Baza de cunoștințe AIEdAIEd KB
Pe această pagină

Citește această pagină în engleză

Concepte

Colaborarea om–IA

Creat 2026-05-29 · Actualizat 2026-11-08

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

Colaborarea om–IA — împărțirea muncii cognitive între oameni și modele — este tema centrală de interacțiune a bazei de cunoștințe: Human-AI collaboration in higher education: Exploring the impact of technology expectations and distrust, "It felt a bit eerie": Exploring humanlike interactions during collaborative writing with an artificial agent, Generative AI (GenAI) as a mindtool that supports generative learning (GL) și Balancing Teacher and Student Agency: Co-Orchestration Tool Design Supporting Real-Time Dynamic Pairing examinează încrederea, agenția și rolurile complementare (Human-in-the-Loop, IA agentică). Întrebarea definitorie este dacă parteneriatul păstrează sau înlocuiește munca cognitivă proprie a cursantului — aceeași aranjare poate sprijini învățarea sau o poate substitui, în funcție de modul în care este împărțită responsabilitatea.

Întrebări de reflecție

  • Întrebarea definitorie în colaborarea om–IA este dacă parteneriatul îți păstrează sau îți înlocuiește propria muncă cognitivă. Gândește-te la o sarcină pe care ai dat-o unei IA: generai și decideai, sau doar acceptai?
  • Un studiu a constatat că colaborarea liberă cu ChatGPT a produs doar câștiguri tranzitorii, care s-au prăbușit la o sarcină ulterioară fără asistență, în timp ce un protocol „gândește întâi, ChatGPT pe urmă” a dat învățare durabilă. De ce ar putea cine generează ideile să prezică dacă înveți efectiv?
  • Același instrument poate sprijini învățarea sau o poate substitui, în funcție de modul în care este împărțită responsabilitatea. Poți să te gândești la o aranjare care te-a ținut productiv cognitiv, față de una care ți-a descărcat discret gândirea?
  • O aranjare inversează rolurile obișnuite: în loc ca modelul să dea răspunsuri, studentul explică conținutul, iar modelul joacă rolul celui care nu știe și cere explicații, exemple și un contraargument. Dacă IA este cea care întreabă, ce se întâmplă cu cât de mult din gândire rămâne de partea ta?
  • Încrederea este descrisă ca ceva ce trebuie calibrat, nu presupus — bazându-te pe IA acolo unde este potrivit și verificând acolo unde nu este. Cum decizi acum când să ai încredere și când să verifici rezultatul unei IA?
  • Cercetarea identifică moduri de colaborare care fac un compromis între eficiență și profunzimea implicării tale auto-regulatorii. Când merită să accepți mai puțină eficiență pentru a păstra mai multă învățare în propriile mâini?
  • Dacă colaborarea este o alegere pedagogică tot atât cât una tehnică, ce mișcări de design (prompturi, fluxuri de lucru, structuri) ai institui pentru a te asigura că IA augmentează, în loc să înlocuiască, gândirea cursanților tăi?

Introducere

Colaborarea om–IA descrie felul în care cursanții, profesorii și sistemele de IA împart munca cognitivă — cine face ce, cine decide și cum sunt menținute încrederea și agenția. În loc să încadreze IA ca înlocuitor sau ca instrument pasiv, cercetarea colaborării tratează IA ca pe un partener cu puncte forte complementare, a cărui valoare depinde de modul în care responsabilitatea este împărțită și monitorizată. La nivelul comportamentului observabil, Student-AI Interaction surprinde cum cursanții pun în practică această relație — întrebările, prompturile și mișcările de verificare pe care le fac cu IA, moment cu moment.

Împărțirea muncii trece și prin oamenii care proiectează interacțiunea. În douăsprezece implementări de cursuri de formare a profesorilor, cadrele didactice au poziționat IA ca partener de gândire, generator de critici sau instrument de repetiție, în timp ce candidații au păstrat responsabilitatea pentru evaluarea, adaptarea și justificarea deciziilor; totuși aceeași lucrare raportează că studenții au devalorizat un feedback pe care îl judecaseră deja util, odată ce autoria IA a fost dezvăluită, un episod pe care îl numește efectul spargerii balonului. O analiză a 1.378 de replici designer–chatbot arată invers în privința generării: designerii au folosit un asistent integrat în principal pentru verificări de aliniere la rezultatele învățării și la abordarea pedagogică, nu pentru producerea de conținut. În ambele cazuri, judecata evaluativă a omului, nu rezultatul modelului, poartă învățarea.

Beneficii, riscuri și implicații de design

Dovezile bazei de cunoștințe arată că colaborarea om–IA este o aranjare cu două tăișuri, al cărei rezultat este determinat de design, nu de IA în sine:

  • Colaborarea poate îmbunătăți învățarea când păstrează implicarea cognitivă. Studiile despre GenAI ca instrument mental și despre colaborarea ghidată arată că, atunci când împărțirea muncii îl lasă pe cursant să genereze, să decidă și să evalueze, IA augmentează în loc să înlocuiască gândirea — producând câștiguri durabile în învățarea auto-regulată și în creativitate. Faptul că rolul de decident rămâne la cursant se transpune la scriere: Oppenheimer, Cash & Connell Pensky (2025) arată că criticile LLM la eseurile argumentative ale studenților au îmbunătățit scrierea pe parcursul unui semestru, cursanții decizând dacă să integreze sau să respingă feedbackul modelului (87,8% dintre afirmații au fost respinse) — o aranjare care a păstrat munca evaluativă a cursantului — iar câștigurile au apărut chiar și la eseurile scrise fără sprijin LLM, ceea ce sugerează competență durabilă, nu dependență de instrument.

  • Colaborarea poate substitui învățarea când descarcă prea mult. Modul de eșec este supra-dependența: când IA produce răspunsul, rolul cursantului se prăbușește în acceptare pasivă, iar performanța imediată la sarcină maschează lipsa învățării durabile. Cercetarea despre performanță versus învățare și ciclul vătămării de la substituție la schelă (From Substitution to Scaffolding: Breaking the Self-Reinforcing Harm Cycle of AI in Education (and Beyond)) documentează sistematic acest lucru.

  • Un scor mai bun nu este, prin el însuși, dovada că colaborarea a predat ceva. Celelalte dovezi de pe pagină citesc cu prudență performanța asistată, iar un test randomizat al tipului de sprijin arată de ce. În studiul de laborator al lui Iqbal et al. (2026), 87 de studenți EFL au scris un eseu fără asistență, apoi l-au revizuit cu ChatGPT 4.0 (n = 29), cu un instructor uman de scriere (n = 28) sau fără sprijin (n = 30). Care dintre cele patru strategii de revizuire derivate din urme a folosit un student a fost puternic asociată cu sprijinul primit (V al lui Cramér = 0,668) și doar moderat cu strategia lor anterioară de scriere (V = 0,333); motivația, competența de scriere și acuratețea judecății metacognitive nu au arătat o asociere generală, legătura metacognitivă apărând doar în condiția fără sprijin (p = 0,0460). Critic, nicio strategie de revizuire nu a prezis schimbarea scorului (p = 0,273), deși tipul de sprijin a prezis-o: grupul GenAI a progresat semnificativ mai mult decât grupurile cu expert uman și de control (H(2) = 16,591, p = 0,00025, η² = 0,174), iar în interiorul aceleiași strategii de cerere de ajutor în scădere graduală, studenții GenAI au câștigat în medie circa 4 puncte, în timp ce studenții cu expert uman au pierdut 0,5. Autorii citesc tiparul ca sprijin extern care ocolește judecata metacognitivă proprie a cursantului și avertizează că câștigurile pot fi optimizare specifică sarcinii, nu capacitate durabilă. Aceasta nu răstoarnă principiul cine generează și decide (studiul a variat cine oferea sprijin, nu cine genera gândirea), dar ascuțește testul pe care ar trebui să îl aplice un instructor: un câștig obținut sub asistență trebuie să supraviețuiască unei sarcini fără asistență înainte de a conta ca învățare, iar adăugarea unui expert uman în încăpere nu este automat aranjarea mai sigură.

  • Adăugarea colegilor nu este nici ea automat aranjarea mai sigură. Chu, Dai și Zhai (2026) au pus 87 de studenți de licență să lucreze singuri sau în perechi cu un sistem GenAI multi-agent timp de opt săptămâni. Perechile au obținut cele mai mari scoruri la proiectul complex de design (M = 89,64, față de 85,85 pentru studenții care au lucrat în perechi fără sistem și 86,45 pentru cei care au lucrat singuri cu el, p = 0,039), însă conștientizarea gândirii critice a crescut cel mai mult la cei care au lucrat singuri (M = 0,41) și a scăzut ușor la perechi (M = −0,04, p = 0,039).

  • Principiu de design — păstrați munca productivă a cursantului. În ansamblul cercetării, cel mai ascuțit predictor al faptului dacă colaborarea ajută sau dăunează este cine generează și decide. Aranjările care îl țin pe om productiv cognitiv (prompting ghidat, „gândește întâi, apoi consultă IA”, pași de verificare și evaluare) sprijină învățarea; aranjările care predau întreaga sarcină modelului nu o fac. Mișcarea complementară este să schimbi ceea ce modelul este însărcinat să fie. În cvasi-experimentul lui Wang et al. (2026), 68 de viitori profesori fie au explicat conceptul de clasă inversată unui cursant novice GAI construit pe ERNIE 3.5 (un sistem încadrat ca curios și apreciativ, care cerea explicații, exemple, raționament de verificare și o perspectivă opusă, secvențiat pe taxonomia lui Bloom), fie au adresat întrebări unui profesor GAI construit pe același model. Studenții care au predat IA au explicat mai bine (definirea clasei inversate M = 4,18 vs 3,29; activitățile ei de predare M = 4,91 vs 3,06, ambele p < 0,001) și au generat mai multe întrebări, de calitate mai bună (M = 3,67 vs 2,14; M = 5,67 vs 3,07, ambele p < 0,001), în timp ce reamintirea obiectivă a fost statistic indistinctă (M = 23,18 vs 21,57, p = 0,416), așa că avantajul a stat în explicare și transfer, nu în recuperarea faptelor. Studenții din condiția cu profesor IA au fost sinceri în privința compromisului: unii au admis că le oferea „informații mai exacte și mai detaliate”, dar au raportat că „după ce l-am folosit, nu am mai vrut să gândesc independent”. Atribuirea rolului de cursant care trebuie învățat transformă studentul în singura sursă a ideilor și elimină dificultatea veche de a găsi un coleg potrivit căruia să-i predai. Vin cu ea două limite de design: planificarea și monitorizarea nu s-au îmbunătățit (M = 4,01 vs 3,78, p = 0,062), deci inversarea rolurilor nu este prin ea însăși o intervenție metacognitivă, iar autorii atribuie acel nul unui design al sarcinii care i-a ținut pe studenți concentrați pe acuratețea conținutului. Într-o sală de scriere, principiul ia o formă concretă și predabilă. În cvasi-experimentul saudit EFL al lui Alshehri et al. (2026), studenții au urmat o rutină în cinci părți — încadrează problema și proiectează prompturi, redactează iterativ, revizuiesc, verifică fiecare afirmație și citare în baze de date științifice și își reglementează propria atribuire și dependență — fiecare temă cerând un jurnal de utilizare a IA cu ce au acceptat, ce au respins și de ce. Scrierea și gândirea critică digitală au crescut împreună și s-au mișcat aproape în pas, iar reflecțiile studenților au legat rutinele de verificare și de reparare a halucinațiilor direct de câștigurile de gândire critică: aceleași obiceiuri de interogare a rezultatelor le-au modelat deciziile de compunere. Rezerva autorilor este complementul necesar al principiului — fluxul de lucru este contingent, nu auto-suficient, și se poate întoarce împotriva scopului sub schelă subțire, pregătire critică sau metacognitivă scăzută (unde studenților le lipsește capacitatea de a prinde rezultatele proaste), delegare graduală a deciziilor de compunere sau politică instituțională neclară privind utilizarea IA.

  • Autoritatea delimitată este ea însăși un tipar de design pentru colaborarea cu mize mari. Profesorii din Reichert et al. (2026) nu au prototipat asistenți deschiși, ci sisteme a căror libertate era fixată dinainte: fiecare design limita chatbotul la un conținut de lecție specific, iar siguranța era stratificată prin granițe de domeniu (scop specific lecției, plus o „cotă de informație” care cerea un număr minim de fapte sau probleme înainte ca conversația să avanseze), filtrare de conținut cu refuzuri standardizate („Îmi pare rău, acest lucru nu face parte din baza mea de cunoștințe”) care îl alertau și pe profesor, și o suprascriere a profesorului pentru cazurile ambigue — exemplul dat era o întrebare despre reproducerea umană, legitimă în unitatea ei, care ar trebui direcționată către o persoană, nu respinsă automat. Personalizarea formatului, genului, ritmului și complexității era binevenită în interiorul acelor granițe, iar supravegherea (jurnale complete de conversație, alerte în timp real, suprascriere) era încadrată ca responsabilitate profesională, nu ca neîncredere în model. Implicația este că, în contexte cu mize mari, împărțirea muncii ar trebui specificată ca delimitată, monitorizată și revocabilă, nu negociată replică cu replică.

  • Automatizarea și augmentarea nu sunt alternative. În patru cazuri adresate profesorilor, înlocuirea a rămas în interiorul unor subsarcini analitice delimitate, în timp ce complementaritatea a apărut oriunde profesorii interpretau și validau rezultatul, așa că augmentarea s-a dovedit o proprietate a ceea ce face profesorul în continuare, nu a instrumentului în sine (Horvers et al. (2026)).

  • Încrederea trebuie calibrată, nu presupusă. Colaborarea productivă depinde de calibrarea exactă, de către cursanți, a momentelor când să se bazeze pe rezultatul IA și când să îl verifice — o legătură cu Trust Calibration și cu supravegherea umană, nu cu acceptarea oarbă sau respingerea generalizată.

  • O alertă afectivă este un indiciu pe care profesorul îl interpretează, nu o instrucțiune de executat. Într-o lecție de geometrie de liceu, alertele emoționale ale unui sistem de IA au precedat mișcări foarte diferite ale profesorului, iar mișcarea — reîncadrarea sarcinii, o scurtă afirmare sau o non-intervenție deliberată — este cea care a schimbat implicarea, așa că alerta a funcționat ca un input printre cele pe care profesorul le putea observa (Swidan (2026)).

  • Colaborarea profesor–IA are două tăișuri pentru implicare, nu doar pentru învățare. Într-un sondaj în trei valuri cu 468 de profesori universitari, colaborarea a ridicat implicarea în muncă prin disponibilitatea psihologică (indirect 0,19), dar a scăzut-o prin alienarea în muncă (indirect −0,03); competența digitală le-a moderat pe ambele, aplatizând panta alienării de la 0,38 la 0,17 (Sun et al. (2026)).

  • Împărțirea muncii urmează credibilitatea, nu capacitatea. Ceea ce stabilesc cursanții este o alocare principială: IA pentru feedback lingvistic imediat și larg aplicabil, iar instructorii pentru îndrumare individualizată și relațională, atribuite după credibilitatea percepută a fiecărei surse, nu după acuratețea ei, pentru că constrângerea decisivă asupra dependenței era grija percepută, nu competența (Serpil & Mor, 2026).

  • Dependența este un proces de populație, nu doar o alegere individuală. Într-un model bazat pe agenți, dovada socială vizibilă pentru utilizarea neverificată a prăbușit verificarea de la 0,29 la 0,002 și a ridicat supra-dependența de la 0,30 la 0,52, în timp ce verificarea vizibilă a colegilor a restaurat o verificare aproape completă — schimbarea a ceea ce văd cursanții că fac alții întrece reducerea costurilor verificării (Biswas (2026)).

Aceasta face din colaborarea om–IA un construct pedagogic tot atât cât unul tehnic: valoarea parteneriatului este modelată de felul în care profesorii proiectează interacțiunea, de felul în care cursanții o reglementează și de felul în care sistemul invită sau descurajează implicarea productivă.

Cum apare colaborarea om–IA în cercetare

  • Încredere și așteptări: Așteptările de încredere examinează cum așteptările cursanților față de IA modelează dacă colaborarea este productivă sau duce la supra-dependență.

  • Roluri complementare în scriere și gândire: Scrierea colaborativă cu IA umanoidă și GenAI ca instrument mental arată cum IA poate augmenta, în loc să înlocuiască, gândirea cursantului, atunci când împărțirea muncii păstrează implicarea cognitivă a acestuia.

  • Orchestrare și agenție: Orchestrarea agenției profesor–student și modelele mentale ale studenților abordează modul în care agenția este negociată între oameni și IA, conectându-se la Human-in-the-Loop și IA agentică.

  • Dimensiuni metacognitive și de echipă: Modelele metacognitive de IA centrată pe om și medierea disciplinară în echipele de studenți extind colaborarea la metacogniție și la învățarea în echipă.

  • Competența de colaborare ca configurație, nu ca listă de verificare — metacogniția preia rolul integrator al Cunoașterea tehnologic-pedagogică de conținut (TPACK)-ului. Dang, Hong, Doyle și Nguyen (2026) definesc Competența de Colaborare Om–IA ca o configurație dinamică de domeniu, competență în IA și competență metacognitivă, plus intersecțiile lor (Lucrul cu IA, Învățarea agentică cu IA, Dezvoltarea personală și profesională agentică și HACC însăși), respingând explicit o listă aditivă de competențe în IA lipită pe un curriculum existent. Mișcarea lor centrală reatribuie munca integratoare pe care pedagogia o face în TPACK: pentru că IA este un participant adaptiv a cărui contribuție se schimbă pe măsură ce o sarcină se desfășoară, sarcina de coordonare cade pe metacogniția cursantului — decizia când să consulte IA, cum să încadreze interacțiunea și când să o suprascrie — așa că cursantul, nu profesorul, deține mecanismul care menține colaborarea productivă. Agenția cursantului este omisă deliberat ca nod de sine stătător; ea este în schimb calitatea emergentă pe care cursanții o exprimă atunci când coordonează cele trei competențe, ceea ce face din agenție o proprietate a configurației, nu o competență de antrenat izolat. Studiul de interviu al cadrului, cu 24 de educatori din Noua Zeelandă, au sprijinit dimensiunile descriptiv, iar nivelul de rol a schimbat accentul, nu acceptarea: rețelele educatorilor principali erau centrate pe IA, cu legături către HACC și dezvoltarea profesională, diferind semnificativ de educatorii seniori (U = 10,00, p = ,04) și de educatorii la început de carieră (U = 7,00, p = ,01).

  • Moduri distincte de colaborare: munca empirică identifică trei moduri de rezolvare de probleme în colaborarea om–IA — Raționament delegat, Interpretare concertată și Elaborare delegată — dezvăluind un compromis între eficiența sistemului distribuit om–IA și profunzimea implicării auto-regulatorii a cursanților (raționamentul delegat performează cel mai bine, dar cu auto-reglare mai scăzută).(Unpacking Interaction Profiles and Strategies in Human-AI Collaborative Problem Solving: A Cognitive Distribution and Regulation Perspective)

  • Facilitatorii umani și cei IA pot fi perceptiv interschimbabili în discuții structurate, dar reutilizarea se bazează pe motive diferite. Kuhail et al. (2026) au înlocuit un moderator uman cu un moderator GPT-4 (și invers) în 32 de sesiuni de dezbatere conduse de 32 de studenți STEM și nu au găsit nicio diferență statistic semnificativă la eficacitate, plăcere, satisfacție, utilitate sau intenție de utilizare (t între 0,23 și 1,30, p între 0,198 și 0,818). Ceea ce a diferit a fost motivul pentru care studenții ar reveni: sub moderare IA, utilitatea percepută a condus intenția de utilizare (0,806, p = 0,004), în timp ce satisfacția a condus-o doar sub moderare umană (0,556, p = 0,002). Autorii citesc comparația plată ca normalizare în sarcini guvernate de reguli, nu ca dovadă a echivalenței, și recomandă păstrarea supravegherii umane din motive etice și relaționale, făcând în același timp lizibilă utilitatea activităților moderate de IA, în loc să se sprijine pe plăcere. Pentru că studiul a măsurat doar percepții, nu spune nimic despre dacă studenții au argumentat mai bine.

  • Atribuiți sarcina înainte de a o delega. Tsim și Gutoreva (2025) adaugă o a patra zonă — ceea ce modelul știe deja — zonelor de dezvoltare ale cursantului, obținând atribuiri de tip Substituire, Complement, Ajutor și Nenegociabil, și susțin că modurile automatizare–augmentare–colaborare diferă prin locul controlului și responsabilitatea epistemică, nu prin sofisticarea instrumentului.

  • Prompt engineering ca gândire pedagogică, construită prin lesson study. Robinson et al. (2026) au urmărit cinci formatori de profesori dintr-o instituție din EAU prin două cicluri de lesson study care au ajuns la 36 de viitori profesori de matematică din secundar și primar, proiectând lecții sprijinite de IA cu ChatGPT (GPT-4o). Mișcarea care a făcut treaba a fost împerecherea IA cu un cadru disciplinar: viitorii profesori au generat o sarcină, i-au judecat cererea cognitivă cu un Cadru modificat de Analiză a Sarcinilor Matematice, apoi și-au rescris promptul pentru a ridica profunzimea conceptuală, astfel încât revizuirea era ancorată în matematică, nu în funcțiile instrumentului. Șaisprezece din 26 de prompturi analizabile purtau trăsături conceptuale ale sarcinii, iar educatorii au concluzionat că prompt engineering-ul „nu este o competență tehnică; este una cognitivă”. Învățarea raportată a crescut în lecția revizuită (5 din 7 viitori profesori în primul ciclu și 10 din 14 în al doilea au raportat că au învățat să distingă sarcinile conceptuale de cele procedurale), cu rezerva că a cere IA o sarcină mai conceptuală a produs uneori doar una mai complicată. Pentru dezvoltarea cadrelor didactice, argumentul este pentru anchetă colaborativă susținută asupra lecțiilor reale, nu pentru ateliere autonome despre instrumente.

  • Îndrumarea decide performanța versus învățarea: Wong și Qiu (2026) au contrastat colaborarea liberă cu cea ghidată om–IA pe o sarcină creativă. Colaborarea liberă cu ChatGPT a produs doar performanță tranzitorie, care s-a prăbușit la o sarcină ulterioară fără asistență, în timp ce un protocol ghidat „gândește întâi, ChatGPT pe urmă” — generarea propriilor idei, apoi folosirea ChatGPT pentru a le îmbunătăți, dezvolta și evalua — a dat câștiguri durabile în creativitate independentă. Avantajul a fost mediat de prompturi colaborative orientate spre îmbunătățirea ideilor proprii, arătând că cine generează (împărțirea muncii) prezice dacă colaborarea produce învățare sau substituire.(Think First, ChatGPT Later: Guiding Human–AI Collaboration for Learning Gains in Independent Human Creativity)

  • IA ca mediator, nu doar ca partener: Niari reconceptualizează IA ca mediator pedagogic care orchestrează interacțiunea, construirea de sens epistemică și procesele de reglementare, redistribuind agenția, autoritatea și responsabilitatea între actori umani și non-umani, în loc să trateze IA ca tutore, coleg sau instrument.

  • Colaborarea profesorilor cu IA este și ea tipizată, nu binară. Când profesorii proiectează designuri de lecție cu IA generativă, interacțiunea lor ia forme empiric distinghibile. Choi et al. (2026) au identificat șapte tipare de interacțiune profesor–IA — de la adoptarea directă și adoptarea elaborată a rezultatului IA la respingerea inițială, adoptarea revizuită, utilizarea ghidată ulterioară, interacțiuni complexe și ocolirea IA — unde experiența didactică și competența în IA ale profesorului modelează împreună dacă acesta re-promptă critic și adaptează IA la studenți și context (o împărțire complementară a muncii, de cogniție distribuită) sau acceptă pasiv sugestiile (o distribuție dominată de IA).

  • Agentul mediațional ca formă hibridă de participare. În loc de un punct de mijloc între instrument și colaborator, IA generativă este conceptualizată ca un agent mediațional care mediază acțiunea generând contribuții contingente și neimputabile — o categorie distinctă care redirecționează designul de la capacitatea tehnologică spre obiceiurile de participare (agenție de supraveghere, vigilență epistemică).(Generative AI as a Mediational Agent: Rethinking Learning in Sociocultural Theory)

  • Comunitate și autoritate epistemică: învățarea IA bazată pe comunitate arată că colaborarea este și o întrebare despre cine este autoritar, fundamentând implicarea cu IA în epistemologiile trăite ale cursanților.

  • Descoperirea de trăsături bazată pe date: Analiza Trăsăturilor Principale (PTA) automatizează derivarea „trăsăturilor” de interacțiune din corpusuri mari de conversații cu LLM — un pipeline în patru etape, inspirat de PCA, care extrage observații de comportament, le grupează în trăsături candidate, punctează fiecare colaborator și selectează trăsăturile cele mai distinctiv. Evaluată pe un corpus student–tutor IA și pe unul dezvoltator–agent de cod, PTA găsește trăsături care explică și prezic rezultatele (de exemplu, implicarea conceptuală profundă pozitiv, delegarea sarcinii negativ, în contextul educațional) și — pentru că nu generalizează încă între semestre și contexte și nu arată traiectorii de curbă de învățare — autorii susțin că trăsăturile nu pot fi încă interpretate ca „competențe”. Aceasta oferă un complement scalabil și obiectiv la cadrele de alfabetizare în IA și la măsurătorile de autoevaluare, informând direct modul în care educatorii predau „competențele de utilizare a IA”.

  • Relația om–IA ca preocuparea cea mai persistentă de-a lungul generațiilor de CAI. Recenzia-umbrelă a agenților de IA conversațională (Ganguly et al. 2025, 34 de recenzii) constată că preocupările privind relația om–IA — supra-dependența, izolarea socială, depersonalizarea, dependența emoțională, transparența, responsabilitatea — sunt problema etică cel mai frecvent discutată în toate generațiile CAI, precedând GenAI. Aceasta poziționează întrebarea „păstrează sau substituie” chiar în centrul eticii CAI și întărește că valoarea colaborării este determinată de design (cine generează, cine decide, cum este împărțită responsabilitatea).(Conversational AI agents in education: an umbrella review of current utilization, challenges, and future directions for ethical and responsible use)

  • IA care scalează expertiza în timp real la novici — primul RCT de tutoriat live. Wang et al. (2024) au realizat un trial randomizat (900 de tutori, ~1.800 de studenți K-12 din comunități deservite) care a plasat IA de partea tutorului, nu a studentului: Tutor CoPilot genera sugestii în timp real, asemănătoare celor de expert (construite din raționamentul cu voce tare al tutorilor experimentați), pe care tutorii novici le puteau edita sau respinge. Studenții tutorilor din grupul tratat au avut cu 4 puncte procentuale mai multe șanse să stăpânească subiectele (p < 0,01), cu câștiguri de 9 puncte procentuale la studenții celor mai slab evaluați tutori — care au ajuns să egaleze rezultatele de control ale tutorilor mai bine evaluați — la ~$20 pe tutor pe an. Constatarea este o ancoră empirică puternică pentru augmentarea profesorului/tutorului ca mod de colaborare om–IA echitabil: omul păstrează judecata pedagogică și autonomia, în timp ce IA furnizează expertiză scalabilă.

  • Experți delimitați: cum împart profesorii autoritatea cu o IA. Reichert, Briceno, Tabarsi & Barnes (2026) au realizat un studiu de design participativ în care șase profesori de secundar au prototipat chatbots LLM pentru propriile clase și au analizat cum ar trebui distribuită autoritatea între profesor și sistem. Profesorii au încadrat consecvent IA ca expert delimitat — capacitate specializată, confinată la un domeniu strict definit și operând sub supraveghere umană — și au împărțit această delimitare în două dimensiuni: granițe de autoritate, unde responsabilitatea profesională și legală pentru învățarea și siguranța studenților nu poate fi delegată, și granițe de expertiză, unde sistemului îi lipsește cunoașterea contextuală a profesorului despre studenții individuali, dinamica clasei și normele instituționale. Cartografierea prototipurilor pe cele nouă evenimente de instruire ale lui Gagné a arătat că delegarea era selectivă, nu totul-sau-nimic: profesorii au primit bine IA pentru prezentarea conținutului, furnizarea de probleme de practică, schelă și Feedback formativ, dar au refuzat să îi delege informarea studenților cu privire la obiective sau evaluarea sumativă. Citirea de design este că o interfață de colaborare ar trebui să facă vizibil unde omul păstrează rolul de decident, nu doar unde modelul este capabil.

  • Rolul trebuie să se adapteze, nu doar să fie etichetat. Liao (2026) arată că un companion IA cu rol fix de „coleg” a susținut interacțiuni mai lungi de discuție despre carte, dar a dominat schimbul (o pondere mai mică de cuvinte și propoziții a studenților) și a atins un plafon afectiv, susținând că colaborarea cere o logică de rol adaptivă — alternarea între coleg, asistent și consilier — nu o singură personă statică.

  • Co-designul de partea profesorului și arhitectura rolurilor sunt și ele colaborări. Dincolo de partenerii adresați studenților, profesorii colaborează cu GenAI pentru a proiecta instruirea. Wang et al. (2026) trec sistematic în revistă co-designul profesor–IA al sarcinilor de învățare, cartografiind modurile colaborative și tensiunile (agenție, autoritate epistemică, control) care apar când profesorii și IA produc împreună designuri; Talebzadeh (2026) constată că expertiza pedagogică a profesorilor — nu fluența în IA — determină calitatea activităților diferențiate de grup proiectate cu IA (bogăția rolurilor, sinergia, alinierea nivelurilor), poziționând profesorul ca „designer de învățare bilingv”.

  • GenAI ca agent și ca spațiu colaborativ în grupuri. Xu et al. (2026) observă echipe mici din învățământul superior și arată că rolul GenAI este negociat și configurabil — de la asistent subordonat la coechipier contestat — și că utilizarea partajată sincronă susține terenul comun, în timp ce utilizarea privată asincronă fragmentează transparența, propunând o lentilă de Lucru Cooperativ Sprijinit de GenAI care tratează GenAI atât ca agent, cât și ca spațiu colaborativ interactiv.

  • Jumătăți complementare ale colaborării în clasă. Două studii din 2026 cartografiază jumătăți complementare ale colaborării om–IA în sălile de clasă. MeduAI-SP (Yang et al.) susține „complementaritatea funcțională” în educația clinică: agenții IA se ocupă de jocul de rol repetitiv, de simularea consistentă a pacienților, de monitorizarea listelor de verificare, de promptingul socratic și de feedbackul formativ preliminar, în timp ce cadrele didactice și pacienții standardizați umani oferă interpretare contextuală, răspuns emoțional nuanțat, remediere individualizată, evaluarea profesionalismului și judecăți de pregătire — substituirea fiind delimitată de consecințele erorilor, incertitudinea sarcinii, sensibilitatea relațională și revizuirea umană disponibilă, iar un sistem IA fiind explicit împiedicat să determine autonom competența clinică. În direcția opusă, o discuție etică mixtă cu 45 de studenți, 3 umani și 3 agenți (Seo et al., 2026), documentează un tipar cu două tăișuri: agenții au coborât barierele sociale (participanții au vorbit mai direct pentru că agenților le lipsesc emoțiile și nu simțeau obligația de a umple tăcerile), însă aceeași confortabilitate a deviat interacțiunea departe de oameni — 79,7% din întrebări au mers la agenți, față de 60% cât prezice disponibilitatea lor (p = ,017). Remarcabil, prezența altor oameni i-a făcut pe participanți să trateze IA cu mai mult respect, sugerând că co-prezența umană este ea însăși o posibilitate de calibrare a implicării cu IA.

  • Complementaritatea este condiționată, nu o proprietate implicită a echipelor. Tuo et al. (2026) au constatat că echipele om–IA le-au întrecut pe oameni și pe IA singure doar într-una din șase condiții — cazurile dificile în care IA era mai puțin exactă decât oamenii — și nu au raportat niciun avantaj constant al echipei în rest, așa că adăugarea unui partener IA nu este prin ea însăși o cale spre performanță complementară.

  • Programele profesionale redirecționează formarea de la producția de rutină spre competențe de colaborare (un protocol de design): Wang (2026) propune un cadru bazat pe design pentru formarea traducătorilor, construit în jurul unui inventar de deplasare a sarcinilor (18 subsarcini evaluate pentru probabilitatea de deplasare de către IA, cu etichete de proveniență [E]/[P]) și patru competențe redirecționate: cunoaștere transdisciplinară, orchestrare a IA, judecată strategică și evaluare critică a IA. Cadrul este un protocol preregistrat, fără date empirice încă; contribuția lui este metoda — o analiză auditabilă a deplasării plus o cale de co-design pentru reforma curriculară — care se transferă la orice program profesional ale cărui sarcini de rutină sunt preluate tot mai mult de sisteme agentice.

  • Tipurile de implicare (entanglement) diferă prin ce îi cer studentului și de aceea unele rămân rare. Sun, Dohn și Rehm (2026) clasifică 102 studii din învățământul superior după modul în care munca epistemică este împărțită între student și sistem (Asistent, Facilitator, Sintezator, Generator, Reimaginitor) și constată că cele două forme care păstrează competența atribuibilă studentului individual acoperă câte 42,16% din corpus, în timp ce formele care distribuie autoria rămân marginale. Explicația lor este instituțională, nu tehnică: tipurile rare le cer studenților să își asume responsabilitatea epistemică pentru rezultate pe care nu le-au produs, fiind în același timp evaluați ca autori individuali, iar această contradicție — nu împărțirea muncii în sine — le ține în afara practicii. Răspunsul de design este să facă explicită distribuția muncii epistemice, să secvențieze activitățile de-a lungul spectrului și să construiască reflecția asupra modului în care a fost împărțită responsabilitatea.

  • A deține o lucrare nu este același lucru cu a o fi autorat. Hong et al. (2026) numesc un deficit de legitimare a statutului de autor: o persoană poate trăi un rezultat ca fiind al ei și totuși să nu poată garanta rolul de autor, pentru că proprietatea psihologică, sentimentul de agenție și responsabilitatea pentru lansarea lucrării sunt căi separate care nu trebuie să se alinieze. Rețeaua lor a muncii de autorat clasifică contribuțiile rol cu rol, așa că o singură înregistrare poate susține o revendicare editorială și eșua simultan o revendicare de creator unic. Analiza este conceptuală, fără date și fără model testat, așa că deficitul este un construct propus ale cărui predicții rămân netestate.

  • A îndruma, nu a spune, are nevoie de propriul criteriu de judecare a unui agent. Un caz de design care pornea să oglindească facilitarea profesorului a constatat că un agent de cunoaștere delimitat la o bază curată putea fi judecat după acuratețe, în timp ce un agent menit să îi conducă pe studenți spre propriile răspunsuri nu putea (Humburg et al., 2025).

  • Parteneriatul se extinde la procesul de cercetare însuși, nu doar la învățarea studenților — Potter et al. (2026) au pus GPT-4o să redacteze coduri și teme preliminare într-o platformă RAG securizată, în timp ce trei cercetători principali și doi validatori externi păstrau autoritatea interpretativă, consolidând patru teme finale. Fluxul de lucru hibrid a redistribuit munca cercetătorilor, în loc să o elimine.

Conexiuni

Colaborarea om–IA se conectează cu Human-in-the-Loop (supraveghere), IA agentică (autonomie), Predarea (munca schimbătoare a profesorilor), Scaffolding și Metacognition (cum sprijină colaborarea învățarea) și supra-dependența (modul de eșec când colaborarea devine substituire). Este o temă centrală în Alfabetizare în IA, Self-Regulated Learning și Student Experience.

Idei greșite frecvente

  • „Colaborarea înseamnă că IA face o parte din muncă.” Cursantul păstrează rolul de decident, iar acest lucru se transpune la scriere: Oppenheimer, Cash și Connell Pensky (2025) arată că rezistă atunci când aranjarea este proiectată pentru asta. Împărțirea muncii nu este colaborare dacă omul nu păstrează judecata.
  • „IA este cea care explică într-o aranjare inversată.” Studenții care au predat IA au explicat mai bine — definirea clasei inversate la M = 4,18 față de 3,29, activitățile de predare la M = 4,91 față de 3,06, ambele p < 0,001. Învățarea s-a acumulat la cel care a explicat.
  • „Contribuțiile omului și ale IA sunt substitute.” Două studii din 2026 cartografiază jumătăți complementare ale colaborării în clasă, ceea ce încadrează problema de design ca alocare, nu ca înlocuire.

Concepte conectate

Articole conectate

Metadate

Învățarea și predareaStudent-AI Interaction
Tehnologii și tehniciGenerative AI, Large Language Models (LLMs)
Bazele AI în educațieColaborarea om–IA, Alfabetizare în IA
SursăIstoricEditeazăChat

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.