AI gramotnosť

Automatický strojový preklad tejto anglickej stránky, ktorý ešte nebol skontrolovaný rodeným hovorcom.

AI gramotnosť — znalosti, zručnosti a kritické postoje potrebné na porozumenie, hodnotenie a efektívne používanie Technologies vo vzdelávacích kontextoch. AI gramotnosť zahŕňa základné porozumenie toho, ako AI funguje, praktickú kompetenciu v používaní nástrojov AI, kritické hodnotenie výstupov AI a etické povedomie o spoločenských dôsledkoch AI.

Otázky na zamyslenie

• Čo znamená byť „AI gramotným"? Zná to vedieť používať nástroje, porozumieť tomu, ako fungujú, alebo byť schopným kriticky hodnotiť ich výstup — a čo z toho najviac záleží pre vaše vlastné ciele?
• Samozapísaná AI gramotnosť sa výrazne odlišuje od meraného výkonu — učitelia preceňujú svoje schopnosti približne o 40 %. Aká veľká je vaša dôvera vo vlastné schopnosti v oblasti AI a akému dôkazu by ste dôverovali, aby ste túto dôveru skutočne otestovali?
• AI gramotnosť je popisovaná ako metakognitívna sociálna prax, nie ako kontrolný zoznam zručností. Pretože LLM sú pravdepodobnostné a nepriehľadné, čo znamená „kriticky hodnotiť" výstup, keď nemôžete vidieť dovnútra modelu?
• Existuje napätie medzi gramotnosťou kritického používania pre akademické prostredie a gramotnosťou integrácie do pracovného postupu pre zamestnanie — pedagógovia a zamestnávatelia si cenia rôzne schopnosti. Aký druh AI gramotnosti váš kontext vlastne učí?
• Technický tréning AI gramotnosti sám osebe, bez podpory sebaúčinnosti a sebaregulácie, môže v skutočnosti zvýšiť závislosť na AI. Ako by sa učenie sa používať AI mohlo z vás urobiť skôr závislých, ako schopných?
• AI gramotnosť je tiež zručnosť rozpoznávania: postrehnúť, kedy s vami AI súhlasí, pretože je patolizálska, a kedy preto, že máte pravdu. Už ste niekedy pristihli AI, ako vám hovorí len to, čo ste chceli počuť?

Úvod

AI gramotnosť sa rýchlo etablovala ako kľúčová kompetencia pre študentov, pedagógov a inštitúcie, keďže Generative AI sa stáva súčasťou vzdelávania. Na rozdiel od všeobecnej digitálnej gramotnosti AI gramotnosť vyžaduje porozumenie pravdepodobnostných systémov, ktoré môžu halucinovať, prejavovať predsudky a presúvať agentúru z človeka na stroj — čo z kritického myslenia a nadmernej závislosti robí ústredné prvky konštruktu.

Dimenzie AI gramotnosti

Výskum AI gramotnosti v tejto vedomostnej báze sa rozprestiera štyrmi prepojenými dimenziami:

Rámce čoraz viac vysledujú, ako sa tieto dimenzie uplatňujú v praxi: Dai & Chan (2026) ukazujú, ako postgraduálni výskumníci uplatňujú všetky štyri dimenzie pri používaní Generative AI v priebehu výskumného pracovného postupu, a odvodzujú z nich usmernenia pre výskum špecifické zodpovedné používanie, zatiaľ čo Şan & Orhan Karsak (2026) pomocou mapovania slových asociácií ukazujú, že AI kognícia tureckých bakalárskych študentov je inštrumentálne dominovaná „čiernou skrinkou", pričom koncepty etického riadenia sú štrukturálne izolované (τ=−0.819) — čo je dôkaz, že návrh certifikátov musí zámerne premosťovať skúsenostné používanie nástrojov a etické rámce.

Poptávka závisí od toho, čo študent a systém spoločne robia. Rámce gramotnosti zvyčajne opisujú jednu všeobecnú sadu kompetencií, ale to, čo činnosť podporovaná GenAI skutočne vyžaduje, sa mení podľa toho, ako je v nej distribuovaná epistemická práca. Sun, Dohn a Rehm (2026) klasifikovali 102 empirických štúdií vysokého školstva podľa taxonómie aplikácií GenAI od Strobel a spol. a zistili, že prepletenia Assistant a Enabler dominujú, každé s 42.16.% korpusu, zatiaľ čo Generator, Reimaginator a Synthesizer spolu predstavovali menej ako pätinu — sklon, ktorý pripisujú inštitucionálnej legitímnosti, a nie schopnosti modelu, pretože tie isté modely podporujú všetkých päť. Čítanie každého typu cez Dohnove tri úrovne kontextu (doménovo-interné, činnostne-interné, činnostne-rámcujúce) ukazuje, že sa požiadavky zlúčujú pre prácu Assistant a rozpadajú pre marginálne typy, kde sa to, čo činnosť od študentov žiada, odlišuje od toho, čo inštitúcia pokladá za legitímnu kompetenciu. Ich záver posúva gramotnosť úplne mimo plynulosť v nástrojoch: GenAI gramotnosť je schopnosť rozpoznať, ako je v danom prepletení distribuovaná epistemická práca a zodpovednosť, a primerane v ňom konať.

Základné znalosti: Porozumenie tomu, čo sú LLM, ako sa líšia od systémov založených na pravidlách, a ich základným obmedzeniam. To zahŕňa povedomie o schopnostiach modelov, predsudkoch v trénovacích dátach a rozdiele medzi AI špecifickými pre úlohu a všeobecnými modelmi. Výskum v Prompt Engineering skúma, ako porozumenie mechanizmom promptov ovplyvňuje efektívne používanie AI.

Praktická kompetencia: Schopnosť efektívne používať nástroje AI — od práce s promptmi po interpretáciu výstupov. Štúdie vzorov používania GenAI študentmi odhaľujú, že samotný prístup k nástroju nevytvára kompetenciu; štruktúrovaná prax a podporné lešenie sú nevyhnutné. Rámec vibe codingu ukazuje, ako učitelia K-12 môžu rozvíjať praktickú AI gramotnosť prostredníctvom riadeného vytvárania nástrojov. Miles, Haber-Curran a Arar (2026) argumentujú, že táto dimenzia má časť, ktorú optimalizačný tréning prehliada: gramotnosť v promptovaní, na rozdiel od inžinierstva promptov, pokladá promptovanie za rečnícky a etický akt, takže výučba, ktorá len ladenie výstupov pre lepší výkon, necháva etické a epistemologické dimenzie používania LLM nedotknuté.

Kritické hodnotenie: Schopnosť hodnotiť výstupy AI z hľadiska presnosti, predsudkov a vhodnosti. Výskum hodnotenia gramotnosti ukazuje 40 % medzeru medzi samozapísanou a výkonovo založenou AI gramotnosťou — ľudia systematicky preceňujú svoje hodnotiace schopnosti. Táto divergencia je najjasnejším prípadom v tejto vedomostnej báze, kedy samozapísané meranie nedokáže sledovať kompetenciu, ktorú menuje. To súvisí s výskumom nadmernej závislosti, ktorý ukazuje, že študenti, ktorí dôverujú AI nekriticky, sa učia menej. Nedávna konceptuálna práca posúva hodnotenie smerom k overovaniu: rámec PEARLS (Wang) pokladá výstup AI za predbežné znalostné tvrdenie, ktorého opodstatnenie musí byť zostavené a preskúmané po šiestich dimenziách (Process, Evidence, Access, Reproducibility, Legitimacy, Source), a presadzuje overovaním riadené učenie ako mechanizmus, ktorým študenti budujú odbornosť pri overovaní tvrdení AI. Dopĺňa to rámec zodpovedného používania zameraný na študenta (Alsammani), ktorý ponúka desať študentom orientovaných usmernení naprieč piliermi Learning and Growth, Ethics and Integrity a Awareness and Safety, ktoré externalizujú metakognitívne prompty v momente rozhodnutia. Pre študentov stredného vzdelávania rámec AI-Assisted Research Competency (AARC) (Beau, Flaquière & Lazar 2026) zakladá toto na cnostnej epistemológii a AI intuícii, pričom definuje výskumnú gramotnosť ako vedenie prieskumu s AI bez vzdaťovania autorstva, úsudku, overovania alebo zodpovednosti — operationalizované ako analytická rubrika a rutina záväzku verify–cite–reflect. Na konci Assessment Saleh (2026) navrhuje test ľudskej schopnosti, ktorý mení hodnotenie na dizajnový princíp: spýtať sa, čo musí študent predviesť samostatne, čo môže byť posilnené prostredníctvom AI augmentácie, a čo musí študent overiť, obhájiť a prevziať za to zodpovednosť.

Disciplinárne overovanie stáva latku ešte vyššiu. Vega-Baudrit a Rivera Alvarez (2026) argumentujú, že v univerzitnej chémii je jadrom požiadavky AI gramotnosti reprezentačný preklad cez Johnstoneho makroskopické, submikroskopické a symbolické domény, pretože výstup môže byť lokálne presvedčivý v jednej doméne, zatiaľ čo odporuje bilancii nábojov, mechanizmu alebo bezpečnostnému limitu v inej. Ich liekom je overovaním stredisková integrácia: urobiť z overovania hodnotenú činnosť, uchovávať logy promptov a histórie revízií ako stopy uvažovania, a pokladať promptovanie za epistemický akt, ktorý špecifikuje obmedzenia, predpoklady a kritériá adekvátnosti, pričom študenti identifikujú falošný predpoklad alebo odôvodňujú odmietnutie vygenerovanej odpovede.

Etické a inštitucionálne povedomie: Porozumenie širším dôsledkom AI — od akademickej integrity po rovnosť až po súkromie. AI gramotnosť na inštitucionálnej úrovni zahŕňa rozvoj politiky, vzdelávací rozvoj a rámce riadenia — inštitucionálna AI gramotnosť je záležitosťou politiky rovnako ako pedagogiky. Rámec EPIQ-AI vymedzuje inštitucionálnu AI gramotnosť ako výzvu sociotechnického zosúladenia, nielen individuálneho tréningu.

• AI gramotnosť ako kapacita riadenia pre trvalo udržateľný rozvoj. Islam, Morshed a Islam (2026) rekonceptualizujú AI gramotnosť ako kapacitu orientovanú na riadenie, a nie čisto vzdelávaciu alebo technickú zručnosť, a spájajú ju so všetkými sedemnástimi Cieľmi trvalo udržateľného rozvoja OSN. Ich šesťúrovňová taxonómia AIRE (Recognize → Comprehend → Apply → Analyze → Integrate → Govern) rozširuje Bloomovu hierarchiu pridaním etickej syntézy a strategického predvídania, pričom pokladá pokročilé kompetencie (Analyze–Govern) za cestu od základnej gramotnosti k inštitucionálnemu riadeniu a riadeniu na úrovni politík — heuristiku „18. SDG", ktorá pokladá gramotnosť za priečizový kognitívny a etický most. Prieskum 300 profesionálov v národnom kontexte zistil silné technické povedomie, ale obmedzenú etickú a riadiacu pripravenosť, pričom etické uvažovanie a reflektívne myslenie boli najsilnejšími prediktormi trvalo udržateľného, dôveryhodného používania AI a gramotnosť v riadení bola najsilnejším prediktorom povedomia o nexuse AI–SDG (β = 0.64). To empiricky zakladá dôraz tejto vedomostnej bázy na gramotnosť kritického používania a priamo spája AI gramotnosť so udržateľnosťou a integráciou do politiky. Ponuka rámcov je sama osebe problémom. Fitsilis (2026) porovnal 16,inštitucionálne podporovaných rámcov AI kompetencií pre vzdelávanie a rozvoj pracovnej sily a zistil spoločné jadro desiatich oblastí kompetencií, ale širokú variabilitu v štruktúre, progresii a usmerneniach implementácie — praktická ťažkosť je vyberať si medzi nimi, nie nedostatok.

Ako sa AI gramotnosť rozvíja

Výskum poukazuje na to, že najúčinnejšie sú spoluprácujúce a aktívne prístupy. Rismanchian & Doroudi pokladajú AI gramotnosť za viac než aplikovanú zručnosť: v ich rámci AI×Ed je študent výrazným koncovým používateľom AI (prístupným prostredníctvom AI gramotnosti a AI vzdelávania), a argumentujú za obnovenú prácu na AI gramotnosti, ktorá podporuje reflektovanie samotného učenia — pokladajúc gramotnosť za cestu späť k výskumu „AI ako analógia ľudskej inteligencie" o tom, ako sa ľudia učia, vlákno, ktoré odvor vo veľkej miere opustil. ICAP (Interactive → Constructive → Active → Passive) poskytuje užitočnú taxonómiu kognitívnej angažovanosti: študenti sa učia AI gramotnosť najlepšie, keď spoluvytvárajú vedomosti, a nie keď pasívne prijímajú informácie. Dizajnéri by mali vyberať režim, ktorý zodpovedá cieľu učenia, a uprednostňovať hlbšie (konštruktívne a interaktívne) režimy tam, kde je to možné. Praktické činnosti — navrhovanie promptov, hodnotenie výstupov v skupinách, debatovanie o etike AI — prekonávajú prednášky.

Kompozícia vychádza zo skúsenosti z vlastnej praxe — ale hĺbka konceptov potrebuje podporné lešenie. Burriss a spol. (2026) zistili, že mládež ukotvila abstraktné princípy etiky AI v systémoch, ktoré stretávajú denne — elektronických „priepustkách," školou riadených laptoppoch, detektoroch plagiátovstva — pričom jedna skupina vysvetľovala, že AI v školách „bola osobná pre všetkých členov skupiny," a 15 z 18 odpovedí v prieskume na konci jednotky uviedlo, že vytvorenie videa zmenilo ich porozumenie etiky AI. Autori sú explicitní ohľadom limitu: skladanie samo osebe nezaručovalo konceptuálne zakotvenie — „informovaný súhlas" bol preložený ako „Musíme odsúhlasiť," a niektoré termíny (napr. „zabezpečenie proti chybám") neboli nikdy vysvetlené, čo ich podnietilo naplánovať hlbšiu konceptuálnu prácu v neskorších iteráciách. Kreatívna produkcia rozvíja AI gramotnosť najlepšie, keď ju sprevádza explicitné konceptuálne podporné lešenie pri samotnom tvorbe, a nie keď sa predpokladá, že z neho vznikne sama.

AI intuícia ako skúsenostný doplnok gramotnosti. Opakujúca sa medzera je v tom, že rámce K-12 predpokladajú, že študenti pristupujú k AI cez deklaratívne, na pravidlách založené vedomosti, kým v praxi najprv rozvíjajú praktický „cít" na to, ako AI odpovedá — experimentovaním s promptmi, pozorovaním správania, prispôsobovaním stratégií — než dokážu artikulovať formálne princípy. Beau & Lazar (2026) formalizujú toto ako AI intuíciu: skúsenostné, induktívne, často implicitné porozumenie, ktoré sa rozvíja iteratívnou interakciou so systémami AI a podporuje kontextovo citlivý úsudok v podmienkach neistoty. Ich duálny rámec situuje AI gramotnosť (štruktúrované, z veľkej časti statické kompetencie) vedľa AI intuície (dynamický proces učenia), mapujúc obe naprieč štandardnými dimenziami — porozumieť konceptom, používať nástroje, hodnotiť kriticky, uplatňovať eticky, reflektovať — aby študenti spájali konceptuálnu zreteľnosť a zábrany (gramotnosť) s praktickou múdrosťou dôverovať, ale overovať, a rozhodnúť, kedy prestať nástroj používať (intuícia). Pretože intuícia kultivuje „expertné pozorovanie" AI (napr. stres-testovanie promptov na nájdenie miesta, kde model zlyhá), autori argumentujú, že je to ochrana proti nadmernej závislosti a erózii kritického myslenia; líši sa od práce s promptmi (ktorá optimalizuje výstupy) tým, že do popredia stavia epistemický úsudok. To spája gramotnosť s skúsenostným učením, konštruktivizmom a vývojovo zakotvenou triednou praxou, a smeruje prípravu pedagógov k facilitovaniu induktívneho skúmania, a nie len k odovzdávaniu konceptov.

Motivácia je predpoklad, nielen výsledok. Liang a spol. (2026) zistili, v rámci 2,086,študentov stredného vzdelávania v ročnom kurikule AI, že študenti, ktorí prešli do profilu Sebaurčená motivácia (vysoká autonomia, kompetencia a uspokojenie potreby pripojenosti) alebo v ňom zostali, vykazovali najväčšie prírastky v AI gramotnosti. AI gramotnosť sa rozvíja udržateľnou angažovanosťou, a túto angažovanosť sama formuje motivácia a podpora psychologických potrieb — takže efektívna výučba AI gramotnosti by sa mala venovať motivácii študentov, nielen ich zručnostiam.

Výučbový dôraz a otvorenosť úlohy smerujú k výkonu cez rozličné potreby. Yu, Lin a Chen (2026) randomizovali 320 bakalárov do štyroch skupín v experimente 2 x 2 na úlohe generovania obrázkov AIGC, hodnotenej objektívnou rubrikou (ICC = 0.89), a zistili, že výučba založená na myslení, pokrývajúca obmedzenia modelov, kritické hodnotenie a etiku, prekonala výučbu založenú na promptovaní zručností (M = 9.21 vs 7.69, F(1, 316) = 50.79, p < 0.001, čiastočná eta² = 0.138), pričom väčší rozdiel bol na úlohách s otvoreným koncom (10.10 vs 8.00). Štrukturálny model ukazuje, že tieto dve dizajnové voľby cestujú rozličnými trasami: výučba pôsobila nepriamo cez autónomiu (beta = 0.035) a kompetenciu (beta = 0.079), zatiaľ čo otvorenosť úlohy pôsobila hlavne cez autónomiu (beta = 0.029), kompetencia bola najsilnejším prediktorom výkonu (beta = 0.358) a pripojenosť nemalo žiadny nezávislý efekt. Z tohto dôvodu záleží viac na tom, čo výučba obsahuje, než na tom, či študenti dostanú prax v promptovaní, a záleží na tom najviac, keď je úloha s otvoreným koncom.

Premenné obklopujúce AI gramotnosť boli odvtedy mapované širšie. Systematický prehľad z roku 2025 korelácií AI gramotnosti syntetizoval 31 štúdií z 14 krajín (N = 12,071) a zistil najkonzistentnejšie asociácie v afektívnom a behaviorálnom pásme: AI sebaúčinnosť, pozitívne postoje k AI, motivácia a digitálna kompetencia sa všetky pohybovali s AI gramotnosťou, zatiaľ čo AI úzkosť a negatívne postoje sa pohybovali proti nej. Demografické premenné sa takmer neprejavili, pričom vek a socioekonomický status korelovali slabo alebo vôbec. Upozornenie prehľadu sa týka inštrumentov: tie isté štúdie, ktoré vytvorili silné korelácie zo samohodnotenia, ukázali oveľa slabšie, keď bola AI gramotnosť testovaná, a nie samohodnotená.

Štrukturálno-rovnicová štúdia 502 respondentov z akademického personálu na jednej čínskej výskumnej univerzite zistila, že AI gramotnosť je najsilnejším prediktorom AI pohody (β = 0.713), proti malej trase technologickej sebaúčinnosti (β = 0.082), pričom sociálna a organizačná podpora dosahovala pohody len nepriamo (Liu a spol. (2026)).

Jedna zjavná negatívna asociácia sa pod kontrolou obracia: medzi 303 bakalármi z Hongkongu technologická úzkosť korelovala negatívne s AI gramotnosťou (r = −0.14), no v spoločnom modeli predikovala β = 0.15, efekt obmedzený na kritické hodnotenie a etickú kompetenciu (Chow a spol. (2026)).

Hu (2026) pridáva usporiadaný výklad toho, čo AI gramotnosť predikuje, a nie toho, čo ju predikuje. V prieskume 450 univerzitných študentov v pevninskej Číne, ktorí ChatGPT už používajú, štúdia zistila, že AI gramotnosť súvisela priamo s pokračujúcim používaním (beta = 0.16, p = 0.002) a nepriamo po sériovej trase cez dôveru a akademickú sebaúčinnosť (nepriamy efekt = 0.07, 95 % CI [0.04, 0.10]), pričom väzba gramotnosti a dôvery bola najväčšou asociáciou v modeli (beta = 0.50). AI úzkosť túto prvú väzbu moderovala (interakčné beta = −0.25, jednoduché sklony klesajúce od 0.76,do 0.25,naprieč rozsahom úzkosti), takže reťaz sa stenčovala pre úzkostlivejších študentov a výučbu gramotnosti samotnú by sa nemalo predpokladať, že ich dosiahne. Dizajn je prierezový a výber obmedzený na existujúcich používateľov, takže poradie je modelovací predpoklad, a nie pozorovaná sekvencia.

Základným aplikovaným cieľom AI gramotnosti je redukovanie zneužívania AI: výučba študentov používať AI eticky a produktívne, namiesto substitúcie za ich vlastnú kognitívnu prácu. Kde AI gramotnosť buduje kapacitu hodnotiť a používať AI kriticky, redukovanie zneužívania je behaviorálna a štrukturálna výplata — kombinujúca dizajn nástrojov so zabraňujúcim dizajnom nástrojov, redesign hodnotenia a edukatívne páky, ako sú podpornými lešeniami riadené sekvencie najprv myslieť/potom AI a prax v promptovaní so zámernou spätnou väzbou. Tieto dva koncepty sa vzájomne posilňujú: AI gramotnosť dodáva kritické dispozície, ktoré robia intervencie na redukovanie zneužívania trvalými, zatiaľ čo dôkazy o redukovaní zneužívania (napr. medzera medzi výkonom a učením) motivujú, prečo gramotnosť musí prejsť za operatívnu zručnosť ku kritickému úsudku.

AI gramotnosť potrebuje tiež vývojovo primerané formy pre tých najmladších študentov. AI-Play prekladá kompetencie AI gramotnosti do hravých, neprepojených činností pre študentov predškolského veku až do 2. ročníka — organizovaných okolo AI Body (AI ako systém zostavený z častí), AI Food (AI sa učí z príkladov), AI Brain (AI sa zlepšuje vzormi a spätnou väzbou) a etickej šošovky Pre/Po-AI — riešiac pretrvávajúci nedostatok vývojovo zakotvených usmernení o AI gramotnosti pre predprimárne vzdelávanie a robiac AI gramotnosť prístupnou pre netechnických pedagógov a rodiny. Dopĺňa to Vahedian Movahed & Martin (2025), ktorí zistili, že deti vo veku 6–14 vo veľkej miere dôverovali chatbotu prispôsobenému veku ako zdroju informácií a väčšina ho modelovala ako „chytrý počítačový program, ktorý sa učí" (začiatočné porozumenie strojového učenia), no vykazovali medzery v kritickej angažovanosti a povedomí o digitálnej bezpečnosti — čo je dôkaz, že dôvera mladých študentov môže predbehnúť ich schopnosti kritického hodnotenia, čo z explicitného kalibrovania dôvery a výučby bezpečnosti robí nevyhnutnú súčasť AI gramotnosti pre deti.

Meranie udržiava krok s týmto vývojovým obratom na mladšom konci. Validácia Thianwana a Srikoona z roku 2025 dotazníka na samohodnotenie AI gramotnosti pre študentov staršieho primárneho vzdelávania vyvinula 15-položkový inštrument pre 4. až 6. ročník, organizovaný okolo Learning About AI, Learning About How AI Works a Learning for Life with AI, a potvrdila trojfaktorovú štruktúru vo dvoch výberoch (n = 335 a n = 579) s celkovým Cronbachovým alphom .934. Autori ho vymedzujú ako formatívnu diagnostiku vnímanej, a nie preukázanej gramotnosti, a poznamenávajú, že presnosť samohodnotenia detí je obmedzená metakognitívnou schopnosťou, ktorá sa ešte vyvíja.

Projektovo založené učenie ako mechanizmus dodávania. Zhu & Kong (2026) vyvinuli a validovali škálu projektovo založeného učenia AI (AI-PBLS) a vo výbere z Hongkongu 1,027 študentov stredného vzdelávania a univerzít (446,s kompletnými dátami) použili modelovanie štrukturálnymi rovnicami, aby ukázali, že zmocnenie pri používaní AI na riešenie problémov a etické povedomie o etike AI spoločne mediujú vzťah medzi vnímaným projektovo založeným učením a spokojnosťou s kurzom AI gramotnosti. To pokladá PBL nielen za formát dodávania, ale za mechanizmus, ktorý buduje dôveru študentov a etické uvažovanie popri kompetencii, čo posilňuje väzbu medzi PBL a zmysluplným rozvojom AI gramotnosti. Dodáva tiež validovaný merací inštrument pre budúce meranie skúseností s kurzmi AI gramotnosti.

Zvyšovanie etickej dimenzie gramotnosti má problém so znamienkom. Medzi 584 bakalármi, ktorí sa AI naučili sami, kompetencia zvyšovala etické povedomie (β = 0.644, p < .001), a etické povedomie potom zvyšovalo AI úzkosť (β = 0.439, p < .001), namiesto aby ju znižovalo, opačne než predikovaný smer (Mu a spol. (2026)). Ponaučenie, ktoré autori vyvodzujú, je, že výučba toho, ako sa etické obavy riadi, musí sprevádzať samotnú etickú dimenziu, inak môže práca na gramotnosti zanechať študentov úzkostlivejších, než ich našla.

AI gramotnosť ako kľúčová medzera v rámcoch konverzačnej AI. Zastrešujúci prehľad konverzačných AI agentov (Ganguly a spol. 2025, 34 prehľadov) identifikuje obmedzenú podporu AI gramotnosti ako významnú medzeru v rámcoch CAI, a jeho plán etického používania robí zo základného hodnotenia (vrátane posilňovania AI gramotnosti) prvý pilier popri participatívnom dizajne, usmerneniach etického používania a priebežnom hodnotení kognitívneho vplyvu. Ďalej zisťuje, že AI gramotnosť, tréning a povedomia patria medzi najviac zdôrazňované etické smery v literatúre CAI.(Conversational AI agents in education: an umbrella review of current utilization, challenges, and future directions)

Účinnosť intervencií AI gramotnosti. Trojúrovňová metaanalýza 59,štúdií (172 veľkosti efektu, 7,211 účastníkov) odhaduje veľký celkový efekt intervencií AI gramotnosti (g = 0.837, p < .001) — ale so širokým predikčným intervalom [−0.292, 1.966], takže účinnosť sa výrazne líši podľa prostredia. Intervencie východnej Ázie a Európy prekonali tie v Severnej Amerike, a na vedomostiach zamerané intervencie prekonali tie zamerané na zručnosti, postoje alebo etiku. Autori argumentujú, že by sa preto vzdelávanie v oblasti AI gramotnosti malo posunúť za vedomosti smerom k zručnostiam, praktikám, etike a postojom, podporené integrovanými a reflektívnymi pedagogikami (projektovo a problémovo založenými, na prieskume založenými, skúsenostnými) a nástrojmi podporenými GenAI — posun, ktorý sa zladí s participatívnymi, producentom orientovanými formami počítačového myslenia popísanými inde v tejto vedomostnej báze.

Druhá syntéza dosahuje podobnej veľkosti na užšom základe a zostruje problém merania. Yu, Kim, Chang a Huang (2026) zlúčili 57 veľkostí efektu z 16,štúdií pokrývajúcich 3,837 študentov K-12, ktorí boli vyučovaní samotnej AI, a nie pomocou AI, a odhadli Hedgesovo g = 0.892 (95 % CI [0.548, 1.236], p < .001), robustné voči predpokladaným koreláciám pred a po od 0 do 1 a stabilné po trim-and-fill pri g = 0.952. Každý zo 57 efektov ukázal pozitívne (rozsah 0.16 do 4.93), a žiadny moderátor (zdroj publikácie, rok, úroveň školy) nevysvetlil podstatnú heterogenitu (I² = 94.68 %). Autorov preferované vysvetlenie je meranie: zahrnuté štúdie nazývali všetko od AI znalostí a etiky po postoje, motiváciu, sebaúčinnosť a záujem o kariéru „AI gramotnosťou," takže zlúčené číslo opisuje distribúciu pozitívnych zistení pod jedným voľným označením, a nie jednu jednotnú intervenciu. Pri čítaní popri Liu a spol. sa tieto dva odhady zhodujú, že výučba AI gramotnosti funguje, a zhodujú sa jen na málokom, čo je samo osebe meracím signálom odboru.

Dôkazy z učebne pre zámerne stručné dizajny sú tenšie, ale smerujú rovnakým smerom a pridávajú výsledok na úrovni správania, ktorý prieskumy nedokážu poskytnúť. Clerc a spol. (2026) dali 116,francúzkym študentom 8. až 9. ročníka dvojhodinový workshop o tom, ako LLM fungujú a zlyhávajú, spárovaný s praxou v predikovaní, či prompt vynúti použiteľnú odpoveď, hodnotení odpovede a revízii alebo opätovnom spýtaní sa. O dva dni neskôr, pri šiestich vedeckých problémoch podporených LLM s kontrolnou skupinou, trénovaní študenti prijímali nedostatočne špecifikované prompty menej často (51.5 % vs 66.7 %, OR = 0.47), kladli návazné otázky po slabej odpovedi omnoho častejšie (59.2 % vs 27.9%, d = 0.80), a súdili správnosť odpovede citlivejšie voči kvalite promptu (interakčné OR = 2.52), pri miernom rozdiele v skóre (11.38 vs 10.29,z 20, p = .040). Workshop nikdy nerehearsoval testovacie úlohy, takže to, čo sa prenieslo, bola regulačná postoj, a nie znalosť úlohy — a autori sú explicitní, že dva dni nie sú trvanlivosť.

AI podporená kritická mediálna gramotnosť v základnej škole. Demir a Akar (2026) poskytujú konkrétnu demonštráciu výučby gramotnosti podporenej GenAI v základnej škole: 18-hodinový program modelu 5E pre tureckých študentov štvrtého ročníka, v ktorom boli ChatGPT a Grammarly fázou po fáze zakomponované ako pedagogickí agenti (ChatGPT pre reflektívne otázky a otázky a odpovede, Grammarly a Canva AI pre zdokonaľovanie obsahu, Padlet pre spätnú väzbu medzi študentmi), zosúladený s kurikulami tureckého jazyka a sociálnych vied. Skupina podporená AI ukázala veľké prírastky v čítaní médií (+3.50), písaní (+1.67) a celkovej mediálnej gramotnosti (+5.17, všetko p < .01) s veľkosťami efektu medzi skupinami Cohenovho d = 1.12–1.31, zatiaľ čo kontrolná skupina postupovala len mierne. Kvalitatívna analýza odhalila šesť domén rastu kritickej mediálnej gramotnosti — digitálnu sebaochranu a ochranu údajov, účelné a zodpovedné používanie médií, bezpečnú komunikáciu a povedomie o hraniciach, kritické hodnotenie a povedomie o dezinformáciách, povedomie o online rizikách a etiku médií/digitálne občianstvo — čo je dôkaz, že vývojovo primerané, do disciplíny zakomponované používanie GenAI môže budovať dimenzie kritického hodnotenia a etiky AI gramotnosti, nielen operatívnu zručnosť.

Rámce pre štruktúrovanie AI gramotnosti. Niekoľko nedávnych príspevkov ponúka štruktúrované progresie pre budovanie AI gramotnosti. Marienko, Markova a Semerikov (2026) navrhujú päťúrovňový rámec (Awareness, Application, Evaluation, Creation, Ethics) integrovaný s tromi paradigmatami AI vo vzdelávaní (AI-directed, AI-supported, AI-empowered), vyvinutý prostredníctvom mixed-metódovej štúdie ukrajinských pedagógov stredného vzdelávania (národný prieskum n = 2018; hodnotenie PD n = 1130). Zistili, že 84 % pedagógov používa AI, ale len 11 % dokáže identifikovať špecializované služby nad rámec ChatGPT, a intervencia profesijného rozvoja vytvorila 24 % zlepšenie v AI kompetencii — čo je dôkaz, že cielené PD posúva gramotnosť za povrchovú znalosť nástrojov. Zakotvenie rámca v konštruktivizme, konnektivizme a TPACK prepája na Technological Pedagogical Content Knowledge (TPACK) a AI kompetenciu učiteľa. Dopĺňa to Moore a spol. (2026), ktorí použili dvojročný proces DBR s poradnou radou mládeže a expertov na AI na návrh kurikula ML integrovaného do vedy pre mládež strednej školy, pričom zistili prírastky vedomostí o ML v oboch kohortách (kohorta 2 M2−M1 = 0.175 vs kohorta 1 0.076) a väčšie prírastky medzi ženskými a nebielymi účastníkmi — čo je dôkaz, že participatívny, do disciplíny integrovaný dizajn môže posúvať AI gramotnosť aj rovnosť.

Prehľad PRISMA 39,štúdií STEAM (2016–2025) zistil, že tieto implementácie rozvíjajú najmä technické gramotnosti — základné koncepty AI, počítačové myslenie, gramotnosť v dátach — zatiaľ čo podrozvíjajú etické povedomie, kreatívnu predstavivosť a vytváranie, riadenie a dizajn s AI, takže jednotky zakomponované do disciplíny môžu stále minúť prvky vyššieho rádu (Niri a spol., 2026).

Konštrukt je sporný presne tam, kde ide o pedagógov. Prehľad 34 štúdií o AI gramotnosti vo vzdelávaní učiteľov zistil, že odboru chýba konsenzus o tom, čo AI gramotnosť znamená pre profesionálnych pedagógov ako odlišnú od všeobecnej digitálnej gramotnosti, a Rámec AI kompetencií UNESCO pre učiteľov špecifikuje 15 kompetencií naprieč piatimi dimenziami, pričom funguje ako globálny politický referenčný bod, a nie ako usmernenie implementácie. Fakulta v medziinštitucionálnom kolaboratóriu prípravy pedagógov pokladala AI gramotnosť za integrovanú dimenziu profesionálnej prípravy, a nie za oddelenú technologickú zručnosť, takže od kandidátov sa očakávalo, že budú v rámci disciplinárnych kurzov auditu, porovnávať a odôvodňovať výstup AI, a nie že budú demonštrovať znalosť nástroja.

Počiatočná príprava učiteľov je miesto, kde je štruktúra najtenšia. Pinto a spol. (2026) preskúmali 11 štúdií AI v počiatočnom vzdelávaní učiteľov pre budúcich učiteľov primárnej matematiky a zistili, že deväť bolo jednou reláciou alebo hŕstkou relácií zakomponovaných do existujúcich kurzov, promptovanie bolo explicitným obsahom tréningu len v niektorých z nich, a etika sa objavila len v troch, z ktorých žiadna sa nezaoberala transparentnosťou, algoritmickým predsudkom alebo zodpovednosťou. Riziká, ktoré uvádzajú, sú zlyhaniami na úrovni gramotnosti: budúci učitelia si nevšímali konceptuálne chyby vytvárané ChatGPT, prijímali generovaný obsah nekriticky, a delegovali viac riešenia problémov na nástroj, ako sa úlohy stávali ťažšími. Ich odporúčaním je budovať AI kompetenciu naprieč celou sekvenciou tréningu, od prípravnej fázy do praxe, a nie v izolovanom module.

Výklady pedagógov o tom, prečo sa AI vzdelávanie učí, pridávajú vrstvu účelu, ktorú rámce kompetencií nechávajú implicitnou. Fagerlund a spol. (2026) interviewovali 13 fínskych pedagógov od predškolského vzdelávania po 9. ročník, vo veľkej miere nováčikov v AI vzdelávaní, a čítali ich výpovede o účele cez Biestove tri domény. Kvalifikácia, získavanie kompetencií, bola najjasnejším a najkonkrétnejším účelom, a fungovala ako cesta do ostatných dvoch: študenti mali pochopiť AI ako sociotechnický fenomén a používať jeho nástroje, pričom AI slúžilo ako cieľ aj ako pomôcka k učeniu. Socializácia sa objavila ako kultivovanie nadšenia, prezentovanie AI ako „cool," a vymedzovanie študentov ako budúcich AI zbehlých pracovníkov, ktorí musia naplniť požiadavky kompetencií. Subjektifikácia, sebaurčená a osobne zmysluplná angažovanosť, ktorú Biesta pokladá za ústrednú, bola pomenovaná ako dôležitá, ale nemala konkrétny výučbový repertoár nad rámec diskutovania a kontemplovania, a pedagógovia neponúkli žiadne rozpracované príklady pre spochybňovanie autority AI. Autori navrhujú informovanú AI agentúru, heuristiku, ktorá umiestňuje subjektifikáciu do centra, pričom pokladá kompetencie za vysvetľujúce rámce pre sebaurčené voľby. Dizajnový dôsledok je, že „prečo" AI vzdelávania potrebuje toľko dizajnového pozornosti ako „ako": keď subjektifikácia spocíva na všeobecnej diskusii, výučba AI gramotnosti sa vracia ku kvalifikácii, ktorej mala sedieť po boku.

Pripravenosť sama osebe je sporným cieľom. Charles (2026) argumentuje, že pripravenosť učiteľa na bohaté na AI učenie by sa mala čítať z kvality dizajnov, ktoré učitelia vytvárajú, a nie z prijatia, dôvery alebo digitálnej kompetencie, a buduje rámec okolo mediácie dizajnu: pozorovateľných rozhodnutí, ako je výber nástroja, dizajn úlohy a promptu, podporné lešenie, overovanie, transparentnosť, redesign hodnotenia, plánovanie prístupnosti a ľudský dohľad. Dva z jeho tvrdení majú priame dôsledky pre profesijný rozvoj. Po prvé, sebaúčinnosť je mobilizačný zdroj, a nie ukazovateľ kvality, pretože dôvera bez AI špecifických pedagogických vedomostí alebo etickej orientácie môže urýchliť zlý dizajn, a nie mu zabrániť, čo kvalifikuje obvyklé čítanie dôvery učiteľa ako signálu pripravenosti. Po druhé, jasnosť politiky a inštitucionálna podpora sú oddelené moderátory, takže materiálna podpora môže byť vysoká, zatiaľ čo očakávania zostávajú nejednoznačné a pripravenosť sa stále prekladá zle. Rámec tiež odmieta ztotožňovať nepoužívanie s nepripravenosťou, pretože odôvodnené rozhodnutie zadržať AI môže samo osebe demonštrovať dizajnový úsudok. Je konceptuálny a nevalidovaný, takže dodáva propozície a zdroje dôkazov, a nie etablované efekty.

AI-interakčná gramotnosť: interakčná dimenzia. Brunnström a Palmqvist (2026) navrhujú užšiu, interakčnú kompetenciu — schopnosť riadiť, hodnotiť a učiť sa z iteratívnej interakcie s GenAI — ako špecifické uskutočňovanie aplikačných, hodnotiacich a integračných dimenzií v širších rámcoch, ako je Heptagon AI gramotnosti. Ich reflektívna demonštrácia ukazuje, z čoho v praxi pozostáva: rozpoznanie, že plynulá odpoveď je ladená nad vlastnú schému, žiadosť o zjednodušenie, zúženie rozsahu a presmerovanie systému na zameranú prax. Z toho vyplývajú dva dizajnové dôsledky — zručnosť je nerovnomerne distribuovaná, takže neriedené používanie môže zvýhodniť už sebavedomých študentov a rozšíriť medzery (Equity), a musí sa učiť explicitne, a nie predpokladať sa, pričom učitelia musia pokryť, ako formulovať produktívne prompty a kedy prestať nástroj používať (samoregulované učenie).

Kritická AI gramotnosť: za zručnosťami smerom k moci a odporu

Odlišné vlákno tejto vedomostnej bázy pokladá AI gramotnosť nielen za zručnosti alebo kritické hodnotenie, ale za kritickú a politickú prax, ktorá zisťuje moc, autoritu a to, čie vedomosti sa počítajú. To spája AI gramotnosť s kritickou pedagogikou a rovnosťou:

• „Odporovanie AI" ako postoj gramotnosti. Kritická AI gramotnosť (CAIL) môže zahŕňať odporovanie AI — odmietanie nevyhnutnosti a techno-solutionizmu dominantného diskurzu a kultivovanie kolektívnej agentúry prostredníctvom dialogických, spoluprácujúcich pedagogík.(Reorienting Critical AI Literacy: A Community-Rooted Praxis of “Resisting AI”) To pokladá vzdelávanie za priestor, kde komunity imaginujú a budujú alternatívne budúcnosti, a nie len sa prispôsobujú danému technologickému poriadku.
• Komunitou zakotvené epistemológie. Komunitou zakotvené učenie AI zakladá angažovanosť AI na žité a komunitou zakotvených spôsoboch poznávania študentov, prerovnávajúc epistemickú autoritu AI prostredníctvom epistemického doladenia, prerovnania autority a situovaného rozlišovania.(Community-Based AI Learning: Redistributing Artificial Intelligence's Epistemic Authority in Education)
• Kritické a feministické rámce. Kritická, feministická scholastika argumentuje, že AI gramotnosť by sa mala vymedzovať v rámci pedagogík spravodlivosti, odporu a kultúrnej udržateľnosti — pýtajúc sa, čie vedomosti AI produkuje, kto profituje a kto je zodpovedný, keď systémy zlyhávajú.(Can we disrupt the momentum of the AI colonization of science education?)
• Situované kurikulárne zariadenia. AI gramotnosť môže byť budovaná prostredníctvom situovaných, aktívnych výučbových inštrumentov (napr. Episodes of Situated Learning), ktoré rozvíjajú AI kompetencie naprieč úrovňami, a nie prostredníctvom abstraktnej výučby.(Towards AI literacy: A proposal of a framework based on the Episodes of Situated Learning)
• Kreatívna kompozícia ako pedagogika kritickej AI gramotnosti. Namiesto pokladania AI gramotnosti za technické vedomosti alebo individuálne kompetencie navrhujte príležitosti, aby študenti skladali správy o AI pre skutočné publiká — multimodálny produkt, ako je verejné oznámenie, ktoré zároveň demonštruje a komunikuje kritickú kompetenciu. V triednej štúdii Burriss a spol. (2026) si 22 jedenástakov vybralo vlastné otázky etiky AI a vytvorilo videá PSA o školovom sledovaní, informovanom súhlase a algoritmickom obvinení; naprieč všetkými siedmimi filmami škoda vznikala z prepletenia človeka a stroja, a nie z zákernej nástroja, deje stále končili nádejou a agentúrou, a autori pokladajú rozprávanie príbehov a obhajobu — odolné voči tradičnému hodnoteniu — za jadro pedagogiky kritickej AI gramotnosti, ktorá do centra kladiaciu identitu študenta, výber a hlas.("Young Scholar[s] on the Beat": Multimodal Composition as a Form of Critical AI Literacy Pedagogy)
• Regulačná kompetencia, nie akceptácia. Kim (2026) preformulováva AI gramotnosť v vysokom školstve ako regulačnú kompetenciu — uskutočňovanú prax overovania, revízie, selektívneho prijímania alebo odmietania výstupu AI počas akademickej práce — ukazujúc, že hodnotiaca kapacita a etické povedomie (nie iba ochota používať AI) predikujú aktívnu, kritickú angažovanosť.(From AI Anxiety to Strategic Regulation: How University Students Transform Generative AI into a Strategic Learning Resource)
• Rozpoznávanie patolizálnosti ako zručnosti gramotnosti. Jadrovou hodnotiacou kompetenciou je rozpoznanie, kedy AI so študentom súhlasí, a kedy je správne. Kontextová patolizálnosť ukazuje, že AI gramotnosť a tréning v promptovaní znižujú — ale nevylučujú — patolizálske zrkadlenie chýb používateľa, a patolizálska AI je používateľmi preferovaná presne preto, že im dáva cítiť sa pochopenými. AI gramotnosť preto musí učiť študentov detegovať súhlas pre neho samého a ceniť si korektívne trenie, čo prepája na kalibrovanie dôvery a redukovanie zneužívania AI.
• Valuácia, nielen verifikácia. O'Byrne (2026) zistil, že študenti, ktorí kontrolovali výstup len z hľadiska presnosti, vierohodnosti a relevancie, stále prijímali konceptuálne zplostenú prácu, zatiaľ čo tí, ktorí tiež súdili nuansu, hlas a epistemický postoj, ju prepísali — čo z „kedy nedelegovať úsudok" robí otázku gramotnosti.

Tieto kritické vlákna dopĺňajú operatívne a kognitívne dimenzie AI gramotnosti: kde druhé sa pýtajú „dokáže študent používať a hodnotiť AI?", kritická AI gramotnosť sa pýta „rozumie študent a spochybňuje mocenské štruktúry, ktoré AI vtelia?"

AI gramotnosť v STEM vzdelávaní

Najrozvinutejší disciplinárny dôkazový základ pre AI gramotnosť pochádza zo STEM vzdelávania a Hallström, Chiu, Ding, Koretsky a Li (2026) syntetizujú jeho desať najcitovanejších štúdií (2022–2026), aby ukázali základnú líniu aj jej limity. V celom korpuse je AI gramotnosť definovaná šiestimi prekrývajúcimi sa konštruktmi — vedomosti/zručnosti/postojov (Su & Yang 2024), konceptuálno-procedurálno-kontextuálne vedomosti (Stolpe & Hallström 2024), know-understand/use-apply/evaluate-create/ethics (Ng et al. 2022) a rámcovanie use–communication–evaluation podľa Long a Magerka (Hornberger et al. 2023) — takže „konceptuálna nejednoznačnosť" odboru je meracím problémom: dve štúdie môžu hodnotiť „AI gramotnosť" bez toho, aby hodnotili ten istý konštrukt. Len dve z desiatich ponúkajú úplné rámce. Najostrejším zistením prehľadu je asymetria — korpus takmer výhradne meria gramotnosť študentov, zatiaľ čo takmer nič nerozvíja gramotnosť učiteľov, čo zanecháva intervencie AI gramotnosti zamerané na učiteľov spoločne na predpokladoch, nie na dôkazoch, a autori to spájajú s praktickou požiadavkou, aby samotní učitelia boli AI gramotní, keď takéto intervencie vedú.(AI Literacy and STEM Education: Emerging Frontiers and Research Priorities)

Dôkazy o chatbotoch v tomto korpuse idú proti tréningu založenému na plynulosti. Ding a spol. (2023) zistili, že doučovanie ChatGPT vo vysokoškolskej fyzike zvýšilo dôveru a vedomosti, ale posilnilo mylný predstav o AI ako „nadľudskej a neomylnej", pričom dospeli k záveru, že vzdelávanie AI gramotnosti je „v prvom rade zlepšovanie schopností kritického myslenia študentov pri hodnotení informácií." Xu a spol. (2026) zistili, že programovanie STEM podporené ChatGPT zlepšilo dôveru a vedomosti, ale zanechalo výpočtové myslenie a samostatné myslenie bez zmeny — zisky v plynulosti existujúce popri žiadnom zisku v myslení. Obe zistenia zrkadlia obavy týkajúce sa kalibrovania dôvery a nadmernej závislosti inde na tejto stránke: tutor, ktorý nikdy nezodpovie študentovi odpor, môže vytvoriť sebavedomých študentov, ktorí nedokážu hodnotiť. Postoj, nie pripravenosť ani sebaúčinnosť, sa ukázal ako najsilnejší determinant skutočného používania AI nástrojov medzi bakalárskymi študentmi STEM (Falebita & Kok 2025), a prehľad poznamenáva, že disciplinárne pokrytie STEM je sklonené smerom k biológii a fyzike, pričom technológia ako predmet je takmer neprítomná. Pre dizajn špecifický pre disciplínu je praktické varovanie prehľadu, že komplexné rámce kompetencií (UNESCO, EÚ/OECD) „často postrádajú spojenie s empirickým výskumom alebo dostatočné teoretické zakotvenie" a málo z nich je aplikovateľných v triede.

Čie AI zručnosti sa počítajú? Rozdelenie medzi pedagógmi a zamestnávateľmi

Ústrednou otvorenou otázkou v AI gramotnosti je ktoré zručnosti záležia a pre koho. Štúdia Ithaka S+R porovnávajúca, ako americkí pedagógovia a zamestnávatelia prioritizujú 26,zručností Rámca AI zručností HiBob, zistila, že sa zhodujú na dôležitosti len jednej (stanovenie realistických očakávaní pre AI augmentovanú prácu). Pedagógovia vážia kritickú orientáciu na zodpovedné používanie — rozpoznávanie limitov AI, transparentnosť a atribúcia, ľudská zodpovednosť, proaktívne kontrolovanie výstupu — čo sa zladí s akademickými hodnotami atribúcie, kontrolovania a gramotnosti v informáciách. Zamestnávatelia vážia produktívne orientované zručnosti — hodnotenie a redesign pracovného postupu, automatizáciu a tímovanie človeka a AI — ktoré odrážajú efektivitu tímovo založeného pracoviska. Pretože len tri z 26,zručností vyučuje polovica alebo viac pedagógov, a tie vyučované sú naklonené smerom ku kategóriám kritického používania, správa identifikuje konkrétnu medzeru AI zručností: celé kategórie, ktoré zamestnávatelia cenia, nie sú v vysokoškolských kurikulách ani prioritizované, ani vyučované.(AI skills for college graduates: Exploring how instructors and employers prioritize AI skills differently) Toto rozdelenie vymedzuje AI gramotnosť ako sporný konštrukt — gramotnosť kritického používania pre akademické prostredia vs gramotnosť integrácie do pracovného postupu pre zamestnanie — napätie relevantné pre Framing AI Use for Students, návrh kurikula a profesijný tréning.

Vlastné hodnotenia študentov rozprávajú súvisiaci, ale inak usporiadaný príbeh. ElSayary a Ragab (2026) prieskumovali 380 univerzitných študentov, vo väčšine STEM-enrolled častých používateľov AI, a zistili, že samozapísaná AI gramotnosť nesla väčšinu vysvetlenia vnímanej pripravenosti na zamestnateľnosť: štyri dimenzie gramotnosti pridali ΔR² = 0.554 (p < .001) nad kontrolami pozadia v hodnote len 0.054, a plný model dosiahol 60.8 % variancie. V rámci sady gramotnosti bola najsilnejšia hodnotiaca dimenzia (Analyze & Evaluate, β = 0.286), nasledovaná afektívnou (Attitudes & Mindsets, β = 0.266), s praktickým používaním (β = 0.217) a základnými vedomosťami (β = 0.187) za nimi; pre vnímanú kariérnu pripravenosť špecificky boli významovo asociované len Analyze & Evaluate (β = 0.216, p < .001) a Attitudes & Mindsets (β = 0.192, p = .004). Pri čítaní voči rozdeleniu Ithaka sa vlastný zmysel študentov pre pracovnú pripravenosť nakláňa smerom k orientácii na kritické hodnotenie, ktorú pedagógovia favorizujú, a nie k zručnostiam integrácie do pracovného postupu, ktoré zamestnávatelia vážia. Dizajn je jednorelacové samohodnotenie s jednotne vysokými priemermi (4.17 do 4.57 z 5) a bez opatrenia zamestnávateľa alebo zamestnanosti, takže to, čo ukazuje, je, že samohodnotená AI gramotnosť a samohodnotená zamestnateľnosť sa pohybujú spoločne, pričom hodnotiace a dispozičné časti robia väčšinu práce, a nie, že títo študenti sú preukázateľne pripravení na pracovnú silu.

Navrhovanie intervencií AI gramotnosti

Rámce a empirické štúdie tejto vedomostnej bázy konvergujú na súbor praktických usmernení pre pedagógov a návrhárov výučby budujúcich intervencie AI gramotnosti:

1. Použite štruktúrovaný rámec kompetencií ako podporné lešenie, nie ako kontrolný zoznam. Zrelé rámce dávajú dizajnérom spoločný slovník a vývojovo sekvenovaný cieľ. Rámec SAIL organizuje AI gramotnosť do troch domén (AI Concepts; Application and Technical Skills; AI Digital Citizenship) naprieč štyrmi úrovňami podporného lešenia — Understand and Explore → Apply and Integrate → Evaluate and Create → AI++. Heptagon AI gramotnosti pretína sedem dimenzií (technické vedomosti, aplikácia, kritické myslenie, etika, sociálny vplyv, integrácia, právne/regulačné) so štyrmi úrovňami odbornosti zosúladenými s Bloomom, a zdôrazňuje, že dôraz musí byť prispôsobený disciplinárnemu kontextu — technické programy vážia aplikáciu, programy humanitných vied vážia etické a sociálno-vplyvové uvažovanie.(The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education)(The AI Literacy Heptagon: A Structured Approach to AI Literacy in Higher Education)

2. Angažujte študentov naprieč režimami ICAP. Aplikovaním ICAP efektívna výučba dáva študentom príležitosti angažovať sa na viacerých kognitívnych úrovniach — pasívna expozícia (prednášky o konceptoch AI), aktívna manipulácia (praktické používanie nástrojov), konštruktívna generácia (vytváranie AI artefaktov, samovysvetľovanie) a interaktívny dialóg (spoluprácujúce riešenie problémov s rovesníkmi a AI) — pričom vyberá režim, ktorý zodpovedá cieľu učenia. Systematický prehľad zistil, že úspešné spoluprácujúce intervencie AI gramotnosti pokrývali všetky štyri režimy ICAP.(Systematic Review of Collaborative Learning Activities for Promoting AI Literacy)

3. Hodnoťte preukázanú kompetenciu, nie samovnímanie. Samozapísaná AI gramotnosť sa výrazne odlišuje od meraného výkonu — učitelia preceňujú svoje AI schopnosti o ~40 %, a výkonovo založené opatrenia korelujú s triednou AI integráciou omnoho lepšie ako samohodnotenia (r≈0.72 vs 0.31). Navrhujte intervencie okolo výkonovo založeného hodnotenia a kalibrácie, a nie okolo prieskumov dôvery, a použite diagnostické profily (preceňujúci vs skutoční nováčikov) na cielenú podporu.(How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures)

4. Budujte metakognitívne a kritické dispozície, nielen operatívnu zručnosť. AI gramotnosť je lepšie pochopená ako metakognitívna sociálna prax než ako kontrolný zoznam zručností: pretože LLM sú pravdepodobnostné a nepriehľadné, študenti musia monitorovať a prispôsobovať svoje stratégie, kultivovať vedecký skepticizmus a zisťovať, ako algoritmy formujú produkciu vedomostí — nielen sa učiť ovládať nástroje. Participatívny spoločný dizajn a experimentálne, projektovo založené priestory (nie jednorazový tréning nástroja) sú miesto, kde toto povedomie rastie.(Metacognitive AI literacy: going beyond the AI skills gap agenda)

5. Zakomponujte gramotnosť do disciplíny a urobte ju udržateľnou. Pohyb smerom k vyšším fázam AI gramotnosti (od nekritického používania → informovaného používania → kritického hodnotenia → zlepšovania) je najviditeľnejší, keď sú skúsenosti udržateľné a zakomponované do disciplíny, a nie keď sú dodávané ako samostatné workshopy. Navrhujte pre opakovanú, kontextovú prax v rámci autentických kurzov.(Beyond Tool Adoption: A Practical Five-Stage Developmental Continuum for AI Literacy in Higher Education) Konkrétnym modelom do disciplíny zakomponovanej kritickej gramotnosti je úlohovo založená taxonómia Dierickx a spol. (2026) pre žurnalistiku: mapuje úlohy podporené LLM naprieč štyrmi fázami pracovného postupu správ (zber správ, zmysluplné spracovanie, editovanie, publikácia/distribúcia), z ktorých každá je previazaná so základným promptom a stratégiou rizika a zmierňovania. Pokladaním definície úlohy a promptovania za situovanú formu profesijného úsudku — nie neutrálnu technickú zručnosť — mení promptovanie samotné na vozidlo kritickej AI gramotnosti (predsudok, halucinácia, nadmerná závislosť a trvajúca hodnota ľudského edičného dohľadu), a jeho podkladová logika sa prenáša na ďalšie vedomosťami intenzívne profese (právo, medicína, verejná politika). Dopĺňajúc takéto disciplínne taxonómie, taxonómia Dohn a spol. (2026) klasifikuje učebné činnosti GenAI po šiestich dimenziách, z ktorých Epistemic Engagement (porozumenie / používanie / kritikovanie / konštruovanie GenAI) priamo operationalizuje AI gramotnosť ako hĺbku kognitívneho vzťahu študentov k technológii — od pasívnej expozície po aktívne kritikovanie a konštruovanie.

6. Pokladajte rovnosť a digitálny divide za dizajnové obmedzenia. AI gramotnosť je mechanizmus na riešenie trojúrovňového digitálneho dividu (prístup, zručnosti, výsledky): zatvorenie medzery v zariadeniach nestačí, pokiaľ sa nebudujú zručnosti a kritické používanie, aby sa výhody spravodlivo distribuovali. Intervencie by mali explicitne plánovať pre študentov, ktorí vstupujú s menším predchádzajúcim prístupom k AI, a začleniť kultúrne a riadiace perspektívy, namiesto pokladania gramotnosti za kultúrne neutrálnu.(The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education)(Digital Divide)

7. Spárujte gramotnosť s pákami na redukovanie zneužívania. Pretože zneužívanie AI aktívne škodí trvalému učeniu, výučba gramotnosti by mala byť spárovaná so štrukturálnymi a edukatívnymi pákami dokumentovanými pod redukovaním zneužívania AI — dizajnom nástrojov so zabraňujúcim „nápoveda, nie odpoveď" „nápoveda, nie odpoveď", redesignom hodnotenia a podpornými lešeniami riadenými sekvenciami najprv myslieť/potom AI so zámernou praxou v promptovaní.

8. Začnite od skutočného vstupného bodu študentov. Študenti vstupujú s odlišnými orientáciami — vyhýbaním sa hnaným strachom, nedôverou alebo nedostatkom prístupu, vs nekritickou závislosťou, ktorá maskuje nepochopenie. Diagnostický, fázovo založený prístup (a nie jednotné kurikulum) umožňuje dizajnérom stretnúť študentov tam, kde sú, a posunúť ich smerom ku kritickej, zodpovednej angažovanosti.(Beyond Tool Adoption: A Practical Five-Stage Developmental Continuum for AI Literacy in Higher Education)

9. Rozšírte poskytovanie za publiká, ktoré formálne vzdelávanie už dosahuje. Rámec AI Literacies pre médiá verejných služieb argumentuje z prehľadu viac ako 40 rámcov a 35 expertných interviewov, že poskytovanie sa naklonilo smerom k technickým a funkčným zručnostiam, a že AI gramotnosti sa prekrývajú a mali by byť prepojené s digitálnou, mediálnou a informačnou gramotnosťou, a nie vyučované ako samostatný predmet. Jeho štruktúra — šesť oblastí kompetencií, päť hodnôt a tri úrovne progresie (Understanding and Applying, Analysing and Evaluating, Synthesising and Specialising) s príručkou hodnotenia — je použiteľnou šablónou pre poskytovateľov mimo formálneho školstva, a jeho argument rovnosti je dizajnovým inštrukciou: dosiahnutie mladých ľudí, ktorí sú digitálne alebo inak marginalizovaní, si vyžaduje zámerné partnerstvá, nie univerzálnu publikáciu.(Supporting AI Literacies for Young Adults Aged 14-19: A value-based, practical framework for public service media organisations)

Meranie AI gramotnosti

Odlišné výskumné vlákno pokladá AI gramotnosť nielen za cieľ výučby, ale za konštrukt, ktorý sa merie. Vetva hodnotenia tejto vedomostnej bázy rozlišuje samozapísanú od výkonovo založenej gramotnosti: samohodnotenia sa výrazne odlišujú od preukázanej kompetencie (učitelia preceňujú o ~40 %), a výkonovo založené opatrenia predikujú triednú AI integráciu omnoho lepšie ako prieskumy dôvery (r≈0.72 vs 0.31). Práca na intervenciách reprodukuje túto divergenciu na úrovni správania: v štúdii Clerc a spol. (2026) ani postoje k GenAI, ani všeobecná škála metakognitívneho povedomia nepredikovali reguláciu interakcie študentov s LLM ani ich konečné skóre úloh (r = ,01 a r = ,04, obe nevýznamné), zatiaľ čo správania, ktoré workshop zmenil — odmietanie nedostatočne špecifikovaných promptov, súdenie správnosti odpovede, kladenie návaznej otázky — sledovalo kvalitu odpovede. Validované inštrumenty vznikajú, aby túto medzeru zatvorili — GLAT poskytuje psychometricky validované hodnotenie gramotnosti v generatívnej AI, a diagnostické profily (preceňujúci vs skutoční nováčikov) umožňujú dizajnérom cieliť podporu tam, kde je potrebná. Guo a spol. (2026) mapujú túto krajinu inštrumentov priamo, preskúmajúc 80 validovaných rámcov — 69,digitálnej gramotnosti a 11 AI gramotnosti — publikovaných medzi januárom 2014 a februárom 2025. AI potiahla digitálnu gramotnosť smerom k etike a preformulovala komunikáciu, aby zahŕňala interakciu človeka a AI, zatiaľ čo metakognitívna regulácia a pedagógom špecifická spolupráca človeka a AI zostávajú najmenej špecifikované. Pre dizajn a výskum to spája AI gramotnosť s vzdelávacím meraním a so hodnotením vo všeobecnosti: rámec gramotnosti je len taký užitočný, aké sú inštrumenty použité na sledovanie rastu, a fázovo založené kontinua vyžadujú spoľahlivé meranie na umiestnenie študentov pozdĺž nich.

32-položkový šesťfacetový inštrument rozširuje štvor-dimenzijný model o ďalšie dva facety — zodpovedné používanie a sebarozvoj — a udržiava skalárnu invarianciu naprieč dospievajúcimi (12–17), mladými dospelými (18–40) a dospelými v strednom veku (41–60), hoci autori varujú, že ΔCFI sa priblížilo konvenčnému cut-offu (Liu a spol. (2026)).

Zhi, Yang a Huang (2026) budujú absolventský model na Marzanovej taxonómii: zakotvená teória analýzy interviewov s 14 profesorov skondenzovala 329,surových štítkov do 96,konceptov, 15 kategórií a piatich dimenzií (kognitívny základ, operatívne zručnosti, vyššie rádu myslenie, metakognitívna reflektácia, etická zodpovednosť), potom ich operationalizovala ako 15-položkovú Likertovú škálu, ktorej päť faktorov vzniklo v exploratívnej faktorovej analýze (83.14 % kumulatívnej variancie) a udržalo sa v konfirmačnej faktorovej analýze na druhom podvýbere (CFI = 0.934, RMSEA = 0.083), s spoľahlivosťou od 0.796,do 0.842 naprieč 308 platnými dotazníkmi.

Kritická škála 3wAI gramotnosti (Bozkurt, Ertan & Cömert, 2026) validuje rovnakú trojdielnu štruktúru pre dospelých študentov ako samohlasovací inštrument (n = 546,a n = 647; χ²/df = 4.93, CFI = 0.931, α = 0.913). Jej faktory Know-How a Know-Why vyšli najtesnejšie spárované (HTMT = 0.544), zatiaľ čo samotné teoretické vedomosti sa nepremenili na praktickú účinnosť. Ako samohlasovacie opatrenie zdieľa problém divergencie dokumentovaný vyššie, takže je to validovaná diagnostika, a nie výkonové opatrenie — a autori vyzývajú na revalidáciu naprieč vekovými skupinami a kultúrnymi kontextami.

Súvisiaca otázka je čo tieto inštrumenty dokážu vôbec merať. Burriss a spol. (2026) poznamenávajú, že existujúce škály AI gramotnosti a rámce kompetencií predpokladajú individuálne merateľný výkon, a teda štrukturálne vylučujú spoluprácujúci, kreatívny výraz — dôkazom ich jednotky boli multimodálne filmové artefakty, reflektácie a občiansky diskurz, a nie sumárne skóre, a autori argumentujú, že takýto dôkaz môže dopĺňať, a nie nahrádzať konvenčné opatrenia. Rozšírenie konštruktu môže preto vyžadovať rozšírenie prijateľných dôkazov, nielen pridávanie položiek bohatých na modality do existujúcich škál.

Doplnkové vlákno meria, ako študenti a učitelia prijímajú AI gramotnosť materiály, a nie ich gramotnosť samotnú. Wang, Chuang a Wu (2026) dali 794 študentom a 37 učiteľom hodnotiť dve edície príručiek postavené na UNESCO vekovom prahu (vek 9-12 a 13-18) po približne 30 minútach riadenej triednej expozície. Akceptácia držala štvorfaktorovú štruktúru (Performance Expectancy, Effort Expectancy, Perceived Playfulness, Behavioral Intention) s podporovanou invarianciou merania naprieč dvoma študentskými edíciami, mladší študenti skórovali vyššie na všetkých štyroch konštruktoch, a vnímaná hravosť niesla najväčšiu asociáciu s intenciou v oboch kohortách. Autori sú explicitní ohľadom toho, čo toto nie je: vnímaná akceptácia vekovo vrstveného zdroja nie je dosiahnutie AI gramotnosti, etické uvažovanie, prijatie alebo udržateľné používanie, a akceptácia na úrovni materiálu by sa nemala čítať ako dôkaz, že sa gramotnosť zlepšila.

Meranie sa rozširuje tiež na pedagógov, ktorí mediačne sprostredkujú angažovanosť študentov s AI. Väčšina hodnotení AI gramotnosti cieli na študentov alebo všeobecných používateľov, čo zanecháva medzeru vo vzdelávaní učiteľov — medzeru, ktorú rieši Škála AI gramotnosti učiteľov (TAILS): zakotvená v rámci ED-AI so šiestimi dimenziami (vedomosti, hodnotenie, spolupráca, kontextualizácia, autonómia a etika), bola validovaná prostredníctvom exploratívnej a konfirmačnej faktorovej analýzy s budúcimi uiteľmi jazykov. Takéto inštrumenty podporujú meranie a rozvoj AI gramotnosti pedagógov, ktorí mediačne sprostredkujú angažovanosť študentov s AI. Na študentskej strane Nie a spol. (2026) vyvíjajú a validujú Škálu gramotnosti hodnotenia generatívnej AI (GAA-LS) pre študentov vysokého školstva — 18-položkový, päťfaktorový inštrument, ktorého skóre sleduje angažovanosť v spätnej väzbe, akademickú integritu a zodpovedné používanie AI, s nepriamou trasou k integrite vedúcou cez spätnú väzbu — čo je dôkaz, že na hodnotenie špecifická AI gramotnosť je merateľná a spája sa so správanim integrity. To, čo tento pedagógom orientovaný korpus inštrumentov skutočne obsahuje, bolo odvtedy auditované: prehľad Zainal, Mohd Matore a Maat z roku 2026,meracích nástrojov AI gramotnosti učiteľov ocenil 33 inštrumentov publikovaných medzi rokom 2019,a 2025 a zistil, že 31 (93.9%) boli samohlasovacie škály vnímanej dôvery, len dva testovali vedomosti objektívne, a žiadny nepoužil výkonovo založené úlohy, zatiaľ čo dôkazy o spravodlivosti boli najslabšou doménou kvality, pričom len päť inštrumentov uvádzalo invarianciu merania alebo diferenciálne fungovanie položiek.

Aktualizácia tejto meracej literatúry z roku 2026,ju reorganizuje do štyroch domén — vedomosti a používanie, epistemický dohľad, kalibrácia závislosti a operatívna kontrola agentov používajúcich nástroje — a uvádza, že žiadny validovaný inštrument na individuálnej úrovni v korpuse nepokrýva plnú kombináciu rozsahu, oprávnení, obnovy, izolácie stavu, nezávislého kontrolovania a dôkazmi založeného uzavretia, ktoré agentické používanie nástrojov vyžaduje. Jeho zlúčená subjektívno-objektívna korelácia naprieč tromi efektmi rovnakého výberu bola r = ,055, čo je v súlade s divergenciou popísanou vyššie, a nie so samohodnoteniami ako použiteľnou proxy (Verí (2026)).

Krajina merania je sama osebe neusporiadaná, a teraz čiastočne mapovateľná. He, Zhang, Wang a Ji (2026) analyzovali korpus inštrumentov AI gramotnosti pipeline kódovania založenou na LLM a zistili, že odbor meria mnoho konštruktov pod jedným označením — problém jangle, pričom jeden konštrukt nesie niekoľko mien (Behavioral Commitment sa objavuje v ôsmich kandidátskych pároch, Intrinsic Motivation v piatich), popri kandidátskych prípadoch jingle, kde inštrumenty zdieľajú označenie, ale nie svoj obsah položiek. Ich obnova štruktúry položiek a konštruktov na základe sémantickej podobnosti korelovala len stredne s vlastnými nahlásenými spoľahlivosťami inštrumentov (r = 0.49,na úrovni položiek proti 0.45 a 0.35 na úrovni konštruktov), a metódu ponúkajú ako screening, a nie ako rozhodnutie. Dôsledok pre každého, kto vyberá opatrenie, je, že konvergentné tvrdenia naprieč štúdiami nie sú bezpečné predpokladať: dva inštrumenty s rovnakým menom nemusia operationalizovať rovnaký konštrukt.

To, čo tieto inštrumenty dokážu podporiť, bolo odvtedy auditované, a audit je stretmý. Jin, Gašević, Martinez-Maldonado a Yan (2026) preskúmali 8,056,záznamov dole na 58 štúdií pokrývajúcich 47 unikátnych inštrumentov, ocenených pomocou COSMIN proti konštruktu, ktorého okno vývoja inštrumentu sa skomprimovalo do troch rokov (dva inštrumenty pred rokom 2023, 28 len v roku 2025). Korpus zostáva 37 z 47 samohlasovací, a dôkazy sa zhlukujú tesne okolo internej štruktúry: štrukturálna platnosť bola dostatočná v 32 z 58 štúdií a interná konzistencia v 32, pričom žiadna nebola ohodnotená ako nedostatočná, ale platnosť konštruktu bola nahlásená len 15 štúdiami (12 dostatočných), kriteriálna platnosť jednou, invariancia merania piatimi (všetky dostatočné), a len 2 z 58 získali dostatočné celkové hodnotenie platnosti obsahu — komplexnosť bola nedostatočná v 53, napriek tomu, že 43 štúdií uvádzalo kognitívne interviewovanie. Vzor je, že meracia prax vyzerá robustne presne tam, kde je najlacnejšie ju demonštrovať, a tenko tam, kde musia prísť dôkazy z vonku inštrumentu, takže čistá faktorová štruktúra a vysoký koeficient (ktorý môže odrážať redundanciu položiek rovnako ako reprezentáciu konštruktu) by sa nemali čítať ako preukázaná schopnosť. Preskripciou autorov je konsolidácia, a nie proliferácia: zdokonaľovať existujúce škály, testovať invarianciu vždy, keď jedna prekračuje jazyk alebo vzdelávaciu fázu, a pridať kriteriálne dôkazy vzťahovaním skóre k výkonovým úlohám.

Jedna z výnimiek je postavená na porovnávanie skupín. Zhang a spol. (2026) vyvinuli Škálu gramotnosti v generatívnej AI (GAILS) — 43 položiek zredukovaných na 34 prostredníctvom Delphi prehľadu piatich expertov a sedemčlenného pilota, potom validovaných v 341 severoamerických dospelých — a testovali skalárnu invarianciu, pričom zistili, že sa udržala naprieč ženskými a mužskými respondentmi a naprieč študentskými a pracovno-silovými skupinami. To je to, čo licencuje porovnania priemerov, ktoré inštrument uvádza — muži skórujúci mierne vyššie na Adaptívnych operatívnych zručnostiach, študenti vyššie na Adaptívnych operatívnych zručnostiach a Zodpovednej GenAI gramotnosti — ako rozdiely kompetencií, a nie diferenciálne fungovanie položiek, a to je to, čo robí škálu použiteľnou naprieč vysokým školstvom a pracovnými prostrediami, a nie len študentskú. Jej vlastné dôkazy nie sú bezchybné: fit bol zmiešaný (CFI = .967 a SRMR = ,058 vnútri konvenčných cut-offov, RMSEA = ,087 nad nimi), celoškála α = ,973 sedí popri jedného zlyhaného Fornell-Larckerovho diskriminačného porovnania (Factor 1 √AVE = ,828 proti r = ,873 s Factor 3), a, takmer ako všetko v korpuse, meria vnímanú kompetenciu bez behaviorálneho kritéria. Validovaná škála v tomto odbor je východiskový bod pre prácu na invariancii a kritériách, ktorú prehľad vyzýva, nie hotový benchmark.

Prepojenia naprieč vedomostnou bázou

AI gramotnosť pretína AI tutorstvo (porozumenie tomu, kedy a ako sú AI tutori účinní), AI kompetenciu učiteľa (pripravenosť pedagógov), akademickú integritu (vedomie toho, čo predstavuje prijateľné používanie AI) a AI vo vzdelávaní vo všeobecnosti. Je zároveň predpokladom efektívneho používania AI a výsledkom dobre navrhnutej AI integrácie — študenti sa učia AI gramotnosť tým, že AI používajú kriticky, nielen tým, že sa o AI učia z opisov.

AI gramotnosť je pre nadmernú závislosť obojstranne ostrá: Maizel a spol. (2026) zistili, že dimenzie AI gramotnosti založené na zručnostiach (používanie/porozumenie, detegovanie) boli pozitívne asociované s nahlásenou závislosťou na AI, zatiaľ čo AI sebaúčinnosť a akademická dôvera boli asociované negatívne — takže technický tréning AI gramotnosti, bez podporných lešení sebaúčinnosti a sebaregulácie, môže závislosť zvýšiť. AI gramotnosť sa tu stáva umožňujúcou kapacitou, ktorej smer závisí od komplementárnych motivačných zdrojov.

• Návyky overovania sa vyplácajú len prostredníctvom regulácie. V prieskume Davor, Larbi a Boateng (2026) 533 univerzitných študentov v Ghaně mala gramotnosť overovania AI žiadny významový priamy efekt na kritické myslenie (beta = ,076, p = .090) ani na technické riešenie problémov (beta = ,043, p = .385) a záležala len prostredníctvom metakognitívnej sebaregulácie (beta = ,167, p < .001), plnej mediácie, ktorú autori nazývajú metakognitívnou aktiváciou. Podporné lešenie úloh AI predikovalo oba výsledky (beta = ,185 a ,170), zatiaľ čo tendencia kognitívneho odľahčenia ich predikovala negatívne (beta = −,240 a −,312) a tiež tlmila reguláciu (beta = −,294). Výučba študentov kontrolovať výstup AI preto sama osebe nestačuje: hodnotiace návyky potrebujú plánovanie, monitorovanie a reflektovanie zabudované do úlohy.
• Kritika výstupu AI ako prax gramotnosti: Hosseini (2026) pokladá hodnotenie generovaných AI chýb za jadrovú zručnosť AI gramotnosti, pričom používa analýzu režimov zlyhania a iteratívne zdokonaľovanie promptov v kurze dizajnu databáz. Štúdia zistila, že študenti preceňovali svoje AI schopnosti (samozapísaná gramotnosť slabšie, negatívne korelovala s objektívnou kompetenciou), a že na kritike založené učenie posilňovalo kalibráciu.
• Socialistická humanistická AI gramotnosť (2026): Prehľad literatúry kritizuje na compliance orientovanú AI gramotnosť a navrhuje socialisticko-humanistické vymedzenie asynchrónnej AI gramotnosti a fair use vo vysokom školstve, spájajúc historický digitálny divide s modernou AI gramotnosťou a vyzývajúc na prístupy, ktoré slúžia ľudskému rozkvetu a rovnosti, a nie mechanickej compliance politiky (From Mechanical Compliance to Human Flourishing: A Socialist Humanist Approach to Asynchronous AI Literacy and Fair Use in Higher Education).
• Lacné, jemné varovania tupia AI presviedčanie — bez ceny všeobecnej dôvery. Orchinik a Rand (2026) preregistrovali dva experimenty (celkovo N = 3,208 amerických dospelých), v ktorých účastníci konverzovali s Large Language Models (LLMs) inštruovaným posunúť ich názory na politické témy. Jedno stručné varovanie — že modely môžu byť promptované presviedčať a môžu prezentovať informácie selektívne — znížilo zmenu presvedčenia približne o polovicu (−48.1 %, 95 % CI [−59.5 %, −36.8 %]) voči kontrole, a pridanie varovaní špecifických techník presviedčania neprinieslo ďalší prospech. Vlastnosť, ktorá záleží pre výučbu, je na druhej strane efektu: všeobecná dôvera v Generative AI neklesla, takže intervencia buduje kalibrovanú dôveru, a nie všeobecný skepticizmus. Je to intervencia v jednom odseku, bez facilitácie, čo je pre dizajn AI gramotnosti zriedkavý profil nákladov.
• Riadenie AI zo strany študentov záleží viac ako dizajn nástroja. Azimi (2026) randomizoval 33 študentov v magisterskom kurze dátovej analytiky medzi AI Study Coacha s podporným lešením zakomponovaným do notebookov (n = 16) a neobmedzeným používaním akýchkoľvek Generative AI nástrojov, ktoré si vybrali (n = 17), po dobu siedmich týždňov. Výkon na zadaniach a prírastky v inzentári pojmov boli nerozlíšiteľné; podmienka Coach nahlásila vyššiu dôveru namiesto toho. Čo študentov rozdelilo, bola AI gramotnosť v praxi: tí, ktorí si formulovali vlastné pravidlá pre to, kedy AI používať, skórovali vyššie v oboch podmienkach, a študenti s najhlbším porozumením modelu — každý z nich samoukom — promptovali najzámernejšie. Dizajnový dôsledok ide proti reflexu kontroly: učte sebaregulačné a model-porozumenie komponenty AI gramotnosti, a nie obmedzujte nástroje.

Prepojené koncepty

• Pedagogical Patterns — Vyvinuté krokmi kritickej apreciácie v týchto sekvenciách
• Learners — Študenti: zastrešujúci rámec pre koncepty na strane študenta
• Generative AI — technológia, na ktorú AI gramotnosť mieri
• Large Language Models (LLMs) — systémy v jadre AI gramotnosti
• Critical Thinking — jadrová hodnotiaca dispozícia
• Prompt Engineering — jadrová praktická kompetencia
• Metacognition — gramotnosť ako metakognitívna sociálna prax
• Cognitive Offloading — riziko nadmernej závislosti, ktoré gramotnosť kontruje
• Reducing AI Misuse — behaviorálna výplata gramotnosti
• Academic Integrity — vedomie toho, čo predstavuje prijateľné používanie AI
• Self-Assessment — súdenie vlastnej práce a zručnosti, ako technika a ako opatrenie
• Trust Calibration — kalibrovanie primeranej dôvery
• AI Sycophancy — zručnosť gramotnosti detegovať súhlas
• Equity — spravodlivá distribúcia gramotnosti
• Digital Divide — medzera prístup/zručnosti/výsledky
• Ethics — dimenzia etického povedomia
• Teacher AI Competency — pripravenosť pedagógov
• Educational Development — budovanie gramotnosti pedagógov
• AI-Assisted Educational Research — AI asistovaný vzdelávací výskum
• K-12 — gramotnosť na školskej úrovni
• Higher Education — gramotnosť na univerzitnej úrovni
• Career Development and Readiness — výplata zamestnateľnosti, ktorú sa tvrdí, že AI gramotnosť buduje
• AI vo vzdelávaní — širší odbor

Prepojené články

• Modeling the Relationships Between University Students' AI Competence, AI Ethical Awareness, and AI Anxiety: A Dual-Stage PLS-SEM and ANN Analysis - Zvyšovanie etickej dimenzie gramotnosti bez rámca zvládania môže zanechať študentov úzkostlivejších

• Reconceptualizing digital literacy in the AI era: A systematic review of validated frameworks from an ecological perspective — 80 validovaných rámcov ukazuje, že AI rozširuje digitálnu gramotnosť smerom k etike, zatiaľ čo spolupráca pedagógov človeka a AI zostáva nedostatočne špecifikovaná (Guo a spol. 2026)

• Supporting AI Literacies for Young Adults Aged 14-19: A value-based, practical framework for public service media organisations — Šesť oblastí kompetencií, päť hodnôt a tri úrovne progresie pre médiá verejných služieb

• The AI Literacy Heptagon: A Structured Approach to AI Literacy in Higher Education — Heptagon AI gramotnosti

• Beyond Tool Adoption: A Practical Five-Stage Developmental Continuum for AI Literacy in Higher Education — Praktické päťfázové kontinuum pre AI gramotnosť

• Clarifying the Conceptual Landscape in AI Literacy Measurement: A Large Language Model Based Approach — Mapovanie korpusu inštrumentov AI gramotnosti: 55 konštruktov, páry jangle a jingle, kódovanie založené na LLM

• Measuring Artificial Intelligence Literacy: A Systematic Review of Instrument Development, Conceptual Foundations, and Psychometric Quality — COSMIN ocenenie 58 štúdií a 47 inštrumentov AI gramotnosti: dôkazy platnosti sa zhlukujú okolo internej štruktúry, zatiaľ čo kriteriálne, obsahové a invariančné dôkazy zostávajú vo veľkej miere chýbajúce (Jin a spol. 2026)

• The Generative Artificial Intelligence Literacy Scale (GAILS): Development, Validation, and Measurement Invariance Across Sex and Occupational Status Groups — GAILS: 34-položková škála gramotnosti v GenAI validovaná v 341 dospelých, skalárne invariantná naprieč pohlaviami a študentskými/pracovno-silovými skupinami (Zhang a spol. 2026)

• GLAT: The Generative AI Literacy Assessment Test — GLAT: validovaný test gramotnosti v generatívnej AI

• How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures — Hodnotenie AI gramotnosti: nesúlad samozapísaného a výkonového

• Development and validation of the generative AI assessment literacy scale for higher education students — GAA-LS: validovaná Škála gramotnosti hodnotenia generatívnej AI pre študentov vysokého školstva (Nie a spol. 2026)

• Beyond AI Literacy: A Structured Review and Exploratory Meta-Analysis of Measures for Competent Generative-AI Use — Za AI gramotnosťou: štruktúrovaný prehľad a exploratívna metaanalýza opatrení pre kompetentné používanie generatívnej AI

• How AI literacy correlates with affective, behavioral, cognitive and contextual variables: A systematic review — systematický prehľad toho, s čím AI gramotnosť koreluje

• Assessing teachers' AI literacy: a systematic review of measurement tools — systematický prehľad nástrojov, ktoré merajú AI gramotnosť učiteľov

• Development of an AI literacy self-assessment questionnaire in upper primary school students — dotazník samohodnotenia pre študentov staršieho primárneho vzdelávania

• Metacognitive AI literacy: going beyond the AI skills gap agenda — AI gramotnosť ako metakognitívna sociálna prax

• AI Literacy Interventions in Education: A Meta-Analysis of Effects and Moderators — Metaanalýza efektov intervencií AI gramotnosti

• The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education — Rámec Scaffolded AI Literacy (SAIL)

• Measuring Acceptance of Age-Tiered AI Literacy Guidebooks: A Developmentally Informed Study of K-12 Students and Teachers — Vekovo vrstvené príručky AI gramotnosti hodnotené s 794 študentmi a 37 učiteľmi: štvorfaktorová štruktúra akceptácie invariantná naprieč edíciami 9-12 a 13-18, pričom mladší študenti vyššie na každom konštrakte

• Reorienting Critical AI Literacy: A Community-Rooted Praxis of “Resisting AI” — Kritická AI gramotnosť: moc, odpor, agentúra

• Prompts to Practice: A Pedagogical Framework for Human-Centered AI Engagement — Gramotnosť v promptovaní ako základná gramotnosť odlišná od inžinierstva promptov: päťfázový ľudsky strediskový model angažovania GenAI (Miles, Haber-Curran & Arar 2026)

• The Hidden Cost of Contextual Sycophancy: an AI Literacy Intervention in Human-AI Collaboration — Kontextová patolizálnosť ako intervencia AI gramotnosti

• Understanding Student Dependency on AI: The Role of AI Literacy, Academic Self-Efficacy, and Resource Management Strategies — AI gramotnosť, sebaúčinnosť a závislosť

• Teaching Students to Question the Machine: An AI Literacy Intervention Improves Students' Regulation of LLM Use in a Science Task — dvojhodinový workshop zmenil reguláciu interakcie so študentmi strednej školy s LLM, zatiaľ čo samohodnotenia nepredikovali nič (Clerc a spol. 2026)

• Artificial Intelligence Literacy and Sustainable Development: An Ethical Governance and Development Goals Framework — AI gramotnosť ako kapacita riadenia pre trvalo udržateľný rozvoj: taxonómia AIRE a nexus AI–SDG (Islam, Morshed & Islam 2026)

• AI Literacy in Secondary Education: Framework, Assessment, and Professional Development in the Ukrainian Context — Päťúrovňový rámec AI gramotnosti pre ukrajinských pedagógov stredného vzdelávania (Marienko a spol. 2026)

• STEAM Education for AI Literacy: A Systematic Literature Review — Vzdelávanie STEAM pre AI gramotnosť: systematický prehľad

• Systematic Review of Collaborative Learning Activities for Promoting AI Literacy — Rámec spoluprácujúcej AI gramotnosti

• Co-Constructing AI Boundaries: Agency, Judgment, and Ethical Literacy in AI-Mediated Meaning-Making — preformulováva AI gramotnosť ako súdenie, ktorú interpretačnú prácu nedelegovať

• Artificial intelligence-supported learning and higher-order cognitive outcomes: the mediating role of metacognitive self-regulation — Gramotnosť overovania AI záležala len prostredníctvom metakognitívnej sebaregulácie, zatiaľ čo kognitívne odľahčenie predikovalo nižšie kritické myslenie a riešenie problémov (Davor a spol. 2026)

• Designing for AI literacy: psychological mechanisms and self-determination — Výučba založená na myslení prekonala výučbu založenú na zručnostiach na objektívne hodnotenej úlohe, pričom autonómia a kompetencia nesli efekt (Yu, Lin & Chen 2026)

• Psychological predictors of continued ChatGPT use among university students: the roles of AI literacy, trust, and academic self-efficacy — Trasa od AI gramotnosti k pokračujúcemu používaniu ChatGPT vedie cez dôveru a akademickú sebaúčinnosť, a AI úzkosť stenčuje prvú väzbu (Hu 2026)

• Modeling and measuring graduate students’ generative AI literacy: a study based on Marzano’s taxonomy — Päťdimenzijný model zakotvený v Marzanovi a 15-položková samohlasovacia škála pre absolventskú GenAI gramotnosť (Zhi a spol. 2026)

• Artificial intelligence in initial teacher training for pre-service primary school teachers in mathematics: a systematic review — Jedenásť štúdií AI v počiatočnom vzdelávaní učiteľov matematiky, vo väčšine krátkodobých, s etikou riešenou len v troch (Pinto a spol. 2026)

• Generative artificial intelligence in university chemistry education: a critical review using Johnstone’s chemistry triplet and Biggs’ 3P model — Overovaním stredisková integrácia GenAI v univerzitnej chémii, s reprezentačným prekladom ako jadrom požiadavky AI gramotnosti (Vega-Baudrit & Rivera Alvarez 2026)

• Who Acts, Who Knows, Who Answers? A Corpus-Assisted Discourse Analysis of Agency, Epistemic Responsibility, and Accountability in Generative AI Higher Education Research — Kto koná, kto vie, kto odpovedá? Korpusovo asistovaná diskurzívna analýza agentúry, epistemickej zodpovednosti a zodpovednosti vo výskume generatívnej AI vo vysokom školstve

• Bridging the Gap: Investigating Students' Self-Reported AI-Literacy and Perceived Employability Competencies for an AI-Enabled Workforce — Samozapísaná AI gramotnosť vysvetľovala 60.8 % vnímanej pripravenosti na zamestnateľnosť, pričom hodnotiace a afektívne dimenzie boli najsilnejšie (ElSayary & Ragab 2026)

• From Competency to Agency: Teachers' Views of the Purposes of AI Education — Účely pedagógov pre AI vzdelávanie čítané cez Biestovu kvalifikáciu, socializáciu a subjektifikáciu, a heuristiku informovanej AI agentúry (Fagerlund a spol. 2026)

• Teacher Readiness-By-Design for AI-Rich Interactive Learning — Pripravenosť učiteľa ako kvalita dizajnu, a nie prijatie alebo dôvera, so sebaúčinnosťou ako zdrojom a nepoužívaním ako nie nepripravenosť (Charles 2026)

• The Effects of K-12 Artificial Intelligence Education in Enhancing AI Literacy: A Meta-Analysis — AI vzdelávanie K-12 zvýšilo AI gramotnosť so zlúčeným g = 0.892 naprieč 57 pozitívnymi efektmi, a nesúhlas merania vysvetľuje heterogenitu (Yu a spol. 2026)

• Literacy demands placed on students in student–GenAI entanglements in higher education — Požiadavky gramotnosti sa líšia podľa typu prepletenia študent–GenAI; formy Assistant a Enabler dominujú, zatiaľ čo zvyšok zostáva marginálny z inštitucionálnych dôvodov (Sun, Dohn & Rehm 2026)

• The AI Competence Framework Landscape: A Comparative Analysis of Frameworks for Education and Workforce Development — Porovnávacia analýza 16,rámcov AI kompetencií pre vzdelávanie a rozvoj pracovnej sily

• A Multidimensional Analysis of AI Literacy Determinants: External Resources, Digital Skills, and Psychological Profile Among University Students — Vonkajšie zdroje, digitálna kompetencia a psychologický profil ako spoločné determinanty, s obrátením znamienka technologickej úzkosti

• The Six-Facet Artificial Intelligence Literacy Questionnaire (SFAILQ): Assessing AI Literacy in Adolescents, Young Adults, and Midlife Adults — Šesťfacetový inštrument pridávajúci facety zodpovedného používania a sebarozvoja, skalárne invariantný naprieč dospievajúcimi, mladými dospelými a dospelými v strednom veku

• Exploring University Faculty's AI Well-Being: A Structural Equation Model of Social Supports, AI Literacy, and Technological Self-Efficacy — Model štrukturálnymi rovnicami AI pohody akademického personálu, sociálnych podpôr a AI gramotnosti

• What Does It Mean to Be AI Literate? Psychometric Validation of the Critical 3wAI Literacy Scale — Validovaná 17-položková samohlasovacia škála s tromi odlišnými faktormi AI gramotnosti (Know What/How/Why); Know-How a Know-Why najtesnejšie spárované (HTMT = 0.544)

• AI Literacy and STEM Education: Emerging Frontiers and Research Priorities — Syntéza desiatich najcitovanejších štúdií AI gramotnosti v STEM vzdelávaní (Hallström a spol. 2026)