Baza de cunoștințe AIEdAIEd KB
Pe această pagină

Citește această pagină în engleză

Concepte

Competența instructorilor în IA

Creat 2026-10-27 · Actualizat 2026-10-27

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

Competența instructorilor în IA - cunoștințele, competențele și dispozițiile de care au nevoie profesorii pentru a integra IA în predare și învățare în mod eficient, etic și echitabil. Ea depășește folosirea tehnică a instrumentelor și include integrarea pedagogică, alfabetizarea în evaluare, judecata etică și încrederea de a folosi bine IA. Competența instructorilor în IA este omologul din partea profesorului al Alfabetizare în IA și se dezvoltă prin dezvoltare profesională. Ea este centrală pentru modul în care rolul profesorului se transformă în sălile de clasă augmentate de IA.

Întrebări de reflecție

  • Pagina susține că profesorul este „factorul decisiv” pentru dacă IA îmbunătățește învățarea - că instrumentele ajută doar atunci când profesorii pot planifica pentru ele, pot oferi sprijin de tip schelă la folosire și pot evalua rezultatele. Se potrivește acest lucru cu experiența ta sau crezi că instrumentul însuși contează mai mult decât profesorul?
  • Competența instructorilor în IA cuprinde competența tehnică, integrarea pedagogică, alfabetizarea în evaluare și judecata etică. Care dintre acestea crezi că le lipsește cel mai mult profesorilor și care este cel mai greu de format?
  • Cercetarea documentează un decalaj între competența în IA percepută de profesori și cea reală. De ce crezi că oamenii își supraestimează pregătirea și ce ar fi nevoie pentru a închide acest decalaj în mod onest?
  • Un program intensiv de dezvoltare profesională a produs câștiguri mari în competența pedagogică de utilizare a IA în cercetarea citată, ceea ce sugerează că competența tehnico-pedagogică poate fi formată. Dacă este adevărat, de ce par atât de mulți profesori încă nepregătiți - ce stă în cale?
  • Dacă un profesor poate „folosi bine IA”, ce înseamnă „bine” pentru tine - și cum ai ști că un profesor a atins asta, în loc să fi adoptat doar instrumentul?

Introducere

Competența instructorilor în IA contează pentru că profesorul este factorul decisiv pentru dacă IA îmbunătățește învățarea. Cercetarea arată în mod consecvent că instrumentele IA se traduc în rezultate mai bune doar atunci când profesorii pot planifica pentru ele, pot sprijini folosirea de către studenți, pot evalua rezultatele și le pot integra într-o instruire coerentă. Literatura bazei de cunoștințe examinează dimensiunile acestei competențe, decalajele dintre autopercepție și competența reală și dezvoltarea profesională care o construiește.

Nunez-Canal et al. (2026) leagă competența în IA a corpului didactic direct de rezultatele studenților, folosind teoriile capitalului uman și ale părților interesate pe un sondaj la cadre didactice din domeniul afacerilor și economiei pentru a argumenta că investiția universităților în competența corpului didactic nu este discreționară.

  • Formarea în promptare cumpără timp, nu materiale mai bune. Într-un RCT preregistrat cu 204 profesori, Appel, Fervers și Piepenburg (2026) au constatat că ChatGPT a îmbunătățit calitatea materialelor de pregătire a lecțiilor și a redus timpul de pregătire cu 34%, în timp ce formarea anterioară în IA a adăugat o reducere suplimentară de 21% a timpului fără a îmbunătăți calitatea evaluată (Appel et al., 2026). Profesorii instruiți au scris prompturi mai lungi și au iterat mai puțin; ambele rute au atins o calitate egală.

Dimensiunile competenței de bază

Cercetarea din baza de cunoștințe converge asupra câtorva dimensiuni interconectate:

  • Competență tehnică: formularea unor prompturi eficiente pentru obiective educaționale, evaluarea instrumentelor IA pentru potrivire pedagogică și siguranță și remedierea defecțiunilor în timp real. Un program intensiv de dezvoltare profesională în GenAI a documentat câștiguri semnificative pe toate cele cinci componente AI-PCK (global d = 2,36), arătând că competența tehnico-pedagogică poate fi formată.

  • Specificarea fluxurilor de lucru ale agenților: atunci când profesorii configurează un chatbot în limbaj natural, eșecul dominant este intenția pierdută, nu faptele greșite - boții au sărit pași obligatorii ai fluxului de lucru în 53,8% din conversațiile cu utilizatorii finali și au omis configurarea așteptărilor în 33,4% (Liu et al. (2026)), astfel încât scrierea unor pași ordonați și expliciți este o dimensiune de competență formabilă în sine.

  • Cunoașterea pedagogică este stratul decisiv. Un studiu transversal asupra învățământului secundar și a educației în IA (46 de profesori, 2.832 de elevi) a constatat că cunoașterea tehnică a IA singură era insuficientă - și putea chiar reduce ușor percepțiile elevilor despre IA pentru binele social -, în timp ce cunoașterea pedagogică a IA conducea percepțiile elevilor și intenția lor de a învăța IA. Cadrele de competență ar trebui deci să pondereze cunoașterea pedagogică a IA ca dimensiune pivotală, nu ca un adaos facultativ.

  • Integrare pedagogică: maparea folosirii IA pe obiective de învățare, proiectarea unui Scaffolding care sprijină Metacognition și auto-AI Regulation in Education ale studentului și integrarea IA în proiectarea instrucțională. Cercetarea AI-TPACK modelează modul în care profesorii combină cunoștințele tehnologice, pedagogice și de conținut prin fluxuri de lucru cu mai mulți agenți, în timp ce un cadru de colaborare profesor-IA cu cinci niveluri (de la tranzacțional la sinergic) surprinde modul în care GenAI poate înlocui, completa sau augmenta competența profesorului.

  • Alfabetizare în evaluare: evaluarea conținutului generat de IA și a rezultatelor IA ale studenților și înțelegerea modului în care validitatea se schimbă atunci când studenții folosesc IA. Aceasta se leagă de Automated Assessment, AI Detection și de agenda mai largă de Assessment. Pentru sistemele de recomandare, ea se extinde la a judeca dacă explicațiile unei IA sunt cu adevărat inteligibile și semnificative pedagogic: Feldman-Maggor et al. (2025) au constatat că profesorii aveau mai multă încredere în recomandările de grupare făcute de IA atunci când explicațiile erau formulate în limbajul domeniului (curricular) decât atunci când expuneau caracteristici brute ale modelului - o competență de a cere și de a aprecia calitatea explicațiilor, nu de a accepta un rezultat opac.

  • Selectarea modelului și proiectarea promptului ca competențe demonstrabile: Alfabetizare în IA include să știi ce model să folosești și cum să formulezi sarcina. Jacobsen et al. (2026) au supus obiectivele de planificare a lecțiilor ale unor 153 de profesori în formare criticii ChatGPT-4, Claude 3 și Gemini Advanced sub patru prompturi variate sistematic (N = 240 de feedbackuri în Studiul 1, 345 în Studiul 2), cu Feedback evaluat pe nouă categorii de calitate. Alegerea modelului singură a explicat 26,9% din varianța calității evaluate (18,4% în Studiul 2), iar proiectarea promptului a adăugat semnificativ 15,9% (5,7%) peste aceasta; singura caracteristică decisivă a promptului a fost limbajul tehnic specific domeniului, a cărui eliminare a scăzut semnificativ calitatea (β = -0,412), în timp ce adăugarea de exemple și renunțarea la instrucțiunea de tip lanț al gândirii nu au făcut nicio diferență semnificativă în Studiul 1. Citirea lor - că terminologia de specialitate atât deblochează conținut relevant din datele de antrenare, cât și încadrează cererea profesional, ca promptarea de rol -, plus o regulă practică de a folosi cel mai capabil model de frontieră disponibil, face din alegerea modelului o decizie didactică, nu una tehnică.

  • Folosire etică și critică: recunoașterea părtinirii în rezultatele IA, protejarea datelor studenților (Privacy) și asigurarea unor rezultate echitabile (Equity). Folosirea cultural relevantă a IA examinează modul în care profesorii pot folosi LLM-urile pentru a diversifica materialele, în loc să întărească normele dominante.

  • Responsabilitatea etică este distribuită, nu individuală. În șapte cazuri naționale, profesorii sunt poziționați ca gardieni morali ai folosirii IA, în timp ce le lipsesc sprijinul instituțional și epistemic, astfel încât alfabetizarea etică în IA trebuie să se extindă la agenție critică și politică, nu doar la competență tehnică (Raffaghelli et al. (2026)).

  • Încredere și atitudini: încrederea profesorului modelează adoptarea. Cercetarea privind adoptarea constată că încrederea, sprijinul și utilitatea percepută determină dacă profesorii folosesc efectiv IA, iar orientările corpului didactic modelează adoptarea în cercetare și predare.

  • Într-un sondaj în cinci țări pe 1.405 profesori K-12, pregătirea în IA a prevestit convingeri pozitive despre valoarea instrucțională a GenAI (B = ,59, R² = ,50), dar a prevestit o îngrijorare mai mare privind Creativity (B = ,18), iar aceiași predictori au explicat doar 7% și 6% din îngrijorare - construirea pregătirii singură lasă îngrijorarea neatinsă (Xiu et al. (2026)).

Pregătirea ar trebui ordonată și măsurată în consecință: Modelul Capacitate-Decizie plasează capacitatea demonstrată în IA în amonte de atitudine și încredere și propune indicatori de performanță, iar nu doar auto-raportarea - sarcini de proiectare a lecțiilor, sarcini de evaluare a prompturilor inițializate cu erori, judecăți de validitate de conținut și rubrici pentru artefacte de clasă (Mnguni (2026)).

Pregătirea emoțională și morală este o dimensiune distinctă. Vassallo (2026) a chestionat personalul academic al unei universități malteze (109 respondenți) și a construit un Indice al vinovăției legate de IA (α = 0,88) din patru itemi de emoție morală, constatând că vinovăția anticipativă a depășit remușcarea trăită după folosire: cea mai puternică aprobare a fost îngrijorarea că folosirea IA îți subminează credibilitatea (34,9% de acord), apoi sentimentul că trișezi atunci când o folosești (25,7%), în timp ce remușcarea de după folosire a atras doar 9,2%. Constatările care contează pentru cadrele de competență sunt că neutilizatorii au raportat vinovăție mai mare decât utilizatorii (M = 3,25 față de M = 2,32) și că vinovăția a scăzut pe măsură ce securitatea carierei a crescut - academicienii la început de carieră au raportat cel mai mult (M = 2,71), iar cei seniori cel mai puțin (M = 2,03). Pregătirea emoțională nu este deci surprinsă de măsurătorile de competență sau de încredere, iar lucrarea susține că cadrele de competență ar trebui să trateze vinovăția și îngrijorarea legată de identitate ca răspunsuri tranziționale normale, nu ca defecte de corectat.

O versiune mai puternică a acestei reîncadrări susține că GenAI este un concept de prag, nu un decalaj de competențe: o relatare autoetnografică argumentează că anxietatea și rezistența corpului didactic sunt constitutive trecerii pragului, astfel încât formarea bazată pe competențe eșuează și neadoptarea principială ar trebui respectată, nu corectată (Laidlaw (2026)).

Decalajul de competență

O constatare cheie este decalajul dintre competența auto-raportată și cea bazată pe performanță. Cercetarea privind evaluarea alfabetizării în IA documentează o discrepanță substanțială (de până la aproximativ 40%) între ce cred profesorii că pot face și ce pot demonstra efectiv - profesorii încrezători în competențele lor de IA nu au adesea abilități fundamentale de promptare și de evaluare. Aceasta motivează evaluarea bazată pe performanță a competenței profesorilor, în locul bazării pe auto-raportare, și se leagă de autoevaluarea calibrată. Un sondaj național pe 2.586 de profesori de liceu nigerieni a măsurat cele două laturi cu instrumente separate - conștientizare moderată a IA (M = 3,13 din 8) față de o competență pedagogică în IA mai scăzută (M = 2,47 din 5) -, profesorii la început și la mijloc de carieră raportând competențe mai mari decât colegii cu experiență (Olurinola et al., 2026).

Pregătirea este obstacolul cel mai documentat în literatura de matematică. O revizuire a 54 de studii de educație matematică a constatat că integrarea tehnologico-pedagogică și pregătirea profesorilor sunt provocarea raportată cel mai frecvent (38 din 54), înaintea validității și integrității evaluării (26) și a supra-dependenței (24) (Manto et al. (2026)).

Decalajul nu este doar între competența percepută și cea reală, ci și în anvergura a ceea ce știu profesorii: un sondaj național pe 2.018 educatori de liceu ucraineni a constatat că 84% raportau folosirea IA în practica profesională, dar doar 11% puteau numi un serviciu specializat de IA dincolo de ChatGPT (Marienko, Markova și Semerikov (2026)). O a doua îngustime apare în ce raportează profesorii, nu în ce pot numi: 53 de profesori în activitate care și-au etichetat propriile cazuri de clasă conform Cadrului de alfabetizare în IA al OECD au descris 43 de practici alfabetizate în IA față de doar 10 eșecuri (Wang et al., 2026). Selecțiile lor de competențe s-au grupat pe judecata practică (evaluarea rezultatelor IA, N = 38) și au ajuns rar la părtinirea societală (N = 5), la alinierea etică (N = 6) sau la consumul de energie al IA (N = 9).

Un sondaj pe 132 de profesori din Indonezia a constatat o acceptare aproape universală alături de o înțelegere mecanicistă subțire: 96,2% aprobau folosirea IA de către profesori, dar doar 4,6% numeau tokenizarea sau decodarea, iar 21,5% credeau că ChatGPT caută într-o bază de date sau pe internet (Aji et al. (2026)). O atitudine favorabilă nu este dovadă a unui model mental funcțional al instrumentului.

Decalajul este vizibil în artefact la fel de bine ca în auto-raportare. Un colaborator interinstituțional de cadre didactice în formarea profesorilor, în care formatorii de profesori au proiectat IA în propriile cursuri de metodică, a raportat că studenții puteau produce planuri de lecție lustruite asistate de IA fără a putea explica de ce un plan se potrivea elevilor și standardelor, întrucât planul însuși nu spune nimic despre raționamentul din spatele lui. Notarea justificării, nu a produsului, este un răspuns. Cadrul pedagogiilor practicii sugerează altul, tratând repetiția ca aproximare a practicii: repetiția mediată de IA cu feedback structurat după repetiție a crescut folosirea de către studenți a întrebărilor de sondare și explorare, dar judecățile proprii ale studenților despre performanța lor au continuat să difere de ce înregistrau observatorii.

O autoevaluare care scade după formare poate semnala învățare, nu pierdere. Într-un program Intelligent-TPACK de dezvoltare profesională de șase luni cu 64 de profesori universitari din Hong Kong față de 61 de martori, competența globală în IA a crescut cu aproximativ o jumătate de abatere standard (d al lui Cohen = -0,521), dar unii profesori din ambele grupuri au obținut scoruri mai mici la post-test decât la pre-test (Tan, Cheng și Ling, 2025). Interviurile au atribuit scăderile unei treceri de la incompetenta inconștientă la incompetenta conștientă - recalibrarea pe care o prezice efectul Dunning-Kruger -, nu unei pierderi de competență. Autorii concluzionează că auto-raportarea pre-post subestimează o intervenție, pentru că o parte din câștig vine ca o corecție în jos în instrumentul însuși.

Decalajul apare și ca non-participare. Watson și Rainie (2026) au chestionat 1.057 de cadre didactice universitare din SUA la sfârșitul anului 2025 și au constatat că 26% nu folosesc deloc instrumente de IA generativă, o treime alegând să nu le folosească pentru predare, iar nefolosirea concentrată în arte și științe umaniste (40%). Latura instituțională a decalajului era mai mare decât cea individuală: 68% au spus că instituțiile lor nu au pregătit corpul didactic să folosească IA generativă pentru predare și mentorat, iar cadrele didactice au numit rezistența colegilor (82%) și necunoașterea (83%) drept principalele obstacole în calea adoptării la nivel de departament - o imagine în care construirea capacității, normele colegilor și politica trebuie să se miște împreună.

Formarea inițială ocolește în mare parte dimensiunea etică a competenței. O revizuire sistematică a IA în formarea inițială a profesorilor pentru viitorii profesori de matematică din primar (Pinto et al. 2026, 11 studii selectate din 341 de înregistrări) a constatat că intervențiile s-au concentrat pe câștiguri tehnice și pedagogice pe termen scurt, cu nouă din cele unsprezece desfășurând intervenții scurte de la una la șase sesiuni, și a raportat că etica a fost abordată în doar trei din cele unsprezece studii. Cadrele de competență numesc judecata etică drept dimensiune; literatura de formare inițială menită să o construiască rar o predă sau o măsoară.

  • Șapte grupuri de competențe, cu etica veriga cea mai slabă. O sinteză tematică a 78 de studii produce grupuri pentru prompt engineering, evaluarea critică a rezultatelor IA, conștientizarea etică și detectarea părtinirii, alinierea pedagogico-conținutală, alfabetizarea conceptuală în IA, supravegherea umană și reflecție. Prompt engineering a fost cel mai consecvent documentat și se comportă ca un spectru de dezvoltare, nu ca o singură competență, ceea ce i-a condus pe autori să argumenteze că este cel mai bine înțeles ca raționament pedagogic dus prin intermediul unui mediu nou - promptul ca decizie de proiectare externalizată. Conștientizarea etică a fost competența cea mai slab documentată în studiile de formare inițială (Spyropoulou și Kameas, 2026).
  • Profesorii își supraestimează propria competență de evaluare. Dincolo de constatarea că doar 38,3% dintre obiectivele de învățare generate de IA au îndeplinit toate criteriile de calitate fără revizuire, profesorii în formare își supraestimează sistematic capacitatea de a evalua rezultatul unui chatbot - ceea ce autorii citesc ca un posibil deficit perceptiv, nu declarativ. De aceea ei argumentează că competența ar trebui evaluată prin artefacte de performanță (planuri de lecție, jurnale de decizii, micro-predare), nu prin auto-raportare: nesiguranța autoevaluării este demonstrată exact în literatura pe care formarea ar trebui să o abordeze.

Dezvoltarea profesională care funcționează

Literatura de dezvoltare profesională din baza de cunoștințe identifică abordări eficiente:

  • Programe intensive, fundamentate teoretic: un program intensiv de dezvoltare profesională în GenAI cu 163 de profesori și profesori în formare a produs câștiguri semnificative pe toate componentele AI-PCK, profesorii în formare beneficiind cel mai mult. Dezvoltarea profesională bazată pe teoria autodeterminării arată că formarea care sprijină nevoile îmbunătățește alfabetizarea în IA, atitudinile și implicarea profesorilor, reducând în același timp anxietatea.
  • Abordări bazate pe proiectare și integrate: formarea în alfabetizare GenAI bazată pe DBR abordează supraaccentuarea cunoașterii tehnice și a instrumentelor pre-GenAI; cadrele integrative și de dezvoltare și integrarea competenței socio-emoționale lărgesc alfabetizarea dincolo de tehnica pură.
  • Cercetare și practică autentică: modelele de cercetare sprijinite de IA construiesc alfabetizarea în IA și performanța autentică la profesorii în formare.
  • Pregătire specifică contextului: cadrul de pregătire EPIQ-AI subliniază că pregătirea corpului didactic este o chestiune sociotehnică ce cere alinierea capacității corpului didactic, a AI Governance și a asigurării calității.
  • Sprijinul trebuie diferențiat după experiență și competență în IA. Choi et al. (2026) au constatat că modul în care profesorii interacționează efectiv cu IA în proiectarea lecțiilor depinde de interacțiunea dintre experiența de predare și competența în IA, nu de fiecare separat. Profesorii cu experiență și competență înaltă în IA adaptează critic rezultatul IA la context (re-promptare, elaborare), în timp ce novicii - chiar și cei tehnic fluenți - tind să accepte direct răspunsurile IA și rar iau în calcul elevii și contextul. Aceasta pledează pentru dezvoltare profesională bazată pe profilare: liste de verificare pentru evaluarea răspunsurilor și șabloane de prompturi pentru novici, și construirea practică a competențelor pentru profesorii cu experiență și competență mai scăzută în IA.
  • Beneficiul de timp însuși urmează experiența și încrederea, nu doar proiectarea sprijinului. În studiul lui Roy et al. (2026) asupra unui asistent IA de planificare a lecțiilor, reducerea volumului de muncă a fost mai mare pentru profesorii cu încredere mai scăzută în cunoașterea disciplinei, cu cunoaștere pedagogică mai scăzută, cu mai puțin timp în profesie sau cu încredere mai mare în tehnologie. Competența și încrederea fac deci parte din efectul intervenției, nu doar din preluarea ei.

Configurația convingerilor este o a doua axă de profilare: între 40.680 de profesori din TALIS 2024, același statut de nefolosire masca bariere opuse - 83,3% din profilul Indiferenților invocau rezerve pedagogice, în timp ce 66,2% din Aprobarea Măsurată invocau cunoștințe și competențe insuficiente (Fang și Jin (2026)). Învățarea profesională legată de IA a urmărit apartenența la profil mai consecvent decât vârsta sau nivelul de studii.

  • Profesorii nu împărtășesc o singură concepție despre IA. Un studiu fenomenografic pe 16 profesori danezi din învățământul superior a găsit trei concepții despre predarea cu IA și trei despre învățarea cu IA, astfel încât un singur model de atelier ajunge doar la o parte a oricărui grup de cadre didactice (Stenalt (2026)).

  • Co-proiectarea și alfabetizarea pedagogică în promptare sunt competențe, nu adaosuri. O revizuire sistematică a co-proiectării sarcinilor de învățare de către profesor și IA (Wang, Liu și Islam 2026, 28 de studii) constată că modul dominant de colaborare este IA ca asistent și generator de conținut și localizează un decalaj în capacitățile de co-proiectare și parteneriat dialogic mai ample ale profesorilor. Talebzadeh (2026) arată că dezvoltarea profesională care împerechează formarea tehnică în IA cu raționamentul pedagogic - construind „alfabetizarea pedagogică în promptare” (codificarea PCK în prompturi) - este ceea ce le permite profesorilor să transforme rezultatul IA în activități de grup diferențiate eficiente.

  • Structuri care construiesc competența, nu liste despre ea. Perl-Nussbaum și Finkelstein (2026) au condus o comunitate de învățare a corpului didactic cu ședințe bilunare timp de șase sesiuni într-un departament mare de fizică R1 public - nouăsprezece cadre didactice pe parcursul seriei, aproximativ zece la fiecare întâlnire -, unde fiecare sesiune pornea de la date locale, trecea la testarea în grupuri mici a IA pe teme reale anonimizate ale studenților și se încheia cu o discuție colectivă, și a produs un depozit comun cu cinci intrări, nu un pachet de formare. Alfabetizarea în evaluare poate fi construită la fel, printr-un instrument de proiectare: în pilotul lui Paula et al. (2026), opt coordonatori experimentați de cursuri STEM și de sănătate și-au dezvoltat alfabetizarea în evaluare criticând schițele de evaluare ale unui GPT personalizat față de standardele disciplinare, deși rezultatele ratau în mod repetat contextul disciplinar, ignorau secvențierea temelor și, într-un caz, purtau referințe fabricate prin promptare repetată. Toți cei opt și-au păstrat judecata academică și au refuzat automatizarea de la un capăt la altul, ceea ce face din critica structurată a schițelor generate mecanismul de dezvoltare, nu formarea în instrument.

  • Sesiunile scurte pot mișca acceptarea fără a mișca adoptarea. Mesenhöller și Böhme (2026) au evaluat o sesiune INSIGHT de trei ore cu 100 de profesori germani și au constatat că utilitatea percepută și ușurința de utilizare percepută au crescut semnificativ (utilitate t(99) = -3,24, p = ,002, d = ,32; ușurință de utilizare d = ,25), în timp ce intenția comportamentală de a folosi tehnologiile bazate pe IA pentru diferențiere nu s-a schimbat. Autorii notează că valorile lor de referință erau deja favorabile, astfel încât un efect de plafon este plauzibil. Citirea pentru proiectarea dezvoltării profesionale este îngustă, dar utilă: o sesiune scurtă poate schimba modul în care profesorii judecă instrumentele IA fără a schimba dacă plănuiesc să le folosească, ceea ce este genul de schimbare care are nevoie de continuare, nu de un eveniment unic.

  • Instructorii preferă fluența, dar atribuie învățarea sprijinului de tip schelă. Între 41 de instructori, o referință GPT-4o a fost preferată în ansamblu (21 față de 13), dar modelului fin reglat în trei pași (identifică, explorează, dezvoltă) i s-a atribuit mai des învățarea (18 față de 13), iar cele două judecăți au coincis doar 39% din timp (Molnar et al. (2026)).

  • Sprijin instituțional: dezvoltarea profesională trebuie împerecheată cu infrastructură instituțională (politică, schimbare instituțională) pentru o adoptare sustenabilă.

  • Instrumentele de autorare nu garantează fidelitatea pedagogică. Riahi et al. (2026) au studiat 27 de profesori de gimnaziu care configuraseră chatboți educaționali în ateliere de dezvoltare profesională, analizând grupuri de discuție alături de jurnalele de configurare și de interacțiune. Profesorii au tratat chatbotul ca pe un sprijin instrucțional delimitat de reguli definite de profesor, dar alinierea bazată pe jurnale între intenție și comportament a fost mai puternică pentru receptivitate (88,9%) și personaj (81,5%) decât pentru reguli (70,4%) și scop (59,3%). Controalele configurabile singure nu duc intenția pedagogică în comportament, astfel încât exprimarea, testarea și rafinarea pedagogiei unui chatbot sunt ele însele o competență pe care instrumentele de autorare trebuie să o sprijine.

Un contraexemplu bazat pe proiectare tratează competența ca situațională, nu ca o treaptă pe o scară. studiul bazat pe proiectare al lui Eyal din 2025 cu 22 de formatori de profesori din învățământul superior le-a cerut participanților să examineze cinci cadre de evaluare publicate și să co-proiecteze o alternativă organizată în jurul a trei axe interconectate: potrivirea cu contextul (infrastructură, factori socioculturali, nevoi locale, stadiu de dezvoltare), nevoile profesionale (disciplină, pedagogie, leadership, sprijin) și dezvoltarea dinamică. Modelul respinge nivelurile fixe de competență și permite o progresie neliniară și vine cu un chestionar reflexiv de autoevaluare cu 20 de itemi, notat de la 1 la 5. Validarea lui este doar cualitativă, fără testare cantitativă a fiabilității, astfel încât rămâne o contribuție de proiectare, nu un instrument validat.

  • Estimare meta-analitică. Guo et al. (2026) au agregat 212 mărimi ale efectului din 34 de studii și estimează dezvoltarea profesională pentru alfabetizarea în IA a profesorilor la g = 0,76 (IC 95% [0,50, 1,02]), cel mai puternic pentru competențe (g = 0,91) și cel mai slab pentru atitudini și valori (g = 0,61); corectarea pentru selecția aparentă a publicațiilor scade estimarea la aproximativ g = 0,49.

  • Prezența prezice câștiguri, acolo unde sentimentul de participare nu o face. În același program de șase luni, rata de prezență a prezis câștigul de competență (β = ,407, p = ,001), în timp ce participarea auto-percepută nu (β = ,049, p = ,692), iar disciplina, experiența de predare și titlul profesional au explicat puțin; autorii citesc prezența ca investiție comportamentală și participarea percepută ca implicare de suprafață (Tan, Cheng și Ling, 2025).

  • Valorile rămân în urma competențelor și într-un program specific domeniului. Într-un program de un an din Hong Kong cu 30 de profesori de engleză, cunoașterea strategiilor de evaluare Multimodal AI a crescut de la 3,13 la 4,15 din 5 (η² parțial = 0,571), iar competența de a sprijini studenții de la 3,05 la 3,98 (0,482), ambele semnificative, în timp ce fiecare subdomeniu de valori a rămas statistic plat sub un alpha corectat Bonferroni de ,006. Profesorii au atribuit câștigurile co-planificării în școală și întâlnirilor de cluster între școli, nu doar atelierelor (Jiang et al., 2026).

  • Microînvățarea poate dezvolta competența în IA a profesorilor universitari. Cechovsky (2026) a rafinat două module de Vocational Education and Training prin două discuții de grup online în cinci principii de proiectare - structură și orientare clare, îndrumare și sprijin pentru navigare, segmentare și modularizare, prezentare multimodală și activarea celui care învață - și a constatat că navigarea pe platformă și localizarea modulelor sunt principalele bariere practice.

Competența instructorilor în IA și rolul profesorului în transformare

Pe măsură ce IA preia sarcini instrucționale și de evaluare de rutină, contribuția distinctivă a profesorului se mută spre orchestrare, judecată și relație: deciderea când și cum se folosește IA, sprijinirea agenției studentului și a folosirii critice, asigurarea echității și oferirea sprijinului social și emoțional pe care IA nu îl poate da. Aceasta reîncadrează competența profesorului în jurul supravegherii cu omul în buclă, al judecății etice și al sprijinirii învățării autoreglate - conectându-se la Predarea și la protecția împotriva supra-dependenței.

Implicații pentru IA în educație

  • Evaluează performanța, nu doar auto-raportarea: competența profesorilor ar trebui evaluată prin demonstrație, având în vedere decalajul documentat al auto-raportării.

  • Formează competența completă, nu doar instrumentele: dezvoltarea profesională ar trebui să construiască împreună dimensiunile tehnică, pedagogică, de evaluare și etică, fundamentate în teoria învățării.

  • Construiește încrederea alături de competență: atitudinile și Self-Efficacy modelează adoptarea, astfel încât dezvoltarea profesională ar trebui să reducă anxietatea și să construiască încrederea prin practică autentică și sprijinită.

  • Sprijină stratul instituțional: competența sustenabilă a profesorilor cere politică, guvernanță și capacitate aliniate, nu formare izolată.

  • Competența digitală a profesorilor pentru proiectarea curriculară cu GenAI. Guillén-Gámez (2026) validează un instrument de diagnostic bazat pe TAM cu 434 de profesori în activitate; intenția comportamentală a fost principalul predictor al competenței digitale pentru folosirea GenAI în planificarea curriculară, cu autoeficacitatea ca factor determinant de bază.

Un instrument psihometric pentru competența instructorilor în IA

  • Un studiu psihometric a dezvoltat Scala de alfabetizare în IA a profesorilor (TAILS) pentru a măsura alfabetizarea în IA specific în formarea profesorilor de limbi, operaționalizând cele șase dimensiuni ale cadrului ED-AI. Dezvoltarea instrumentului umple un gol în evaluările care vizează studenții sau utilizatorii generali, sprijinind măsurarea competenței instructorilor în IA.

Peisajul instrumentelor a fost între timp revizuit. Revizuirea sistematică din 2026 a lui Zainal, Mohd Matore și Maat asupra instrumentelor de măsurare a alfabetizării în IA a profesorilor a evaluat 33 de instrumente publicate între 2019 și 2025 și a constatat că domeniul este metodologic monoton: 31 (93,9%) sunt scale de auto-raportare ale încrederii percepute, doar două (6,1%) testează obiectiv cunoașterea și niciunul nu folosește sarcini bazate pe performanță. Consistența internă a fost cel mai puternic domeniu de calitate (28 din 33 la Gradul A), iar echitatea cel mai slab, cinci instrumente (15,2%) raportând invarianță de măsurare sau dovezi de funcționare diferențiată a itemilor. Conținutul rămâne și el în urma tehnologiei, întrucât 29 de instrumente (87,9%) vizează concepte generale de IA și doar patru (12,1%), toate din 2025, abordează IA generativă.

Concepții eronate

  • „Formarea în promptare face materialele profesorilor mai bune.” Formarea în promptare cumpără timp, nu materiale mai bune: într-un RCT preregistrat cu 204 profesori, Appel, Fervers și Piepenburg (2026) au constatat că ChatGPT a îmbunătățit timpul petrecut, în timp ce calitatea materialului nu a urmat. Câștigul de eficiență este real și nu este câștigul de calitate.
  • „Când profesorii configurează un chatbot, eșecul este o eroare de fapt.” Când profesorii configurează un chatbot în limbaj natural, eșecul dominant este intenția pierdută, nu faptele greșite - boții sar pasul pe care profesorul l-a avut în vedere. Urmarea instrucțiunilor eșuează structural, nu factual.
  • „Competența tehnică este stratul decisiv.” Cunoașterea pedagogică este stratul decisiv: un studiu transversal asupra educației în IA la nivel secundar Shen et al., 2026. Competența care determină rezultatul este cea în care majoritatea programelor de formare investesc cel mai puțin.

Concepte conectate

Articole conectate

FAQ conexe

Resurse conexe

  • Claw-ED
    A local-first AI teaching assistant that turns your own curriculum into editable lesson drafts, student materials, and slides using a model you choose.
  • EduGems
    A growing library of pre-made Google Gemini 'Gems': shareable, pre-written prompts for planning, feedback, forms, images and AI-use reflection.
  • 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.
  • TeacherServer
    A large free library of single-purpose teaching generators for K-12 teachers and college faculty: lesson plans, worksheets, IEP goals, rubrics, case studies, math problems.

Metadate

NivelK 12, Higher Ed
Public țintăFaculty Developers, Learners, Instructors
Învățarea și predareaSelf-Efficacy
Tehnologii și tehniciGenerative AI, Intelligent Tutoring, Large Language Models (LLMs)
Echitate, etică și utilizare responsabilăEquity
Bazele AI în educațieAlfabetizare în IA, Dezvoltarea educațională, 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.