Baza de cunoștințe AIEdAIEd KB
Pe această pagină

Citește această pagină în engleză

Concepte

Alfabetizare în IA

Creat 2026-10-15

Traducere automată a acestei pagini în limba engleză, încă neverificată de un vorbitor nativ.

Alfabetizarea în IA — cunoștințele, competențele și dispozițiile critice necesare pentru a înțelege, evalua și utiliza eficient IA Technologies în contexte educaționale. Alfabetizarea în IA cuprinde înțelegerea fundamentală a modului în care funcționează IA, competența practică în utilizarea instrumentelor de IA, evaluarea critică a rezultatelor IA și conștientizarea etică a implicațiilor sociale ale IA.

Întrebări de reflecție

  • Ce înseamnă să fii „alfabetizat în IA”? Este a ști cum să folosești instrumentele, a înțelege cum funcționează sau a fi capabil să le evaluezi critic rezultatele — și care contează cel mai mult pentru propriile tale obiective?
  • Alfabetizarea în IA raportată de sine divergează puternic de performanța măsurată — profesorii își supraestimează competențele cu aproximativ 40%. Cât de încrezător ești în propriile tale competențe în IA și ce dovezi ai încredere să testezi efectiv acea încredere?
  • Alfabetizarea în IA este descrisă ca o practică socială metacognitivă, nu ca o listă de verificare a competențelor. Pentru că LLM-urile sunt probabilistice și opace, ce înseamnă să „evaluezi critic" rezultatele atunci când nu poți vedea în interiorul modelului?
  • Există o tensiune între alfabetizarea de uz critic pentru mediul academic și alfabetizarea de integrare în fluxul de lucru pentru angajare — educatorii și angajatorii apreciază competențe diferite. Ce fel de alfabetizare în IA predă de fapt contextul tău?
  • Formarea tehnică în alfabetizarea IA, singură, fără sprijin pentru autoeficacitate și autoreglementare, poate crește efectiv dependența de IA. Cum ar putea învățarea utilizării IA să te facă mai dependent de ea în loc să te facă mai capabil?
  • Alfabetizarea în IA este și o competență de recunoaștere: sesizarea momentului în care o IA este de acord cu tine pentru că este servilă (sycophantic), nu pentru că ai dreptate. Ai prins vreodată o IA spunându-ți doar ce voiai să auzi?

Introducere

Alfabetizarea în IA a apărut rapid ca o competență de bază pentru elevi, educatori și instituții, pe măsură ce Generative AI se integrează în educație. Spre deosebire de alfabetizarea digitală generală, alfabetizarea în IA necesită înțelegerea unor sisteme probabilistice care pot halucina, pot prezenta părtinire și pot transfera Learner Agency de la om la mașină — făcând Critical Thinking și supra-dependența elemente centrale ale constructului.

Dimensiunile alfabetizării în IA

Cercetarea de cercetare din această bază de cunoștințe se întinde pe patru dimensiuni interconectate:

Cadrele de referință urmăresc din ce în ce mai mult modul în care aceste dimensiuni se materializează în practică: Dai & Chan (2026) arată cum cercetătorii postdoctoranzi activează toate cele patru dimensiuni atunci când folosesc Generative AI pe parcursul fluxului de cercetare și construiesc din ele îndrumări de utilizare responsabilă specifice cercetării, în timp ce Şan & Orhan Karsak (2026) folosesc cartografierea prin Asociere de Cuvinte pentru a arăta că cogniția față de IA a studenților de licență turci este dominată instrumental de o viziune „cutie-neagră", cu conceptele de guvernanță etică izolate structural (τ=−0.819) — dovadă că proiectarea acreditărilor trebuie să lege deliberat între utilizarea experiențială a instrumentelor și cadrele etice.

Cererea depinde de ceea ce fac împreună studentul și sistemul. Cadrele de alfabetizare descriu de obicei un set generic de competențe, dar ceea ce cere efectiv o activitate sprijinită de GenAI variază în funcție de modul în care munca epistemică este distribuită în interiorul ei. Sun, Dohn și Rehm (2026) au clasificat 102 de studii empirice din învățământul superior pe baza taxonomiei aplicațiilor GenAI a lui Strobel și colab. și au constatat că tipurile de implicare (entanglement) Assistant și Enabler domină, cu 42,16% din corpus fiecare, în timp ce Generator, Reimaginator și Synthesizer însemna împreună mai puțin de o cincime — o asimetrie pe care o atribuie legitimității instituționale, nu capacității modelului, întrucât aceleași modele sprijină toate cele cinci tipuri. Citind fiecare tip prin cele trei niveluri de context ale lui Dohn (intern domeniului, intern activității, de încadrare a activității), cererile devin coerente pentru munca Assistant și se fracturează pentru tipurile marginale, unde ceea ce activitatea cere de la studenți diverge de ceea ce instituția recunoaște ca competență legitimă. Concluzia lor îndepărtează alfabetizarea de fluentța în utilizarea instrumentelor: alfabetizarea GenAI este capacitatea de a recunoaște cum sunt distribuite munca epistemică și responsabilitatea într-o anumită implicare, și de a acționa corespunzător în cadrul ei.

Cunoștințe fundamentale: Înțelegerea a ceea ce sunt LLM-urile, cum diferă de sistemele bazate pe reguli și care sunt limitările lor fundamentale. Aceasta include conștientizarea capacităților modelului, a părtinirilor din datele de antrenare și a distincției dintre IA specifică unei sarcini și modelele de uz general. Cercetarea din domeniul prompt engineering-ului examinează modul în care înțelegerea mecanismelor de prompting afectează utilizarea eficientă a IA.

Competență practică: Capacitatea de a utiliza eficient instrumentele de IA — de la prompt engineering la interpretarea rezultatelor. Studiile privind tiparele de utilizare GenAI ale studenților relevă că singurul acces la instrumente nu produce competență; practica structurată și sprijinul de tip schelă (scaffolding) sunt esențiale. Cadrul de vibe coding arată cum profesorii din K-12 pot dezvolta alfabetizare practică în IA prin crearea ghidată de instrumente. Miles, Haber-Curran și Arar (2026) susțin că această dimensiune are o componentă pe care formarea în optimizare o ratează: alfabetizarea în prompting, distinctă de prompt engineering, tratează promptingul ca pe un act retoric și etic, astfel încât instruirea care doar reglează rezultatele pentru performanțe mai bune lasă neatinsă dimensiunea etică și epistemologică a utilizării LLM-urilor.

Evaluare critică: Capacitatea de a aprecia rezultatele IA din punct de vedere al acurateței, al părtinirii și al oportunității. Cercetarea privind evaluarea alfabetizării arată o decalaj de 40% între alfabetizarea raportată de sine și cea bazată pe performanță — oamenii își supraestimează constant competențele de evaluare. Această divergență este cel mai clar caz din baza de cunoștințe în care o măsurătoare de autoevaluare nu reușește să urmărească competența pe care o numește. Aceasta se leagă de cercetarea privind supra-dependența, care arată că studenții care au încredere în IA în mod necritic învață mai puțin. Lucrările conceptuale recente împing evaluarea spre verificare: cadrul PEARLS (Wang) tratează rezultatul IA ca pe o afirmație de cunoștință provizorie a cărei justificare trebuie asamblată și examinată pe șase dimensiuni (Proces, Dovezi, Acces, Reproductibilitate, Legitimitate, Sursă), și avansează învățarea condusă de verificare ca mecanism prin care cursanții își construiesc expertiza verificând afirmațiile IA. Complementar, cadrul de utilizare responsabilă centrat pe student (Alsammani) oferă zece îndrumări adresate studenților, grupate pe pilonii Învățare și Creștere, Etică și Integritate, Conștientizare și Siguranță, care externalizează sugestii metacognitive în momentul deciziei. Pentru elevii din învățământul secundar, cadrul de Competență de Cercetare Asistată de IA (AARC) (Beau, Flaquière & Lazar 2026) se sprijină pe epistemologia virtuților și pe intuiția IA, definind alfabetizarea de cercetare ca desfășurarea unei anchete cu IA fără a ceda autoria, judecata, verificarea sau responsabilitatea — operationalizată ca o rubrică analitică și ca o rutină de angajament verificare–citare–reflecție. La nivelul evaluării, Saleh (2026) propune un test al capacității umane care transformă evaluarea într-un principiu de proiectare: întreabă ce trebuie să demonstreze un student independent, ce poate fi întărit prin augmentare cu IA și ce trebuie studentul să verifice, să apere și de ce să își asume răspunderea.

Verificarea disciplinară ridică aceeași barieră și mai sus. Vega-Baudrit și Rivera Alvarez (2026) susțin că la chimia universitară cerința centrală de alfabetizare în IA este traducerea reprezentațională între domeniile macroscopice, submicroscopice și simbolice ale lui Johnstone, deoarece un rezultat poate fi local persuasiv într-un domeniu, contrazicând în același timp echilibrul de sarcină, un mecanism sau o limită de siguranță în altul. Remediul lor este integrarea centrată pe verificare: transformați verificarea într-o activitate evaluată, păstrați jurnalele de prompturi și istoricul revizuirilor ca urme de raționament, și tratați promptingul ca pe un act epistemic care specifică constrângeri, ipoteze și criterii de adecvare, cu studenții identificând o ipoteză falsă sau justificând respingerea unui răspuns generat.

Conștientizare etică și instituțională: Înțelegerea implicațiilor mai largi ale IA — de la integritatea academică la echitatea în educația cu IA și la confidențialitate. Alfabetizarea în IA la nivel instituțional implică dezvoltarea de politici, dezvoltarea educațională și cadre de guvernanță — alfabetizarea instituțională în IA este o chestiune de politică la fel de mult ca de pedagogie. Cadrul EPIQ-AI încadrează alfabetizarea instituțională în IA ca o provocare de aliniere sociotehnică, nu doar ca formare individuală.

  • Alfabetizarea în IA ca capacitate de guvernanță pentru dezvoltare durabilă. Islam, Morshed și Islam (2026) reconceptualizează alfabetizarea în IA ca o capacitate orientată spre guvernanță, mai degrabă decât ca o simplă competență educațională sau tehnică, legând-o de toate cele șaptesprezece Obiective de Dezvoltare Durabilă ale ONU. Taxonomia lor pe șase niveluri, AIRE Taxonomy (Recunoaștere → Înțelegere → Aplicare → Analiză → Integrare → Guvernanță), extinde ierarhia lui Bloom adăugând sinteza etică și previziunea strategică, poziționând competențele avansate (Analiză–Guvernanță) ca traseu de la alfabetizarea fundamentală la guvernanța instituțională și la nivel de politici — o euristică de „al 18-lea ODD" care tratează alfabetizarea ca punte cognitivă și etică transversală. Un sondaj realizat asupra a 300 de profesioniști într-un context național a găsit conștientizare tehnică solidă, dar pregătire etică și de guvernanță limitată, cu raționamentul etic și gândirea reflexivă drept cei mai puternici predictori ai utilizării durabile și de încredere a IA, iar alfabetizarea în guvernanță drept cel mai puternic predictor al conștientizării legăturii IA–ODD (β = 0.64). Aceasta fundamentează empiric accentul pe alfabetizarea de uz critic din baza de cunoștințe și leagă alfabetizarea în IA direct de sustenabilitate și de integrarea în politica educațională.

Oferta de cadre a devenit ea însăși o problemă. Fitsilis (2026) a comparat 16 cadre de competențe în IA avizate instituțional pentru educație și dezvoltarea forței de muncă și a găsit un nucleu comun de zece arii de competențe, dar variații largi în structură, progresie și ghidare a implementării — dificultatea practică este alegerea dintre ele, nu lipsa lor.

Cum se dezvoltă alfabetizarea în IA

Cercetările indică abordările colaborative și active ca fiind cele mai eficiente. Rismanchian & Doroudi poziționează alfabetizarea în IA ca mai mult decât o competență aplicată: în cadrul lor AI×Ed, cursantul este un utilizator final distinct al IA (accesat prin alfabetizarea în IA și educația în IA), și ei pledează pentru reluarea lucrărilor privind alfabetizarea în IA care încurajează reflecția asupra învățării înseși — trătând alfabetizarea ca o cale de întoarcere spre cercetarea privind „IA ca pe o analogie a inteligenței umane", despre cum învață oamenii, un fir pe care domeniul l-a abandonat în mare parte. Cadrul ICAP (Interactiv → Constructiv → Activ → Pasiv) oferă o taxonomie utilă a implicării cognitive: studenții învață cel mai bine alfabetizarea în IA atunci când construiesc împreună cunoștințe, mai degrabă decât primind informații pasiv. Proiectanții ar trebui să selecteze modul care se potrivește obiectivului de învățare și să favorizeze modurile mai profunde (constructive și interactive) acolo unde este posibil. Activitățile practice — proiectarea de prompturi, evaluarea rezultatelor în grup, dezbaterea eticii IA — au rezultate superioare cursurilor.

Compoziția pornește de la experiența trăită — dar profunzimea conceptuală necesită sprijin de tip schelă. Burriss et al. (2026) au constatat că tinerii ancorează principiile abstracte de etică a IA în sisteme pe care le întâlnesc zilnic — „permise" electronice, laptopuri reglementate de școală, detectoare de plagiat — un grup explicând că IA în școli „era personal pentru toți membrii grupului", iar 15 din 18 răspunsuri la chestionarul de final de unitate raportau că realizarea videoclipului le-a schimbat înțelegerea eticii IA. Autorii sunt expliciți privind limita: compoziția nu a garantat de la sine fundamentarea conceptuală — „consimțământul informat" a fost tradus ca „Trebuie să aprobăm noi", iar anumiți termeni (de ex. „failsafe") nu au fost niciodată explicate, ceea ce i-a determinat să planifice lucrări conceptuale mai profunde în iterațiile următoare. Producția creativă dezvoltă cel mai bine alfabetizarea în IA atunci când o însoțește un sprijin conceptual de tip schelă explicit, în loc să se presupună că acesta va apărea de la sine din activitatea de creație.

Intuiția IA ca complement experiențial al alfabetizării. O lipsă recurentă este că cadrele K-12 presupun că cursanții abordează IA prin cunoștințe declarative, bazate pe reguli, când în practică ei dezvoltă mai întâi un „simț" practic al modului în care răspunde IA — experimentând cu prompturi, observând comportamentul, adaptând strategii — înainte de a putea articula principii formale. Beau & Lazar (2026) formalizează acest lucru ca intuiție IA: o înțelegere experiențială, inductivă, adesea tacită, care se dezvoltă prin interacțiune iterativă cu sistemele de IA și sprijină judecata sensibilă la context în condiții de incertitudine. Cadrul lor dual situază alfabetizarea în IA (competențe structurate, în mare parte statice) alături de intuiția IA (un proces dinamic de învățare), cartografierea ambelor pe dimensiunile standard — înțelegerea conceptelor, utilizarea instrumentelor, evaluarea critică, aplicarea etică, reflexia — astfel încât cursanții combină claritatea conceptuală și garda de protecție (alfabetizarea) cu înțelepciunea practică de a avea încredere-dar-verifica și de a decide când să se retragă (intuiția). Pentru că intuiția cultivă „observația de expert" a IA (de ex. testarea prompturilor sub presiune pentru a găsi unde eșuează un model), autorii susțin că este o protecție împotriva supra-dependenței și a erodării gândirii critice; se deosebește de prompt engineering (care optimizează rezultatele) prin faptul că pune în prim-plan judecata epistemică. Aceasta leagă alfabetizarea de învățarea experiențială, de practica constructivistă și de practica de clasă adecvată stadiului de dezvoltare, și îndreaptă pregătirea profesorilor către facilitarea explorării inductive, nu doar către transmiterea conceptelor.

Motivația este o precondiție, nu doar un rezultat. Liang et al. (2026) au constatat, pe un eșantion de 2.086 de elevi de gimnaziu pe parcursul unui curriculum de IA de un an, că elevii care au trecut într-un profil motivațional Auto-Determinat sau au rămas în el (satisfacere ridicată a nevoilor de autonomie, competență și apartenență) au înregistrat cele mai mari câștiguri în alfabetizarea IA. Alfabetizarea în IA se dezvoltă prin implicare susținută, iar această implicare este ea însăși modelată de motivație și de sprijinul pentru nevoile psihologice — astfel încât instruirea eficientă în alfabetizarea IA ar trebui să aibă în vedere motivația cursanților, nu doar competențele lor.

Accentul instrucțional și deschiderea sarcinilor ajung la performanță prin nevoi diferite. Yu, Lin și Chen (2026) au randomizat 320 de studenți de licență în patru grupuri, într-un experiment 2 x 2 pe o sarcină de generare de imagini AIGC evaluată cu o rubrică obiectivă (ICC = 0,89), și au constatat că instruirea bazată pe gândire, acoperind limitările modelului, evaluarea critică și etica, a depășit instruirea bazată pe competențe de prompting (M = 9,21 vs 7,69, F(1, 316) = 50,79, p < 0,001, eta pătrat parțial = 0,138), cu un marja mai largă la sarcinile deschise (10,10 vs 8,00). Modelul structural arată că cele două alegeri de design călătoresc pe rute diferite: instruirea a acționat indirect prin autonomie (beta = 0,035) și competență (beta = 0,079), în timp ce deschiderea sarcinii a acționat în principal prin autonomie (beta = 0,029), competența fiind cel mai puternic predictor al performanței (beta = 0,358), iar apartenența neavând efect independent. Ceea ce conține instruirea contează deci mai mult decât faptul că cursanții primesc practică de prompting, și contează cel mai mult atunci când sarcina este deschisă.

Variabilele care înconjoară alfabetizarea în IA au fost de atunci cartografiate mai amplu. O recenzie sistematică din 2025 a corelațiilor alfabetizării în IA a sintetizat 31 de studii din 14 țări (N = 12.071) și a găsit cele mai constante asocieri în banda afectivă și comportamentală: autoeficacitatea în IA, atitudinile pozitive față de IA, motivația și competența digitală s-au mișcat împreună cu alfabetizarea în IA, în timp ca anxietatea față de IA și atitudinile negative s-au mișcat împotriva ei. Variabilele demografice s-au înregistrat abia, vârsta și statutul socio-economic corelând slab sau deloc. Prudența recenziei privește instrumentele: aceleași studii care au produs corelații puternice din autoevaluare au arătat corelații mult mai slabe atunci când alfabetizarea în IA era testată, nu autoevaluată.

Un studiu cu ecuații structurale pe 502 de respondenți cadre didactice de la o universitate de cercetare chineză a găsit alfabetizarea în IA drept cel mai puternic predictor al bunăstării în raport cu IA (β = 0,713), față de un traseu mic al autoeficacității tehnologice (β = 0,082), cu sprijinul social și organizațional ajungând la bunăstare doar indirect (Liu et al. (2026)).

O asociație aparent negativă se inversează sub control: printre 303 de studenți de licență din Hong Kong, anxietatea tehnologică a corelat negativ cu alfabetizarea în IA (r = −0,14), dar a prezis β = 0,15 într-un model comun, un efect limitat la evaluarea critică și competența etică (Chow et al. (2026)).

Hu (2026) adaugă un cont ordonat al ceea ce prezice alfabetizarea în IA, mai degrabă decât al ceea ce o prezice. Sondând 450 de studenți universitari din China continentală care folosesc deja ChatGPT, studiul a constatat că alfabetizarea în IA se leagă direct de utilizarea continuă (beta = 0,16, p = 0,002) și indirect, pe un traseu serial prin încredere și autoeficacitate academică (efect indirect = 0,07, 95% CI [0,04, 0,10]), fiind legătura dintre alfabetizare și încredere cea mai mare asociație din model (beta = 0,50). Anxietatea față de IA a moderat acea primă legătură (beta de interacțiune = -0,25, pantele simple căzând de la 0,76 la 0,25 pe întreaga rază a anxietății), astfel încât lanțul s-a subțiat pentru studenții mai anxioși, iar instruirea în alfabetizare singură nu ar trebui presupusă că îi atinge. Designul este transversal, iar eșantionul este restrâns la utilizatorii existenți, astfel încât ordonarea este o presupunere de modelare, nu o secvență observată.

Un obiectiv aplicat central al alfabetizării în IA este reducerea utilizării necorespunzătoare a IA: învățarea studenților să folosească IA în mod etic și productiv, mai degrabă decât înlocuind munca lor cognitivă. Acolo unde alfabetizarea în IA construiește capacitatea de a evalua și utiliza critic IA, reducerea utilizării necorespunzătoare este câștigul comportamental și structural — combinând designul de instrumente cu gardă de protecție, reproiectarea evaluării și pârghii educative precum secvențele cu schelă „gândește întâi/IA pe urmă" și practica de prompting cu feedback deliberat. Cele două concepte se întăresc reciproc: alfabetizarea în IA oferă dispozițiile critice care fac durabile intervențiile de reducere a utilizării necorespunzătoare, în timp ce dovezile privind reducerea utilizării necorespunzătoare (de ex. decalajul performanță–învățare) motivează de ce alfabetizarea trebuie să depășească competența operațională spre judecata critică.

Alfabetizarea în IA are nevoie și de forme adecvate stadiului de dezvoltare pentru cei mai mici cursanți. AI-Play traduce competențele de alfabetizare în IA în activități bazate pe joc, fără ecrane (unplugged), pentru cursanții de la grădiniță până în clasa a II-a — organizate în jurul Corpului IA (IA ca sistem construit din părți), Hranei IA (IA învață din exemple), Creierului IA (IA se îmbunătățește prin tipare și feedback) și a unei lentile etice Pre/Post-IA — abordând lipsa persistentă de îndrumări de alfabetizare în IA adecvate dezvoltării pentru copiii mici și făcând alfabetizarea în IA accesibilă educatorilor educatori și familiilor non-tehnici care nu au pregătire tehnică. Complementar, Vahedian Movahed & Martin (2025) au constatat că copiii de 6–14 ani au avut în mare parte încredere într-un chatbot adaptat vârstei ca sursă de informații, iar majoritatea l-au modelat ca „un program inteligent de calculator care învață" (înțelegere emergentă a învățării automate), dar au prezentat lacune în implicarea critică și în conștientizarea siguranței digitale — dovadă că încrederea tinerilor cursanți poate depăși competențele lor de evaluare critică, făcând calibrarea încrederii explicită și instruirea de siguranță o parte necesară a alfabetizării în IA pentru copii.

Măsurarea ține pasul cu această schimbare de dezvoltare la capătul de vârstă mică. Validarea din 2025 de către Thianwan și Srikoon a unui chestionar de autoevaluare a alfabetizării în IA pentru elevii de școală primară a dezvoltat un instrument de 15 itemi pentru clasele IV–VI, organizat în jurul temelor Învățarea despre IA, Învățarea despre cum funcționează IA și Învățarea pentru viața cu IA, și a confirmat o structură de trei factori în două eșantioane (n = 335 și n = 579), cu o valoare Cronbach's alpha globală de 0,934. Autorii îl încadrează ca pe un diagnostic formativ al alfabetizării percepute, mai degrabă decât demonstrate, și notează că acuratețea autoevaluării copiilor este limitată de capacitatea metacognitivă aflată încă în dezvoltare.

Învățarea prin proiecte ca mecanism de livrare. Zhu & Kong (2026) au dezvoltat și validat o scală de învățare prin proiecte de IA (AI-PBLS) și, pe un eșantion din Hong Kong de 1.027 de elevi de gimnaziu și studenți universitari (446 cu date complete), au folosit modelarea cu ecuații structurale pentru a arăta că abilarea în utilizarea IA pentru rezolvarea de probleme și conștientizarea etică față de IA mediază împreună relația dintre învățarea percepută prin proiecte și satisfacția față de un curs de alfabetizare în IA. Aceasta poziționează PBL nu doar ca format de livrare, ci ca mecanism care construiește încrederea cursantului și raționamentul etic alături de competență, întărind legătura dintre PBL și dezvoltarea semnificativă a alfabetizării în IA. Oferă, de asemenea, un instrument de măsurare validat pentru măsurarea viitoare a experiențelor cursurilor de alfabetizare în IA.

Ridicarea dimensiunii etice a alfabetizării are o problemă de semn. Printre 584 de studenți de licență care au învățat IA de la sine, competența a ridicat conștientizarea etică (β = 0,644, p < ,001), iar conștientizarea etică a ridicat apoi anxietatea față de IA (β = 0,439, p < ,001) în loc să o scadă, inversul direcției prezise (Mu et al. (2026)). Lecția pe care autorii o trag este că învățarea modului în care sunt guvernate preocupările etice trebuie să însoțească însăși dimensiunea etică, altfel munca de alfabetizare poate lăsa cursanții mai anxioși decât i-a găsit.

Alfabetizarea în IA ca lacună centrală în cadrele IA conversaționale. Recenzila-umbrelă a agenților de IA conversațională (Ganguly et al. 2025, 34 de recenzii) identifică sprijinul limitat pentru alfabetizarea în IA ca pe o lacună majoră în cadrele CAI, iar foaia sa de parcurs pentru utilizarea etică face din evaluarea fundamentală (inclusiv consolidarea alfabetizării în IA) primul pilon, alături de designul participativ, ghidurile de utilizare etică și evaluarea continuă a impactului cognitiv. Mai mult, constată că alfabetizarea în IA, formarea și conștientizarea se numără printre cele mai accentuate direcții etice din literatura CAI.(Conversational AI agents in education: an umbrella review of current utilization, challenges, and future directions)

Eficacitatea intervențiilor de alfabetizare în IA. O metaanaliză pe trei niveluri a 59 de studii (172 de dimensiuni de efect, 7.211 de participanți) estimează un efect global mare al intervențiilor de alfabetizare în IA (g = 0,837, p < ,001) — dar cu un interval de predicție lat [−0,292, 1,966], astfel încât eficacitatea variază considerabil între contexte. Intervențiile din Asia de Est și Europa au avut rezultate superioare celor din America de Nord, iar intervențiile centrate pe cunoștințe au depășit pe cele vizând competențe, atitudini sau etică. Autorii susțin deci că educația privind alfabetizarea în IA ar trebui să meargă dincolo de cunoștințe, spre competențe, practici, etică și atitudini, sprijinită de pedagogii integrate și reflexive (bazate pe proiecte și probleme, pe anchetă, experiențiale) și de instrumente sprijinite de GenAI — o schimbare care se aliniază cu formele participative, orientate spre producție, ale gândirii computaționale descrise în altă parte în această bază de cunoștințe.

O a doua sinteză ajunge la o magnitudine similară pe o bază mai îngustă și ascute problema măsurării. Yu, Kim, Chang și Huang (2026) au grupat 57 de dimensiuni de efect din 16 studii acoperind 3.837 de elevi din K-12 cărora li s-a predat însăși IA, nu predarea cu IA, și au estimat g = 0,892 al lui Hedges (95% CI [0,548, 1,236], p < ,001), robust la corelațiile pre-post presupuse de la 0 la 1 și stabil după trim-and-fill la g = 0,952. Toate cele 57 de efecte au fost pozitive (intervalul 0,16–4,93), iar niciun moderator (sursa publicației, anul, nivelul școlii) nu a explicat heterogenitatea substanțială (I² = 94,68%). Explicația preferată a autorilor este măsurarea: studiile incluse au numit „alfabetizare în IA" totul, de la cunoștințe și etica IA la atitudini, motivație, autoeficacitate și interes de carieră, astfel încât cifra grupată descrie o distribuție de constatări pozitive sub o etichetă vagă, nu o intervenție uniformă. Citită alături de Liu et al., cele două estimări sunt de acord că instruirea în alfabetizarea IA funcționează și nu sunt de acord aproape nimic altceva, ceea constituie el însuși semnalul de măsurare al domeniului.

Dovezile din clasă pentru designuri deliberat scurte sunt mai rare, dar merg în aceeași direcție și adaugă un rezultat la nivel de comportament pe care chestionarele nu îl pot oferi. Clerc et al. (2026) au oferit 116 de elevi francezi din clasele VIII–IX un atelier de două ore despre cum funcționează și cum eșuează LLM-urile, împreună cu practica de a prezice dacă un prompt ar obține un răspuns utilizabil, de a evalua răspunsul și de a-l revizui sau de a întreba din nou. Două zile mai târziu, în timpul a șase probleme de științe sprijinite de LLM, cu un grup de control, elevii instruiți au acceptat mai rar prompturi insuficient specificate (51,5% vs. 66,7%, OR = 0,47), au pus întrebări de follow-up mult mai des după un răspuns slab (59,2% vs. 27,9%, d = 0,80) și au judecat corectitudinea răspunsului mai sensibil la calitatea promptului (OR de interacțiune = 2,52), cu o diferență modestă la punctaj (11,38 vs. 10,29 din 20, p = ,040). Atelierul nu a repetat niciodată sarcinile testului, astfel încât ceea ce s-a transferat a fost o atitudine de reglementare, nu familiaritatea cu sarcina — iar autorii sunt expliciți că două zile nu înseamnă durabilitate.

Alfabetizarea critică a media susținută de IA la școala primară. Demir și Akar (2026) oferă o demonstrație concretă la nivel de școală primară a instruirii de alfabetizare sprijinite de GenAI: un program de 18 ore, pe modelul 5E, pentru elevi de clasa a IV-a din Turcia, în care ChatGPT și Grammarly au fost integrate fază cu fază ca agenți pedagogici (ChatGPT pentru întrebări reflexive și Q&A, Grammarly și Canva AI pentru rafinarea conținutului, Padlet pentru feedback între egali), aliniat curriculumelor turce de Limbă și Literatură și Studii Sociale. Grupul sprijinit de IA a înregistrat câștiguri mari în citirea media (+3,50), scris (+1,67) și alfabetizare media totală (+5,17, toate p < ,01), cu dimensiuni de efect între grupuri Cohen's d = 1,12–1,31, în timp ce grupul de control a avansat doar modest. Analiza calitativă a scos la ivește șase domenii de creștere a alfabetizării critice a media — autoprotecție digitală și confidențialitatea datelor, utilizarea intenționată și responsabilă a media, comunicarea sigură și conștientizarea limitelor, evaluarea critică și conștientizarea dezinformării, conștientizarea riscurilor online și etica media/cetățenia digitală — dovadă că utilizarea GenAI adecvată dezvoltării și integrată într-o disciplină poate construi dimensiunile de evaluare critică și etică ale alfabetizării în IA, nu doar competența operațională.

Cadre pentru structurarea alfabetizării în IA. Mai multe contribuții recente oferă progresii structurate pentru construirea alfabetizării în IA. Marienko, Markova și Semerikov (2026) propun un cadru pe cinci niveluri (Conștientizare, Aplicare, Evaluare, Creație, Etică), integrat cu trei paradigme ale IA în educație (IA-directivă, IA-sprijin, IA-abilat), dezvoltat printr-un studiu cu metode mixte pe educatori de secundar ucraineni (sondaj național n = 2018; evaluare a FP n = 1130). Ei au constatat că 84% dintre educatori folosesc IA, dar doar 11% pot identifica servicii specializate dincolo de ChatGPT, iar o intervenție de dezvoltare profesională a produs o îmbunătățire de 24% în competența IA — dovadă că dezvoltarea profesională țintită avansează alfabetizarea dincolo de familiaritatea superficială cu instrumentele. Fundamentarea cadrului în constructivism, conectivism și TPACK se leagă de TPACK și de competența profesorilor în IA (Teacher AI Competency). Complementar, Moore et al. (2026) au folosit un proces DBR de doi ani, cu un consiliu consultativ de tineri și experți în IA, pentru a proiecta un curriculum de ML integrat științific pentru tinerii de liceu, constatând câștiguri de cunoștințe ML în ambele cohorte (Cohort 2 M2−M1 = 0,175 vs Cohort 1 0,076) și câștiguri mai mari printre participanții de sex feminin și non-albi — dovadă că designul participativ, integrat într-o disciplină, poate avansa atât alfabetizarea în IA, cât și echitatea în educația cu IA.

O recenzie PRISMA a 39 de studii STEAM (2016–2025) a constatat că aceste implementări dezvoltă în principal literații tehnice — concepte fundamentale de IA, gândire computațională, alfabetizare a datelor — subdezvoltând conștientizarea etică, imaginația creativă și crearea, gestionarea și proiectarea cu IA, astfel încât unitățile integrate disciplinar pot rata totuși elementele de ordin superior (Niri et al., 2026).

Constructul este contestat exact acolo unde privește educatorii. O recenzie a 34 de studii privind alfabetizarea în IA în formarea profesorilor a constatat că domeniul nu are consens asupra a ceea ce înseamnă alfabetizarea în IA pentru profesorii profesioniști, distinct de alfabetizarea digitală generală, iar Cadrul de Competențe în IA al UNESCO pentru Profesori specifică 15 competențe pe cinci dimensiuni, funcționând ca referință de politică globală mai degrabă decât ca ghid de implementare. Cadrele didactice din laboratorul colaborativ interinstituțional de pregătire a profesorilor au tratat alfabetizarea în IA ca pe o dimensiune integrată a pregătirii profesionale, nu ca pe o competență tehnologică separată, astfel încât se aștepta de la candidați să auditeze, compare și justifice rezultatele IA în cadrul cursurilor disciplinare, mai degrabă decât să demonstreze familiaritate cu instrumentele.

Pregătirea inițială a profesorilor este locul unde structura este cea mai subțire. Pinto et al. (2026) au recenzat 11 studii privind IA în formarea inițială a profesorilor pentru viitorii profesori de matematică de școală primară și au constatat că nouă constau dintr-o singură ședință sau câteva ședințe integrate în cursuri existente, promptingul fiind conținut explicit de formare doar în unele dintre ele, iar etica apărând în doar trei, niciuna neabordând transparența, părtinirea algoritmică sau responsabilitatea. Riscurile pe care le raportează sunt eșecuri la nivel de alfabetizare: viitorii profesori nu au observat erori conceptuale produse de ChatGPT, au acceptat conținut generat în mod necritic și au delegat la instrument mai multă rezolvare de probleme pe măsură ce sarcinile deveniau mai dificile. Recomandarea lor este de a construi competența în IA pe tot parcursul secvenței de formare, de la o fază pregătitoare până în practică, mai degrabă decât într-un modul izolat.

Conturile profesorilor privind de ce se predă educația în IA adaugă un strat de scop pe care cadrele de competențe îl lasă implicit. Fagerlund et al. (2026) au intervievat 13 profesori finlandezi de la grădiniță până în clasa a IX-a, în mare parte novice în educația IA, și au citit afirmațiile lor de scop prin cele trei domenii ale lui Biesta. Calificarea, achiziția de competențe, a fost cel mai clar și mai concret scop, și a funcționat ca o cale de intrare în celelalte două: elevii urmau să priceapă IA ca fenomen sociotehnic și să-i folosească instrumentele, cu IA servind atât ca țintă, cât și ca ajutor la învățare. Socializarea a apărut ca cultivarea entuziasmului, prezentarea IA drept „cool", și încadrarea elevilor ca viitori lucrători pricepi în IA care trebuie să facă față cerințelor de competență. Subiectivizarea, implicarea auto-determinată și personal semnificativă pe care Biesta o tratează ca centrală, a fost numită importantă, dar nu a avut niciun repertoriu instrucțional concret dincolo de discuții și contemplare, iar profesorii nu au oferit exemple elaborate pentru contestarea autorității IA. Autorii propun agenția IA informată, o euristică care plasează subiectivizarea în centru, trătând competențele ca cadre explicative pentru alegerile auto-determinate. Implicația de design este că „de ce" al educației IA are nevoie de la fel de multă atenție în design ca și „cum": atunci când subiectivizarea se sprijină pe discuții generice, instruirea în alfabetizarea IA revine la calificarea alături de care urma să stea.

Pregătirea în sine este o țintă contestată. Charles (2026) susține că pregătirea profesorilor pentru învățarea bogată în IA ar trebui citită din calitatea designurilor pe care profesorii le produc, nu din adoptare, încredere sau competență digitală, și construiește un cadru în jurul medierea de design: decizii observabile precum selectarea instrumentelor, designul sarcinilor și al prompturilor, sprijinul de tip schelă, verificarea, transparența, reproiectarea evaluării, planificarea accesibilității și supravegherea umană. Două dintre afirmațiile sale au consecințe directe asupra dezvoltării profesionale. În primul rând, autoeficacitatea este o resursă de mobilizare, nu un indicator de calitate, deoarece încrederea fără cunoștințe pedagogice specifice IA sau orientare etică poate accelera designul prost în loc să îl prevină, ceea ce califică citirea uzuală a încrederii profesorilor ca semnal de pregătire. În al doilea rând, claritatea politicilor și sprijinul instituțional sunt moderatori separați, astfel încât sprijinul material poate fi ridicat în timp ce așteptările rămân ambigue, iar pregătirea se traduce totuși slab. Cadrul refuză, de asemenea, să egalizeze neutilizarea cu lipsa de pregătire, întrucât o decizie raționată de a nu folosi IA poate ea însăși demonstra judecată de design. Este conceptual și nevalidat, astfel încât oferă propoziții și surse de dovezi, mai degrabă decât efecte stabilite.

Alfabetizarea interacțiunii cu IA: dimensiunea interacțională. Brunnström și Palmqvist (2026) propun o competență mai îngustă, interacțională — capacitatea de a conduce, evalua și învăța din interacțiunea iterativă cu GenAI — ca pe o materializare specifică a dimensiunilor aplicaționale, evaluative și integraționale din cadre mai largi, precum Heptagonul Alfabetizării IA. Demonstrația lor reflexivă arată din ce constă în practică: recunoașterea că un răspuns fluent este plasat deasupra schemei proprii a celui care învață, solicitarea de simplificare, restrângerea domeniului și redirecționarea sistemului spre practică concentrată. Două consecințe de design urmează — competența este distribuită inegal, astfel încât utilizarea fără ghidare poate avantaja studenții deja încrezători și poate lărghi decalajele (Equity), iar ea trebuie predată explicit, nu presupusă, cu profesorii acoperind cum să se formuleze prompturi productive și când să se oprească utilizarea instrumentului (învățarea auto-regulată).

Alfabetizarea critică în IA: dincolo de competențe, spre putere și rezistență

Un fir distinct al bazei de cunoștințe tratează alfabetizarea în IA nu doar ca un set de competențe sau de evaluare critică, ci ca o practică critică și politică care interoghează puterea, autoritatea și a cui cunoaștere contează. Aceasta leagă alfabetizarea în IA de pedagogia critică și de echitatea în educația cu IA:

  • „Rezistența față de IA" ca atitudine de alfabetizare. Alfabetizarea critică în IA (CAIL) poate cuprinde rezistența față de IA — refuzul inevitabilității și al soluționismului tehnologic din discursul dominant, și cultivarea agenției colective prin pedagogii dialogice și colaborative.(Reorienting Critical AI Literacy: A Community-Rooted Praxis of “Resisting AI”) Aceasta poziționează educația ca un spațiu în care comunitățile imaginează și construiesc viitoruri alternative, mai degrabă decât se adaptează pur și simplu la o ordine tehnologică dată.
  • Epistemologii bazate pe comunitate. Învățarea IA bazată pe comunitate fundamentează implicarea în IA în modurile de a cunoaște trăite și comunitare ale cursanților, redistribuind autoritatea epistemică a IA prin reglaj epistemic fin, prin redistribuirea autorității și prin discernământ situat.(Community-Based AI Learning: Redistributing Artificial Intelligence's Epistemic Authority in Education)
  • Cadre critice și feministe. Cercetarea critică, feministe, susține că alfabetizarea în IA ar trebui încadrată în pedagogii ale justiției, ale rezistenței și ale sustenabilității culturale — întrebând a cui cunoaștere produce IA, cine beneficiază și cine răspunde când sistemele eșuează.(Can we disrupt the momentum of the AI colonization of science education?)
  • Dispozitive curriculare situate. Alfabetizarea în IA poate fi construită prin instrumente de predare situate, active (de ex. Episoade de Învățare Situată) care dezvoltă competențele în IA pe niveluri, mai degrabă decât prin instruire abstractă.(Towards AI literacy: A proposal of a framework based on the Episodes of Situated Learning)
  • Compoziția creativă ca pedagogie de alfabetizare critică în IA. Mai degrabă decât să trateze alfabetizarea în IA ca cunoaștere tehnică sau competențe individuale, proiectați oportunități pentru cursanți de a compune mesaje despre IA pentru audiențe reale — un produs multimodal, precum un anunț de serviciu public, demonstrează și comunică simultan competența critică. În studiul de clasă al lui Burriss et al. (2026), 22 de elevi de clasa a XI-a și-au ales propriile subiecte de etică a IA și au realizat videoclipuri de tip PSA despre supravegherea școlară, despre consimțământul informat și despre acuzarea algoritmică; în toate cele șapte filme, prejudiciul a izvorât din implicarea om–mașină, nu dintr-un instrument răuvoitor, iar narațiunile s-au încheiat totuși în speranță și în agenție, autorii poziționând povestirea și advocacy-ul — rezistente la evaluarea tradițională — ca esențiale pentru pedagogia alfabetizării critice în IA care pune în centru identitatea studentului, alegerea și vocea.("Young Scholar[s] on the Beat": Multimodal Composition as a Form of Critical AI Literacy Pedagogy)
  • Competență de reglementare, nu acceptare. Kim (2026) reîncadrează alfabetizarea în IA în învățământul superior ca competență de reglementare — o practică enactată de verificare, revizuire, adoptare selectivă sau respingere a rezultatelor IA în timpul muncii academice — arătând că capacitatea evaluativă și conștientizarea etică (nu simpla disponibilitate de a folosi IA) prezic implicarea activă, critică.(From AI Anxiety to Strategic Regulation: How University Students Transform Generative AI into a Strategic Learning Resource)
  • Recunoașterea servilismului (sycophancy) ca competență de alfabetizare. O competență evaluativă centrală este recunoașterea momentului în care o IA este de acord cu cel care învață, versus momentul în care are dreptate. Servilismul contextual arată că alfabetizarea în IA și formarea în prompting reduc — dar nu elimină — oglindirea servilă a erorilor utilizatorului, iar IA servilă este preferată de utilizatori exact pentru că îi face să se simtă înțeleși. Alfabetizarea în IA trebuie deci să învețe cursanții să detecteze acordul-de-elf și să prețuiască frecarea corectivă, legându-se de calibrarea încrederii și de reducerea utilizării necorespunzătoare.
  • Apreciere (valuation), nu doar verificare. O'Byrne (2026) a constatat că studenții care verificau rezultatul doar pentru acuratețe, credibilitate și relevanță acceptau totuși o lucrare aplatizată conceptual, în timp ce cei care judecau și nuanța, vocea și postura epistemică o rescriau — făcând din „când să nu delegi judecata" întrebarea de alfabetizare.

Aceste fire critice completează dimensiunile operaționale și cognitive ale alfabetizării în IA: acolo unde cele din urmă întreabă „poate cel care învață să folosească și să evalueze IA?", alfabetizarea critică în IA întreabă „înțelege și contestă cel care învață structurile de putere pe care IA le întruchipează?"

Alfabetizarea în IA în educația STEM

Cea mai dezvoltată bază de dovezi disciplinare pentru alfabetizarea în IA provine din educația STEM, iar Hallström, Chiu, Ding, Koretsky și Li (2026) sintetizează cele zece studii cele mai citate ale sale (2022–2026) pentru a arăta atât linia de bază, cât și limitele acesteia. În tot corpusul, alfabetizarea în IA este definită prin șase constructe suprapuse — cunoștințe/competențe/atitudini (Su & Yang 2024), cunoștințe conceptual-procedural-contextual (Stolpe & Hallström 2024), know-understand/use-apply/evaluate-create/ethics (Ng et al. 2022) și încadrarea use–communication–evaluation a lui Long & Magerko (Hornberger et al. 2023) — astfel încât „ambiguitatea conceptuală" a domeniului este o problemă de măsurare: două studii pot evalua amândouă „alfabetizarea în IA" fără a evalua același construct. Numai două dintre cele zece oferă cadre complete. Concluzia cea mai ascuțită a prezentării generale este o asimetrie — corpusul măsoară aproape în întregime alfabetizarea studenților, în timp ce aproape nimic nu dezvoltă pe a profesorilor, o lacună care lasă intervențiile de alfabetizare în IA destinate profesorilor să se sprijine pe ipoteză mai degrabă decât pe dovezi, și pe care autorii o leagă de cerința practică ca profesorii să fie ei înșiși alfabetizați în IA pentru a conduce astfel de intervenții.(AI Literacy and STEM Education: Emerging Frontiers and Research Priorities)

Dovezile privind chatbot-urile din acel corpus contrazic formarea bazată pe fluență. Ding et al. (2023) au constatat că tutoriatul ChatGPT în fizica universitară a crescut încrederea și cunoștințele, dar a întărit o concepție greșită despre IA ca fiind „supraumană și infailibilă", concluzionând că educația privind alfabetizarea în IA este „în primul rând îmbunătățirea competențelor de gândire critică ale studenților în evaluarea informațiilor." Xu et al. (2026) au constatat că programarea STEM asistată de ChatGPT a îmbunătățit încrederea și cunoștințele, dar a lăsat neschimbate gândirea computațională și gândirea independentă — câștiguri în fluență coexistând cu niciun câștig în gândire. Ambele constatări reflectă preocupările legate de calibrarea încrederii și dependența excesivă din alte părți ale acestei pagini: un tutore care nu contrazice niciodată studentul poate produce învățăcei încrezători care nu pot evalua. Atitudinea, nu pregătirea sau autoeficacitatea, s-a dovedit cel mai puternic determinant al utilizării efective a instrumentelor de IA în rândul studenților STEM de licență (Falebita & Kok 2025), iar prezentarea generală notează că acoperirea disciplinară STEM este înclinată spre biologie și fizică, cu tehnologia ca disciplină aproape absentă. Pentru un design specific disciplinei, avertismentul practic al prezentării generale este că cadrele cuprinzătoare de competențe (UNESCO, UE/OCDE) „lipsesc adesea de conexiune la cercetarea empirică sau de un fundament teoretic suficient" și puține sunt aplicabile în clasă.

A cui competențe în IA contează? Diviziunea de încadrare între instructor și angajator

O întrebare deschisă centrală în alfabetizarea în IA este care competențe contează și pentru cine. Un studiu Ithaka S+R care a comparat modul în care instructorii și angajatorii din SUA prioritizează cele 26 de competențe ale Cadrului de Competențe în IA HiBob a constatat că sunt de acord asupra importanței a doar una (stabilirea de așteptări realiste pentru munca augmentată cu IA). Instructorii acordă greutate unei orientări de utilizare critică și responsabilă — recunoașterea limitelor IA, transparenței și atribuirii, responsabilității umane, revizuirii proactive a rezultatelor — ceea ce se aliniază cu valorile academice de atribuire, revizuire și alfabetizare informațională. Angajatorii acordă greutate competențelor orientate spre productivitate — evaluarea și reproiectarea fluxului de lucru, automatizarea și lucrul în echipă om–IA — care reflectă eficiența în echipe pe locul de muncă. Pentru că doar trei din 26 de competențe sunt predate de jumătate sau mai mulți dintre instructori, iar cele predate se înclină spre categoriile de uz critic, raportul identifică un concret decalaj de competențe în IA: categorii întregi valorificate de angajatori nu sunt nici prioritizate, nici predate în curriculumul facultății.(AI skills for college graduates: Exploring how instructors and employers prioritize AI skills differently) Această diviziune încadrează alfabetizarea în IA ca un construct contestat — alfabetizare de uz critic pentru mediul academic versus alfabetizare de integrare în fluxul de lucru pentru angajare — o tensiune relevantă pentru încadrarea utilizării IA de către studenți, proiectarea curriculumului și formarea profesională.

Evaluările propriilor studenți spun o poveste înrudită, dar ordonată diferit. ElSayary și Ragab (2026) au sondat 380 de studenți universitari, în majoritate înrolați în STEM și utilizatori frecvenți de IA, și au constatat că alfabetizarea în IA raportată de sine purta cea mai mare parte a explicației privind pregătirea de angajare percepută: cele patru dimensiuni de alfabetizare au adăugat ΔR² = 0,554 (p < ,001) peste controalele de context în valoare de doar 0,054, iar modelul complet a atins 60,8% din varianță. În setul de alfabetizare, dimensiunea evaluativă a cea mai puternică (Analiză & Evaluare, β = 0,286), urmată de cea afectivă (Atitudini & Mentalități, β = 0,266), cu utilizarea practică (β = 0,217) și cunoștințele fundamentale (β = 0,187) în urma lor; pentru pregătirea de carieră percepută anume, doar Analiză & Evaluare (β = 0,216, p < ,001) și Atitudini & Mentalități (β = 0,192, p = ,004) au fost semnificativ asociate. Citite pe fondul diviziunii Ithaka, simțul propriu al studenților privind pregătirea pentru locul de muncă se înclină spre orientarea de evaluare critică favorizată de instructori, mai degrabă decât spre competențele de integrare în fluxul de lucru apreciate de angajatori. Designul este o autoevaluare din sesiune unică, cu medii uniform ridicate (de la 4,17 la 4,57 din 5) și fără măsurătoare a angajatorului sau a angajării, astfel încât ceea ce arată este că alfabetizarea în IA autoevaluată și angajabilitatea autoevaluată se mișcă împreună, cu părțile evaluative și dispoziționale făcând cea mai mare parte a muncii, nu că acești studenți sunt demonstrabil pregătiți pentru piața muncii.

Proiectarea intervențiilor de alfabetizare în IA

Cadrele și studiile empirice din baza de cunoștințe converg spre un set de linii directoare practice pentru educatorii și designerii instrucționali care construiesc intervenții de alfabetizare în IA:

1. Folosiți un cadru de competențe structurat ca schelă, nu ca listă de verificare. Cadrele mature oferă designerilor un vocabular comun și o țintă secvențiată dezvoltator. Cadrul SAIL organizează alfabetizarea în IA în trei domenii (Concepte de IA; Aplicare și Competențe Tehnice; Cetățenie Digitală în IA) pe patru niveluri cu schelă — Înțelege și Explorează → Aplică și Integrează → Evaluează și Creează → IA++. Heptagonul Alfabetizării IA intersectează șapte dimensiuni (cunoștințe tehnice, aplicare, gândire critică, etică, impact social, integrare, legal/regulatoriu) cu patru niveluri de competență aliniate lui Bloom, și subliniază că accentuarea trebuie adaptată contextului disciplinar — programele tehnice acordă greutate aplicării, programele de științe umaniste acordă greutate raționamentului etic și de impact social.(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. Implicați cursanții în modurile ICAP. Aplicând cadrul ICAP, instruirea eficientă oferă cursanților oportunități de implicare la mai multe niveluri cognitive — expunere pasivă (cursuri de concepte IA), manipulare activă (utilizare practică a instrumentelor), generare constructivă (crearea de artefacte IA, auto-explicare) și dialog interactiv (rezolvarea colaborativă de probleme cu colegii și cu IA) — selectând modul care se potrivește obiectivului de învățare. O recenzie sistematică a constatat că intervențiile colaborative de succes în alfabetizarea IA acopereau toate cele patru moduri ICAP.(Systematic Review of Collaborative Learning Activities for Promoting AI Literacy)

3. Evalu competența demonstrată, nu autopercepția. Alfabetizarea în IA raportată de sine divergează puternic de performanța măsurată — profesorii își supraestimează competențele în IA cu ~40%, iar măsurătorile bazate pe performanță corelează cu integrarea IA în clasă mult mai bine decât autoevaluările (r≈0,72 vs 0,31). Proiectați intervenții în jurul evaluării bazate pe performanță și al calibrării, mai degrabă decât al chestionarelor de încredere, și folosiți profiluri diagnostice (supraestimatori vs. adevărați novici) pentru a ținti sprijinul acolo unde este nevoie.(How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures)

4. Construiți dispoziții metacognitive și critice, nu doar competență operațională. Alfabetizarea în IA se înțelege mai bine ca o practică socială metacognitivă decât ca o listă de verificare a competențelor: pentru că LLM-urile sunt probabilistice și opace, cursanții trebuie să-și monitorizeze și să-și ajusteze strategiile, să cultive scepticism științific și să interogheze modul în care algoritmii modelează producția de cunoștințe — nu doar să învețe să opereze instrumente. Co-designul participativ și spațiile experimentale, bazate pe proiecte (nu formările unice pe instrumente) sunt locurile unde crește această conștientizare.(Metacognitive AI literacy: going beyond the AI skills gap agenda)

5. Înglobați alfabetizarea în disciplină și faceți-o susținută. Mișcarea spre stadii superioare ale alfabetizării în IA (de la utilizarea necritică → utilizarea informată → evaluarea critică → îmbunătățire) este cea mai vizibilă atunci când experiențele sunt susținute și integrate disciplinar, mai degrabă decât livrate ca ateliere independente. Proiectați pentru practică repetată, contextuală, în cadrul activităților de curs autentice.(Beyond Tool Adoption: A Practical Five-Stage Developmental Continuum for AI Literacy in Higher Education) Un model concret de alfabetizare critică integrată disciplinar este taxonomia bazată pe sarcini a Dierickx et al. (2026) pentru jurnalism: ea cartografiază sarcinile sprijinite de LLM pe cele patru stadii ale fluxului de știri (colectarea, înțelegerea, editarea, publicarea/distribuția), fiecare legată de un prompt de bază și de o strategie de risc și atenuare. Tratând definirea sarcinii și promptingul ca pe o formă situată de judecată profesională — nu ca pe o competență tehnică neutră — ea transformă promptingul însuși într-un vehicul pentru alfabetizarea critică în IA (părtinirea, halucinația, supra-dependența și valoarea durabilă a supravegherii editoriale umane), iar logica care îi stă la bază se transferă la alte profesii intensiv-în-cunostințe (drept, medicină, politici publice). Complementar unor astfel de taxonomii specifice disciplinelor, taxonomia Dohn et al. (2026) clasifică activitățile de învățare GenAI pe șase dimensiuni, dintre care Implicarea Epistemică (înțelegerea / utilizarea / criticarea / construirea GenAI) operationalizează direct alfabetizarea în IA ca profunzimea relației cognitive a cursanților cu tehnologia — de la expunerea pasivă la critica și construcția active.

6. Tratați echitatea și decalajul digital ca constrângeri de design. Alfabetizarea în IA este un mecanism pentru abordarea decalajului digital pe trei niveluri (acces, competențe, rezultate): închiderea decalajului de dispozitive este insuficientă dacă competențele și utilizarea critică nu sunt construite, astfel încât beneficiile să se distribuie echitabil. Intervențiile ar trebui să planifice explicit pentru cursanții care intră cu mai puțin acces anterior la IA și să încorporeze perspective culturale și de guvernanță, mai degrabă decât să trateze alfabetizarea ca neutră cultural.(The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education)(decalajul digital)

7. Asociați alfabetizarea cu pârghiile de reducere a utilizării necorespunzătoare. Pentru că utilizarea necorespunzătoare a IA dăunează activ învățării durabile, instruirea în alfabetizare ar trebui cuplată cu pârghiile structurale și educative documentate la reducerea utilizării necorespunzătoare — designul de instrumente cu gardă „indicii, nu răspunsuri", reproiectarea evaluării și secvențele cu schelă „gândește întâi/IA pe urmă", cu practică deliberată de prompting.

8. Plecați de la punctul de intrare real al cursanților. Cursanții intră cu orientări distincte — evitarea condusă de frică, neîncredere sau lipsă de acces, versus dependența necritică care maschează neînțelegerea. O abordare diagnostică, pe stadii (mai degrabă decât un curriculum uniform) le permite designerilor să-i întâlnească pe studenți acolo unde sunt și să-i ducă spre implicarea critică și responsabilă.(Beyond Tool Adoption: A Practical Five-Stage Developmental Continuum for AI Literacy in Higher Education)

9. Extindeți oferta dincolo de publicurile pe care educația formală le atinge deja. Cadrul Alfabetizărilor IA pentru media de serviciu public argumentă, dintr-o recenzie a peisajului cu peste 40 de cadre și 35 de interviuri cu experți, că oferta s-a înclinat spre competențe tehnice și funcționale, iar alfabetizările IA se suprapun și ar trebui conectate la alfabetizarea digitală, media și informațională, mai degrabă decât predate ca materie independentă. Structura sa — șase arii de competență, cinci valori și trei niveluri de progresie (Înțelegere și Aplicare, Analiză și Evaluare, Sinteză și Specializare) cu un ghid de evaluare — este un șablon utilizabil pentru furnizorii din afara școlii formale, iar argumentul său de echitate este o instrucțiune de design: atingerea tinerilor marginalizați digital sau în alte feluri necesită parteneriate deliberate, nu publicare universală.(Supporting AI Literacies for Young Adults Aged 14-19: A value-based, practical framework for public service media organisations)

Măsurarea alfabetizării în IA

Un fir distinct de cercetare tratează alfabetizarea în IA nu doar ca o țintă pentru instruire, ci ca un construct de măsurat. Firul de evaluare al bazei de cunoștințe distinge alfabetizarea raportată de sine de cea bazată pe performanță: autoevaluările divergează puternic de competența demonstrată (profesorii supraestimează cu ~40%), iar măsurătorile bazate pe performanță prezic integrația IA în clasă mult mai bine decât chestionarele de încredere (r≈0,72 vs 0,31). Lucrul cu intervenții redă acea divergență la nivel de comportament: în Clerc et al. (2026), nici atitudinile GenAI, nici o scară generală de conștientizare metacognitivă nu au prezis reglementarea interacțiunii studenților cu LLM-urile sau punctajele lor finale la sarcină (r = ,01 și r = ,04, ambele nesemnificative), în timp ce comportamentele pe care atelierul le-a schimbat — respingerea prompturilor insuficient specificate, judecarea corectitudinii răspunsului, punerea unei întrebări de follow-up — au urmărit calitatea răspunsului. Apare instrumente validate pentru a închide acest decalaj — GLAT oferă o evaluare psihometric validată a alfabetizării în IA generativă, iar profilurile diagnostice (supraestimatori vs. adevărați novici) le permit designerilor să țintească sprijinul acolo unde este nevoie. Guo et al. (2026) cartografiază direct acel peisaj de instrumente, recenzând 80 de cadre validate — 69 de alfabetizare digitală și 11 de alfabetizare în IA — publicate între ianuarie 2014 și februarie 2025. IA a împins alfabetizarea digitală spre etică și a refăcut comunicarea pentru a include interacțiunea om–IA, în timp ce reglementarea metacognitivă și colaborarea om–IA specifică educatorilor rămân cele mai puțin specificate. Pentru design și cercetare, aceasta leagă alfabetizarea în IA de măsurarea educațională și de evaluare în general: un cadru de alfabetizare este la fel de util ca instrumentele folosite pentru a urmări creșterea, iar continuitățile pe stadii necesită măsurare fiabilă pentru a plasa cursanții pe acestea.

Un instrument de 32 de itemi și șase fațete extinde modelul de patru dimensiuni cu alte două fațete — utilizarea responsabilă și autodezvoltarea — și menține invarianța scalară peste adolescenți (12–17), adulți tineri (18–40) și adulți de vârsta mijlocie (41–60), deși autorii avertizează că ΔCFI s-a apropiat de pragul convențional (Liu et al. (2026)).

Zhi, Yang și Huang (2026) construiesc un model specific studiilor universitare avansate pe taxonomia lui Marzano: analiza cu teoria fundamentată a interviurilor cu 14 profesori a condensat 329 de etichete brute în 96 de concepte, 15 categorii și cinci dimensiuni (fundament cognitiv, competențe operaționale, gândire de ordin superior, reflexie metacognitivă, responsabilitate etică), apoi le-au operationalizat ca pe o scală Likert de 15 itemi, ale cărei cinci factori au apărut în analiza factorială exploratorie (83,14% din varianța cumulată) și s-au menținut în analiza factorială confirmatorie pe un al doilea subeșantion (CFI = 0,934, RMSEA = 0,083), cu fiabilitate de la 0,796 la 0,842 pe 308 chestionare valide.

Scala de Alfabetizare 3wAI Critică (Bozkurt, Ertan & Cömert, 2026) validează aceeași structură în trei părți pentru cursanții adulți ca instrument de autoevaluare (n = 546 și n = 647; χ²/df = 4,93, CFI = 0,931, α = 0,913). Factorii săi Know-How și Know-Why au ieșit cei mai strâns cuplați (HTMT = 0,544), în timp ce cunoștințele teoretice singure nu s-au tradus în eficacitate practică. Ca măsurătoare de autoevaluare, împărtășește problema de divergență documentată mai sus, astfel încât este un diagnostic validat, nu o măsurătoare a performanței — iar autorii cer revalidare pe grupe de vârstă și contexte culturale.

O întrebare înrudită este ce pot măsura instrumentele, în primul rând. Burriss et al. (2026) notează că scalele și cadrele de competențe în alfabetizare existente presupun performanță măsurabilă individual și exclud astfel structural exprimarea colaborativă, creativă — dovezile unității lor au fost artefacte multimodale de film, reflexii și discurs civic, nu un punctaj sumativ, iar autorii susțin că astfel de dovezi pot completa, mai degrabă decât înlocui, măsurătorile convenționale. Lărgirea constructului poate necesita deci lărgirea dovezilor admisibile, nu doar adăugarea de itemi bogate în modalitate la scalele existente.

Un fir complementar măsoară modul în care cursanții și profesorii primesc materialele de alfabetizare în IA, mai degrabă decât alfabetizarea lor înseși. Wang, Chuang și Wu (2026) au cerut 794 de studenți și 37 de profesori să evalueze două ediții de ghid construite pe pragul de vârstă UNESCO (vârstele 9-12 și 13-18), după aproximativ 30 de minute de expunere ghidată în clasă. Acceptarea a avut o structură de patru factori (Așteptare de Performanță, Așteptare de Efort, Joc perceput, Intenție Comportamentală), cu invarianța de măsurare susținută între cele două ediții pentru studenți, elevii mai tineri obținând punctaje mai mari pe toate cele patru constructe, iar jocul perceput purtând cea mai mare asociere cu intenția în ambele cohorte. Autorii sunt expliciți privind ceea ce nu este aceasta: acceptarea percepută a unei resurse ierarhizate pe vârstă nu este o realizare de alfabetizare în IA, raționament etic, adoptare sau utilizare susținută, iar acceptarea la nivel de material nu ar trebui citită ca dovadă că alfabetizarea s-a îmbunătățit.

Măsurarea se extinde și la educatorii care mediază implicarea cursanților cu IA. Cele mai multe evaluări de alfabetizare în IA vizează studenții sau utilizatorii generali, lăsând o lacună în formarea profesorilor — o lacună pe care Scala de Alfabetizare în IA a Profesorilor (TAILS) o abordează: fundamentată în cadrul ED-AI cu șase dimensiuni (cunoaștere, evaluare, colaborare, contextualizare, autonomie și etică), a fost validată prin analize factoriale exploratorii și confirmatorii cu viitori profesori de limbi. Astfel de instrumente sprijină măsurarea și dezvoltarea alfabetizării în IA a educatorilor care mediază implicarea cursanților cu IA. Pe partea studenților, Nie et al. (2026) dezvoltă și validează o Scară de Alfabetizare în Evaluare cu IA Generativă (GAA-LS) pentru studenții din învățământul superior — un instrument de 18 itemi și cinci factori, ale cărui punctaje urmăresc implicarea în feedback, integritatea academică și utilizarea responsabilă a IA, cu o cale indirectă spre integritate prin feedback — dovadă că alfabetizarea în IA specifică evaluării este măsurabilă și se leagă de comportamentul de integritate. Ceea ce cuprinde de fapt corpusul de instrumente adresate profesorilor a fost de atunci auditat: recenzia din 2026 a instrumentelor de măsurare a alfabetizării profesorilor în IA a lui Zainal, Mohd Matore și Maat a apreciat 33 de instrumente publicate între 2019 și 2025 și a constatat că 31 (93,9%) erau scale de autoevaluare a încrederii percepute, doar două testau cunoștințele în mod obiectiv și niciuna nu folosea sarcini bazate pe performanță, în timp ce dovezile de echitate erau cel mai slab domeniu de calitate, cu doar cinci instrumente raportând invarianță de măsurare sau funcționare diferențială a itemilor.

Actualizarea din 2026 a literaturii de măsurare o reorganizează în patru domenii — cunoaștere și utilizare, supraveghere epistemică, calibrarea dependenței și controlul operațional al agenților care folosesc instrumente — și raportează că niciun instrument validat la nivel individual din corpus nu acoperă combinația completă de domeniu, permisiuni, recuperare, izolare de stare, revizuire independentă și închidere bazată pe dovezi pe care o cere utilizarea de instrumente agentică a IA. Corelația sa subiectiv–obiectiv grupată pe trei efecte din același eșantion a fost r = ,055, consecventă cu divergența descrisă mai sus, nu cu autoevaluările ca proxy utilizabil (Verí (2026)).

Peisajul măsurării este el însuși dezordonat, iar acum parțial cartografiat. He, Zhang, Wang și Ji (2026) au analizat corpusul de instrumente de alfabetizare în IA cu un pipeline de codare bazat pe LLM și au constatat că domeniul măsoară multe constructe sub o singură etichetă — o problemă de jangle (confuzie terminologică), cu un construct purtând mai multe nume (Angajamentul Comportamental apare în opt perechi candidate, Motivația Intrinsecă în cinci), alături de cazuri candidate de jingle unde instrumentele împart o etichetă, dar nu conținutul itemilor. Recuperarea lor a structurii itemilor și a constructelor prin similaritate semantică a corelat doar moderat cu fiabilitățile raportate de instrumente (r = 0,49 la nivel de item, față de 0,45 și 0,35 la nivel de construct), iar metoda este oferită ca ecranare, nu ca arbitraj. Consecința pentru oricine selectează o măsurătoare este că afirmațiile convergente între studii nu pot fi presupuse sigure: două instrumente cu același nume pot să nu operationalizeze același construct.

Ceea ce pot sprijini acele instrumente a fost de atunci auditat, iar auditul este sober. Jin, Gašević, Martinez-Maldonado și Yan (2026) au filtrat 8.056 de înregistrări până la 58 de studii acoperind 47 de instrumente unice, apreciate cu COSMIN față de un construct a cărui fereastră de dezvoltare a instrumentelor s-a comprimat în trei ani (două instrumente înainte de 2023, 28 doar în 2025). Corpusul rămâne în proporție de 37 din 47 de măsurători de autoevaluare, iar dovezile se grupează strâns în jurul structurii interne: validitatea structurală a fost suficientă în 32 din 58 de studii, iar consistența internă în 32, cu niciunul calificat insuficient, dar validitatea de construct a fost raportată de doar 15 studii (12 suficiente), validitatea de criteriu de unul, invarianța de măsurare de cinci (toate suficiente), iar doar 2 din 58 au obținut o calificare suficientă globală la validitatea de conținut — comprehensivitatea fiind insuficientă în 53, în ciuda faptului că 43 de studii raportau interviuri cognitive. Tiparul este că practica de măsurare arată robustă exact acolo unde este cel mai ieftin de demonstrat și subțire acolo unde dovezile trebuie să vină din afara instrumentului, astfel încât o structură de factori curată și un coeficient ridicat (care poate reflecta redundanța itemilor la fel de mult ca reprezentarea constructului) nu ar trebui citite ca capacitate demonstrată. Prescripția autorilor este consolidarea, nu proliferarea: rafinați scalele existente, testați invarianța ori de câte ori una traversează o limbă sau un stadiu educațional, și adăugați dovezi de criteriu legând punctajele de sarcini de performanță.

Una dintre excepții este construită pentru a compara grupuri. Zhang et al. (2026) au dezvoltat Scala de Alfabetizare în IA Generativă (GAILS) — 43 de itemi reduși la 34 printr-o revizuire Delphi cu cinci experți și un pilot cu șapte persoane, apoi validată la 341 de adulți din America de Nord — și au testat invarianța scalară, constatând că s-a menținut între respondenții de sex feminin și masculin și între grupurile studențești și de forță de muncă. Acesta este ceea ce licențiază comparațiile de medii raportate de instrument — bărbații obținând punctaje modest mai mari pe Competențe Operaționale Adaptive, studenții mai mari pe Competențe Operaționale Adaptive și Alfabetizare GenAI Responsabilă — ca diferențe de competență, nu ca funcționare diferențială a itemilor, iar acesta este ceea ce face scala utilizabilă în contexte de învățământ superior și de locul de muncă, nu doar pentru studenți. Dovezile ei proprii nu sunt imaculate: ajustarea a fost mixtă (CFI = ,967 și SRMR = ,058 în interiorul pragurilor convenționale, RMSEA = ,087 deasupra lor), α la scala totală de ,973 stă alături de o comparație discriminativă Fornell–Larcker eșuată (Factorul 1 √AVE = ,828 față de r = ,873 cu Factorul 3) și, ca aproape tot din corpus, măsoară competența percepută, fără criteriu comportamental. O scară validată în acest domeniu este un punct de plecare pentru munca de invarianță și criteriu pe care o cere recenzia, nu un etalon finit.

Conexiuni în baza de cunoștințe

Alfabetizarea în IA se intersectează cu Tutoriada de IA (înțelegerea momentului și a modului în care tutori de IA sunt eficienți), cu competența profesorilor în IA (Teacher AI Competency), cu integritatea academică (Academic Integrity) (cunoașterea a ceea ce constituie utilizare corespunzătoare a IA) și cu educația în IA în general. Este simultan o precondiție a utilizării eficiente a IA și un rezultat al integrării bine proiectate a IA — studenții învață alfabetizarea în IA FOLOSIND critic IA, nu doar învățând DESPRE IA.

Alfabetizarea în IA este cu două tăișuri pentru supra-dependență: Maizel et al. (2026) au constatat că dimensiunile de alfabetizare în IA bazate pe competențe (utilizarea/înțelegerea, detectarea) erau asociate pozitiv cu dependența raportată de IA, în timp ce autoeficacitatea în IA și încrederea academică erau asociate negativ — astfel încât formarea tehnică în alfabetizarea IA, absența schelelor de autoeficacitate și autoreglementare, poate crește dependența. Alfabetizarea în IA devine aici o capacitate abilitantă a cărei direcție depinde de resursele motivaționale complementare.

  • Obiceiurile de verificare aduc roada doar prin reglementare. În ancheta lui Davor, Larbi și Boateng (2026) pe 533 de studenți universitari din Ghana, alfabetizarea de verificare a IA nu a avut efect direct semnificativ asupra gândirii critice (beta = ,076, p = ,090) sau asupra rezolvării tehnice de probleme (beta = ,043, p = ,385) și a contat doar prin autoreglementarea metacognitivă (beta = ,167, p < ,001), o mediere completă pe care autorii o numesc activare metacognitivă. Schelarea sarcinilor cu IA a prezis ambele rezultate (beta = ,185 și ,170), în timp ce tendința de descărcare cognitivă le-a prezis negativ (beta = -,240 și -,312) și a deprimat și reglementarea (beta = -,294). A învăța studenții să verifice rezultatele IA nu este deci suficient de la sine: obiceiurile evaluative au nevoie de planificare, monitorizare și reflexie integrate în sarcină.

  • Critica rezultatelor IA ca practică de alfabetizare: Hosseini (2026) tratează evaluarea erorilor generate de IA ca o competență centrală de alfabetizare în IA, folosind analiza modurilor de eșec și rafinarea iterativă a prompturilor într-un curs de proiectare a bazelor de date. Studiul a constatat că studenții își supraestimau abilitățile cu IA (alfabetizarea raportată de sine corelab slab și negativ cu competența obiectivă) și că învățarea bazată pe critică a întărit calibrarea.

  • Alfabetizare umanist-socialistă în IA (2026): O recenzie a literaturii critică alfabetizarea în IA orientată spre conformitate și propune o încadrare umanist-socialistă a alfabetizării asincrone în IA și a utilizării echitabile în învățământul superior, legând decalajul digital istoric de alfabetizarea modernă în IA și pledând pentru abordări care servesc desăvârșirea umană și echitatea, mai degrabă decât conformitatea mecanică cu politici (From Mechanical Compliance to Human Flourishing: A Socialist Humanist Approach to Asynchronous AI Literacy and Fair Use in Higher Education).

  • Avertismentele ieftine, ușoare, contrazic persuasiunea IA — fără a costa încrederea generală. Orchinik și Rand (2026) au preregistrat două experimente (N total = 3.208 de adulți din SUA) în care participanții au conversat cu un LLM instruit să le schimbe opiniile pe teme politice. Un singur avertisment scurt — că modelele pot fi promptuite să persuade și pot prezenta informații selectiv — a redus schimbarea de convingeri cu aproximativ jumătate (-48,1%, 95% CI [-59,5%, -36,8]) față de control, iar adăugarea de avertismente specifice despre tehnicile de persuasiune nu a adus beneficii suplimentare. Proprietatea care contează pentru predare este de cealaltă parte a efectului: încrederea generală în IA generativă nu a scăzut, astfel încât intervenția construiește încredere calibrată, nu scepticism generalizat. Este o intervenție de un paragraf, fără facilitare, ceea ce reprezintă un profil de cost rar pentru un design de alfabetizare în IA.

  • Guvernanța IA de către cel care învață contează mai mult decât designul instrumentului. Azimi (2026) a randomizat 33 de studenți dintr-un curs de masterat de analiză de date între un AI Study Coach cu schelă, integrat în notebook-uri (n = 16) și utilizarea nerestricționată a oricăror instrumente Generative AI alese de ei (n = 17), timp de șapte săptămâni. Performanța la teme și câștigurile la inventarul de concepte au fost de neînsemnat; condiția Coach a raportat în schimb încredere mai ridicată. Ceea ce a separat studenții a fost alfabetizarea în IA în practică: cei care își formulase propriile reguli privind momentul de utilizare a IA au obținut punctaje mai mari în ambele condiții, iar studenții cu cea mai profundă înțelegere a modelului — toți auto-învățați — au formulat prompturi cel mai deliberat. Implicația de design merge împotriva reflexului de control: predați componentele auto-regulatorii și de înțelegere a modelului ale alfabetizării în IA, mai degrabă decât să constrângeți instrumentele.

Concepte conectate

Articole conectate

FAQ conexe

Resurse conexe

  • 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.

Metadate

NivelHigher Ed, K 12
Public țintăFaculty Developers, Instructors, Learners
Tehnologii și tehniciGenerative AI, Large Language Models (LLMs)
Bazele AI în educațieAcademic Integrity, Inteligența artificială în educație, Alfabetizare în IA, Educational Development
SourceHistoryEditChat

Încorporează această pagină

Copiază codul de mai jos pentru a încorpora această pagină într-un sistem de management al învățării sau pe alt site web. Versiunea încorporată arată doar conținutul paginii — ascunde antetul site-ului, navigația și subsolul.