Baza de cunoștințe AIEdAIEd KB
Pe această pagină

Citește această pagină în engleză

Concepte

Concepții greșite despre IA

Creat 2026-11-12 · Actualizat 2026-11-12

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

Concepții greșite despre IA — credințele inexacte pe care oamenii le au despre ce sunt sistemele de IA, ce fac acestea și ce înseamnă utilizarea lor pentru învățare și muncă. Concepțiile greșite nu sunt un singur neadevăr, ci o familie de erori de calibrare grupate în jurul a două greșeli centrale: evaluarea greșită a ceea ce este modelul (autoritate sau instrument, neutru sau părtinitor, înțelegere sau generare) și evaluarea greșită a ceea ce presupune învățarea (rezultat sau proces). Ele nu aparțin doar studenților, ci și profesorilor, administratorilor, factorilor de decizie și publicului larg — iar corectarea lor este un scop central al educației pentru alfabetizare în IA și calibrarea încrederii.

Întrebări de reflecție

  • Mulți oameni cred că răspunsul unui chatbot IA este un fapt verificat pentru că sună încrezător și fluent. Pagina numește aceasta „eroarea de autoritate". Când citești o explicație generată de IA, cum decizi dacă să o accepți — și cât de des o verifici de fapt?
  • Concepția greșită „învățarea egal rezultat" este credința că a produce o lucrare cu IA este același lucru cu a fi învățat materia. Ai simțit vreodată că ai „învățat" ceva lăsând un instrument să facă schița? Ce lipsea de fapt după aceea?
  • Oamenii presupun adesea că IA este obiectivă și nepărtinitoare. Pagina numește aceasta „iluzia neutralității" — modelele codifică părtiniri din datele de antrenament, iar în contextele de scriere aceasta poate omogeniza ideile la nivelul unei clase întregi. Unde s-ar putea ascunde părtinirea într-un instrument care pare neutru?
  • Concepțiile greșite despre integritatea academică se grupează la două extreme: unii studenți tratează rezultatul IA ca „nu copiezi o persoană" și deci ca permis, în timp ce alții cred că orice utilizare este fraudă. Unde crezi că ar trebui să cadă linia și cine ar trebui să o decidă?
  • O credință comună este că o singură interogare este suficientă și că rezultatul IA este determinist — aceeași întrebare produce întotdeauna același răspuns. Pagina descrie aceasta ca eroarea determinismului. Cum ar putea această concepție greșită să conducă pe cineva la supraîncredere într-un singur rezultat?
  • Concepțiile greșite sunt descrise ca stabile, plauzibile și rezistente la corectare — la fel ca în orice domeniu. Dacă simpla spunere a adevărului rareori le schimbă părerea oamenilor, cum ar trebui predată de fapt alfabetizarea în IA?

Introducere

Concepțiile greșite despre IA contează pentru că sunt precursorul cognitiv al comportamentelor dăunătoare pe care baza de cunoștințe le documentează sub supra-dependență și în problemele de integritate academică. Oamenii rareori pornesc să utilizeze greșit IA; o fac pentru că modelele mentale inexacte îi fac să plaseze greșit încrederea, să sară peste verificare și să trateze rezultatul ca înțelegere. În educație, aceste erori modelează totul, de la modul în care studenții învață până la modul în care profesorii și instituțiile proiectează curriculumul, evaluarea și politica.

Ce sunt concepțiile greșite despre IA

Aici, o concepție greșită nu este simpla ignoranță a modului în care funcționează un model — este o credință activă, adesea auto-întăritoare, care produce erori sistematice în interacțiunea studenților cu IA. Ele sunt direct analoage concepțiilor greșite de domeniu studiate în știința învățării: stabile, plauzibile și rezistente la corectare până când sunt confruntate. Corectarea lor este un scop central al educației pentru alfabetizarea în IA și calibrarea încrederii.

Concepții greșite frecvente în contexte academice

  • Eroarea de autoritate — tratarea rezultatului unui Large Language Models (LLMs) ca fapt verificat, nu ca o completare probabilistică. Determină acceptarea necritică și tiparul de căutare a răspunsului în locul înțelegerii, documentat în cercetarea despre tutoratul cu IA, unde cursanții acceptă răspunsul unui model fără a-l verifica față de riscul de halucinație.
  • Iluzia verificării independente — tratarea feedback-ului IA ca o corecție externă, când modelul oglindește propria raționare a utilizatorului. Acuratețea de bază a utilizatorilor a fost predictorul dominant al performanței finale, iar promptarea specifică pentru sycophancy a redus mimarea pozițională (OR = 0,26), dar a lăsat neatinsă propagarea erorilor, așa că instruirea cursanților nu este garanția (Koyuturk et al. (2026)).
  • Învățarea egal rezultat — credința că a produce o lucrare cu IA este același lucru cu a o fi învățat. Aceasta este exact eroarea din spatele supra-dependenței: procesele de schițare, reactualizare și revizuire care construiesc cunoștințe durabile sunt externalizate.
  • Iluzia neutralității — presupunerea că IA este obiectivă și nepărtinitoare. Studenții ratează adesea că modelele codifică părtinirile datelor de antrenament și că, în contextele de educație pentru scriere, aceasta produce omogenizarea ideilor la nivelul unei cohorte.
  • Zona gri a integrității — evaluarea greșită a faptului dacă utilizarea IA este acceptabilă. Unii studenți văd rezultatul IA ca „nu copiezi o persoană" și deci permis; alții supra-corectează și cred că orice utilizare este fraudă. Inconsecvența instituțională alimentează ambele erori.
  • Antropomorfism — credința că modelul are intenție, memorie și înțelegere a propriului context. Această supraîncredere este deosebit de riscantă academic, pentru că studenții se pot baza pe explicații plauzibile pe care modelul nu le poate fundamenta de fapt.
  • Eroarea determinismului — așteptarea ca o singură interogare să fie suficientă și neînțelegerea faptului că rezultatul este nedeterminist și sensibil la prompt. Subestimarea acestui lucru produce „decalajul de promptare", în care studenții confundă rezultatele superficiale cu plafonul instrumentului.
  • Calibrarea greșită a detecției — subestimarea atât a detecției instituționale, cât și, mai important, a autovătămării prin trimiterea unei lucrări pe care nu o pot explica sau apăra ulterior.
  • Iluzia eficienței — tratarea timpului economisit ca câștig pur, ratând că abilitățile fundamentale neexercitate se degradează și că novicii nu pot încă distinge un rezultat bun de unul slab.
  • Iluzia prieteniei și a siguranței (copii) — credința că o IA aparent prietenoasă este în mod inerent sigură și mai puțin probabil să spioneze. Leisten et al. (2026) au chestionat 71 de copii de 10–16 ani (Mvârstă = 12,90) și au organizat șase focus-grupuri (n = 36) în jurul robotului social open-source Blossom, constatând că cunoștințele fundamentale despre IA creșteau constant cu vârsta (M = 4,41 din 6; β = 0,17), în timp ce atitudinile față de siguranță rămâneau ambivalente (importanță M = 2,51, siguranță actuală M = 2,77 pe o scală 1–4), surprinse în credința unui copil de 12–13 ani că „poate dacă sunt prieteni buni, nu spionează atât de mult" — alături de credința că cunoștințele IA pot fi șterse la apăsarea unui buton, că hackingul duce la răpire și că „wifi-ul radiază în creier".

Zona gri a integrității are o structură, nu doar două extreme. Interviurile cu 20 de studenți, împreună cu jurnalele lor de chat și documentele cursului, au găsit cinci locuri separate în care trăiește politica privind IA, de la intenția facultății prin politica formală și politica proprie a studentului până la practica reală, plus 23 de raționalizări distincte în șase clase (Kim et al., 2026). Raționalizările erau ad-hoc și post-hoc, asamblate pentru a explica o utilizare care avusese deja loc, nu pentru a o ghida. O interdicție strictă nu a împiedicat utilizarea, ci a intensificat conflictul moral la studenții care voiau să se conformeze, ceea ce mută ținta corectării în locul politicii, nu în enunțul regulii.

Mituri instituționale și publice despre IA

Concepțiile greșite nu se limitează la studenți — ele satură discursul instituțional și public despre IA pe care studenții îl moștenesc. Rudolph et al. (2025) demontează opt „mituri" înrădăcinate care modelează politica și predarea în învățământul superior: că IA este cu adevărat „artificială" (și nu construită din muncă umană exploatată), că este cu adevărat „inteligentă" și agentică, că va „face lumea un loc mai bun" fără probleme, că este „obiectivă și nepărtinitoare", că SUA dețin un monopol exclusiv de superputere, că nu va perturba piața muncii, că „revoluționează învățământul superior" și că profesorii pot detecta în mod fiabil lucrările generate de IA. Aceste mituri instituționale sunt sursa din amonte a multor concepții greșite ale studenților documentate mai sus — cel mai direct iluzia neutralității („IA este obiectivă") și eroarea de autoritate („IA este inteligentă"), plus calibrarea greșită a detecției care îi face pe studenți să presupună că o utilizare nedetectabilă și neverificabilă este sigură. Acolo unde studenții absorb și acționează pe baza miturilor repetate instituțional, corectarea lor cere confruntarea nu doar a credinței cursantului, ci și a discursului care o hrănește.

De ce contează concepțiile greșite pentru învățare

Concepțiile greșite se traduc direct în comportamentele care cauzează prejudicii învățării. Credința că „IA are întotdeauna dreptate" suprimă verificarea; credința că „a folosi IA înseamnă a învăța" suprimă procesarea cu efort; credința că „nu este fraudă" ocolește revizuirea metacognitivă care consolidează înțelegerea. În acest sens, concepțiile greșite se află în amonte de prejudiciile cauzate de utilizarea greșită a IA documentate în întreaga bază de dovezi.

Credința că utilizarea IA este învățare nu există doar înainte de utilizare; instrumentul o poate fabrica. Kim et al. descriu o eroare LLM în care un rezultat opac, fluent și imediat este citit ca dovadă a propriei competențe a utilizatorului, astfel încât capacitatea percepută și cea reală diverg cu o marjă pe care o numesc ΔC. Deoarece mecanismul este fluența și ambiguitatea atribuirii, nu eroarea, fenomenul persistă indiferent dacă modelul este corect sau halucinează, ceea ce înseamnă că un răspuns corect asistat de IA nu este dovada că credința a fost corectată.

Concepții greșite dincolo de studenți: profesori, instituții și public

Concepțiile greșite despre IA nu se limitează la cursanți — sunt omniprezente în rândul adulților care modelează educația:

  • Profesorii și corpul didactic pot supraestima capacitatea IA de a nota sau de a detecta în mod fiabil utilizarea abuzivă, ori pot subestima părtinirea ei, ceea ce duce fie la adoptare necritică, fie la interdicție reflexivă. Această presupunere de fiabilitate este parțial testabilă și parțial falsă: Humble (2026) a aplicat un test de tip red team unui flux obișnuit de notare cu IA și a constatat că instrucțiunile ascunse într-un fișier trimis au crescut nota unui eseu nepromovat fără niciun avertisment vizibil — în 9 din 9 iterații pentru o strategie și 17 din 18 pentru alta. Când profesorii au eroarea de autoritate față de rezultatele IA, ei modelează aceeași poziție necritică pe care ar trebui să o corecteze la studenți. Pregătirea educatorilor cu modele mentale corecte despre IA este o condiție prealabilă pentru integrarea responsabilă a IA și pedagogia sigură.
  • Administratorii și factorii de decizie moștenesc și propagă mituri instituționale — că IA este „obiectivă", că va „revoluționa" educația sau că instrumentele de detecție sunt demne de încredere — care apoi modelează politica, achizițiile și regulile de evaluare. Încrederea pe care o dezvoltă studenții este în parte produsul cadrului instituțional moștenit.
  • Publicul larg absoarbe narațiunile media și comerciale despre capacitățile și riscurile IA. Deoarece studenții învață în interiorul acestui discurs, miturile publice devin substratul din care cresc concepțiile greșite ale studenților. Corectarea concepțiilor greșite despre IA este așadar o sarcină de alfabetizare în IA adresată întregului ecosistem educațional, nu doar cursanților.

Această amploare este motivul pentru care baza de cunoștințe tratează concepțiile greșite ca temă fundamentală transversală, nu ca una adresată exclusiv studenților: aceleași erori de calibrare se repetă la cursanți, profesori, instituții și public, iar corectarea lor cere confruntarea atât a credințelor individuale, cât și a discursului care le hrănește.

Concepțiile greșite pedagogice ale profesorilor sunt imaginea în oglindă a acestora: nu neînțelegeri despre IA, ci credințe despre predare nesusținute de dovezi, care persistă indiferent de IA. Miranda și Calvani (2026) le instrumentează cu Chestionarul Predării Eficace, în care 50 de itemi binari se mapează pe mărimi ale efectului din meta-analize (d ≥ 0,40), astfel încât răspunsul unui profesor să poată fi comparat cu un reper aliniat la dovezi — iar constatarea lor este că concepțiile greșite sunt profunde și specifice. Un pilot cu 123 de educatori din Italia a găsit cel mai accentuat dezacord la afirmația despre stilurile de învățare (78% dintre profesori au apărat potrivirea vizual/auditivă), apoi la incluziune și munca în grup (68%) și la supraîncărcarea cu tehnologie educațională (54%); alinierea medie a fost aproape de 50% pe dimensiunile de planificare, cognitivă, evaluativă și de management. Două detalii contează pentru proiectarea corectării. În primul rând, concepțiile greșite supraviețuiesc educației universitare și practicii didactice — autorii descriu un „bun simț internalizat" care „precede intrarea în școală" și persistă — deci nu sunt lacune de cunoștințe pe care le închide o prelegere. În al doilea rând, când o IA conversațională a reintrodus aceiași itemi doar după validarea contextului propriu al profesorului, 41% dintre obiecții au invocat limite contextuale reale — dimensiunea claselor, studenți cu nevoi speciale, acoperirea curriculumului — și nu dovezile în sine. Alte 5,9% au numit sistemul „o mașină de dogmă algoritmică": condiția-limită în care încadrarea normativă naște defensivitate în loc de reflecție. Pentru dezvoltarea competenței IA a profesorilor, implicația este că diagnosticul plus dialogul poate scoate la iveală care credințe sunt dezacord fundamentat pe dovezi și care sunt concepții greșite — o distincție pe care un scor singur nu o poate face.

Corectarea concepțiilor greșite

Corectarea nu este o dezvăluire unică, ci un proces continuu de alfabetizare în IA care dezvoltă metacogniția și învățarea autoreglată: îi ajută pe studenți (și pe adulții din jurul lor) să își monitorizeze dependența, să calibreze când să aibă încredere și când să chestioneze un model și să vadă costul ocolirii propriei munci cognitive. Deoarece concepțiile greșite sunt rezistente, ele sunt cel mai bine abordate prin confruntare directă cu dovezi — inclusiv cu constatarea că studenții adesea nu percep prejudiciul de învățare al utilizării greșite a IA.

Textul de refutare este o tehnică centrală de corectare. Deoarece concepțiile greșite sunt deținute activ și rezistente, cea mai directă strategie bazată pe dovezi este textul de refutare — un text instructiv care enunță concepția greșită, o respinge explicit și prezintă concepția corectă. Este aceeași familie de tehnici folosită pentru corectarea concepțiilor greșite de domeniu studiate în știința învățării, aplicată aici credințelor studenților despre IA însăși. Pagina de concept Refutation Text din baza de cunoștințe sintetizează modul în care aceasta se desfășoară în IA în educație în trei moduri complementare:

  • IA ca corector. Tutorii de IA conversațională pot livra refutare personalizată, adaptând refutarea la concepția greșită specifică a cursantului pe loc. Corbett & Tangen (2026) au constatat că dialogul personalizat cu IA a produs reduceri ale credinței mai mari și mai rapide decât refutarea statică în stil manual, cu implicare și încredere mai mari — deși avantajul a dispărut după două luni fără consolidare.
  • IA ca generator de conținut de refutare. Akdoğan (2025) a constatat că textul de schimbare conceptuală/refutare generat de IA a egalat calitatea celui scris de experți (și ambele au depășit un dialog interactiv promptat în acel context științific), arătând că IA poate produce materiale de corectare eficiente la scară.
  • Concepțiile greșite generate de IA ca resursă de învățare. În loc să trateze concepțiile greșite generate de IA ca fiind doar dăunătoare, Cheah et al. (2026) propun generarea de concepții greșite și abordarea lor prin discuții structurate între colegi — o formă colaborativă de refutare care promovează schimbarea conceptuală și gândirea critică.

Pentru concepțiile greșite despre IA, aceasta înseamnă că corectarea ar trebui să combine confruntarea directă (materiale în stil de refutare care numesc și resping mituri specifice) cu practica cu sprijin — folosind instruirea pentru alfabetizare în IA și metacogniția pentru a-i ajuta pe oameni să vadă atât credința falsă, cât și modelul corect. Dovezile avertizează că formatul contează: corectarea personalizată, interactivă este mai captivantă și mai eficientă la început, dar are nevoie de consolidare pentru a persista; iar rezultatul măsurat (cunoștințe vs. atitudini vs. abilități) modelează cât de mare apare efectul corectării. Deoarece concepțiile greșite cuprind cursanții și adulții care modelează învățarea, corectarea eficientă trebuie să ajungă la profesori, administratori și factori de decizie în aceeași măsură ca la studenți.

Bernstein și Sibia (2026) arată că analogiile generate de IA generativă introduc concepții greșite structurale pe care doar cunoașterea domeniului sursă le poate prinde (Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education): o analogie cu traseu circular pentru o listă înlănțuită implică o întoarcere la început, iar o analogie cu schimbul de mingi la badminton pentru recursie nu are nicio garanție a reducerii inputului. Studenții care cunoșteau domeniul sursă au identificat aceste defecte și au propus reparări, iar participanții au observat că o analogie defectuoasă poate rămâne memorabilă — ceea ce indică faptul că o sursă de analogie familiară îi poate ajuta pe cursanți să detecteze, nu să absoarbă, o concepție greșită produsă de IA și că încadrarea defectelor ca artefacte deliberate pentru critică transformă riscul într-o oportunitate de evaluare.

Concepțiile greșite generate de model sunt o capacitate măsurabilă, nu un accident. Miličević et al. (2026) au construit SocraticTrap-CS, care a promptat șapte modele cu greutăți deschise să scrie o „capcană socratică" pentru 35 de concepte fundamentale de informatică — o explicație fluentă și autoritară care se sprijină pe o eroare subtilă, specifică domeniului. Din 241 de segmente promptate, 221 (91,7%) au fost confirmate ca concepții greșite strategice prin votul majoritar al experților (κ Fleiss = 0,9487), fără diferențe semnificative între domeniile informatice; 66,5% dintre erorile confirmate erau conceptuale, nu factuale, și niciuna nu era pur logică. Fluența este mecanismul, nu o apărare: persuasivitatea a fost în medie 3,71 pe o scală de cinci puncte și a depins puternic de model, iar frecvența și gravitatea s-au disociat — cele două modele care au produs capcane cel mai des au fost și cele evaluate ca fiind cele mai convingătoare. Deoarece o întrebare prost formulată a unui student poate acționa ea însăși ca prompt adversarial, autorii tratează rata ca o capacitate în condiții de promptare adversarială, nu ca rată de bază pentru sesiunile obișnuite de studiu — și argumentează că sarcina alfabetizării în IA se mută de la verificarea faptelor individuale la verificarea conceptuală și validarea modelelor mentale. Aceasta este fața mai întunecată a utilizării generative de mai sus: aceeași capacitate care poate însămânța o discuție productivă între colegi poate și întări o eroare pe care cursantul o forma deja.

Corecturi în stil de refutare pentru concepțiile greșite frecvente despre IA

Deoarece concepțiile greșite sunt deținute activ și rezistente, cel mai direct mod de a le aborda — inclusiv pe această pagină — este structura textului de refutare: numește concepția greșită, respinge-o explicit și enunță concepția corectă. Intrările de mai jos aplică această structură celor mai consecvente concepții greșite despre IA și despre învățare, predare și educație:

„IA are întotdeauna dreptate." Este o concepție greșită. Rezultatul IA este o completare probabilistică, nu un fapt verificat. Corectarea: LLM-urile generează text plauzibil pe baza unor tipare statistice; pot halucina, pot fi părtinitoare și pot greși cu încredere. Tratează rezultatul ca pe o schiță de verificat față de surse, nu ca pe o autoritate de acceptat. Aceasta este esența calibrării încrederii și motivul pentru care „verifică întotdeauna" învinge „ai încredere întotdeauna".

„A folosi IA înseamnă a învăța." Este o concepție greșită. A produce o lucrare cu IA nu este același lucru cu a dobândi cunoștințele sau abilitatea pe care lucrarea ar trebui să le demonstreze. Corectarea: învățarea durabilă are loc prin procesele cu efort de schițare, reactualizare, revizuire și revizuire metacognitivă — exact procesele pe care externalizarea către IA le scurtează. Folosește IA ca instrument alături de acest efort, nu ca înlocuitor al lui.

„IA este neutră și obiectivă." Este o concepție greșită. Modelele moștenesc părtinirile, lacunele și perspectivele datelor lor de antrenament. Corectarea: IA poate reproduce și amplifica părtinirea; tratează-i rezultatele cu aceeași scrutare critică a sursei pe care ai aplica-o oricărui alt text. Conștientizarea acestui fapt face parte din alfabetizarea în IA și ajută la contracararea prejudiciilor de echitate ale adoptării necritice.

„IA va înlocui profesorii." Este o concepție greșită. IA augmentează, dar nu înlocuiește munca pedagogică a profesorilor — judecata, contextualizarea și dimensiunile relaționale și etice ale predării. Corectarea: IA crește nevoia de mediere pedagogică și judecată critică; profesorii care înțeleg IA devin mai eficienți, nu perimați. Această reformulare contează pentru că modelează dacă instituțiile investesc în competența IA a profesorilor sau rezistă reflexiv ori adoptă excesiv.

„IA înțelege ca un om." Este o concepție greșită. Modelele nu au intenție, memorie despre tine sau înțelegere genuină a contextului tău. Corectarea: antropomorfizarea IA duce la supraîncredere și la dependența de explicații pe care modelul nu le poate fundamenta de fapt. Păstrează granița clară: IA este un instrument puternic, nu o minte.

„IA va transforma educația automat." Este o concepție greșită. Tehnologia singură nu schimbă învățarea; o face pedagogia din jurul ei. Corectarea: beneficiile IA depind de proiectarea instrucțională intenționată, de pregătirea profesorilor și de sprijinul instituțional — nu de simpla implementare a instrumentului. De aceea contează dovezile și evaluarea riguroasă și de aceea baza de cunoștințe încadrează utilizarea responsabilă a IA ca o chestiune de guvernanță și politică, nu una pur tehnică.

„Un singur prompt ar trebui să-mi dea răspunsul." Este o concepție greșită. Rezultatul este nedeterminist și sensibil la prompt. Corectarea: așteaptă-te să iterezi, să rafinez și să verifici încrucișat; „decalajul de promptare" — confundarea rezultatelor superficiale inițiale cu plafonul instrumentului — este o problemă de abilitate, nu o limită a instrumentului. Dezvoltarea acestei abilități face parte din ingineria prompturilor.

„Nu este fraudă dacă nu a scris o persoană." Este o concepție greșită. Integritatea academică privește producerea onestă și atribuibilă a lucrării, nu doar necopierea unei persoane. Corectarea: o lucrare generată de IA și nedezvăluită poate încălca integritatea academică chiar dacă nu a fost copiat niciun om; întrebarea este dacă lucrarea este cu adevărat a cursantului. Când ai îndoieli, dezvăluie și verifică politica instituției tale.

Aceste refutări sunt scrise deliberat în forma textului de refutare, astfel încât să poată fi ele însele folosite (sau adaptate într-un dialog cu IA interactiv) pentru a confrunta și corecta concepțiile greșite despre IA — și, mai larg, despre învățare, predare și educație.

Concepții greșite frecvente

  • „Concepțiile greșite ale profesorilor pot fi corectate prezentând dovezi." Într-un pilot cu 123 de educatori italieni, dezacordul s-a grupat cel mai puternic pe stilurile cognitive de învățare (78% dintre profesori au apărat potrivirea vizual/auditivă), incluziune și munca în grup (68%) și supraîncărcarea cu tehnologie educațională (54%). Cele mai puternice dezacorduri au fost cele mai rezistente la dovezi, motiv pentru care refutarea învinge afirmația.
  • „Obiecțiile profesorilor la dovezi sunt toate rezistență." Când aceiași itemi au fost livrați printr-o IA conversațională care a validat contextul profesorului înainte de a reintroduce dovezile, 41% dintre obiecții priveau constrângeri contextuale reale — dimensiunea clasei, nevoi speciale, cerințele curriculumului. O parte substanțială din aparenta concepție greșită era o obiecție corectă.
  • „Concepțiile greșite pot fi detectate în mod fiabil din dialog." Din 241 de segmente promptate, 221 (91,7%) au fost confirmate ca concepții greșite strategice prin votul majoritar al experților (κ Fleiss = 0,9487), fără diferențe semnificative între grupuri. Fiabilitatea înaltă este realizabilă sub arbitraj expert, iar aceasta este condiția de care depinde afirmația.

Concepte conexe

Articole conexe

FAQ conexe

Metadate

Public țintăLearners, Instructors
Învățarea și predareaMetacognition
Tehnologii și tehniciGenerative AI
Echitate, etică și utilizare responsabilăTrust Calibration
Bazele AI în educațieIntegritate academică, Alfabetizare în IA, Descărcarea cognitivă, Predarea
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.