Baza wiedzy AIEdAIEd KB
Na tej stronie

Przeczytaj tę stronę po angielsku

Pojęcia

Kompetencje w zakresie SI (AI literacy)

Utworzono 2026-10-15

Tłumaczenie automatyczne tej strony z języka angielskiego, jeszcze nie sprawdzone przez rodzimego użytkownika języka.

Kompetencje w zakresie SI (AI literacy) — wiedza, umiejętności i krytyczne nastawienia potrzebne do rozumienia, oceny i skutecznego korzystania z technologii SI w kontekstach edukacyjnych. Kompetencje w zakresie SI obejmują fundamentalne rozumienie tego, jak SI działa, praktyczną biegłość w korzystaniu z narzędzi SI, krytyczną ocenę wyników SI oraz etyczną świadomość społecznych konsekwencji SI.

Pytania do rozważenia

  • Co oznacza bycie „kompetentnym w zakresie SI"? Czy to umiejętność korzystania z narzędzi, rozumienie tego, jak działają, czy zdolność krytycznej oceny ich wyników — i które z tego ma największe znaczenie dla Twoich własnych celów?
  • Samooceniane kompetencje w zakresie SI znacznie odbiegają od wyników pomiaru — nauczyciele przeszacowują swoje umiejętności o około 40%. Na jak bardzo jesteś pewien własnych umiejętności w zakresie SI, i jakim dowodom zaufałbyś, by faktycznie zweryfikować to przekonanie?
  • Kompetencje w zakresie SI są opisywane jako metapoznawcza praktyka społeczna, a nie lista umiejętności. Ponieważ LLM-y są probabilistyczne i nieprzejrzyste, co znaczy „krytycznie oceniać" wyniki, gdy nie widzisz wnętrza modelu?
  • Istnieje napięcie między kompetencjami krytycznego korzystania w kontekście akademickim a kompetencjami integracji z przepływem pracy w kontekście zatrudnienia — pedagodzy i pracodawcy cenią różne umiejętności. Który rodzaj kompetencji w zakresie SI faktycznie uczy Twój kontekst?
  • Samodzielne szkolenie techniczne w zakresie SI, bez wsparcia dla poczucia własnej skuteczności i samoregulacji, może w rzeczywistości zwiększyć zależność od SI. Jak nauka korzystania z SI może uczynić Cię bardziej zależnym, a nie bardziej kompetentnym?
  • Kompetencje w zakresie SI to też umiejętność rozpoznawania: zauważenie, że SI zgadza się z Tobą, bo jest sykofantyczna, czy dlatego, że masz rację. Czy kiedykolwiek przyłapałeś SI na tym, że po prostu mówi Ci to, co chcesz usłyszeć?

Wprowadzenie

Kompetencje w zakresie SI szybko stały się kluczową kompetencją dla uczniów, pedagogów i instytucji, ponieważ Generative AI wbudowuje się w edukację. W przeciwieństwie do ogólnych kompetencji cyfrowych, kompetencje w zakresie SI wymagają rozumienia systemów probabilistycznych, które mogą halucynować, wykazywać stronniczość i przenosić sprawczość z człowieka na maszynę — co czyni myślenie krytyczne i nadmierne poleganie centralnymi dla tego konstruktu.

Wymiary kompetencji w zakresie SI

Badania nad kompetencjami w zakresie SI w tej bazie wiedzy obejmują cztery współzależne wymiary:

Ramy coraz częściej śledzą, jak te wymiary realizowane są w praktyce: Dai i Chan (2026) pokazują, jak doktoranci realizują wszystkie cztery wymiary, korzystając z Generative AI w całym przepływie pracy badawczej, i budują na nich specyficzne dla badań wytyczne odpowiedzialnego korzystania, podczas gdy Şan i Orhan Karsak (2026) używają mapowania skojarzeń słownych, by pokazać, że poznanie SI u tureckich studentów studiów licencjackich jest instrumentalnie zdominowane przez model „czarnej skrzynki", a koncepcje etyczno-zarządcze są strukturalnie odizolowane (τ=−0.819) — dowód, że projektowanie mikropoświadczeń musi celowo łączyć doświadczalne korzystanie z narzędzi z ramami etycznymi.

Zapotrzebowanie zależy od tego, co wspólnie robią student i system. Ramy kompetencji opisują zwykle jeden ogólny zestaw kompetencji, ale to, czego faktycznie wymaga działalność wspierana przez GenAI, zmienia się wraz z tym, jak praca epistemiczna jest w niej rozdzielona. Sun, Dohn i Rehm (2026) sklasyfikowali 102 empiryczne badania szkolnictwa wyższego w odniesieniu do taksonomii zastosowań GenAI autorstwa Strobela i wsp. i stwierdzili, że entanglamenty typu Assistant i Enabler dominują, stanowiąc po 42.16% korpusu każdy, podczas gdy Generator, Reimaginator i Synthesizer razem odpowiadały za mniej niż jedną piątą — przekrzywienie, które przypisują legitymizacji instytucjonalnej, a nie zdolnościom modelu, ponieważ te same modele obsługują wszystkie pięć kategorii. Czytając każdy typ przez trzy poziomy kontekstu Dohna (wewnątrzdomenowy, wewnątrzdziałaniowy, ramujący działanie) widać, że zapotrzebowania się spajają dla pracy typu Assistant i kruszą dla typów marginalnych, gdzie to, o co działanie prosi studentów, rozbiega się z tym, co instytucja uznaje za legitymowaną kompetencję. Ich wniosek całkowicie oddala kompetencje od biegłości w obsłudze narzędzi: kompetencje w zakresie GenAI to zdolność rozpoznawania, jak praca epistemiczna i odpowiedzialność są rozdzielone w danym entanglamentie, oraz działania w nim w odpowiedni sposób.

Wiedza fundamentalna: Rozumienie tego, czym są LLM-y, czym różnią się od systemów opartych na regułach, i jakie mają fundamentalne ograniczenia. Obejmuje to świadomość zdolności modeli, stronniczości danych treningowych oraz różnicy między SI dedykowanym zadaniu a modelami ogólnego przeznaczenia. Badania nad inżynierią promptów badają, jak rozumienie mechanizmów promptowania wpływa na skuteczne korzystanie z SI.

Kompetencja praktyczna: Zdolność skutecznego korzystania z narzędzi SI — od inżynierii promptów po interpretację wyników. Badania wzorców korzystania z GenAI przez studentów pokazują, że sam dostęp do narzędzia nie daje kompetencji; rusztowanie i uporządkowana praktyka są niezbędne. Rama vibe codingu pokazuje, jak nauczyciele K-12 mogą rozwijać praktyczne kompetencje w zakresie SI poprzez prowadzone tworzenie narzędzi. Miles, Haber-Curran i Arar (2026) argumentują, że ten wymiar ma część, której pomija szkolenie optymalizacyjne: kompetencja promptowania, w odróżnieniu od inżynierii promptów, traktuje promptowanie jako akt retoryczny i etyczny, więc nauczanie, które jedynie stroi wyniki pod lepszą wydajność, pozostawia niewzruszone etyczne i epistemologiczne wymiary korzystania z LLM-ów.

Ocena krytyczna: Zdolność oceny wyników SI pod kątem dokładności, stronniczości i stosowności. Badania nad oceną kompetencji pokazują 40-procentową lukę między samoocenianymi a mierzonymi wynikowo kompetencjami w zakresie SI — ludzie konsekwentnie przeszacowują swoje umiejętności oceniania. To rozbieżność jest najjaśniejszym w bazie wiedzy przypadkiem, w którym miara samooceny nie śledzi kompetencji, którą nazywa. Łączy się to z badaniami nad nadmiernym poleganiem, które pokazują, że studenci, którzy bez krytycyzmu ufają SI, uczą się mniej. Niedawne prace koncepcyjne przesuwają ocenianie w kierunku weryfikacji: rama PEARLS (Wang) traktuje wynik SI jako wstępne twierdzenie poznawcze, którego uzasadnienie musi być złożone i zbadane w sześciu wymiarach (Proces, Dowody, Dostęp, Odtwarzalność, Legitymizacja, Źródło), i posuwa uczenie się oparte na weryfikacji jako mechanizm, dzięki któremu uczniowie budują ekspertyzę, sprawdzając twierdzenia SI. Uzupełnia to skoncentrowana na studencie rama odpowiedzialnego korzystania (Alsammani), oferująca dziesięć wytycznych skierowanych do studentów w filarach Uczenie się i rozwój, Etyka i uczciwość oraz Świadomość i bezpieczeństwo, które uwidaczniają metapoznawcze podpowiedzi w momencie decyzji. Dla uczniów szkół średnich rama AI-Assisted Research Competency (AARC) (Beau, Flaquière i Lazar 2026) opiera to na epistemologii cnót i intuicji SI, definiując kompetencje badawcze jako prowadzenie dociekań z SI bez oddawania autorstwa, sądu, weryfikacji ani odpowiedzialności — operacjonalizowane jako rubryka analityczna i rutynowe zobowiązanie weryfikuj–cytuj–reflektuj. Na końcu oceniania Saleh (2026) proponuje test zdolności ludzkiej, który zamienia ocenianie w zasadę projektowania: zapytaj, co student musi wykazać samodzielnie, co można wzmocnić przez wsparcie SI, oraz co musi zweryfikować, obronić i za co musi wziąć odpowiedzialność.

Weryfikacja w konkretnej dyscyplinie podnosi tę poprzeczkę jeszcze wyżej. Vega-Baudrit i Rivera Alvarez (2026) argumentują, że na uniwersyteckich studiach z chemii kluczowym wymaganiem kompetencji w zakresie SI jest przekład reprezentacyjny na makroskopowe, submikroskopowe i symboliczne domeny Johnstone'a, ponieważ wynik może być lokalnie przekonujący w jednej domenie, jednocześnie zaprzeczając bilansowi ładunków, mechanizmowi lub limitowi bezpieczeństwa w innej. Ich remedium to integracja skoncentrowana na weryfikacji: uczyń weryfikację ocenianym działaniem, przechowuj dzienniki promptów i historie wersji jako ślady rozumowania, i traktuj promptowanie jako akt epistemiczny, który określa ograniczenia, założenia i kryteria adekwatności, a studenci identyfikują błędne założenie lub uzasadniają odrzucenie wygenerowanej odpowiedzi.

Etyczna i instytucjonalna świadomość: Rozumienie szerszych konsekwencji SI — od uczciwości akademickiej po równość i prywatność. Kompetencje w zakresie SI na poziomie instytucjonalnym obejmują tworzenie polityki, rozwój edukacyjny oraz ramy zarządzania — instytucjonalne kompetencje w zakresie SI to kwestia polityki w nie mniejszym stopniu niż pedagogiki. Rama EPIQ-AI traktuje instytucjonalne kompetencje w zakresie SI jako wyzwanie dopasowania socjotechnicznego, a nie tylko indywidualnego szkolenia.

  • Kompetencje w zakresie SI jako zdolność zarządcza dla zrównoważonego rozwoju. Islam, Morshed i Islam (2026) rekonceptualizują kompetencje w zakresie SI jako zdolność zorientowaną na zarządzanie, a nie czysto edukacyjną czy techniczną umiejętność, wiążąc je ze wszystkimi siedemnastoma Celami Zrównoważonego Rozwoju ONZ. Ich sześciopoziomowa taksonomia AIRE (Recognize → Comprehend → Apply → Analyze → Integrate → Govern) rozszerza hierarchię Blooma, dodając etyczną syntezę i strategiczną przewidywanie, pozycjonując zaawansowane kompetencje (Analyze–Govern) jako drogę od fundamentalnych kompetencji do zarządzania na poziomie instytucjonalnym i politycznym — heurystykę „18. SDG", która traktuje kompetencje jako przekształcający pomost poznawczy i etyczny. Badanie 300 profesjonalistów w kontekście krajowym wykazało silną świadomość techniczną, ale ograniczoną gotowość etyczną i zarządczą, przy czym etyczne rozumowanie i myślenie refleksyjne są najsilniejszymi predyktorami zrównoważonego, wiarygodnego korzystania z SI, a kompetencje zarządcze — najsilniejszym predyktorem świadomości węzła SI–SDG (β = 0.64). Empirycznie uzasadnia to nacisk bazy wiedzy na kompetencje krytycznego korzystania i wiąże kompetencje w zakresie SI bezpośrednio z zrównoważonym rozwojem i integracją polityki. Podaż ram jest teraz sama w sobie problemem. Fitsilis (2026) porównał 16 instytucjonalnie zatwierdzonych ram kompetencji w zakresie SI dla edukacji i rozwoju siły roboczej i stwierdził wspólne jądro dziesięciu obszarów kompetencji, ale dużą zmienność struktury, progresji i wskazówek implementacyjnych — praktyczna trudność polega na wyborze wśród nich, a nie na ich niedoborze.

Jak rozwijają się kompetencje w zakresie SI

Badania wskazują na podejścia współpracujące i aktywne jako najskuteczniejsze. Rismanchian i Doroudi pozycjonują kompetencje w zakresie SI jako coś więcej niż zastosowaną umiejętność: w ich ramach AI×Ed uczeń jest odrębnym użytkownikiem końcowym SI (dostępnym przez kompetencje w zakresie SI i edukację w zakresie SI), i argumentują za odnowionymi pracami nad kompetencjami, które zachęcają do refleksji nad samym uczeniem się — traktując kompetencje jako drogę powrotną do badań nad „SI jako analogią do inteligencji ludzkiej" nad tym, jak ludzie się uczą, nurt, który dziedzina w dużej mierze porzuciła. Rama ICAP (Interactive → Constructive → Active → Passive) dostarcza użytecznej taksonomii zaangażowania poznawczego: studenci najlepiej uczą się kompetencji w zakresie SI, gdy współtworzą wiedzę, zamiast biernie ją otrzymywać. Projektanci powinni wybierać tryb pasujący do celu uczenia się i faworyzować głębsze tryby (konstruktywne i interaktywne) tam, gdzie to możliwe. Praktyczne działania — projektowanie promptów, ocena wyników w grupach, debaty o etyce SI — przewyższają wykłady.

Kompozycja zaczyna się od doświadczonego życia — ale głębia koncepcyjna wymaga rusztowania. Burriss i wsp. (2026) stwierdzili, że młodzież zakotwicza abstrakcyjne zasady etyki SI w systemach, z którymi spotyka się codziennie — elektronicznych „przepustkach", regulowanych przez szkołę laptopach, programach wykrywających plagiat — a jedna grupa wyjaśniała, że SI w szkołach „była osobista dla wszystkich członków grupy", a 15 z 18 odpowiedzi w ankiecie końcowej wykazało, że stworzenie filmu zmieniło ich rozumienie etyki SI. Autorzy są explicite co do granicy: komponowanie samo w sobie nie gwarantowało koncepcyjnego ugruntowania — „świadoma zgoda" była tłumaczona jako „Musimy zatwierdzić", a niektórych terminów (np. „zabezpieczenie awaryjne") nigdy nie wyjaśniono, co skłoniło ich do planowania głębszej pracy koncepcyjnej w późniejszych iteracjach. Kreatywna produkcja najlepiej rozwija kompetencje w zakresie SI, gdy explicite koncepcyjne rusztowanie towarzyszy tworzeniu, a nie jest zakładane, że samo z niego wyniknie.

Intuicja SI jako doświadczalne uzupełnienie kompetencji. Nawracającą luką jest to, że ramy K-12 zakładają, iż uczniowie podchodzą do SI przez deklaratywną, opartą na regułach wiedzę, podczas gdy w praktyce najpierw rozwijają praktyczne „poczucie" tego, jak SI odpowiada — eksperymentując z promptami, obserwując zachowanie, adaptując strategie — zanim będą w stanie sformułować formalne zasady. Beau i Lazar (2026) formalizują to jako intuicję SI: doświadczalne, indukcyjne, często milczące rozumienie, które rozwija się przez iteracyjną interakcję z systemami SI i wspiera kontekstowrażliwy sąd w warunkach niepewności. Ich podwójna rama sytuuje kompetencje w zakresie SI (ustrukturalizowane, w dużej mierze statyczne kompetencje) obok intuicji SI (dynamiczny proces uczenia się), mapując obie na standardowe wymiary — rozumiej koncepcje, używaj narzędzi, oceń krytycznie, stosuj etycznie, refleksyjnie — tak, by uczniowie łączyli koncepcyjną jasność i bariery ochronne (kompetencje) z praktyczną mądrością zaufaj, ale sprawdź oraz decydowania, kiedy przerwać korzystanie (intuicja). Ponieważ intuicja kultywuje „ekspercką obserwację" SI (np. stres-testowanie promptów, by znaleźć, gdzie model zawodzi), autorzy argumentują, że jest ona zabezpieczeniem przed nadmiernym poleganiem i erozją myślenia krytycznego; różni się od inżynierii promptów (która optymalizuje wyniki) tym, że wysuwa na pierwszy plan sąd epistemiczny. Łączy to kompetencje z uczeniem doświadczalnym, konstruktywizmem i rozwojowo ugruntowaną praktyką klasową, i wskazuje przygotowanie nauczycieli w kierunku ułatwiania induktywnej eksploracji, a nie tylko dostarczania koncepcji.

Motywacja jest warunkiem wstępnym, a nie tylko wynikiem. Liang i wsp. (2026) stwierdzili, wśród 2,086 uczniów szkół średnich w rocznym programie nauczania SI, że studenci, którzy przeszli w profil motywacyjny Samookreślony lub w nim pozostali (wysokie zaspokajanie potrzeb autonomii, kompetencji i przynależności), wykazywali największe zyski w kompetencjach w zakresie SI. Kompetencje rozwijają się przez trwałe zaangażowanie, a to zaangażowanie jest samo kształtowane przez motywację i wsparcie potrzeb psychologicznych — więc skuteczna nauka kompetencji w zakresie SI powinna dbać o motywację uczniów, a nie tylko o ich umiejętności.

Nacisk instruktażowy i otwartość zadań docierają do wyników przez różne potrzeby. Yu, Lin i Chen (2026) zrandomizowali 320 studentów studiów licencjackich do czterech grup w eksperymencie 2 x 2 na zadaniu generowania obrazów AIGC, ocenianym rubryką obiektywną (ICC = 0.89), i stwierdzili, że nauczanie oparte na myśleniu, obejmujące ograniczenia modeli, ocenę krytyczną i etykę, przewyższało nauczanie oparte na promptowaniu umiejętnościowym (M = 9.21 vs 7.69, F(1, 316) = 50.79, p < 0.001, częściowy eta kwadrat = 0.138), z szerszą przewagą na zadaniach otwartych (10.10 vs 8.00). Model strukturalny pokazuje, że dwa wybory projektowe podróżują różnymi drogami: nauczanie działało pośrednio przez autonomię (beta = 0.035) i kompetencję (beta = 0.079), podczas gdy otwartość zadań działała głównie przez autonomię (beta = 0.029), kompetencja była najsilniejszym predyktorem wyników (beta = 0.358), a przynależność nie miała niezależnego efektu. To, czego zawiera się w nauczaniu, ma więc większe znaczenie niż to, czy uczniowie dostają praktykę promptowania, i ma największe znaczenie, gdy zadanie jest otwarte.

Zmienne otaczające kompetencje w zakresie SI były od tego czasu szerzej zmapowane. Przegląd systematyczny z 2025 r. korelacji kompetencji w zakresie SI zsyntetyzował 31 badań z 14 krajów (N = 12,071) i stwierdził najbardziej konsekwentne skojarzenia w paśmie afektywnym i behawioralnym: samoocena w zakresie SI, pozytywne postawy wobec SI, motywacja i kompetencje cyfrowe wszystkie zmieniały się wraz z kompetencjami w zakresie SI, podczas gdy lęk przed SI i negatywne postawy zmieniały się wbrew nim. Zmienne demograficzne ledwie się zarejestrowały, przy czym wiek i status społeczno-ekonomiczny korelowały słabo lub wcale. Przestrogą przeglądu są instrumenty: te same badania, które dały silne korelacje z samooceny, dały znacznie słabsze, gdy kompetencje w zakresie SI były testowane, a nie samooceniane.

Badanie równań strukturalnych na 502 respondentach kadry akademickiej jednego chińskiego uniwersytetu badawczego wykazało, że kompetencje w zakresie SI są najsilniejszym predyktorem dobrostanu w kontekście SI (β = 0.713), w porównaniu ze słabą ścieżką technologicznej samooceny skuteczności (β = 0.082), przy czym wsparcie społeczne i organizacyjne docierało do dobrostanu tylko pośrednio (Liu i wsp. (2026)).

Jedno pozornie negatywne skojarzenie odwraca się pod kontrolą: wśród 303 studentów studiów licencjackich z Hongkongu lęk przed technologią korelował negatywnie z kompetencjami w zakresie SI (r = −0.14), a jednak przewidywał β = 0.15 w modelu wspólnym, efekt ograniczony do oceny krytycznej i kompetencji etycznych (Chow i wsp. (2026)).

Hu (2026) dodaje uporządkowane przedstawienie tego, co kompetencje w zakresie SI przewidują, a nie tego, co je przewiduje. Badając 450 studentów uniwersyteckich w Chinach kontynentalnych, którzy już używają ChatGPT, badanie stwierdziło, że kompetencje w zakresie SI wiążą się bezpośrednio z dalszym używaniem (beta = 0.16, p = 0.002) oraz pośrednio wzdłuż szeregowej ścieżki przez zaufanie i akademicką samoocenę skuteczności (efekt pośredni = 0.07, 95% CI [0.04, 0.10]), przy czym wiązanie kompetencji z zaufaniem było najsilniejszym skojarzeniem w modelu (beta = 0.50). Lęk przed SI moderował to pierwsze wiązanie (interakcja beta = −0.25, proste spadki nachyleń z 0.76 do 0.25 wzdłuż zakresu lęku), więc łańcuch przerzedzał się dla bardziej lękliwych studentów, i sama nauka kompetencji nie powinna być zakładana, że ich dosięgnie. Projekt jest przekrojowy, a próba ograniczona do istniejących użytkowników, więc kolejność jest założeniem modelowania, a nie obserwowaną sekwencją.

Rdzennym zastosowanym celem kompetencji w zakresie SI jest redukcja niewłaściwego korzystania z SI: nauczanie studentów etycznego i produktywnego korzystania z SI, zamiast podstawiania jej pod ich własną pracę poznawczą. Tam, gdzie kompetencje budują zdolność krytycznej oceny i korzystania z SI, redukcja niewłaściwego korzystania jest behawioralną i strukturalną wypłatą — łącząc projektowanie narzędzi z barierami ochronnymi, przeprojektowanie oceniania oraz dźwignie edukacyjne, takie jak rusztowane sekwencje najpierw myśl–potem SI i praktyka promptowania z zamierzonym feedbackiem. Obie koncepcje wzajemnie się wzmacniają: kompetencje dostarczają krytycznych nastawień, które czynią interwencje redukujące niewłaściwe korzystanie trwałymi, podczas gdy dowody redukcji niewłaściwego korzystania (np. luka wynik–nauka) motywują, dlaczego kompetencje muszą wychodzić poza umiejętność operacyjną, w stronę sądu krytycznego.

Kompetencje w zakresie SI potrzebują też rozwojowo odpowiednich form dla najmłodszych uczniów. Rama AI-Play przekłada kompetencje w zakresie SI na oparte na grze, odłączone (unplugged) aktywności dla uczniów od przedszkola do 2. klasy — zorganizowane wokół AI Body (SI jako system zbudowany z części), AI Food (SI uczy się z przykładów), AI Brain (SI doskonali się przez wzorce i feedback) oraz etycznej soczewki Pre/Post-AI — odpowiadając na trwały brak rozwojowo ugruntowanych wskazówek w zakresie kompetencji SI dla wczesnej edukacji dziecięcej i czyniąc kompetencje w zakresie SI dostępnymi dla nietechnicznych pedagogów i rodzin. Uzupełnia to Vahedian Movahed i Martin (2025), którzy stwierdzili, że dzieci w wieku 6–14 w szerokim zakresie ufały chatbotowi dopasowanemu do wieku jako źródłu informacji, a większość modelowała go jako „sprytny program komputerowy, który się uczy" (wschodzące rozumienie uczenia maszynowego), a jednak wykazywały luki w krytycznym zaangażowaniu i świadomości bezpieczeństwa cyfrowego — dowód, że zaufanie młodych uczniów może wyprzedzać ich umiejętności krytycznej oceny, czyniąc explicite kalibrację zaufania i instruktaż bezpieczeństwa niezbędną częścią kompetencji w zakresie SI dla dzieci.

Pomiar nadąża za tym rozwojowym zwrotem na młodszym końcu. Walidacja z 2025 r. kwestionariusza samooceny kompetencji w zakresie SI dla uczniów starszych klas podstawowych autorstwa Thianwan i Srikoon opracowała 15-pozycyjny instrument dla klas 4 do 6, zorganizowany wokół Uczenia się o SI, Uczenia się o tym, jak działa SI, oraz Uczenia się na życie z SI, i potwierdziła trójczynnikową strukturę w dwóch próbach (n = 335 i n = 579) z ogólnym alfą Cronbacha wynoszącym .934. Autorzy ramują go jako formacyjną diagnostykę odczuwanych, a nie wykazanych kompetencji, i zauważają, że dokładność samooceny dzieci jest ograniczona przez metapoznawczą zdolność, która wciąż się rozwija.

Uczenie się oparte na projektach jako mechanizm dostarczania. Zhu i Kong (2026) opracowali i zwalidowali skalę uczenia się opartego na projektach SI (AI-PBLS) i, na próbie z Hongkongu obejmującej 1,027 uczniów szkół średnich i uniwersytetów (446 z kompletnymi danymi), użyli modelowania równań strukturalnych, by pokazać, że upoważnienie w korzystaniu z SI do rozwiązywania problemów i etyczna świadomość SI wspólnie mediują związek między postrzeganym uczeniem opartym na projektach a satysfakcją z kursu kompetencji w zakresie SI. To pozycjonuje PBL nie tylko jako format dostarczania, ale jako mechanizm budujący pewność ucznia i rozumowanie etyczne obok kompetencji, wzmacniając wiązanie między PBL a znaczącym rozwojem kompetencji w zakresie SI. Dostarcza też zwalidowanego instrumentu pomiarowego do przyszłego pomiaru doświadczeń kursowych kompetencji w zakresie SI.

Podnoszenie etycznego wymiaru kompetencji ma problem ze znakiem. Wśród 584 studentów studiów licencjackich, którzy samodzielnie nauczyli się SI, kompetencja podnosiła etyczną świadomość (β = 0.644, p < .001), a etyczna świadomość następnie podnosiła lęk przed SI (β = 0.439, p < .001), zamiast go obniżać, co jest przeciwieństwem przewidywanego kierunku (Mu i wsp. (2026)). Lekcja, jaką wyciągają autorzy, jest taka, że nauczanie tego, jak zarządza się etycznymi obawami, musi towarzyszyć samemu etycznemu wymiarowi, albo praca nad kompetencjami może zostawić uczniów bardziej lękliwych, niż ich zastała.

Kompetencje w zakresie SI jako kluczowa luka w ramach SI konwersacyjnej. Przegląd parasolowy agentów SI konwersacyjnej (Ganguly i wsp. 2025, 34 przeglądy) identyfikuje ograniczone wsparcie dla kompetencji w zakresie SI jako znaczącą lukę w ramach CAI, a jego etyczna mapa drogowa czyni fundamentalną ocenę (w tym wzmacnianie kompetencji w zakresie SI) pierwszym filarem, obok projektowania partycypacyjnego, wytycznych etycznego użytkowania i ciągłej oceny wpływu poznawczego. Stwierdza też, że kompetencje w zakresie SI, szkolenie i świadomość należą do najbardziej akcentowanych kierunków etycznych w literaturze CAI.(Conversational AI agents in education: an umbrella review of current utilization, challenges, and future directions)

Skuteczność interwencji w zakresie kompetencji SI. Trzypoziomowa metaanaliza 59 badań (172 wielkości efektu, 7,211 uczestników) szacuje duży ogólny efekt interwencji w zakresie kompetencji SI (g = 0.837, p < .001) — ale z szerokim interwałem predykcyjnym [−0.292, 1.966], więc skuteczność znacznie się różni w zależności od kontekstu. Interwencje w Azji Wschodniej i Europie przewyższały te w Ameryce Północnej, a interwencje skoncentrowane na wiedzy przewyższały te celujące w umiejętności, postawy lub etykę. Autorzy argumentują, że edukacja w zakresie kompetencji SI powinna więc wykroczyć poza wiedzę, w stronę umiejętności, praktyk, etyki i postaw, wspieranych przez zintegrowane i refleksyjne pedagogiki (oparte na projektach i problemach, oparte na dociekaniu, doświadczalne) oraz narzędzia wspierane przez GenAI — przesunięcie, które zgadza się z partycypacyjnymi, zorientowanymi na producenta formami myślenia obliczeniowego opisanymi gdzie indziej w tej bazie wiedzy.

Druga synteza dociera do podobnej wielkości na węższej bazie i zaostrza problem pomiaru. Yu, Kim, Chang i Huang (2026) złączyli 57 wielkości efektu z 16 badań obejmujących 3,837 uczniów K-12, którzy byli uczeni samej SI, a nie z użyciem SI, i oszacowali Hedges' g = 0.892 (95% CI [0.548, 1.236], p < .001), odporne na zakładane korelacje przed–po od 0 do 1 i stabilne po trim-and-fill przy g = 0.952. Wszystkie 57 efektów wskazywało na efekt dodatni (zakres 0.16 do 4.93), i żaden moderator (źródło publikacji, rok, poziom szkoły) nie wyjaśniał znacznej heterogenności (I² = 94.68%). Preferowanym wyjaśnieniem autorów jest pomiar: włączone badania nazywały „kompetencjami w zakresie SI" wszystko, od wiedzy o SI i etyki po postawy, motywację, samoocenę skuteczności i zainteresowanie karierą, więc złączona liczba opisuje rozkład dodatnich ustaleń pod jedną luźną etykietą, a nie jedną jednolitą interwencję. Czytane obok Liu i wsp., oba oszacowania zgadzają się, że nauka kompetencji w zakresie SI działa, i zgadzają się w niewiele innym, co samo w sobie jest sygnałem pomiarowym dziedziny.

Dowody klasowe na celowo krótkie projekty są cieńsze, ale idą w tym samym kierunku i dodają wynik na poziomie zachowania, którego ankiety nie dostarczą. Clerc i wsp. (2026) dali 116 francuskim uczniom klas 8–9 dwugodzinne warsztaty o tym, jak LLM-y działają i zawodzą, połączone z praktyką przewidywania, czy prompt wywoła użyteczną odpowiedź, oceniania odpowiedzi oraz rewizji lub ponownego pytania. Dwa dni później, podczas sześciu naukowych problemów wspieranych przez LLM-y z grupą kontrolną, przeszkoleni studenci rzadziej akceptowali niedostatecznie sprecyzowane prompty (51.5% vs 66.7%, OR = 0.47), znacznie częściej zadawali pytania uzupełniające po słabej odpowiedzi (59.2% vs 27.9%, d = 0.80), i oceniali poprawność odpowiedzi bardziej wrażliwie na jakość promptu (interakcja OR = 2.52), przy skromnej różnicy w wyniku (11.38 vs 10.29 z 20, p = .040). Warsztaty nigdy nie powtarzały zadań testowych, więc to, co przeszło w transfer, to nastawienie regulacyjne, a nie znajomość zadania — i autorzy są explicite, że dwa dni to nie trwałość.

Wspierana przez SI krytyczna umiejętność czytania mediów w szkole podstawowej. Demir i Akar (2026) dostarczają konkretnego przykładu ze szkoły podstawowej nauczania kompetencji wspomaganego przez GenAI: 18-godzinny program w modelu 5E dla czwartoklasistów w Turcji, w którym ChatGPT i Grammarly były wbudowane fazowo jako agenci pedagogiczni (ChatGPT do pytań refleksyjnych i Q&A, Grammarly i Canva AI do udoskonalania treści, Padlet do feedbacku między rówieśnikami), dopasowane do tureckiego programu nauczania języka i nauk społecznych. Grupa wspierana przez SI wykazała duże zyski w czytaniu mediów (+3.50), pisaniu (+1.67) i ogólnych kompetencjach medialnych (+5.17, wszystkie p < .01) z międzygrupowymi wielkościami efektu Cohen's d = 1.12–1.31, podczas gdy grupa kontrolna posunęła się tylko nieznacznie. Analiza jakościowa uwidoczniła sześć domen wzrostu krytycznych kompetencji medialnych — cyfrową samoobronę i prywatność danych, celowe i odpowiedzialne korzystanie z mediów, bezpieczną komunikację i świadomość granic, krytyczną ocenę i świadomość dezinformacji, świadomość ryzyka online oraz etykę medialną/obywatelstwo cyfrowe — dowód, że rozwojowo odpowiednie, wbudowane w dyscyplinę korzystanie z GenAI może budować wymiary krytycznej oceny i etyczne kompetencji w zakresie SI, a nie tylko umiejętność operacyjną.

Ramy strukturyzujące kompetencje w zakresie SI. Kilka niedawnych wkładów oferuje ustrukturalizowane progresje budowania kompetencji w zakresie SI. Marienko, Markova i Semerikov (2026) proponują pięciopoziomową ramę (Świadomość, Zastosowanie, Ocena, Tworzenie, Etyka) zintegrowaną z trzema paradygmatami SI w edukacji (SI-kierowana, SI-wspierana, SI-upoważniona), opracowaną przez badanie metod mieszanych na ukraińskich pedagogach szkół średnich (badanie krajowe n = 2018; ocena PD n = 1130). Stwierdzili, że 84% pedagogów używa SI, ale tylko 11% potrafi wskazać wyspecjalizowane serwisy poza ChatGPT, a interwencja rozwoju zawodowego dała 24-procentową poprawę kompetencji w zakresie SI — dowód, że ukierunkowany PD posuwa kompetencje poza znajomość narzędzi na poziomie powierzchniowym. Zakorzenienie ramy w konstruktywizmie, konnektywizmie i TPACK łączy się z TPACK i kompetencjami nauczycieli w zakresie SI. Uzupełnia to Moore i wsp. (2026), którzy użyli dwuletniego procesu DBR z młodzieżową i ekspercką radą doradczą AI, by zaprojektować zintegrowany z nauką program nauczania ML dla młodzieży szkół średnich, stwierdzając zyski w wiedzy o ML w obu kohortach (Kohorta 2 M2−M1 = 0.175 vs Kohorta 1 0.076) i większe zyski wśród uczestniczek i uczestników niebiałych — dowód, że partycypacyjne, zintegrowane z dyscypliną projektowanie może posuwać zarówno kompetencje w zakresie SI, jak i równość.

Przegląd PRISMA 39 badań STEAM (2016–2025) stwierdził, że te implementacje rozwijają głównie kompetencje techniczne — fundamentalne koncepcje SI, myślenie obliczeniowe, kompetencje w zakresie danych — podczas gdy słabo rozwijają etyczną świadomość, wyobraźnię kreatywną oraz tworzenie, zarządzanie i projektowanie z SI, więc jednostki wbudowane w dyscyplinę mogą wciąż pomijać wyższego rzędu elementy (Niri i wsp., 2026).

Konstrukt jest sporny dokładnie tam, gdzie chodzi o pedagogów. Przegląd 34 badań nad kompetencjami w zakresie SI w edukacji nauczycieli stwierdził, że dziedzinie brakuje konsensusu co do tego, co kompetencje w zakresie SI oznaczają dla profesjonalnych pedagogów, w odróżnieniu od ogólnych kompetencji cyfrowych, a Rama Kompetencji AI UNESCO dla Nauczycieli określa 15 kompetencji w pięciu wymiarach, funkcjonując jako globalne odniesienie polityczne, a nie wskazówka implementacyjna. Kadra akademicka w międzyinstytucjonalnym laboratorium przygotowania nauczycieli traktowała kompetencje w zakresie SI jako zintegrowany wymiar przygotowania zawodowego, a nie osobną umiejętność techniczną, więc oczekiwano od kandydatów audytu, porównania i uzasadniania wyników SI w ramach przedmiotowych kursów, a nie wykazania znajomości narzędzi.

Początkowe przygotowanie nauczycieli to miejsce, gdzie struktura jest najcieńsza. Pinto i wsp. (2026) przejrzeli 11 badań nad SI w początkowym szkoleniu nauczycieli dla przyszłych nauczycieli matematyki w szkole podstawowej i stwierdzili, że dziewięć stanowiło jedną sesję lub garść sesji wbudowanych w istniejące kursy, promptowanie było explicite treścią szkoleniową tylko w niektórych z nich, a etyka pojawiła się zaledwie w trzech, z których żadne nie poruszało przejrzystości, algorytmicznej stronniczości ani rozliczalności. Ryzyka, które raportują, to awarie na poziomie kompetencji: przyszli nauczyciele nie zauważali błędów koncepcyjnych generowanych przez ChatGPT, bez krytycyzmu akceptowali generowane treści i delegowali coraz więcej rozwiązywania problemów na narzędzie w miarę jak zadania stawały się trudniejsze. Ich rekomendacją jest budowanie kompetencji w zakresie SI na całej długości sekwolenia, od fazy przygotowawczej do praktyki, a nie w odizolowanym module.

Relacje nauczycieli co do tego, dlaczego uczy się o SI, dodają warstwę celu, którą ramy kompetencji pozostawiają implicite. Fagerlund i wsp. (2026) przeprowadzili wywiady z 13 fińskimi nauczycielami od przedszkola do 9. klasy, w dużej mierze nowicjuszami w edukacji z SI, i czytali ich stwierdzenia o celu przez trzy domeny Biesty. Kwalifikacja, nabywanie kompetencji, była najjaśniejszym i najbardziej konkretnym celem, i działała jako droga do dwóch pozostałych: uczniowie mieli pojąć SI jako fenomen socjotechniczny i używać jej narzędzi, przy czym SI służyła zarówno jako cel, jak i pomoc w uczeniu się. Socjalizacja pojawiała się jako kultywowanie entuzjazmu, przedstawianie SI jako „fajnej" i ramowanie uczniów jako przyszłych pracowników obeznanych z SI, którzy muszą sprostać wymaganiom kompetencyjnym. Subiektywacja, samookreślone i osobiście znaczące zaangażowanie, które Biesta traktuje jako centralne, była wymieniana jako ważna, ale nie miała konkretnego repertuaru instruktażowego poza dyskutowaniem i kontemplowaniem, a nauczyciele nie oferowali żadnych wypracowanych przykładów kwestionowania autorytetu SI. Autorzy proponują świadomą sprawczość SI, heurystykę, która stawia subiektywację w centrum, traktując kompetencje jako ramy wyjaśniające dla samookreślonych wyborów. Implikacją projektową jest to, że „dlaczego" edukacji z SI wymaga tyleż uwagi projektowej, co „jak": gdy subiektywacja opiera się na ogólnym dyskutowaniu, nauka kompetencji w zakresie SI wraca do kwalifikacji, obok której miała zasiąść.

Sama gotowość jest spornym celem. Charles (2026) argumentuje, że gotowość nauczyciela do uczenia się wzbogacanego o SI powinna być czytana z jakości projektów, które nauczyciele produkują, a nie z adopcji, pewności czy kompetencji cyfrowych, i buduje ramę wokół mediacji projektowej: obserwowalnych decyzji, takich jak wybór narzędzia, projektowanie zadania i promptu, rusztowanie, weryfikacja, przejrzystość, przeprojektowanie oceniania, planowanie dostępności i nadzór ludzki. Dwa z jej twierdzeń mają bezpośrednie konsekwencje dla rozwoju zawodowego. Po pierwsze, poczucie własnej skuteczności jest zasobą mobilizacji, a nie wskaźnikiem jakości, ponieważ pewność bez specyficznej dla SI wiedzy pedagogicznej lub orientacji etycznej może przyspieszać złe projektowanie, zamiast go zapobiegać, co kwalifikuje zwykłe czytanie pewności nauczyciela jako sygnału gotowości. Po drugie, jasność polityki i wsparcie instytucjonalne są odrębnymi moderatorami, więc wsparcie materialne może być wysokie, podczas gdy oczekiwania pozostają niejasne, a gotowość i tak przekłada się słabo. Rama ta odmawia też utożsamiania niekorzystania z niegotowością, ponieważ uzasadniona decyzja o wstrzymaniu SI może sama demonstrować sąd projektowy. Jest koncepcyjna i niezwalidowana, więc dostarcza propozycje i źródła dowodów, a nie ustalone efekty.

Kompetencje interakcji z SI: wymiar interakcyjny. Brunnström i Palmqvist (2026) proponują węższą, interakcyjną kompetencję — zdolność sterowania, oceny i uczenia się z iteracyjnej interakcji z GenAI — jako szczególną realizację wymiarów aplikacyjnych, oceniających i integracyjnych w szerszych ramach, takich jak Heptagon Kompetencji w zakresie SI. Ich refleksyjna demonstracja pokazuje, z czego to w praktyce się składa: rozpoznanie, że płynna odpowiedź jest wysunięta ponad własny schemat, prośba o uproszczenie, zawężenie zakresu i przekierowanie systemu w stronę skupionej praktyki. Wynikają z tego dwa konsekwencje projektowe — umiejętność jest nierówno rozdzielona, więc niekierowane korzystanie może faworyzować już pewnych siebie studentów i poszerzać luki (równość), i musi być nauczana explicite, a nie zakładana, z nauczycielami pokrywającymi, jak formułować produktywne prompty i kiedy przestać używać narzędzia (uczenie samoregulowane).

Krytyczne kompetencje w zakresie SI: od umiejętności do władzy i oporu

Odrębny nurt bazy wiedzy traktuje kompetencje w zakresie SI nie tylko jako umiejętności czy ocenę krytyczną, ale jako krytyczną i polityczną praktykę, która przesłuchuje władzę, autorytet i to, czyja wiedza się liczy. Łączy to kompetencje w zakresie SI z pedagogiką krytyczną i równością:

Te krytyczne nurty uzupełniają operacyjne i poznawcze wymiary kompetencji w zakresie SI: tam, gdzie te ostatnie pytają „czy uczeń może używać i oceniać SI?", krytyczne kompetencje w zakresie SI pytają „czy uczeń rozumie i kwestionuje struktury władzy, które SI wciela?"

Kompetencje w zakresie SI w edukacji STEM

Najbardziej rozwinięta dyscyplinarna baza dowodów na temat kompetencji w zakresie SI pochodzi z edukacji STEM, a Hallström, Chiu, Ding, Koretsky i Li (2026) syntetyzują dziesięć najczęściej cytowanych badań (2022–2026), ukazując zarówno poziom wyjściowy, jak i jego granice. W całym korpusie kompetencje w zakresie SI są definiowane przez sześć nakładających się konstruktów — wiedza/umiejętności/postawy (Su & Yang 2024), wiedza koncepcyjno-proceduralno-kontekstowa (Stolpe & Hallström 2024), know-understand/use-apply/evaluate-create/ethics (Ng et al. 2022) oraz ramowanie use–communication–evaluation Longa i Magerko (Hornberger i wsp. 2023) — więc „koncepcyjna niejednoznaczność" dziedziny jest problemem pomiarowym: dwa badania mogą oba oceniać „kompetencje w zakresie SI", nie oceniając tego samego konstruktu. Tylko dwa z dziesięciu oferują kompletne ramy. Najostrzejszym ustaleniem przeglądu jest asymetria — korpus niemal wyłącznie mierzy kompetencje uczniów, podczas gdy prawie nic nie rozwija kompetencji nauczycieli, luka, która sprawia, że interwencje w zakresie kompetencji SI skierowane do nauczycieli opierają się na założeniu, a nie na dowodzie, i luka, którą autorzy wiążą z praktycznym wymogiem, by sami nauczyciele byli kompetentni w zakresie SI, aby mogli prowadzić takie interwencje.(AI Literacy and STEM Education: Emerging Frontiers and Research Priorities)

Dowody dotyczące chatbotów w tym korpusie przemawiają przeciwko szkoleniom opartym na płynności. Ding i wsp. (2023) stwierdzili, że tutoring ChatGPT z fizyki na poziomie uniwersyteckim podniósł pewność siebie i wiedzę, ale wzmocnił błędne wyobrażenie o AI jako „nadczłowieka i nieomylnego", konkludując, że edukacja w zakresie kompetencji SI „przede wszystkim polega na doskonaleniu krytycznego myślenia uczniów w ocenie informacji". Xu i wsp. (2026) stwierdzili, że programowanie STEM wspierane przez ChatGPT poprawiło pewność siebie i wiedzę, ale pozostawiło bez zmian computational thinking i myślenie niezależne — zyski w płynności współistniejące z brakiem zysku w myśleniu. Oba ustalenia odzwierciedlają obawy dotyczące kalibracji zaufania i nadmiernego polegania na AI występujące gdzie indziej na tej stronie: tutor, który nigdy nie przeczy uczniowi, może wytworzyć pewnych siebie uczniów, którzy nie potrafią oceniać. Postawa, a nie gotowość ani poczucie własnej skuteczności, okazała się najsilniejszym determinantem faktycznego korzystania z narzędzi SI wśród studentów STEM (Falebita & Kok 2025), a przegląd zauważa, że pokrycie dyscyplinarne STEM jest przechylone w stronę biologii i fizyki, przy niemal całkowitej nieobecności technologii jako przedmiotu. Dla projektowania specyficznego dla dyscypliny praktycznym ostrzeżeniem przeglądu jest to, że kompleksowe ramy kompetencji (UNESCO, UE/OECD) „często brakuje im powiązania z badaniami empirycznymi lub wystarczających podstaw teoretycznych", a niewiele z nich nadaje się do zastosowania w klasie.

Czyje umiejętności SI się liczą? Podział ramujący instruktor–pracodawca

Centralnym otwartym pytaniem w zakresie kompetencji SI jest to, które umiejętności mają znaczenie i dla kogo. Badanie Ithaka S+R porównujące, jak instruktorzy i pracodawcy w USA priorytetyzują 26 umiejętności Ramy Kompetencji AI HiBob, stwierdziło, że zgadzają się co do znaczenia tylko jednej (ustawianie realistycznych oczekiwań dla pracy wzbogaconej o SI). Instruktorzy ważą krytyczną, zorientowaną na odpowiedzialne korzystanie orientację — rozpoznawanie limitów SI, przejrzystość i atrybucję, ludzką rozliczalność, proaktywną weryfikację wyników — co zgadza się z akademickimi wartościami atrybucji, weryfikacji i kompetencji informacyjnych. Pracodawcy ważą umiejętności zorientowane na produktywność — ocenę i przeprojektowanie przepływów pracy, automatyzację i zespołowanie człowiek–SI — odzwierciedlające zespołową efektywność w miejscu pracy. Ponieważ tylko trzy z 26 umiejętności są nauczane przez połowę lub więcej instruktorów, a nauczane przekrzywiają się w stronę kategorii krytycznego korzystania, raport identyfikuje konkretną lukę w umiejętnościach SI: całe kategorie cenione przez pracodawców nie są ani priorytetyzowane, ani nauczane w programach studiów.(AI skills for college graduates: Exploring how instructors and employers prioritize AI skills differently) Ten podział ramuje kompetencje w zakresie SI jako sporny konstrukt — kompetencje krytycznego korzystania w kontekstach akademickich kontra kompetencje integracji z przepływem pracy w kontekście zatrudnienia — napięcie istotne dla ramowania korzystania z SI dla uczniów, projektowania programu nauczania i szkolenia zawodowego.

Własne oceny studentów opowiadają pokrewną, ale inaczej uporządkowaną historię. ElSayary i Ragab (2026) zbadali 380 studentów uniwersyteckich, w większości zapisanych na STEM, często używających SI, i stwierdzili, że samooceniane kompetencje w zakresie SI przenosiły większość wyjaśnienia postrzeganej gotowości do zatrudnienia: cztery wymiary kompetencji dodały ΔR² = 0.554 (p < .001) ponad kontrolami tła warte zaledwie 0.054, a pełny model osiągnął 60.8% wariancji. W obrębie zbioru kompetencji wymiar oceniający był najsilniejszy (Analyze & Evaluate, β = 0.286), a po nim afektywny (Attitudes & Mindsets, β = 0.266), z praktycznym używaniem (β = 0.217) i wiedzą fundamentalną (β = 0.187) za nimi; dla postrzeganej gotowości kariery z kolei tylko Analyze & Evaluate (β = 0.216, p < .001) i Attitudes & Mindsets (β = 0.192, p = .004) były istotnie skojarzone. Czytane wobec podziału Ithaka, własne poczucie uczniów co do gotowości w miejscu pracy przechyla się w stronę orientacji krytycznej oceny faworyzowanej przez instruktorów, a nie umiejętności integracji z przepływem pracy ważonych przez pracodawców. Projekt to jedno-sesyjna samoocena z jednostajnie wysokimi średnimi (4.17 do 4.57 z 5) i bez miary pracodawcy ani zatrudnienia, więc to, co pokazuje, to że samooceniane kompetencje w zakresie SI i samooceniane możliwości zatrudnienia zmieniają się razem, przy czym części oceniająca i dyspozycyjna robią większość pracy, a nie że ci studenci są wykazalnie gotowi na rynek pracy.

Projektowanie interwencji w zakresie kompetencji SI

Ramy i badania empiryczne bazy wiedzy zbiegają się na zestawie praktycznych wskazówek dla pedagogów i projektantów instruktażowych budujących interwencje w zakresie kompetencji SI:

1. Używaj ustrukturalizowanej ramy kompetencji jako rusztowania, a nie listy kontrolnej. Dojrzałe ramy dają projektantom wspólny słownik i rozwojowo sekwencjonowany cel. Rama SAIL organizuje kompetencje w zakresie SI w trzy domeny (Koncepcje SI; Zastosowanie i umiejętności techniczne; Obywatelstwo cyfrowe SI) na czterech rusztowanych poziomach — Understand and Explore → Apply and Integrate → Evaluate and Create → AI++. Heptagon Kompetencji w zakresie SI przecina siedem wymiarów (wiedza techniczna, zastosowanie, myślenie krytyczne, etyka, wpływ społeczny, integracja, prawno-regulacyjne) z czterema poziomami biegłości wyrównanymi z Blooma, i podkreśla, że nacisk musi być dostosowany do kontekstu dyscyplinarnego — programy techniczne ważą zastosowanie, programy humanistyczne ważą etyczne i społeczno-wpływowe rozumowanie.(The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education)(The AI Literacy Heptagon: A Structured Approach to AI Literacy in Higher Education)

2. Angażuj uczniów w trybach ICAP. Stosując ramę ICAP, skuteczna instrukcja daje uczniom możliwości zaangażowania na wielu poziomach poznawczych — pasywna ekspozycja (wykłady o koncepcjach SI), aktywna manipulacja (praktyczne korzystanie z narzędzi), konstruktywne generowanie (tworzenie artefaktów SI, samowyjaśnianie) oraz interaktywny dialog (współpracujące rozwiązywanie problemów z rówieśnikami i SI) — wybierając tryb pasujący do celu uczenia się. Przegląd systematyczny stwierdził, że skuteczne współpracujące interwencje w zakresie kompetencji SI obejmowały wszystkie cztery tryby ICAP.(Systematic Review of Collaborative Learning Activities for Promoting AI Literacy)

3. Oceń wykazaną kompetencję, a nie samoocenę postrzeganą. Samooceniane kompetencje w zakresie SI znacznie odbiegają od mierzonych wynikowo — nauczyciele przeszacowują swoje umiejętności SI o ~40%, a miary oparte na wynikach korelują z integracją SI w klasie znacznie lepiej niż samooceny (r≈0.72 vs 0.31). Projektuj interwencje wokół oceniania i kalibracji opartej na wynikach, a nie ankiet pewności, i używaj profili diagnostycznych (przeszacowujący kontra prawdziwi nowicjusze), by ukierunkować wsparcie.(How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures)

4. Buduj dyspozycje metapoznawcze i krytyczne, a nie tylko umiejętność operacyjną. Kompetencje w zakresie SI lepiej rozumieć jako metapoznawczą praktykę społeczną niż listę umiejętności: ponieważ LLM-y są probabilistyczne i nieprzejrzyste, uczniowie muszą monitorować i dostosowywać swoje strategie, kultywować naukowy sceptycyzm i przesłuchiwać, jak algorytmy kształtują produkcję wiedzy — a nie tylko uczyć się obsługi narzędzi. Partycypacyjne współprojektowanie i eksperymentalne, oparte na projektach przestrzenie (a nie jednorazowe szkolenie z narzędzi) to tam, gdzie rośnie ta świadomość.(Metacognitive AI literacy: going beyond the AI skills gap agenda)

5. Wbuduj kompetencje w dyscyplinę i uczyń je trwałymi. Ruch w stronę wyższych stadiów kompetencji w zakresie SI (od niekrytycznego używania → do używania świadomego → do oceny krytycznej → do ulepszania) jest najbardziej widoczny, gdy doświadczenia są trwałe i wbudowane w dyscyplinę, a nie dostarczane jako samodzielne warsztaty. Projektuj na powtarzalną, kontekstową praktykę w ramach autentycznych kursów.(Beyond Tool Adoption: A Practical Five-Stage Developmental Continuum for AI Literacy in Higher Education) Konkretnym modelem krytycznej kompetencji wbudowanej w dyscyplinę jest oparta na zadaniach taksonomia Dierickx i wsp. (2026) dla dziennikarstwa: mapuje zadania wspierane przez LLM-y na cztery stadia przepływu pracy informacyjnej (newsgathering, sensemaking, editing, publication/distribution), każde powiązane z promptem bazowym i strategią ryzyka i mitigacji. Traktując definicję zadania i promptowanie jako sytuowaną formę profesjonalnego sądu — a nie neutralną umiejętność techniczną — zamienia samo promptowanie w nośnik krytycznych kompetencji w zakresie SI (stronniczość, halucynacje, nadmierne poleganie i trwała wartość ludzkiego nadzoru redakcyjnego), a jej leżąca u podstaw logika przenosi się na inne intensywnie oparte na wiedzy profesje (prawo, medycyna, polityka publiczna). Uzupełniająco do takich specyficznych dla dyscypliny taksonomii, taksonomia Dohn i wsp. (2026) klasyfikuje działalności uczenia się z GenAI wzdłuż sześciu wymiarów, z których Zaangażowanie Epistemiczne (rozumienie / używanie / krytykowanie / konstruowanie GenAI) bezpośrednio operacjonalizuje kompetencje w zakresie SI jako głębię poznawczej relacji uczniów z technologią — od pasywnej ekspozycji do aktywnej krytyki i konstrukcji.

6. Traktuj równość i przerwę cyfrową jako ograniczenia projektowe. Kompetencje w zakresie SI to mechanizm adresowania trzy-poziomowej przerywy cyfrowej (dostęp, umiejętności, wyniki): zamknięcie luki urządzeniowej jest niewystarczające, chyba że umiejętności i krytyczne korzystanie są budowane, by korzyści rozdzielały się sprawiedliwie. Interwencje powinny explicite planować dla uczniów, którzy wchodzą z mniejszym wcześniejszym dostępem do SI, i włączać perspektywy kulturowe i zarządcze, zamiast traktować kompetencje jako kulturowo neutralne.(The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education)(Digital Divide)

7. Paruj kompetencje z dźwigniami redukcji niewłaściwego korzystania. Ponieważ niewłaściwe korzystanie z SI aktywnie szkodzi trwałemu uczeniu się, instrukcja kompetencji powinna być połączona ze strukturalnymi i edukacyjnymi dźwigniami udokumentowanymi pod redukcją niewłaściwego korzystania — projektowaniem narzędzi z barierami ochronnymi w modelu „podpowiedź, nie odpowiedź", przeprojektowaniem oceniania oraz rusztowanymi sekwencjami najpierw myśl–potem SI z zamierzoną praktyką promptowania.

8. Zaczynaj od faktycznego punktu wejścia uczniów. Uczniowie wchodzą z odrębnymi orientacjami — unikanie pędzone przez lęk, nieufność lub brak dostępu, kontra niekrytyczne poleganie, które maskuje niezrozumienie. Diagnostyczne, oparte na stadiach podejście (zamiast jednolitego programu nauczania) pozwala projektantom spotkać studentów tam, gdzie są, i przesunąć ich w stronę krytycznego, odpowiedzialnego zaangażowania.(Beyond Tool Adoption: A Practical Five-Stage Developmental Continuum for AI Literacy in Higher Education)

9. Rozszerzaj ofertę poza odbiorców, których edukacja formalna już sięga. Rama AI Literacies dla mediów służby publicznej argumentuje, na podstawie przeglądu krajobrazu ponad 40 ram i 35 wywiadów eksperckich, że oferta przechylała się w stronę umiejętności technicznych i funkcjonalnych, i że kompetencje w zakresie SI na siebie nachodzą i powinny być łączone z kompetencjami cyfrowymi, medialnymi i informacyjnymi, zamiast być nauczane jako samodzielny przedmiot. Jej struktura — sześć obszarów kompetencji, pięć wartości i trzy poziomy progresji (Understanding and Applying, Analysing and Evaluating, Synthesising and Specialising) ze wskazówką oceniającą — jest użytecznym wzorcem dla dostawców poza formalną szkołą, a jej argument równościowy jest instrukcją projektową: dotarcie do młodych ludzi, którzy są cyfrowo lub inaczej zmarginalizowani, wymaga zamierzonych partnerstw, a nie uniwersalnej publikacji.(Supporting AI Literacies for Young Adults Aged 14-19: A value-based, practical framework for public service media organisations)

Pomiar kompetencji w zakresie SI

Odrębny wątek badawczy traktuje kompetencje w zakresie SI nie tylko jako cel instrukcji, ale jako konstrukt do pomiaru. Nurt oceniania bazy wiedzy rozróżnia kompetencje samooceniane od opartych na wynikach: samooceny znacznie odbiegają od wykazanej kompetencji (nauczyciele przeszacowują o ~40%), a miary oparte na wynikach przewidują integrację SI w klasie znacznie lepiej niż ankiety pewności (r≈0.72 vs 0.31). Praca interwencyjna reprodukuje tę rozbieżność na poziomie zachowania: w badaniu Clerc i wsp. (2026) ani postawy wobec GenAI, ani ogólna skala świadomości metapoznawczej nie przewidywały regulacji interakcji z LLM-ami przez studentów ani ich końcowych wyników w zadaniu (r = .01 i r = .04, obie nieistotne), podczas gdy zachowania, które zmieniły warsztaty — odrzucanie niedostatecznie sprecyzowanych promptów, ocenianie poprawności odpowiedzi, zadawanie pytania uzupełniającego — śledziły jakość odpowiedzi. Zwalidowane instrumenty pojawiają się, by zamknąć tę lukę — GLAT dostarcza psychometrycznie zwalidowanej oceny kompetencji w zakresie generatywnej SI, a profile diagnostyczne (przeszacowujący kontra prawdziwi nowicjusze) pozwalają projektantom ukierunkować wsparcie tam, gdzie jest potrzebne. Guo i wsp. (2026) mapują ten krajobraz instrumentów bezpośrednio, przeglądając 80 zwalidowanych ram — 69 kompetencji cyfrowych i 11 kompetencji w zakresie SI — opublikowanych między styczniem 2014 a lutym 2025. SI pchnęła kompetencje cyfrowe w stronę etyki i przeformułowała komunikację, by obejmowała interakcję człowiek–SI, podczas gdy regulacja metapoznawcza i specyficzna dla pedagogów współpraca człowiek–SI pozostają najmniej sprecyzowane. Do projektowania i badań wiąże to kompetencje w zakresie SI z pomiarem edukacyjnym i szerzej z ocenianiem: rama kompetencji jest tylko tak użyteczna, jak instrumenty używane do śledzenia wzrostu, a oparte na stadiach kontinua wymagają niezawodnego pomiaru, by umieszczać uczniów wzdłuż nich.

32-pozycyjny sześciofasetowy instrument rozszerza czterowymiarowy model o dwa dalsze fasety — odpowiedzialne korzystanie i samorozwój — i utrzymuje skalarną niezmienność wśród adolescentów (12–17), młodych dorosłych (18–40) i dorosłych w średnim wieku (41–60), choć autorzy ostrzegają, że ΔCFI zbliżał się do konwencjonalnego progu (Liu i wsp. (2026)).

Zhi, Yang i Huang (2026) budują model specyficzny dla studiów podyplomowych na taksonomii Marzano: analiza ugruntowana w wywiadach z 14 profesorami skondensowała 329 surowych etykiet do 96 koncepcji, 15 kategorii i pięciu wymiarów (fundament poznawczy, umiejętności operacyjne, myślenie wyższego rzędu, refleksja metapoznawcza, odpowiedzialność etyczna), a następnie operacjonalizowała je jako 15-pozycyjną skalę Likerta, której pięć czynników wyłoniło się w eksploracyjnej analizie czynnikowej (83.14% kumulowanej wariancji) i utrzymało w konfirmacyjnej analizie czynnikowej na drugiej podpróbie (CFI = 0.934, RMSEA = 0.083), z niezawodnością od 0.796 do 0.842 wśród 308 ważnych kwestionariuszy.

Skala Critical 3wAI Literacy (Bozkurt, Ertan i Cömert, 2026) waliduje tę samą trzyczęściową strukturę dla dorosłych uczniów jako instrument samooceny (n = 546 i n = 647; χ²/df = 4.93, CFI = 0.931, α = 0.913). Jej czynniki Know-How i Know-Why wyszły najściślej sprzężone (HTMT = 0.544), podczas gdy sama wiedza teoretyczna nie przełożyła się na praktyczną skuteczność. Jako miara samooceny dzieli problem rozbieżności udokumentowany powyżej, więc jest zwalidowaną diagnostyką, a nie miarą wynikową — i autorzy wzywają do rewalidacji w grupach wiekowych i kontekstach kulturowych.

Pokrewnym pytaniem jest to, co instrumenty mogą w ogóle mierzyć. Burriss i wsp. (2026) zauważają, że istniejące skale kompetencji w zakresie SI i ramy kompetencji zakładają indywidualnie mierzalne wyniki i więc strukturalnie wykluczają współpracującą, kreatywną ekspresję — dowód ich jednostki stanowiły multimodalne artefakty filmowe, refleksje i dyskurs obywatelski, a nie wynik podsumowujący, a autorzy argumentują, że taki dowód może uzupełniać, a nie zastępować konwencjonalne miary. Poszerzenie konstruktu może więc wymagać poszerzenia dopuszczalnych dowodów, a nie tylko dodawania bogatych w modalność pozycji do istniejących skal.

Uzupełniający wątek mierzy, jak uczniowie i nauczyciele odbierają materiały kompetencji w zakresie SI, a nie same kompetencje. Wang, Chuang i Wu (2026) kazali 794 studentom i 37 nauczycielom ocenić dwa wydania podręczników zbudowane do progu wiekowego UNESCO (wiek 9–12 i 13–18) po około 30 minutach prowadzonej ekspozycji klasowej. Akceptacja utrzymywała czteroczynnikową strukturę (Performance Expectancy, Effort Expectancy, Perceived Playfulness, Behavioral Intention) z niezmiennością pomiarową wspieraną na obu wydaniach studenckich, młodsi uczniowie oceniali wyżej na wszystkich czterech konstruktach, a postrzegana zabawowość przenosiła najsilniejsze skojarzenie z intencją w obu kohortach. Autorzy są explicite co do tego, czym to nie jest: postrzegana akceptacja zasobu podzielonego wiekowo nie jest osiągnięciem kompetencji w zakresie SI, etycznym rozumowaniem, adopcją ani trwałym używaniem, i akceptacja na poziomie materiału nie powinna być czytana jako dowód, że kompetencje się poprawiły.

Pomiar rozciąga się też na pedagogów, którzy mediują zaangażowanie uczniów z SI. Większość ocen kompetencji w zakresie SI celuje w studentów lub ogólnych użytkowników, pozostawiając lukę w edukacji nauczycieli — lukę, którą adresuje Skala Kompetencji Nauczycieli w zakresie SI (TAILS): zakorzeniona w ramie ED-AI z sześcioma wymiarami (wiedza, ocena, współpraca, kontekstualizacja, autonomia i etyka), została zwalidowana przez eksploracyjną i konfirmacyjną analizę czynnikową z przyszłymi nauczycielami języków. Takie instrumenty wspierają pomiar i rozwój kompetencji w zakresie SI u pedagogów, którzy mediują zaangażowanie uczniów z SI. Po stronie studentów Nie i wsp. (2026) opracowują i walidują Skalę Kompetencji Oceny Generatywnej SI (GAA-LS) dla studentów szkolnictwa wyższego — 18-pozycyjny, pięcioczynnikowy instrument, którego wyniki śledzą zaangażowanie w feedback, uczciwość akademicką i odpowiedzialne korzystanie z SI, z pośrednią ścieżką do uczciwości biegnącą przez feedback — dowód, że specyficzne dla oceniania kompetencje w zakresie SI są mierzalne i wiążą się z zachowaniem uczciwości. To, co faktycznie zawiera ten korpus instrumentów skierowanych do nauczycieli, było od tego czasu zaaudytowane: przegląd z 2026 r. narzędzi pomiaru kompetencji nauczycieli w zakresie SI autorstwa Zainal, Mohd Matore i Maat ocenił 33 instrumenty opublikowane między 2019 a 2025 r. i stwierdził, że 31 (93.9%) było skalami samooceny postrzeganego poczucia pewności, tylko dwa testowały wiedzę obiektywnie, i żadne nie używało zadań opartych na wynikach, podczas gdy dowód sprawiedliwości był najsłabszą domeną jakości, przy czym tylko pięć instrumentów raportowało niezmienność pomiarową lub różnicowe funkcjonowanie pozycji.

Aktualizacja z 2026 r. tej literatury pomiarowej reorganizuje ją w cztery domeny — wiedza i używanie, epistemyczny nadzór, kalibracja polegania oraz operacyjna kontrola nad agentami używającymi narzędzi — i raportuje, że żaden zwalidowany indywidualny instrument w korpusie nie pokrywa pełnej kombinacji zakresu, uprawnień, odzyskiwania, izolacji stanu, niezależnej weryfikacji i opartego na dowodach zamknięcia, których wymaga agentowe używanie narzędzi. Jego złączona korelacja subiektywno-obiektywna na trzech efektach z tej samej próby wyniosła r = .055, co jest zgodne z rozbieżnością opisaną powyżej, a nie z samoocenami jako użytecznym substytutem (Verí (2026)).

Krajobraz pomiarowy jest sam w sobie nieuporządkowany, i teraz częściowo zmapowalny. He, Zhang, Wang i Ji (2026) przeanalizowali korpus instrumentów kompetencji w zakresie SI z pipeline'em kodowania opartym na LLM-ie i stwierdzili, że dziedzina mierzy wiele konstruktów pod jedną etykietą — problem jangle, gdzie jeden konstrukt nosi kilka nazw (Behavioral Commitment pojawia się w ośmiu parach kandydatów, Intrinsic Motivation w pięciu), obok przypadków kandydatów jingle, gdzie instrumenty dzielą etykietę, ale nie treść swoich pozycji. Ich odzyskiwanie semantycznej podobnej struktury pozycji i konstruktów korelowało tylko umiarkowanie z raportowanymi przez instrumenty niezawodnościami (r = 0.49 na poziomie pozycji wobec 0.45 i 0.35 na poziomie konstruktu), i oferują metodę jako selekcję, a nie arbitraż. Konsekwencją dla każdego wybierającego miarę jest to, że zbieżne twierdzenia między badaniami nie są bezpieczne do zakładania: dwa instrumenty o tej samej nazwie mogą nie operacjonalizować tego samego konstruktu.

To, co te instrumenty mogą wspierać, zostało teraz zaaudytowane, a audyt jest trzeźwiący. Jin, Gašević, Martinez-Maldonado i Yan (2026) przeselekcjonowali 8,056 rekordów do 58 badań obejmujących 47 unikalnych instrumentów, ocenionych z COSMIN względem konstruktu, którego okno rozwoju instrumentu skompresowało się w trzy lata (dwa instrumenty przed 2023 r., 28 w samym 2025 r.). Korpus pozostaje w 37 na 47 przypadków samooceną, a dowód skupia się ciasno wokół struktury wewnętrznej: ważność strukturalna była wystarczająca w 32 z 58 badań, a spójność wewnętrzna w 32, z żadnym ocenionym jako niewystarczająca, ale ważność konstruktu była raportowana tylko przez 15 badań (12 wystarczająco), ważność kryterialna przez jedno, niezmienność pomiaru przez pięć (wszystkie wystarczające), i tylko 2 z 58 uzyskały wystarczającą ogólną ocenę ważności treści — wyczerpaność była niewystarczająca w 53, mimo że 43 badania raportowało wywiady poznawcze. Wzorzec jest taki, że praktyka pomiaru wygląda solidnie dokładnie tam, gdzie najtaniej jest ją wykazać, i cienko tam, gdzie dowód musi przyjść z zewnątrz instrumentu, więc czysta struktura czynnikowa i wysoki współczynnik (który może odzwierciedlać nadmiarowość pozycji w nie mniejszym stopniu niż reprezentację konstruktu) nie powinny być czytane jako wykazana zdolność. Receptą autorów jest konsolidacja, a nie proliferacja: udoskonalać istniejące skale, testować niezmienność zawsze, gdy jedna przekracza język lub stadium edukacyjne, i dodawać dowód kryterialny, wiążąc wyniki z zadaniami wynikowymi.

Jedna z wyjątków jest zbudowana do porównywania grup. Zhang i wsp. (2026) opracowali Skalę Kompetencji Generatywnej SI (GAILS) — 43 pozycje zredukowane do 34 przez przegląd pięciu ekspertów i pilotaż siedmioosobowy, następnie zwalidowane na 341 dorosłych w Ameryce Północnej — i przetestowali skalarną niezmienność pomiaru, stwierdzając, że utrzymała się na respondentach płci żeńskiej i męskiej oraz na grupach studentów i siły roboczej. To, co uprawnia porównania średnich raportowane przez instrument — mężczyźni oceniający nieznacznie wyżej na Adaptacyjnych Umiejętnościach Operacyjnych, studenci wyżej na Adaptacyjnych Umiejętnościach Operacyjnych i Odpowiedzialnych Kompetencjach GenAI — jako różnice kompetencji, a nie różnicowe funkcjonowanie pozycji, i to, co czyni skalę użyteczną w kontekstach szkolnictwa wyższego i miejsca pracy, a nie tylko studenckich. Jej własny dowód nie jest bez skazy: dopasowanie było mieszane (CFI = .967 i SRMR = .058 wewnątrz konwencjonalnych progów, RMSEA = .087 ponad nimi), całoskalowe α = .973 leży obok jednego nieudanego porównania dyskryminacyjnego Fornella–Larckera (Factor 1 √AVE = .828 wobec r = .873 z Factor 3), i, jak prawie wszystko w korpusie, mierzy postrzeganą kompetencję bez kryterium behawioralnym. Zwalidowana skala w tej dziedzinie jest punktem wyjścia do pracy nad niezmiennością i kryterium, o którą wzywa przegląd, a nie ukończonym benchmarkiem.

Powiązania w całej bazie wiedzy

Kompetencje w zakresie SI przecinają się z Korepetycjami SI (rozumieniem, kiedy i jak korepetycje SI są skuteczne), kompetencjami nauczycieli w zakresie SI (gotowością pedagogów), uczciwością akademicką (wiedzą, co stanowi dopuszczalne korzystanie z SI) oraz szerzej z SI w edukacji. Są zarówno warunkiem wstępnym skutecznego korzystania z SI, jak i wynikiem dobrze zaprojektowanej integracji SI — studenci uczą się kompetencji w zakresie SI, PRZEZ krytyczne korzystanie z SI, a nie tylko przez naukę O SI.

Kompetencje w zakresie SI są obosieczne dla nadmiernego polegania: Maizel i wsp. (2026) stwierdzili, że oparte na umiejętnościach wymiary kompetencji w zakresie SI (używanie/rozumienie, wykrywanie) były dodatnio skojarzone z raportowaną zależnością od SI, podczas gdy samoocena skuteczności w zakresie SI i akademicka pewność były skojarzone negatywnie — więc techniczne szkolenie kompetencji w zakresie SI, bez rusztowań samooceny skuteczności i uczenia samoregulowanego, może zwiększać zależność. Kompetencje w zakresie SI stają się tu upoważniającą zdolnością, której kierunek zależy od komplementarnych zasobów motywacyjnych.

  • Nawyki weryfikacji popłacają tylko przez regulację. W badaniu Davor, Larbi i Boateng (2026) na 533 studentach uniwersyteckich w Ghanie, kompetencje weryfikacji SI nie miały istotnego bezpośredniego efektu na myślenie krytyczne (beta = .076, p = .090) ani techniczne rozwiązywanie problemów (beta = .043, p = .385) i miały znaczenie tylko przez metapoznawczą samoregulację (beta = .167, p < .001), pełną mediację, którą autorzy nazywają metapoznawczą aktywacją. Rusztowanie zadań SI przewidywało oba wyniki (beta = .185 i .170), podczas gdy tendencja do odciążania poznawczego przewidywała je negatywnie (beta = -.240 i -.312) i deprymowała również regulację (beta = -.294). Nauczanie studentów sprawdzania wyników SI nie jest więc samo w sobie wystarczające: nawyki oceniające potrzebują planowania, monitorowania i refleksji wbudowanych w zadanie.

  • Krytyka wyników SI jako praktyka kompetencyjna: Hosseini (2026) traktuje ocenę błędów generowanych przez SI jako rdzennej umiejętności kompetencji w zakresie SI, używając analizy trybów awarii i iteracyjnego udoskonalania promptów w kursie projektowania baz danych. Badanie stwierdziło, że studenci przeszacowują swoje zdolności w zakresie SI (samooceniane kompetencje słabo, negatywnie skorelowane z obiektywną kompetencją), i że uczenie się oparte na krytyce wzmacniało kalibrację.

  • Socjalistyczno-humanistyczne kompetencje w zakresie SI (2026): Przegląd literatury krytykuje zorientowane na compliance kompetencje w zakresie SI i proponuje socjalistyczno-humanistyczne ramowanie asynchronicznych kompetencji w zakresie SI i fair use w szkolnictwie wyższym, wiążąc historyczną przerwę cyfrową z nowoczesnymi kompetencjami w zakresie SI i wzywając do podejść służących ludzkiemu rozkwitowi i równości, a nie mechanicznej zgodności z polityką (From Mechanical Compliance to Human Flourishing: A Socialist Humanist Approach to Asynchronous AI Literacy and Fair Use in Higher Education).

  • Tanie, lekkie ostrzeżenia stępiają perswazję SI — bez kosztu ogólnego zaufania. Orchinik i Rand (2026) zarejestrowali previamente dwa eksperymenty (łącznie N = 3,208 dorosłych w USA), w których uczestnicy rozmawiali z LLM-em poinstruowanym, by przesunął ich poglądy na tematy polityczne. Jedno krótkie ostrzeżenie — że modele mogą być promptowane do perswazji i mogą przedstawiać informacje selektywnie — zmniejszyło zmianę przekonań o około połowę (−48.1%, 95% CI [−59.5%, −36.8]) względem kontroli, a dodanie ostrzeżeń o specyficznych technikach perswazji nie dało dalszej korzyści. Właściwość, która ma znaczenie dla nauczania, leży po drugiej stronie efektu: ogólne zaufanie do generatywnej SI nie spadło, więc interwencja buduje kalibrowane zaufanie, a nie ogólny sceptycyzm. Jest to interwencja jednego akapitu, bez facilitacji, co jest rzadkim profilem kosztowym dla projektu kompetencji w zakresie SI.

  • Zarządzanie AI przez ucznia ma większe znaczenie niż projekt narzędzia. Azimi (2026) zrandomizował 33 studentów na kursie magisterskim z analityki danych między rusztowanym AI Study Coach wbudowanym w zeszyty (n = 16) a nieograniczonym korzystaniem z dowolnych narzędzi generatywnej SI, które wybrali (n = 17), przez siedem tygodni. Wyniki zadań i zyski na inwentarzu koncepcji były nierozróżnialne; warunek Coach raportował zamiast tego wyższe poczucie pewności. To, co rozróżniało studentów, to kompetencje w zakresie SI w praktyce: ci, którzy sformułowali własne zasady tego, kiedy korzystać z SI, osiągali wyższe wyniki w obu warunkach, a studenci z najgłębszym rozumieniem modelu — wszyscy z nich samoucy — promptowali najbardziej zamierzenie. Implikacja projektowa idzie przeciwko refleksowi kontroli: ucz samoregulacyjnych i rozumiejących model komponentów kompetencji w zakresie SI, zamiast ograniczać narzędzia.

Połączone koncepcje

Połączone artykuły

Powiązane FAQ

Powiązane zasoby

  • Education Agent Skills
    A library of 165 evidence-grounded agent skills covering pedagogy, learning science, curriculum, and assessment, packaged for Claude, Codex, and Hermes.
  • EduGems
    'A growing library of pre-made Google Gemini 'Gems' — shareable, pre-written prompts for planning, feedback, forms, images and AI-use reflection.
  • mglearn Classroom Resources
    A large set of free, browser-based classroom activity suites and print-ready materials from TCEA, including Gen AI literacy and digital citizenship modules.
  • OnMicro.AI
    A no-code builder that lets educators make focused AI apps, publish them by link, embed them in an LMS through LTI, and see how students use them.
  • Playlab
    A nonprofit creator platform where educators build, share and evaluate their own AI apps — grounded in their curriculum, run on the model of their choice, with teacher visibility built in.
  • Pressing Prompts
    Openly accessible higher-education activities and resources for pressing critical questions about AI, organised into three thematic clusters.
  • Student Guide to AI
    A free three-edition student guide to artificial intelligence from Elon University, AAC&U and The Princeton Review, whose 2026 edition builds ten human capacities with teacher-ready learning modules and an anonymous self-assessment.
  • Vibes DIY
    A plain-language app builder: describe a small tool in words and get a working, shareable web app, with the underlying React packages and CLI released under Apache-2.0.

Metadane

PoziomHigher Ed, K 12
Docelowi odbiorcyFaculty Developers, Instructors, Learners
Technologie i technikiGenerative AI, Large Language Models (LLMs)
Podstawy AI w edukacjiAcademic Integrity, AI w edukacji, Kompetencje w zakresie SI (AI literacy), Educational Development
SourceHistoryEditChat

Osadź tę stronę

Skopiuj poniższy kod, aby osadzić tę stronę w systemie zarządzania nauczaniem lub na innej witrynie. Wersja osadzona pokazuje tylko treść strony — ukrywa nagłówek witryny, nawigację i stopkę.