Baza de cunoștințe AIEdAIEd KB
Pe această pagină

Citește această pagină în engleză

Concepte

Dezvoltarea teoriei în IA în educație

Creat 2026-08-22 · Actualizat 2026-11-08

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

Dezvoltarea teoriei în IA în educație — munca academică de a crea, avansa și examina critic teoriile și cadrele conceptuale care explică modul în care învățăceii, profesorii și sistemele de IA interacționează. Pe măsură ce IA generativă remodelează educația, domeniul propune teorii noi ale învățării cu IA și reia teorii ale învățării consacrate — în timp ce o slăbiciune documentată în utilizarea teoriei rămâne o limitare transversală a cercetării AIEd.

Întrebări de reflecție

  • Vorbim adesea despre „aplicarea unei teorii” la IA în educație, dar această pagină întreabă dacă domeniul inventează de fapt teorii noi. Înainte de a citi mai departe: când un cadru familiar (precum behaviorismul sau constructivismul) este întins pentru a acoperi IA generativă, ce ar putea surprinde corect și ce ar putea distorsiona în tăcere?
  • Gândește-te la un moment în care ai folosit IA și ai simțit că înțelegerea ți-a crescut — sau invers. Care este diferența dintre „a învăța cu un instrument” și „a co-construi cunoaștere cu o mașină”? Unde ai trasa linia și are chiar sens să spui că mașina este un co-agent?
  • Multe studii de educație cu IA sunt criticate pentru că folosesc teoria slab sau deloc. Dacă ai citi un studiu care arată că un instrument de IA „a funcționat”, ce ar trebui să îți spună despre de ce și cum a funcționat înainte să numești constatarea teoretic semnificativă, și nu doar o dimensiune de efect?
  • O teorie propusă susține că studenții nativi în IA își supraestimează propria învățare pentru că IA le umflă performanța. Ai observat la tine sau la alții un sentiment de competență mai mare după utilizare intensă de IA decât puteai demonstra de fapt fără ea? Care ar fi cea mai puternică dovadă că acesta este un fenomen real, nu doar un artefact al unui singur studiu?
  • Pagina distinge teoria (explicarea mecanismelor învățării) de filosofie (chestionarea a ce sunt în mod fundamental învățarea și mintea). Unde în propria ta gândire despre IA te miști între cele două — de exemplu, întrebând nu doar dacă un cadru explică bine învățarea, ci dacă surprinde ce este învățarea cu adevărat?
  • Apar teorii noi — generativism, co-agenție epistemică, bunuri cognitive comune. Ca cititor, ce te-ar convinge că una dintre ele este un avans genuin și nu o reetichetare la modă a unor idei mai vechi? Stabilește-ți propriul test pentru ce ar trebui să poată explica o teorie bună a învățării cu IA.

Introducere

Dezvoltarea teoriei în AIEd se află la granița dintre teoriile învățării aplicate pe care le folosește domeniul și constructele noi pe care le produce era IA. Acolo unde Learning Theories cataloghează teoriile consacrate aplicate la IA (behaviorism, constructivism, încărcare cognitivă, autodeterminare etc.), acest concept urmărește procesul și produsul teoretizării înseși: care teorii și cadre noi se nasc, cum sunt avansate teoriile consacrate și întrebarea metodologică dacă cercetarea AIEd teoretizează bine.

  • Un cadru care își specifică propria condiție de comparație. Nakamura (2026) tratează partiția muncii cognitive ca unitate explicativă, plasează operațiile pe un continuum gradat periferic–constitutiv, numește condiția de comparație față de care sunt definite augmentarea și eroziunea și derivă șapte propoziții testabile condiționate (Nakamura, 2026). Pentru că propozițiile prezic diferențe între configurații, un studiu care raportează doar un efect mediu nu le poate confirma sau infirma.

Teorii noi ale învățării cu IA

Un grup crescând de articole creează explicit teorie nouă pentru era IA, în loc să aplice cadre existente:

  • Generativismul. Generativismul este propus ca teorie nouă a învățării, susținând că behaviorismul, cognitivismul, constructivismul și conectivismul se sprijină fiecare pe o presupunere pe care IA generativă o sparge: că rezultatul observabil certifică învățarea (behaviorism), că operațiile cognitive se petrec în interiorul învățăcelului (cognitivism), că sensul este construit, nu furnizat (constructivism) și că partea grea este navigarea spre cunoașterea existentă, nu generarea ei (conectivism). Numește patru constructe — parteneriat epistemic, agenție distribuită, alfabetizare generativă și metacogniție adaptivă — și derivă un indicator de evaluare pentru fiecare, o încercare directă de a numi o paradigmă teoretică distinctă pentru învățarea mediată de IA. Ce nu face este să enunțe propoziții care ar putea eșua: este o lucrare de poziție care sintetizează dovezi existente, așa că, spre deosebire de agentivismul de mai jos, oferă un vocabular și o agendă de măsurare, nu o teorie falsificabilă.
  • Conectivitatea cu IA. Fu și Zhao (2026) reconstruiesc conectivitatea pentru era IA prin etica griji și teoria neo-ecologică, definind „conectivitatea cu inteligența artificială” ca o legătură psihologic reală, dar etic asimetrică, cu trei dimensiuni și șase propoziții falsificabile care așteaptă dezvoltarea unei scale.

Poziția sintetică adaugă o ofertă rivală care enunță propoziții: numește promovarea sintetică și suspendarea autorală — un sine dens vocalizat, dar neautoral — și prezice o interacțiune de tip crossover în care autoratul evaluat și coerența unei narațiuni despre o decizie de viață se mișcă în direcții opuse (Du et al. (2026)).

  • Agentivismul. Yan și Gašević (2026) propun agentivismul ca teorie de rază medie a învățării pentru interacțiunea om–IA, definind învățarea ca creștere durabilă a capacității umane, nu ca finalizare reușită a sarcinii cu IA, și specificând patru mecanisme: agenția delegată, monitorizarea și verificarea epistemică, internalizarea reconstructivă și transferul sub sprijin redus. Ceea ce îl separă de celelalte oferte de pe această pagină este falsificabilitatea: enunță șase propoziții, inclusiv că învățarea este mai puternică atunci când IA păstrează responsabilitatea învățăcelului pentru formularea problemei, stabilirea criteriilor și justificare decât atunci când furnizează răspunsuri. Susține și că cerința de verificare ar trebui să îmbunătățească performanța întârziată, în timp ce delegarea repetată cu fricțiune redusă, fără reconstrucție, ar trebui să slăbească calibrarea propriei competențe de către învățăcei.

Teoretizarea din partea profesorilor face acum același angajament de testabilitate: Modelul Capacitate–Decizie ordonează capacitatea AI-TPACK în amonte de atitudine și de controlul comportamental perceput și numește patru condiții de infirmare — eșecul medierii, colapsul discriminant, nulitatea moderării și redundanța contextuală — deși modelul rămâne netestat (Mnguni (2026)).

  • Co-agenția epistemică. Învățarea cu mașini construiește „spre o teorie a co-agenției epistemice”, un model informat teoretic al modului în care învățăceii și sistemele GenAI produc împreună cunoaștere și înțelegere.
  • Ciclul parteneriatului cognitiv. Page (2026) propune Ciclul parteneriatului cognitiv, un model recursiv în șase faze — Întrebare umană, Expansiune AI, Reflecție umană, Integrare, Revizuire și Întrebare nouă — care localizează învățarea într-o schimbare a poziției cognitive a învățăcelului, nu în sofisticarea promptului, și numește patru moduri de eșec în care aceeași recursie substituie sau distorsionează gândirea.
  • Baza cognitivă absentă (ACB). Baza cognitivă absentă teoretizează un decalaj structural în autoevaluarea academică a studenților nativi în IA — un cadru tridimensional care explică de ce studenții își supraestimează învățarea atunci când IA le umflă performanța.
  • Bunurile cognitive comune. cognitive commons și regenerarea expertizei se sprijină pe teoria resurselor comune și pe cogniția distribuită pentru a explica modul în care deciziile raționale de adoptare a IA pot epuiza bazinul comun de expertiză de care profesiile au nevoie pentru reînnoire.
  • Performanță vs. învățare. Performanță vs. învățare teoretizează divergența accentuată dintre performanța la sarcină umflată de IA și învățarea durabilă, o distincție care reapare în dovezile despre câștigurile de învățare din baza de cunoștințe.
  • Alfabetizarea în IA epistemică (EAIL). Alfabetizarea în IA epistemică reîncadrează alfabetizarea în IA ca competență epistemică orientată spre proces, centrată pe modul în care cunoașterea este construită și justificată atunci când studenții co-programează cu IA generativă.
  • Teoria tri-sistem. Shaw și Nave (2026) extind explicațiile cu procese duale cu Sistemul 3 — raționare externă, automatizată, bazată pe date, provenită din IA, care poate suplimenta, înlocui sau suprima Sistemul 1 și Sistemul 2 — și numesc capitularea cognitivă, adoptarea necritică a rezultatului IA, ca eșecul ei caracteristic.
  • Administrarea cognitivă. Creditele și administrarea cognitivă teoretizează responsabilitatea instituțională pentru protejarea cunoașterii și a învățării în contexte de evaluare pătrunse de IA.
  • Co-reglare și proactivitate epistemică. IA ca partener cognitiv în co-reglare integrează funcția executivă, metacogniția, cogniția distribuită și dezvoltarea socioculturală într-un model dezvoltativ; proactivitatea epistemică teoretizează poziția agentică a studenților față de IA în matematică.
  • Paradigme de implicare om–GAI. Strydom (2026) abordează „deficitul de teorie” al domeniului fundamentând șapte paradigme enactate de implicare om–GAI (precaută, orientată spre posibilități, augmentată, pionieră, simbiotică, bazată pe valori, echitate) în modelul multidimensional al convingerilor epistemologice personale al lui Schommer — o teorie epistemologică, nu orientată spre instrument, a modului în care indivizii se poziționează diferit față de IA.
  • Cadrul ecologic de co-agenție. Poudyal (2026) susține că IA generativă reatribuie autoritatea epistemologică de la profesori la studenți și la mașini și introduce un cadru care definește co-agenția prin trei dimensiuni interdependente — relațională, de reglare (cartografiată pe ciclul SRL) și pedagogică (continuumul de adoptare al profesorului) — toate delimitate de o condiție nenegociabilă de responsabilitate epistemică umană (contestabilitate, proveniență și nedelegarea creditului moral/intelectual). Poziționează agenția ca problemă de design epistemic, nu ca preocupare de utilizabilitate, oferind instituțiilor un limbaj mai precis decât „echilibru” pentru guvernarea integrării GenAI.
  • Agenția epistemică relațională și dependența epistemică. Du & Yuan (2026) contribuie cu o explicație critic-integratoare a când dependența mediată de IA păstrează judecata și când o înlocuiește. Operationalizează granița dintre dependența productivă și dependența dăunătoare prin șase criterii de diagnostic (contestabilitate, recuperabilitate, transfer, trasabilitate, responsabilitate distribuită, pluralitate epistemică) și urmăresc patru trasee sociotehnice (autoritate fluentă, delegare fără fricțiune, sinteză opacă, dependență instituționalizată). Propunerea lor normativă, agenția epistemică relațională, extinde liniile autonomiei relaționale și ale co-agenției epistemice păstrând o asimetrie explicită — IA poate modela raționamentul fără responsabilitate reciprocă sau autoritate legitimă — integrând totodată responsabilitatea și justiția epistemică la nivel instituțional. Ca teorie a învățării cu IA, mută întrebarea domeniului de la dacă IA ajută sau dăunează la care acțiuni epistemice sunt păstrate, transformate sau înlocuite și face din designul dependenței, nu din simpla utilizare, obiectul intervenției pedagogice și instituționale.

Rezultatul modelului urcă la statutul de cunoaștere colectivă fără garanția comunității pe care acel statut o cere — ceea ce Webb et al. (2026) numesc pseudo-cPCK, și motivul pentru care domeniul are nevoie de un construct teoretic nou, nu de o interfață mai bună (Webb et al., 2026).

Avansarea teoriei consacrate

Alte lucrări extind teoria existentă în contextul IA, în loc să fondeze paradigme noi: munca despre paradoxul gândirii critice integrează teoria încărcării cognitive cu instruirea pentru reducerea încărcării într-un cadru pe trei niveluri; evaluarea echitabilă re-teoretizează evaluarea sub disrupția GenAI. Ba, Gašević, Lim & Anderson (2026) reconceptualizează cadrul Comunității de anchetă însuși: în loc să încadreze GenAI ca instrument, partener dialogic sau „a patra prezență” speculativă, o repozitionează ca condiție epistemică ce reconfigurează modul în care prezența cognitivă, socială și de predare este enactată, evidențiată și guvernată — reîncadrând prezențele CoI ca realizări sociotehnice ale ansamblurilor om–GenAI și propunând o euristică bazată pe configurație în care implicarea GenAI și calitatea anchetei sunt corelate condiționat prin responsabilitatea umană. O mare parte din aceasta este muncă de cadru conceptual (cadre pentru școlile de afaceri, simulare validă) care operaționalizează teoria pentru practică.

Lin și Chang (2026) extind învățarea autoreglată și reglarea om–IA numind ce guvernează învățăcelul — standarde, judecăți evaluative și autorizarea controlului — nu doar ce face IA.

Paradoxul fricțiunii oferă o altă extensie a teoriei consacrate: Gupta (2026) aplică dificultățile dezirabile ale lui Bjork și Bjork și eșecul productiv al lui Kapur la întâlnirile relaționale din educația în străinătate, susținând că contează câtă agenție interpretativă transferă un student unui asistent generativ, nu cât de des îl folosește. Cadrul este conceptual și enunță cinci propoziții ca ipoteze concurente.

Ranieri & Biagini (2026) avansează taxonomia funcțională a domeniului a lui Zawacki-Richter et al. (2019): dintre cele 154 de publicații cu o funcție de aplicare clasificabilă, 90 (58,4%) au scăpat celor patru categorii ale ei, iar cadrul lor încrucișează funcția cu controlul delegat, poziția epistemică și pedagogia încorporată.

An, McLaren și Stamper (2026) avansează ACT-R și cadrul Knowledge-Learning-Instruction teoretizând suprageneralizarea înșelătoare — un mod de eșec în care compilarea cunoașterii produce o producție suprageneralizată care generează acțiuni corecte, omițând o constrângere critică de aplicare — și validând empiric o procedură de detectare/remediere pe sisteme ITS adaptive și pe un set de date despre învățarea zecimalelor din K-12.

Postfenomenologia și medierea tehnologică. Farazouli et al. (2026) avansează cadrul postfenomenologic consacrat al medierii tehnologice (Ihde 1990; Verbeek 2006, 2011; Rosenberger & Verbeek 2015) în contextul IA în educație. În loc să propună o teorie nouă, îl aplică pentru a reconceptualiza chatboturile GAI ca artefacte tehnologice multistabile ale căror „scripturi” (receptivitate rapidă, text cu sunet natural care poate obține note de trecere) mediază percepțiile profesorilor și le reconfigurează practicile — tulburând încrederea profesorilor, remodelând ce înseamnă competența și împingându-i dincolo de întrebările instrumentale despre utilizarea acceptabilă, spre reevaluarea rolului lor și a sensului predării. Aceasta este o contribuție de avansare a teoriei: demonstrează cum o explicație filosofică a relațiilor om–tehnologie explică disrupția emoțională și profesională pe care o trăiesc profesorii când GAI intră în practica educațională consacrată.

O contribuție suplimentară de cadru este tipologia AI×Ed a lui Rismanchian & Doroudi, care extinde „cele trei interacțiuni” originale ale lui Kahn (1977) pe două axe — rolul IA (instrument aplicat vs. analogie a inteligenței umane) și utilizatorul final (de la cercetător la învățăcel) — pentru a localiza orice proiect AIED. Dincolo de categorizarea domeniului, pledează pentru revigorarea firului teoretic și de cercetare „IA ca analogie a inteligenței umane”, folosind modele computaționale și bazate pe agenți ale învățării (de ex., propriul lor model computațional al cadrului ICAP) pentru a face puntea între teoria învățării contemporană și modelarea computațională — o direcție metodologică pe care domeniul a abandonat-o în mare parte când s-a orientat spre munca aplicată, bazată pe date.

Filosofia comparată ca rută spre pluralism teoretic. Xie (2026) modelează o altă rută spre dezvoltarea teoriei: în loc să teoretizeze IA în educație din interiorul unei singure tradiții, lucrarea pune în scenă un dialog comparativ în care fiecare tradiție „face vizibil ceea ce cealaltă obscurează”, refuzând explicit să le sintetizeze într-un singur cadru — o abordare care tratează pluralismul teoretic ca poziție metodologică, nu ca dezacord nerezolvat. Susține că tradițiile non-occidentale pot face mai mult decât să diversifice dezbaterile; ele pot remodela fundamentele conceptuale ale teoriei AIED, reconstruind „natura Dao” (道性), autocultivarea (修道) și „Zhenren” (真人) daoiste ca resurse pentru regândirea agenției, a scopurilor epistemice ale educației și a acțiunii etice în condiții mediate de IA. Enunță și limitele fără ocolișuri: contribuția este a unui singur autor, neempirică, și avertizează că o astfel de traducere cere contextualizare pentru a evita romantizarea și orientalismul (Alternative AI Philosophy: Daoism as Method for AI in Education).

Problema utilizării teoriei în AIEd

Teoretizarea domeniului este inegală. Limitările cercetării AIEd documentează că studiile AIEd folosesc frecvent teoria slab sau necritic — o slăbiciune metodologică recurentă, alături de decalajele de reproductibilitate și de măsurare. Recenziile constată că multe lucrări AIEd aplică teoria superficial sau deloc (de ex., recenzii de literatură care notează puține studii ce fundamentează intervențiile în teoria învățării). Aceasta face din dezvoltarea teoriei — și din utilizarea teoriei — o preocupare de calitate tot atât de mult ca un rezultat academic, conectându-se la metodele de cercetare și la evaluarea AIED.

Relația cu filosofia IA în educație

Dezvoltarea teoriei și filosofia IA în educație sunt fire complementare, dar distincte ale muncii fundamentale a bazei de cunoștințe. Dezvoltarea teoriei produce și testează empiric mecanismele învățării cu IA — teorii și cadre numite precum generativismul, co-agenția epistemică și baza cognitivă absentă, care explică și prezic modul în care interacționează învățăceii și IA. Filosofia interoghează presupunerile pe care se sprijină acele mecanisme: ce contează ca cunoaștere, cine contează ca cunoscător și ce este în mod fundamental învățăcelul. O teorie precum co-agenția epistemică propune un mecanism, adoptând implicit angajamente filosofice despre cogniția distribuită și agenție; filosofia face acele angajamente explicite și contestabile. Acolo unde dezvoltarea teoriei întreabă dacă un cadru explică bine învățarea, filosofia întreabă dacă surprinde ce sunt cu adevărat învățarea și mintea — cele două fire se întâlnesc în cele mai fundamentale articole ale domeniului, care adesea fac ambele deodată.

Idei greșite frecvente

„O constatare că instrumentul a funcționat este o contribuție teoretică.” Nu este, iar motivul este structural. Acolo unde propozițiile unui cadru prezic diferențe între configurații, un studiu care raportează doar un efect mediu nu le poate confirma sau infirma — designul nu poate vedea distincția despre care este teoria. Un trial care arată un câștig mediu îți spune că s-a întâmplat ceva, nu care mecanism l-a cauzat, așa că teoria rămâne exact la fel de susținută ca înainte.

„Aplicarea unei teorii consacrate la IA este dezvoltare de teorie.” Problema utilizării teoriei a acestei pagini spune altfel: aplicarea nu este avansare, iar tiparul recurent al domeniului este folosirea constructelor împrumutate ca vocabular, nu ca predicții testabile. Distincția contează pentru că un cadru împrumutat care nu poate genera o diferență falsificabilă este decorațiune, nu teorie.

„Taxonomiile existente ale funcției pedagogice a IA acoperă deja ce fac aceste sisteme.” Nu acoperă mare parte din asta. Dintre 154 de publicații cu o funcție de aplicare clasificabilă, 90 (58,4%) au scăpat celor patru categorii ale cadrului anterior, motiv pentru care lucrările mai noi încrucișează funcția cu controlul delegat, poziția epistemică și pedagogia încorporată. O taxonomie care clasifică greșit aproape trei din cinci cazuri nu poate servi drept vocabular comun al domeniului, iar decalajul este o constatare despre fenomen, nu o lipsă într-o lucrare.

Implicații pentru practică

Pentru instructori și designeri instrucționali

  • Când un studiu raportează un efect mediu, nu îl trata ca indicație despre configurația ta. Afirmațiile la nivel de teorie privesc diferențele între configurații, iar o medie nu îți poate spune pe care o rulezi.
  • Întreabă orice cadru pe care îl adopți dacă prezice ceva ce s-ar putea dovedi fals în propriul tău context. Dacă nu poate, nu te va ajuta să decizi nimic.
  • Așteaptă-te ca categoriile existente să rateze cazul tău; peste jumătate dintre publicațiile clasificate nu se potriveau împărțirii standard în patru. Pentru dezvoltatori

Pentru dezvoltatori

  • Raportează configurații, nu un singur efect de titlu. Dacă designul tău întruchipează o combinație specifică de control delegat și postură epistemică, spune-o — aceasta este unitatea despre care vorbește teoria și unitatea de care o altă echipă are nevoie pentru a reproduce.
  • Nu promova o afirmație despre mecanism pe baza unui rezultat mediu; tipul de dovezi cerut pentru mecanism este un contrast, nu o medie.

Pentru cercetători

  • Proiectează contraste între configurații dacă intenționezi o contribuție teoretică. Un trial cu efect mediu publicat ca dezvoltare de teorie este cel mai comun și cel mai puțin util rezultat al domeniului.
  • Atașează propoziții falsificabile explicite oricărui cadru pe care îl introduci și raportează care diferențe între configurații le-ar fi infirmat.

Concepte conectate

Articole conectate

Metadate

Modelul studiuluiLiterature Review
Învățarea și predareaLearning Theories
Metode de cercetare și evaluareResearch Methods in AIED
Bazele AI în educațieInteligența artificială în educație, Limitările cercetării AIEd
Tipul paginiiFramework
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.