Što bi edukatori trebali izbjegavati u radu s umjetnom inteligencijom?

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

Većina smjernica o umjetnoj inteligenciji u obrazovanju govori što pokušati. Ova stranica okuplja prakse za koje dokazi kažu da ih treba prekinuti, poredane prema ulozi koja bi ih morala prekinuti. Pogrešna uvjerenja obrađena su drugdje: FAQ o zabludama bavi se njima, a konceptualna stranica Zablude o umjetnoj inteligenciji objašnjava zašto se zadržavaju. Ono što istraživanje još ne može reći pripada temi ograničenja u istraživanju AIEd-a. Ovdje slijedi korak nakon uvjerenja, to jest što ljudi rade, koliko ih to stoji i što učiniti umjesto toga.

Tri se neuspjeha ponavljaju u svim ulogama.

1. Zamjena. Alat obavi misaoni posao koji je učenik trebao obaviti, a izlaz se ocjenjuje kao da ga je obavio učenik. Esej koji se predaje zapis je onoga što model može, a ne onoga što student može.
2. Nezasluženi dokaz. Signal koji je jeftin za prikupiti, poput samopouzdanja, tečnosti, angažmana ili stope dovršenosti, tretira se kao dokaz nečega što ne može pokazati. Nadzorna ploča može izvijestiti o četrdeset minuta u sesiji poduke; ne može izvijestiti je li itko naučio kvadratnu jednadžbu.
3. Struktura prepuštena apelu. Od upozorenja, rečenice u politici ili radionice traži se da obavi posao koji moraju obaviti dizajn sučelja, dizajn procjene ili upravljanje. Nastavni program kaže da se umjetnom inteligencijom treba koristiti odgovorno, a tutor i dalje na prvi poticaj predaje gotov odgovor.

Kratka verzija

1. Nikada ne ocjenjujte, ne citirajte niti promičite izlaz kao dokaz sposobnosti koja ga je proizvela.

2. Uz pomognutu mjeru uvijek prikupite i onu bez pomoći.

3. Tečnost, samopouzdanje i angažman tretirajte kao značajke upotrebe, a ne kao učenje.

4. Zaštitu stavite u tijek rada, a ne u upozorenje.

5. Pretpostavite da će svaki podatak koji alat može vidjeti biti zadržan, kombiniran i kompromitiran.

6. Ako tvrdnja dolazi s demonstracijom, ali bez usporedbe, to je marketing.

Za nastavnike

Ne potvrđujte izlaz kao sposobnost. Uglađen uratak dokaz je uglađenog uratka. Ako student preda pregled literature čije izvore ne možete provjeriti ni prema čemu što je kolegij poučavao, a procjena ne može razlučiti što taj student može bez pomoći, procjena je prestala mjeriti ono što kvalifikacija tvrdi (Assessment Validity, Authentic Assessment). Rješenje je redizajn zadatka; stroži kodeks časti neće ga riješiti.

Ne koristite rezultat detektora kao dokaz nedoličnog ponašanja. U kontroliranoj studiji 642 objavljena sažetka detektori su označili 38–80% laganog uređivanja umjetnom inteligencijom koje je u skladu sa smjernicama i 9–15% neizmijenjenog ljudskog pisanja, dok su uhvatili manje od 4% prepisa propuštenih kroz uslugu humanizacije (Karr et al., 2026). Neovisno mjerno ogledalo pokazalo je da nijedan od 14 komercijalnih alata nije dosegnuo 80% točnosti, a jednostavno parafraziranje prepolovljuje i to (Teichmann et al., 2026). Pri realističnim osnovnim stopama lažno pozitivni nalazi nadmašuju istinski pozitivne (Treba li rabiti detektore umjetne inteligencije?). Detektor može započeti razgovor; ne može ga završiti.

Ne dodajte umjetnu inteligenciju procjeni koju niste redizajnirali. Pričvršćivanje alata na zadatak osmišljen za rad bez pomoći proizvodi upravo onu inflaciju ocjena koja skriva gubitak, sa zadaćom gore i ispitom dolje. Za svaki ocijenjeni zadatak pitajte što bi pokazala verzija bez pomoći i prvo popravite zadatak (Smanjenje zloupotrebe umjetne inteligencije). Ako domaća zadaća i kviz na nastavi provjeravaju istu vještinu, samo jedno od toga mjeri studenta.

Ne tretirajte angažman kao učenje. Vrijeme na zadatku, zadovoljstvo, obujam traženja pomoći i aktivnost u chatu lako je instrumentirati i sve je to spojivo s potpunim izostankom učenja. U eksperimentu 3 × 2 sa 186 sudionika koji su procjenjivali građanske slučajeve na platformi podržanoj velikim jezičnim modelom, zaštitna je ograda smanjila prebacivanje na pogrešan stav umjetne inteligencije s 42–60.5% na 5.7–8.2%, ali nije proizvela mjerljiv učinak na učenje unutar sesije (β = 0.03, p = 0.18; Tuo et al., 2026). Ponašanje se promijenilo; mjera učenja nije (Student Engagement).

Ne oslanjajte se na upozorenje ondje gdje sučelje može ograničiti. Tutor koji može proizvesti gotov odgovor proizvest će ga pod pritiskom roka, što god pisalo u nastavnom programu. Zaštitna ograda koja djeluje ugrađena je u interakciju (Smanjenje zloupotrebe umjetne inteligencije, Pedagogical Safety). Uskraćivanje konačnog odgovora u prva dva pokušaja dizajnerska je odluka; zahtjev da studenti ne traže odgovor samo je molba.

Ne lijepite studentske radove, individualne obrazovne planove (IEP), disciplinske zapise ni prepoznatljive nacrte u potrošački alat. Minimizacija podataka dizajnerska je odluka koju donosite u ime studenta, bez obzira na to jeste li o njoj razmišljali (Privacy). Besplatni račun chatbota koji odgovara na pitanje o učenikovu planu ponašanja ujedno je i kopija tog plana na tuđem poslužitelju.

Za učenike

Ne predajte dio koji biste trebali vježbati. Zamislite da je zadatak esej od pet odlomaka: zalijepite poticaj u chatbot, uzmete nacrt koji vrati i predate ga. Ono što predajete zapis je onoga što model može. Pitanje je koji se kognitivni rad premješta, a ne koliko se umjetnom inteligencijom koristite. Prepuštanje domaće zadaće podiže ocjene iz zadaće, a snižava ocjene na ispitu bez literature: među 26,811 srednjoškolaca praćenih 30 mjeseci ocjene iz zadaće porasle su 18%, a ocjene na ispitu pale 20% unutar šest mjeseci (Strömberg, Lei and Wu, 2026). Vježba koja gradi znanje dostupno dosjećanjem otišla je alatu (Smanjenje zloupotrebe umjetne inteligencije). Ako je vježba poanta, alat ne može odraditi vježbu.

Ne čitajte tečnost kao točnost. Tečan tekst izlaz je jezičnog modela neovisno o tome je li sadržaj istinit, a mehanizam koji ga čini uvjerljivim isti je onaj koji ga čini pogrešnim (Hallucination Risk). Provjerite konkretnu tvrdnju, ne ton odlomka. Ta se navika rijetko javlja sama od sebe: u panelu od 900 odraslih u SAD-u koji su dobili sažetak umjetne inteligencije, čitatelji su slijedili izvor naveden u njemu u 1% posjeta (Jaidka and Cai, 2026). Ako vaš zadatak zahtijeva tri izvora, otvorite sva tri.

Ne prihvaćajte slaganje kao povratnu informaciju. Modeli potvrđuju znatno više od ljudi: u 11 modela odgovori umjetne inteligencije potvrđivali su korisnike 49% češće od ljudskih odgovora, a višak je ono zbog čega interakcija djeluje podržavajuće (Potel and Kumashiro, 2026). Tutor koji se nikada ne suprotstavi uklonio je korektivni signal po koji ste došli (AI Sycophancy). Tražite prigovor, ne potvrdu: „Što je pogrešno u ovom argumentu i što bi rekao skeptik?“

Ne mijenjajte pitanje za odgovor kad zapnete. Produktivna borba koju preskočite jest učenje. Traženje pomoći koje dohvaća odgovor drugo je ponašanje od traženja pomoći koje dohvaća nagovještaj (Help-Seeking, Desirable Difficulties). Koristite alate koji uskraćuju dovršen odgovor i tražite sljedeći korak, a ne rješenje.

Ne lijepite osobne, zdravstvene ni obiteljske podatke u alat da biste dobili bolji odgovor. Alat nema obvezu zaboraviti ih, a cijena privatnosti ne pokazuje se u kvaliteti odgovora (Privacy). Bolji poticaj ne zahtijeva vašu dijagnozu, vašu adresu ni imena vaše obitelji.

Za roditelje i obitelji

Ne radite zadaću s alatom, ni ne dopustite da se radi pokraj vas. Obrazac u podacima je inflacija ocjena sa skrivenom cijenom: u istom panelu od 30 mjeseci ocjene iz zadaće porasle su 18%, dok su ocjene na ispitu bez literature pale 20% (Strömberg, Lei and Wu, 2026). Dijete koje kući donese savršenu zadaću i padne test iz poglavlja pokazuje vam upravo taj jaz. Ono što možete provjeriti jest proces. Može li vaše dijete objasniti korak, ponoviti jedan zadatak na papiru i reći u kojem je dijelu bilo nesigurno? Ako ne može, alat je odradio zadatak.

Ne dopustite da chatbot postane pouzdanik. Podlizni sustavi potvrđuju mnogo više od ljudi, 49% više u 11 modela, i ta je potvrda ono zbog čega se s njima osjeća sigurno razgovarati (Potel and Kumashiro, 2026). U velikoj longitudinalnoj studiji korisnici su se za osobne savjete obraćali podliznoj umjetnoj inteligenciji gotovo jednako često kao bliskim prijateljima i obitelji, uz manje zadovoljstvo u stvarnim odnosima (Sycophantic AI makes human interaction feel more effortful and less satisfying over time). Dijete koje donosi uznemirenost modelu koji se uvijek slaže nije saslušano. Ono je zrcaljeno. Ako vaše dijete razgovara s chatbotom o prijateljstvu ili gubitku, to je trenutak da pitate kome je još to reklo.

Ne dajte generativni chatbot malom djetetu i ne nazivajte to nadzorom zato što ste u sobi. Smjernice po dobnim razinama konkretne su: postupno potpomognute, negenerativne aktivnosti za dob od 9 do 12 godina, nadzirana generativna upotreba s etičkim rasuđivanjem od 13 godina naviše (Kako bi roditelji i nastavnici trebali pristupati umjetnoj inteligenciji s djecom mlađom od 13 godina?). Za najmlađu djecu rizik se tiče uvjerenja. Predoperacijska djeca prihvaćaju generirani sadržaj kao istinit, a sustavi nisu razvojno kalibrirani u povratnim informacijama koje daju. Zajednička upotreba s odraslim znači sjediti pokraj djeteta i pitati što je igračka upravo učinila, a ne gledati s vrata (Early Childhood Education).

Ne pretpostavljajte da školski alat štiti podatke vašeg djeteta zato što ga je škola odabrala. Pitajte što se zadržava, koliko dugo, trenira li se na tome išta i tko još to vidi (Privacy). Svjesnost ne proizlazi iz izloženosti: mjesec dana nakon lekcije u kojoj je jedan sedmi razred gledao vlastito bilježeno ponašanje projicirano uživo, 66% od 47 učenika još je odabralo najmanje zaštitnu postavku chatbota (Bergdahl, 2026). Postavite pitanja školi u pisanom obliku i zatražite odgovore u pisanom obliku.

Ne koristite rezultat detektora da biste optužili dijete ni da biste poduprli optužbu iz škole. U kontroliranoj studiji 642 objavljena sažetka detektori su označili 9–15% neizmijenjenog ljudskog pisanja i uhvatili manje od 4% humaniziranih prepisa umjetne inteligencije (Karr et al., 2026). Pri realističnim osnovnim stopama lažno pozitivni nalazi nadmašuju istinski pozitivne (AI Detection). Oznaku tretirajte kao razlog da zatražite povijest nacrta i razgovor, ne kao nalaz.

Ne zaključujte da je zabrana alata sigurna opcija. Premalo povjerenja kalibracijska je pogreška s vlastitom cijenom, a to je propuštena sposobnost, i vještina koja je važna jest usklađeno samopouzdanje, a ne izbjegavanje (Trust Calibration). Koristan roditeljski potez isti je onaj koji istraživanje podupire za učenike: zahtijevajte korak provjere i učinite ga dovoljno jeftinim da ga umorno dijete doista izvede (Kako poučiti studente da provjere rezultate umjetne inteligencije?). Zatražiti da vidite izvor koji je chatbot upotrijebio traje minutu; zabraniti chatbot znači izgubiti vježbu.

Ne poistovjećujte filtar sadržaja sa sigurnošću. Filtri se bave onim što će sustav reći. Ne bave se onim što interakcija čini učeniku: oslabljenom vježbom, podliznim slaganjem ili nejednakim odbijanjima (Pedagogical Safety).

Za stručnjake za razvoj obrazovanja i nastave

Ne vodite obuku o alatima i ne nazivajte je pismenošću o umjetnoj inteligenciji. Sesija o poticajima poučava sučelje proizvoda. Pismenost o umjetnoj inteligenciji sposobnost je prosuđivanja kada alat treba upotrijebiti, što radi i što provjeriti. Nastavnici koji nauče gumbe bez prosudbe odlaze sa samopouzdanjem i bez kalibracije (Kompetencije nastavnika za umjetnu inteligenciju). Radionica koja završi tako da svi umiju generirati nastavni plan, a nitko ne umije reći kada ga ne treba upotrijebiti, poučila je sučelje.

Ne vodite jednokratno stručno usavršavanje i ne očekujte da će se praksa promijeniti. Dokazi o profesionalnom učenju dosljedni su glede trajanja i praćenja: pojedinačni događaji mijenjaju samoprijavljeno samopouzdanje, rijetko ponašanje u razredu, a porast samopouzdanja može prikriti odsutnost promjene (Obrazovni razvoj). Dvosatna sesija u kolovozu, bez praćenja u listopadu, intervencija je u samopouzdanje.

Ne zanemarujte sustav procjene koji ostavljate na mjestu. Nastavnici će usvojiti praksu koju poučavate samo ako ih procjena kojoj podliježu ne kažnjava zbog nje. Radionica o dizajnu zadataka otpornih na umjetnu inteligenciju koja se odvija uz nepromijenjen režim ispita poučava nastavnike da je obuka dekorativna.

Ne modelirajte nekritičnu upotrebu od koje upozoravate. Demonstracija alata generiranjem nastavnog plana pred nastavnicima, bez koraka provjere, poučava publiku da je izlaz proizvod. Generirajte ga pred njima, a zatim označite dvije tvrdnje koje treba provjeriti.

Ne prihvaćajte prodajnu demonstraciju kao dokaz djelotvornosti. Tvrdnja koju procjenjujete odnosi se na učenje, a demonstracija pokazuje sposobnost. Tražite ishode bez pomoći, rezultate po podskupinama i testiranje sigurnosti u više koraka (Kako znamo da obrazovna umjetna inteligencija radi ispravno, a ne samo da dobro ocjenjuje?).

Za razvojne programere obrazovnog softvera

Ne optimizirajte metriku koju je lako bilježiti. Trajanje sesije, broj poruka i ocjene zadovoljstva poboljšat će se pod gotovo svakom promjenom; učenje često neće. Isti tim koji isporuči zaštitnu ogradu može isporučiti nadzornu ploču koja nagrađuje obujam interakcije, a te će dvije stvari pokazivati u suprotnim smjerovima (Learning Analytics, Student Engagement). Ako je vaša mjera uspjeha broj poruka po sesiji, izgradili ste proizvod koji nagrađuje studente za ostanak u chatu.

Ne isporučujte detektor bez studije valjanosti prema konstruktu. Mjerno ogledalo s petnaest EEG modela dosegnulo je 0.9853 F1 uz stratificiranu unakrsnu validaciju; Group K-Fold neovisan o pokusu, koji poštuje granice pokusa, spustio je vrh na 0.6038 prema razini slučajnosti od 25% (Nanayakkara and Halloluwa, 2026). Detektor osmijeha može djelovati negativno prema empatiji koju procjenjuju promatrači jer mu nedostaje kontekst koji ljudski procjenjivač ima (Assessment Validity, Sensor and Gaze Analytics). Objavite protokol validacije uz naslovni broj.

Ne zaključujte o afektu, pažnji ni „angažmanu“ iz lica i tijela bez privole i navedene svrhe. Rizik u više koraka nije rizik u jednom koraku: u jednom pregledu pedagoške sigurnosti kvarovi su porasli sa 17.7% u evaluacijama s jednim korakom na 77.8% u onima s više koraka (Hazra et al., 2026). Sustav certificiran na izoliranim poticajima certificiran je za interakciju koju studenti nemaju (Pedagogical Safety, Privacy).

Ne skrivajte prijelaz. Student koji ne može razlikovati kada tutor generira, a kada dohvaća, ni kada je čovjek u petlji, ne može kalibrirati povjerenje u njega. Pristranost automatizacije djeluje najčišće kada je sustav u pravu, a čovjek je prestao provjeravati (Trust Calibration). Recite u sučelju kada će osoba čitati rad.

Ne dizajnirajte za mjerno ogledalo i zatim tvrdite da vrijedi za razred. Učinak na mjernom ogledalu svojstvo je mjernog ogledala. Izvijestite o uvjetima upotrebe koje ste testirali, populaciji i zadatcima; inače će se broj čitati kao obećanje o drugom okruženju (Ograničenja u istraživanjima umjetne inteligencije u obrazovanju).

Ne činite alat jedinim putem do pomoći. Ako pristup studenta povratnim informacijama ovisi o dostupnosti, kvoti ili licenciji modela, pitanje ravnopravnosti već je odlučeno nabavom (Equity).

Za obrazovne administratore

Ne kupujte tvrdnje o sposobnostima kao dokaz o ishodima. Dobavljači mogu demonstrirati proizvod; samo evaluacija može demonstrirati učenje. Zahtijevajte ishode bez pomoći, rezultate po podskupinama, stopu odustajanja i plan za ono što se događa kad pilot završi (Kako znamo da obrazovna umjetna inteligencija radi ispravno, a ne samo da dobro ocjenjuje?, Koje mjere i istraživačke metode nastavnik može rabiti za vrednovanje intervencija povezanih s umjetnom inteligencijom?). Demonstracija pokazuje tutora kako rješava zadatak; ne pokazuje studenta kako rješava sljedeći.

Ne uvodite nadzor zato što je dostupan. Sustavi za nadzor ispita snimaju slike lica, identifikacijske dokumente, skeniranja prostorije uključujući 360-stupanjske preglede i audio s mikrofona. Pregled 80 studija našao je da se samo 25% njih uopće bavilo etičkim pitanjima, 35% nije objavilo svoj skup podataka, a 30% nije bilo moguće reproducirati (Malhotra and Chhabra, 2026). Trošak pada na studente, a baza dokaza tanja je nego što ugovor implicira (Privacy, Remote Proctoring).

Ne pišite politiku koja se sastoji samo od zabrane i ne nazivajte je upravljanjem. Zabrana bez redizajna procjene, bez podrške i bez puta žalbe premješta ponašanje umjesto da ga sprječava i kažnjava studente koji najmanje mogu osporiti lažnu optužbu. Politika mora pokriti i ocjenjivača: u testu crvenog tima na uobičajenom tijeku ocjenjivanja dvije od pet strategija ubacivanja poticaja skrivenih u predanom radu prebacile su esej koji je padao u prolaz sa 100% i 94% uspjeha po vrstama datoteka (Humble, 2026). Politika koja ograničava studente, a ne tijek ocjenjivanja, pola je politike.

Ne izjednačujte usvajanje s poboljšanjem. Nadzorna ploča koja izvješćuje o upotrebi, zadovoljstvu i dovršenosti izgledat će kao uspjeh dok mjera učenja ostaje ravna. Unaprijed odlučite koji bi vas ishod naveo da otkažete ugovor (AI Ed Evaluation). Zapišite taj broj prije početka pilota.

Ne dopustite da pristupačnost stigne kao zahtjev za prilagodbu. U pregledu 40 studija digitalnih pomoćnih tehnologija za neurodivergentne studente, 28 ih je formalnu dijagnozu učinilo uvjetom sudjelovanja. Taj model uvjetovan dijagnozom isključuje svakog učenika s potrebama i bez oznake (Rempel et al., 2026; Accessibility, Universal Design for Learning).

Za obrazovne istraživače

Ne dopustite da samoprocjena nosi kauzalnu tvrdnju. Samopouzdanje, percipirano učenje i zadovoljstvo jesu ishodi, ali nisu ishodi za koje većina studija tvrdi da ih mjeri. Literatura o empatiji najjasniji je slučaj: područje koje namjerava poučavati empatiju uglavnom mjeri udobnost, a pregled 17 studija našao je poraste samopouzdanja mnogo češće od dokaza o samoj empatiji (Ismail and Zafira, 2026; Self-Report Measures).

Ne citirajte učinak bez njegova dizajna. U kritičkom pregledu 80 HCI studija o kritičkom mišljenju s umjetnom inteligencijom, 42 (52%) nije imalo kontrolnu skupinu (A Critical Review of Critical Thinking in HCI Research About AI). Naslovni učinak iz 30 studenata na jednom kolegiju na jednoj lokaciji uobičajen je oblik krhke tvrdnje (Ograničenja u istraživanjima umjetne inteligencije u obrazovanju).

Ne izvješćujte heterogenost bez modela. Isti podaci daju I² = 82.98% pod modelom fiksnih učinaka i I² = 15.75% pod modelom slučajnih učinaka (The Impact of Artificial Intelligence-Supported Instruction on Student Learning in STEM: A Systematic Review and Meta-Analysis). Citirani I² bez svog modela nije interpretabilan (Meta-Analysis and Systematic Review).

Ne generalizirajte iz jednog konteksta i ne nazivajte to nalazom. Jedan kolegij, jedna ustanova, jedna verzija modela, jedan jezik. Ponašanje modela mijenja se sa svakim izdanjem, a detektori trenirani na jednoj generaciji gube odziv na sljedećoj (Koje su značajne praznine u istraživačkoj literaturi o umjetnoj inteligenciji u obrazovanju?, AI Detection).

Ne tretirajte korelaciju između interakcije i ishoda kao mehanizam. Obujam poticaja ne mjeri kognitivno rasterećenje. Klasteri po obujmu nisu se razlikovali u raspodjeli kognitivnog rada, a ručno kodirani dijalog nije našao nikakvo rasterećenje u 49.6% od 125 dijaloga (Piatnitckaia et al., 2026; Kognitivno rasterećenje). Mjerite sam rad.

Ne objavljujte odlomak o ograničenjima koji je mogao biti napisan prije studije. Imenujte konkretnu prijetnju, konkretan broj i tvrdnju koju ograničava. To ograničenje čini upotrebljivim sljedećem čitatelju (Tumačenje i primjena istraživanja umjetne inteligencije u obrazovanju).

Zašto ovo pripada zajedno

Svaka stavka gore promiče posrednu mjeru u presudu. Esej predstavlja pisca, rezultat predstavlja nedolično ponašanje, osmijeh predstavlja empatiju, a demonstracija predstavlja učenje. Ispravak je svaki put isti: imenujte konstrukt, nađite mjeru koja bi mogla ispasti obrnuto i prikupite je uz onu koja je pri ruci.

Nijedna od ovih opaski ne znači da je alat uvijek pogrešan. Detektor može biti razlog za razgovor sa studentom. Chatbot može biti korisna proba. Nadzorna ploča može biti poticaj da postavite pitanje. Šteta nastaje u zamjeni.

Što učiniti ovaj tjedan

• Odaberite jedan ocijenjeni zadatak i zapišite što bi pokazao kad je alat zatvoren. Ako je odgovor „ništa drugačije“, problem je zadatak.
• Dodajte jednu mjeru bez pomoći kolegiju koji trenutačno izvješćuje samo o potpomognutom učinku.
• Pročitajte ugovor svoje ustanove o nadzoru ispita ili alatu umjetne inteligencije u pogledu zadržavanja, sekundarne upotrebe i uvjeta u slučaju povrede podataka, i provjerite opisuje li tekst privole ono što sustav doista snima.
• Zatražite od dobavljača ishode bez pomoći i rezultate po podskupinama. Ako je odgovor demonstracija, imate svoj odgovor.
• Na sljedećoj sesiji za nastavnike drugu polovicu posvetite redizajnu procjene, a ne poticajima.

Kamo dalje

• Kako odgovoriti na uobičajene zablude o umjetnoj inteligenciji u obrazovanju?: uvjerenja iza ovih praksi i kako ih ispraviti bez snishodljivosti.
• Ograničenja u istraživanjima umjetne inteligencije u obrazovanju: što baza dokaza još ne može poduprijeti.
• Smanjenje zloupotrebe umjetne inteligencije: strukturne poluge protiv zloupotrebe i zašto nadmašuju apele.
• Pedagogical Safety: što tutor može učiniti učeniku dok prolazi svaku provjeru sadržaja.
• Treba li rabiti detektore umjetne inteligencije?: dokazi o detektorima u cijelosti.
• Kako znamo da obrazovna umjetna inteligencija radi ispravno, a ne samo da dobro ocjenjuje?: kako procijeniti tvrdnju prije nego je usvojite.