeriti. Kalibracija zakaže u oba smjera. Pretjerano oslanjanje znači prihvaćanje pogrešnog izlaza, a premalo oslanjanje znači odbacivanje korisne umjetne inteligencije nakon što pogriješi. Kolektivno pretjerano oslanjanje je populacija koja je napustila provjeru, a budući da se sirovo pretjerano oslanjanje razilazi sa žaljenjem, intenzivna je upotreba spojiva s dobrim ishodima. Učenik koji svaki odgovor umjetne inteligencije provjerava prema vašim materijalima nije vaš problem. Onaj koji preda prvu skicu modela jest.

Lodge i Loble (2026) opisuju mehanizam kao „tečnost na zahtjev“: koherentan, samouvjeren izlaz koji zaobilazi poželjne poteškoće dosjećanja, razrade i generiranja, kroz koje se znanje konsolidira. Njihov paradoks učinka jest da rad uz pomoć djeluje tečno i da učenici u trenutku postižu dobre rezultate, a zadržavaju manje, što nazivaju iluzijom kompetentnosti. Imenuju metakognitivnu lijenost (prema Fan i sur. 2024), gdje udobnost omogućuje učenicima da se odreknu samoregulacijskih procesa koje trebaju razviti.

Razlikovanje u vlastitom kolegiju zahtijeva usporedbu, a ne broj. Tražite rad koji je bolji od učeničkog ranijeg rada, a slabiji od njegova objašnjenja tog rada: jak problemski zadatak nakon kojeg slijedi slab ispit, uglađen izvještaj o kojem učenik ne može razgovarati, točan odgovor koji se ne može ponoviti na sličnom zadatku. Nijedan obrazac sam po sebi ništa ne dokazuje. Dva ili tri zajedno opravdavaju promjenu dizajna.

Većina onoga što ovdje možete izmjeriti jesu samoizvješća. Gerlich (2025) anketirao je 666 sudionika iz Ujedinjenog Kraljevstva uz 50 intervjua i našao da je upotreba umjetne inteligencije negativno povezana s kritičkim mišljenjem (r = -0,68), pri čemu rasterećenje djelomično posreduje (ukupni učinak b = -0,42; neizravni b = -0,25). Gao, Sun i Khan (2026) upotrijebili su podatke trovalne ankete s vremenskim odmakom od 623 kineska učenika, uz intervjue s edukatorima, i našli da djelotvorna upotreba umjetne inteligencije istodobno podiže održivi učinak učenja i pretjerano oslanjanje. Oba su dizajna korelacijska i oba to i kažu.

Bihevioralni su instrumenti slabije razvijeni. PAUSE (Alam, 2026) samoprovjera je samo u pregledniku, bez dokaza o pouzdanosti i valjanosti, a autori upozoravaju na valjanost čestica. Čestice bilježe kada i koliko često umjetna inteligencija ulazi u radni tijek, a ne je li učeničko vlastito rasuđivanje ostalo uključeno, pa će učenik koji namjerno gradi postupnu potporu s umjetnom inteligencijom na početku iskreno biti ocijenjen kao onaj koji rasterećuje. PAUSE također citira Offloading Score Padmakumara i sur. (2026), koji procjenjuje udio napora rasterećenog iz bihevioralnih zapisa (n = 40 programera). Ono što želite znati jest što učenik može bez pomoći.

Stavite učenički pokušaj ispred alata

Najjasniji ispitani slijed jest „prvo misli, ChatGPT kasnije“. Wong i Qiu (2026) rasporedili su N = 196 učenika na samostalan rad, na slobodnu upotrebu ChatGPT-a ili na regulirani uvjet: generirajte vlastite ideje, surađujte s ChatGPT-om na njihovu poboljšanju i procjeni, zatim samostalno doradite i predajte jedno rješenje. Skupina sa slobodnom upotrebom proizvela je više kreativnog rada na potpomognutom zadatku, a pala na razinu rada bez alata na kasnijem, težem zadatku koji je rješavala bez ChatGPT-a. Regulirana skupina nije pokazala neposrednu prednost, ali je poslije nadmašila obje druge skupine u samostalnoj kreativnosti.

Podatci o upitima objašnjavaju razliku. U reguliranoj skupini 88,6% upita bilo je suradničko, i to je bila jedina vrsta upita značajno povezana s kasnijom samostalnom originalnošću. U skupini sa slobodnom upotrebom 70,9% upita bilo je nesuradničko, a 59,6% jednostavno je tražilo od ChatGPT-a da izravno generira ideje. Isti alat, upitan na dva različita načina, proizveo je dva različita učenika.

Na vašem listu zadatka to postaje uputa o slijedu: prvo ideje, hipoteze ili gruba skica, zatim alat. Rečenica na vrhu stranice dovoljna je, pod uvjetom da sljedeći korak prikuplja ono što je učenik napisao.

Dva detalja iz učionice odlučuju hoće li se slijed održati. Prvi je vrijeme. Ako se samostalna faza odvija izvan nastave, neki će učenici prvo otvoriti alat, a ideje zapisati poslije. Drugi je prikupljanje. Ako se iz te faze ništa ne predaje, slijed postoji samo na papiru. Polovica stranice bilješki, prikupljena na kraju nastave, dovoljna je da redoslijed postane stvaran.

Konfigurirajte alat da daje nagovještaje umjesto odgovora

Brcic i Frljic (2026) iznose najoštriju verziju argumenta o smještaju. Nezaštićeni pomoćnik s umjetnom inteligencijom ostavio je srednjoškolce oko 17% slabijima na ispitu bez pomoći od vršnjaka koji uopće nisu imali alat. Isti model, pregrađen tako da uskrati odgovore, uklonio je štetu, a dobro osmišljen tutor otprilike je udvostručio učenje. Njihova je dijagnoza upotrebljiva na svakom kolegiju: ako puštanje umjetne inteligencije čini zadatak bez napora, alat je na pogrešnom mjestu.

Zohar, Bloom i Inzlicht (2026) tom argumentu daju oblik. Tvrde da veza između napora i smisla ima oblik obrnutog U, pa je cilj gradijent: uklonite nepremostive prepreke i sačuvajte poteškoće koje proizvode razumijevanje i osjećaj vlasništva, s pomoći kao dopunom. Njihov je argument konceptualni komentar bez novih podataka, a odnos obrnutog U počiva na jednom empirijskom uporištu bez kvantifikacije, pa vam nitko ne može reći gdje se optimum nalazi za određenog učenika.

U praksi to znači zaštićenu umjetnu inteligenciju u sredini zadatka, gdje posao obavljaju nagovještaji, riješeni primjeri i zadatci za vježbu, i osiguranu provjeru na kraju. Time se i politika upotrebe umjetne inteligencije pretvara u pravilo o smještaju po vještini, koje je lakše napisati i lakše braniti od popisa zabrana.

Nagovještaj je pitanje o učeničkom sljedećem koraku, riješeni primjer sličnog zadatka ili pokazivač na relevantan odlomak. Odgovor je dovršena rečenica koju učenik može zalijepiti. Većina chatbotova opće namjene prema zadanim postavkama proizvodi drugo, u tečnoj prozi koja se čita kao pomoć, i zato je konfiguracija važnija od učeničkih namjera.

Zahtijevajte provjeru i učinite je vidljivom

Provjera je najjeftinija poluga sa stvarnom kauzalnom potporom. Biswas (2026) našao je da je vidljivost provjere pokrenula protukaskadu do gotovo potpune provjere: pretjerano oslanjanje palo je na 0,00, a žaljenje na 0,07. Smanjenje trenja pri provjeri bilo je najslabija poluga u istom modelu, jer je prepreka društvena, a ne mehanička. Poveznica na knjižnicu neće navesti učenika da provjeri tvrdnju.

Viberg i kolege (2026) našli su da učenici koji to već dobro rade provjeravaju izlaz prema materijalima kolegija, kolegama ili nastavnicima kad je točnost nesigurna. To je ponašanje koje možete zahtijevati. Upišite jedan redak u zadatak: što ste provjerili i prema čemu. Čitajte ga kao dio ocjene, i norma postaje vidljiva cijelom razredu, a ne samo savjesnoj manjini.

Taj redak daje vam i nešto na što se možete nadovezati. Kada učenik napiše da je provjerio tvrdnju prema tekstu kolegija, možete pitati na kojoj stranici. Kada napiše da se usporedio s kolegom, možete pitati što je kolega rekao. Stoji vas jedna rečenica. Pitanje koje slijedi jest ono zbog kojeg učenici to tretiraju kao rad.

Provjera treba i opseg. Provjeriti odgovara li tvrdnja tekstu kolegija drugi je čin od ponovnog čitanja rečenice zbog gramatike, a prvo je mjesto gdje model češće griješi. Recite koju od toga redak traži, ili ćete dobiti lekturu.

Pokažite jedan samouvjereni promašaj

Postavite zadatak na koji model samouvjereno daje pogrešan odgovor, a zatim neka razred provjeri taj odgovor prema tekstu kolegija. Djeluje jer pogreška dolazi istim glasom kao i točni odgovori. Dodajte dokaze poslije: nezaštićeni pomoćnik ostavio je učenike oko 17% slabijima na ispitu bez pomoći, a učenici koji su dobili GPT-4 riješili su više zadataka s alatom i postigli slabiji rezultat od kontrolne skupine nakon što im je alat uklonjen (PAUSE navodi Bastani i sur., 2025). Isti izvor dodaje da su Liu i sur. (2026) našli da je pomoć smanjila ustrajnost u randomiziranim kontroliranim pokusima (N = 1.222).

Odaberite promašaj koji je umjeren i provjerljiv, poput citata koji ne postoji, pogrešnog datuma ili izračuna koji se ne slaže. Zatim zamolite razred da napiše ispravak i provjeru kojom su ga pronašli. Taj napisani ispravak je uradak i govori vam mogu li provjeru izvesti bez vas nad glavom.

Ocijenjeni trenutak neka bude bez alata

Potpomognuti je proizvod slab pokazatelj sposobnosti, pa se barem jedan ocijenjeni trenutak mora odigrati bez alata. Kasniji zadatak bez pomoći u radu Wonga i Qiua (2026) to je mjerenje. Njihova skupina koja je radila samo ljudski također je pala na težem zadatku koji je slijedio, što isključuje jednostavnu verziju rješenja: ukloniti alat bez podrške učeniku nije intervencija.

Izmjenjivanje načina ima potporu. PAUSE navodi rezultat četvrtog susreta Kosmyne i sur. (2025), gdje su sudionici koji su radili samo glavom, a poslije upotrebljavali ChatGPT, nadmašili trajne korisnike LLM-a. Odgovornost djeluje i preko objašnjavanja: Makransky i sur. (2025) našli su da je tutorski chatbot koji je poticao učenike da povežu ideje i objasne svoje rasuđivanje proizveo bolji rezultat na procjeni od tradicionalne nastave.

Za kolegij: izmjenjujte. Rad uz pomoć u vježbi, rad bez pomoći tamo gdje se računa. Čitajte potpomognuti dio kao zapis o učinku u dobrim uvjetima, a dio bez pomoći kao dokaz o učenju. Njihova je usporedba i najkorisniji razgovor koji možete voditi s učenikom koji ne razumije ocjenu.

Raspored je ograničenje. Trenutak bez alata traži prostoriju, vrijeme i zadatak koji u njih stane, pa je najjeftinija verzija kratki rad u nastavi priložen zadatku koji već dajete. Zaseban ispit veća je obveza i obično nije potreban za prvi pokušaj s ovim.

Dio bez pomoći dobiva i drugu namjenu: vratite ga na početku sljedeće cjeline, i oboje vidite što je preživjelo stanku.

Razdvojite instrumentalnu od izvršne pomoći

Viberg, Feldman-Maggor i Wong (2026) intervjuirali su 20 studenata u STEM području i našli četverofazni proces: odluka treba li pomoć, odabir izvora, odabir vrste pomoći i prosudba dobivene pomoći. Jači su učenici preferirali instrumentalnu pomoć, to jest nagovještaje i objašnjenja, pred izvršnom pomoći, to jest izravnim rješenjima. Ista studija upozorava da upotreba LLM-ova za otklanjanje pogrešaka ili međujezično programiranje može zaobići samostalno rješavanje problema čak i kad učenici nikada ne zatraže odgovor.

To se čisto preslikava na kognitivno rasterećenje. Instrumentalna je upotreba duplikativno rasterećenje koje se održi kad alat nestane, jer učenik ipak kodira rasuđivanje. Izvršna je upotreba supstitutivno rasterećenje koje se uruši kad se ukloni vanjsko spremište. Guo i Ye (2026) postavljaju granicu upravo tim riječima: uklonite spremište i oni koji rasterećuju supstitutivno ozbiljno padaju, dok oni koji rasterećuju duplikativno zadržavaju točnost zahvaljujući unutarnjem kodiranju.

Upišite razliku u zadatak. Zamolite učenike da svaku upotrebu umjetne inteligencije označe kao instrumentalnu ili izvršnu, zahtijevajte barem jedan suradnički upit i ocjenjujte rasuđivanje koje su dodali nakon odgovora. U uvjetu slobodne upotrebe Wonga i Qiua zadana je postavka skliznula prema izvršnoj upotrebi, a da nitko nije odlučio skliznuti.

Nije svako rasterećenje sumnjivo. PAUSE citira Hong i sur. (2025), gdje je namjerno rasterećenje zadataka pisanja nižeg reda, radi oslobađanja pažnje za analizu i reviziju, proizvelo veće dobitke u kritičkom mišljenju. Test je je li dio koji se rasterećuje vještina koju ocjenjujete.

Te oznake dijagnosticiraju i vaš zadatak. Ako većina razreda prijavi izvršnu upotrebu, zadatak je poziva, što god politika govorila, i sljedeća promjena pripada zadatku, a ne formulaciji pravila.

Vremenski smjestite pitanje u pravu fazu

Povratna informacija koja cilja na stabilno uvjerenje djeluje prije početka zadatka. Povratna informacija o neposrednoj točnosti i težini djeluje tijekom njega. Guo i Ye (2026) to nazivaju usklađivanjem vremena i komponente, i to objašnjava zašto promišljanje koje se predaje na kraju projekta tako malo mijenja: do tada su odluke donesene.

Lodge i Loble (2026) preporučuju integrirana metakognitivna pitanja koja tjeraju učenike da zastanu, promisle i procijene svoje razumijevanje dok rade, uz poučavanje sa smanjenjem opterećenja, koje upravlja kognitivnim teretom i istodobno omogućuje postupnu neovisnost. Jednominutno predviđanje prije teške cjeline, zapisano i poslije uspoređeno, stane u taj prozor i ne stoji ništa pri ocjenjivanju.

Formulacija pitanja manje je važna od njegova položaja. Prije cjeline pitajte što učenik očekuje da će biti teško i zašto. Tijekom nje pitajte na kojem su koraku zapeli i što su pokušali. Promišljanje na kraju projekta uglavnom bilježi što se dogodilo, i zato tako malo mijenja. Držite predviđanje na istoj stranici kao i rad, da usporedba na kraju ne zahtijeva traženje po arhivi.

Očekujte da će se rizik zgusnuti

Lodge i Loble (2026) smještaju rizik u prethodno znanje i samoregulaciju i imenuju metakognitivni jaz u ravnopravnosti: dobra upotreba umjetne inteligencije traži resurse koje početnici nemaju, pa učenici kojima je praksa najpotrebnija najvjerojatnije delegiraju samo učenje. Navode da 80% australskih učenika već upotrebljava umjetnu inteligenciju i da to čini dvije trećine nastavnika u nižim razredima srednje škole (OECD 2025).

Dob i navika koreliraju s istim obrascem. Gerlich (2025) našao je da su sudionici u dobi od 17 do 25 godina pokazivali veću ovisnost o umjetnoj inteligenciji i veće rasterećenje te slabije kritičko mišljenje od onih u dobi od 46 i više godina, i da je razina obrazovanja predviđala bolje kritičko mišljenje neovisno o upotrebi umjetne inteligencije (r = +0,34), uz značajnu interakciju koja pokazuje da razina obrazovanja ublažava negativni učinak. Gao, Sun i Khan (2026) našli su da polikroničnost, sklonost višezadaćnosti, moderira taj put, pri čemu su učenici s visokom polikroničnošću pod većim rizikom.

Za odjel to zagovara pomnije praćenje učenika s najslabijom pripremom i provjeru je li vaš zadatak stvorio uvjete u kojima provjera prestaje. Zahtjevan zadatak u paru sa sposobnim modelom kombinacija je koju Biswasov model označuje najvećim žaljenjem, a lako ju je stvoriti slučajno.

Kontekst je važan koliko i osoba, a vaš kolegij kontrolira dio konteksta. Biswas (2026) pokazuje da težina zadatka i kvaliteta umjetne inteligencije postavljaju osnovicu: pretjerano oslanjanje raste s oko 0,02 na 0,38 s težinom, a na teškim zadatcima iznosi 0,38 uz slabu umjetnu inteligenciju nasuprot 0,16 uz dobru. Najveće žaljenje dolazi od visokokvalitetne umjetne inteligencije na teškim zadatcima (0,441), jer agenti pretjerano popuštaju i rijetko se oslanjaju na sebe. Društveni dokaz to pojačava: kako vidljiva upotreba raste od 0 do 0,6, provjera se urušava od 0,29 na 0,002. Provjera prestaje upravo tamo gdje je model najjači, a zadatak najteži, što je rijetko mjesto na koje nastavnik prvo pogleda.

Procijenite koliku težinu nose dokazi

Ništa u ovom korpusu ne ispituje održava li se određena intervencija protiv pretjeranog oslanjanja u različitim okruženjima ili semestrima. „Prvo misli“ počiva na jednom eksperimentu s N = 196. Rezultat uskraćivanja dolazi iz sinteze Brcica i Frljica (2026), a ne iz vlastitog pokusa. Argument o trenju konceptualni je komentar bez novih podataka. Biswas (2026) navodi granice modela: egzogena stacionarna kvaliteta umjetne inteligencije, fiksna mreža, stilizirana provjera. Procjena stvarnih vrijednosti tražila bi longitudinalne zapise stopa provjere po zadatku, snage društvenog dokaza i načina na koji se povjerenje ažurira nakon provjerene nasuprot neprovjerenoj upotrebi.

Mjerenje ostaje najslabija karika. Anketni dizajni prevladavaju, a i Gerlich (2025) i Gao, Sun i Khan (2026) traže longitudinalno i eksperimentalno praćenje. PAUSE nema psihometrijske pokazatelje i izrađen je za odrasle. Je li jaz u ravnopravnosti moguće zatvoriti poučavanjem, teoretski je tvrđeno, a ne pokazano.

Ostaje vam razumna oklada, jeftino napravljena. Promijenite jedan zadatak, zadržite mjerenje bez pomoći i provjerite smanjuje li se jaz između rada s pomoći i bez nje. Ne pregrađujte kolegij na temelju tih brojeva.

Što nastavnici ovdje pogrešno shvaćaju

Učenici koji ga najviše upotrebljavaju jesu oni u nevolji. Učestalost je ono što ankete hvataju i što nadzorne ploče prikazuju, i to nije konstrukt. Učenik koji provjerava svaki odgovor i citira vaše materijale može svakodnevno upotrebljavati umjetnu inteligenciju i biti dobro. Učenik koji jednom tjedno preda prvi izlaz ima problem.

Zabrana uklanja rizik. Najjači rezultati ovdje dolaze iz smještaja, a i skupina koja je radila samo ljudski u eksperimentu Wonga i Qiua pala je na težem zadatku koji je slijedio. Ukloniti alat bez podrške učeniku ostavlja teškoću gdje je i bila.

Jeftinija provjera riješit će pitanje provjere. Olakšavanje provjere bilo je najslabija poluga u Biswasovu modelu, jer je prepreka društvena. Bolji detektor plagijata neće navesti učenika da pročita izvor.

Nadzorna ploča upotrebe kaže mi tko rasterećuje. PAUSE-ove čestice bilježe kada i koliko često umjetna inteligencija ulazi u radni tijek, a autori sami upozoravaju na problem valjanosti. Pažljiv učenik koji gradi postupnu potporu biva ocijenjen kao onaj koji rasterećuje, pa postupanje po tim brojevima kažnjava učenike koje želite zadržati.

Tečnost i zadovoljstvo pokazuju da dizajn djeluje. To je iluzija koju Lodge i Loble (2026) opisuju u svojem paradoksu učinka: rad djeluje tečno i učenici u trenutku postižu dobre rezultate, a zadržavaju manje. Učinak bez pomoći i odgođeni prijenos mjere su koje odgovaraju na pitanje.

Poučite učenike pismenosti u području umjetne inteligencije i problem nestaje. Lodge i Loble (2026) upozoravaju da prekomjerno ulaganje u pismenost u području umjetne inteligencije usmjerenu na učenike može biti pogrešna raspodjela, s obzirom na ono što početnicima nedostaje.

Što će vam se vratiti

„Ovo je samo dobra pedagogija pod novim imenom.“ Dijelom. Postupna potpora, formativna povratna informacija i produktivna borba stare su ideje. Novije je redoslijed: vidljiva je provjera pobijedila jeftiniju, a dva trenutka koja vrijedi zaštititi jesu prvi teški pokušaj i završna provjera bez pomoći. Radite poznate stvari u novom redu.

„Ne mogu to nadzirati.“ Ne možete, i dokazi kažu da ne treba pokušavati. Smještaj je dao najjači rezultat. Osmislite zadatak tako da se upotreba alata u pogrešnom trenutku pokaže u samom radu, kao odgovor koji učenik ne može objasniti ili kao korak provjere koji nedostaje.

„Moj je kolegij prevelik za slijednu cjelinu.“ Jeftine poluge skaliraju: redak o provjeri, jednominutno predviđanje i premještanje ocijenjene provjere u prostoriju bez umjetne inteligencije. Skupa stavka, u cijelosti osmišljena cjelina po načelu „prvo misli“, može početi kao jedan zadatak. Preradite jedan problemski zadatak u potpomognutu i nepotpomognutu polovicu i vidite što vam jaz kaže.

„Moji su učenici početnici. Treba im pomoć.“ Više im trebaju nagovještaji nego odgovori, i nalaz o ravnopravnosti razlog je tome. Učenici s najmanje prethodnog znanja najvjerojatnije će delegirati rasuđivanje, a alat koji uskraćuje odgovore drži praksu tamo gdje pripada.

„Neće li slabiji učenici jednostavno pasti na provjeri bez pomoći?“ Ponekad hoće, a taj je rezultat informacija, a ne presuda. Provjera bez alata na kojoj većina razreda padne kaže da je praksa nosila učinak, što je upravo ono što ste trebali znati. Odvagnite je kao dokaz, ponovno poučite ono što otkrije i ponudite drugi pokušaj na paralelnom zadatku. Nijedna studija ovdje ne ispituje oporavlja li ponovno poučavanje nakon neuspjele provjere bez pomoći učenje, pa je taj dio vaša profesionalna prosudba.

„Neki moji učenici upotrebljavaju umjetnu inteligenciju kao poštenu postupnu potporu. Trebam li ih zaustaviti?“ Ne. Učenik koji pročita nagovještaj, pokuša korak i provjeri rezultat čini duplikativno rasterećenje koje preživi uklanjanje alata. Želite zadatak koji tu upotrebu drži dostupnom, a izvršnu verziju čini manje nagrađujućom, a to je pitanje onoga što zadatak prikuplja i što rubrika plaća.

„Dokazi su slabi, pa zašto bilo što mijenjati?“ Slabi su na određenim mjestima, koja gornje granice imenuju. Ono što je dosljedno u studijama jest smjer: smještaj, vidljiva provjera i mjerenje bez pomoći. Jedan promijenjen zadatak, uz zadržan rezultat bez pomoći, dovoljno je mala oklada da se na toj osnovi izvede.

Što učiniti ovaj tjedan

1. Dodajte redak o provjeri u sljedeći zadatak: jednu rečenicu koja imenuje što je učenik provjerio i prema čemu.

2. Premjestite ocijenjenu provjeru u trenutak bez alata i ocijenite tu provjeru.

3. Stavite prvi teški pokušaj prije alata i prikupite ideje, hipotezu ili skicu koja iz njega proizađe.

4. Promijenite postavku alata koju preporučujete tako da daje nagovještaje umjesto odgovora i recite učenicima da ste to učinili.

5. Izvedite uživo jedan samouvjereni promašaj umjetne inteligencije, neka ga učenici uhvate prema tekstu kolegija i zadržite ispravak koji su napisali.

Kamo dalje

Susjedno pitanje, proizvodi li umjetna inteligencija uopće učenje, obrađeno je na stranici Pomaže li umjetna inteligencija učenicima da uče. Smanjenje varanja uz umjetnu inteligenciju bavi se čestitošću i granicama otkrivanja, a Preoblikovanje procjene u doba umjetne inteligencije pokriva arhitekturu procjene koju ova stranica pretpostavlja. Za temeljne ideje vidi kognitivno rasterećenje, metakogniciju i poželjne poteškoće.