Vedecká databáza AIEdAIEd KB
Na tejto stránke

Prečítajte si túto stránku po anglicky

Pojmy

Spolupráca človeka a AI

Vytvorené 2026-05-29 · Aktualizované 2026-11-08

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

Spolupráca človeka a AI — rozdelenie kognitívnej práce medzi ľudí a modely — je ústrednou interakčnou témou tejto vedomostnej bázy: Human-AI collaboration in higher education: Exploring the impact of technology expectations and distrust, "It felt a bit eerie": Exploring humanlike interactions during collaborative writing with an artificial agent, Generative AI (GenAI) as a mindtool that supports generative learning (GL) a Balancing Teacher and Student Agency: Co-Orchestration Tool Design Supporting Real-Time Dynamic Pairing skúmajú dôveru, agentúru a komplementárne roly (Human-in-the-Loop, Agentická AI). Určujúcou otázkou je, či partnerstvo zachováva alebo nahrádza vlastnú kognitívnu prácu študenta — to isté usporiadanie môže podporiť učenie alebo ho nahradiť podľa toho, ako sa delí zodpovednosť.

Otázky na zamyslenie

  • Určujúcou otázkou spolupráce človeka a AI je, či partnerstvo zachováva alebo nahrádza vašu vlastnú kognitívnu prácu. Spomeňte si na úlohu, ktorú ste odovzdali AI: generovali a rozhodovali ste, alebo ste len prijímali?
  • Jedna štúdia zistila, že voľná spolupráca s ChatGPT priniesla len prechodné prírastky, ktoré sa zrútili pri neskoršej úlohe bez pomôcok, kým protokol „najprv mysli, potom ChatGPT“ priniesol trvácne učenie. Prečo by to, kto generuje nápady, mohlo predpovedať, či sa skutočne učíte?
  • Ten istý nástroj môže učeniu pomáhať alebo ho nahrádzať podľa toho, ako sa delí zodpovednosť. Napadá vás usporiadanie, ktoré vás udržalo kognitívne produktívnymi, oproti takému, ktoré ticho odľahčilo vaše myslenie?
  • Jedno usporiadanie obracia obvyklé roly: namiesto modelu, ktorý dodáva odpovede, študent vysvetľuje obsah a model hrá neznalú stranu, ktorá žiada vysvetlenia, príklady a protipríklad. Ak sa pýta AI, čo sa stane s tým, koľko myslenia zostane na vašej strane?
  • Dôvera sa opisuje ako niečo, čo treba kalibrovať, a nie predpokladať — spoliehať sa na AI tam, kde je to vhodné, a overovať tam, kde nie. Ako dnes rozhodujete, kedy výstupu AI dôverovať a kedy ho overiť?
  • Výskum identifikuje režimy spolupráce, ktoré obchodujú efektívnosť za hĺbku vašej samoregulačnej angažovanosti. Kedy sa vyplatí prijať nižšiu efektívnosť, aby vám zostalo viac učenia vo vlastných rukách?
  • Ak je spolupráca pedagogickou voľbou rovnako ako technickou, aké dizajnové kroky (prompty, pracovné postupy, štruktúry) by ste nastavili, aby AI u vašich študentov rozširovala myslenie, a nie ho nahrádzala?

Úvod

Spolupráca človeka a AI opisuje, ako si študenti, učitelia a systémy AI delia kognitívnu prácu — kto čo robí, kto rozhoduje a ako sa udržiava dôvera a agentúra. Namiesto rámovania AI ako náhrady alebo pasívneho nástroja pokladá výskum spolupráce AI za partnera s komplementárnymi silnými stránkami, ktorých hodnota závisí od toho, ako sa zodpovednosť delí a monitoruje. Na úrovni pozorovateľného správania interakcia študenta s AI zachytáva, ako študenti tento vzťah uskutočňujú v praxi — aké otázky, prompty a overovacie kroky robia s AI z momentu na moment.

Delenie práce prechádza aj ľuďmi, ktorí interakciu navrhujú. Naprieč dvanástimi implementáciami kurzov prípravy učiteľov fakulta stavala AI ako mysliaceho partnera, generátora kritiky alebo nástroj na nácvik, kým kandidáti si zachovávali zodpovednosť za hodnotenie, adaptáciu a odôvodňovanie rozhodnutí, no tá istá biela kniha uvádza, že kandidáti znehodnotili spätnú väzbu, ktorú už predtým posúdili ako užitočnú, len čo sa zverejnilo autorstvo AI — epizóda, ktorú nazýva efekt prasknutia balóna. Analýza 1 378 ťahov dizajnéra s chatbotom ukazuje opačný smer pri generovaní: dizajnéri používali vloženého asistenta hlavne na kontroly zosúladenia cieľov učenia a pedagogického prístupu, a nie na produkciu obsahu. V oboch prípadoch nesie učenie hodnotiaci úsudok človeka, a nie výstup modelu.

Prínosy, riziká a dôsledky pre návrh

Dôkazy tejto vedomostnej bázy ukazujú, že spolupráca človeka a AI je dvojsečné usporiadanie, ktorého výsledok určuje návrh, a nie samotná AI:

  • Spolupráca môže zlepšiť učenie, keď zachováva kognitívnu angažovanosť. Štúdie generatívnej AI ako mysliaceho nástroja a riadenej spolupráce ukazujú, že keď delenie práce necháva študenta generovať, rozhodovať a hodnotiť, AI myslenie rozširuje, a nie nahrádza — čím vznikajú trvácne prírastky samoregulovaného učenia a kreativity. To, že si študent ponecháva rozhodujúcu rolu, sa prenáša aj do písania: Oppenheimer, Cash a Connell Pensky (2025) ukazujú, že kritiky esejí študentov od LLM zlepšili písanie za semester, pričom študenti rozhodovali, či spätnú väzbu modelu zapracujú alebo ju vyvrátia (87,8 % tvrdení vyvrátili) — usporiadanie, ktoré zachovalo hodnotiacu prácu študenta — a prírastky sa objavili aj na esejach napísaných bez podpory LLM, čo naznačuje trvácnu zručnosť, a nie závislosť od nástroja.

  • Spolupráca môže učenie nahradiť, keď odľahčí príliš veľa. Režimom zlyhania je nadmerná závislosť: keď AI produkuje odpoveď, rola študenta sa zrúti na pasívne prijímanie a okamžitý výkon úlohy maskuje absenciu trvácneho učenia. Výskum výkonu verzus učenia a cyklus škody od substitúcie k podpornému lešeniu (From Substitution to Scaffolding: Breaking the Self-Reinforcing Harm Cycle of AI in Education (and Beyond)) to dokumentujú systematicky.

  • Lepšie skóre samo osebe nie je dôkazom, že spolupráca niečo naučila. Ostatné dôkazy na tejto stránke čítajú asistovaný výkon opatrne a randomizovaný test typu podpory ukazuje prečo. V laboratórnej štúdii Iqbal a spol. (2026) napísalo 87 študentov angličtiny ako cudzieho jazyka esej bez pomôcok a potom ju revidovali s ChatGPT 4.0 (n = 29), s ľudským inštruktorom písania (n = 28) alebo bez podpory (n = 30). To, ktorú zo štyroch revíznych stratégií odvodených zo stôp študent použil, bolo silne spojené s podporou, ktorú mal (Cramérovo V = 0,668), a len mierne s jeho skoršou stratégiou písania (Cramérovo V = 0,333); motivácia, písacia zručnosť a presnosť metakognitívneho úsudku neukázali celkovú asociáciu, metakognitívna väzba sa vynorila len v podmienke bez podpory (p = 0,0460). Kritické je, že žiadna revízna stratégia nepredpovedala zmenu skóre (p = 0,273), hoci typ podpory áno: skupina s generatívnou AI sa zlepšila významne viac než skupina s ľudským expertom a kontrolná skupina (H(2) = 16,591, p = 0,00025, η² = 0,174) a v rámci tej istej stratégie postupne klesajúceho hľadania pomoci študenti s generatívnou AI získali v priemere približne 4 body, kým študenti s ľudským expertom stratili 0,5. Autori čítajú tento vzor ako externú podporu obchádzajúcu vlastný metakognitívny úsudok študenta a varujú, že prírastky môžu byť optimalizáciou špecifickou pre úlohu, a nie trvácou schopnosťou. To neobracia princíp kto generuje a rozhoduje (štúdia menila, kto poskytuje podporu, nie kto generuje myslenie), ale zostruje test, ktorý by mal inštruktor použiť: prírastok získaný pod asistovaním musí prežiť úlohu bez pomôcok, aby sa počítal ako učenie, a pridanie ľudského experta do miestnosti nie je automaticky bezpečnejším usporiadaním.

  • Ani pridanie rovesníkov nie je automaticky bezpečnejšie usporiadanie. Chu, Dai a Zhai (2026) nechali 87 bakalárov pracovať samostatne alebo vo dvojiciach so systémom viacerých agentov generatívnej AI osem týždňov. Dvojice skórovali najvyššie v komplexnom dizajnovom projekte (M = 89,64 oproti 85,85 u študentov, ktorí pracovali vo dvojiciach bez systému, a 86,45 u tých, ktorí s ním pracovali sami, p = 0,039), no povedomie o kritickom myslení stúplo najviac u tých, ktorí pracovali sami (M = 0,41), a u dvojíc mierne kleslo (M = −0,04, p = 0,039).

  • Dizajnový princíp — zachovajte produktívnu prácu študenta. Naprieč výskumom je najostrejším prediktorom toho, či spolupráca pomáha alebo škodí, kto generuje a rozhoduje. Usporiadania, ktoré udržiavajú človeka kognitívne produktívnym (riadené promptovanie, „najprv mysli, potom konzultuj AI“, kroky overovania a hodnotenia), podporujú učenie; usporiadania, ktoré odovzdajú celú úlohu modelu, nie. Komplementárnym krokom je zmeniť, čím má byť model. V kváziexperimente Wang a spol. (2026) 68 budúcich učiteľov buď vysvetľovalo koncept prevrátenej triedy generatívnej AI ako začiatočníkovi postavenému na ERNIE 3.5 (systém rámcovaný ako zvedavý a oceňujúci, ktorý žiadal vysvetlenia, príklady, odôvodnenie overovania a opačnú perspektívu, sekvencované nahor Bloomovou taxonómiou), alebo kládlo otázky generatívnej AI ako učiteľovi postavenému na tom istom modeli. Študenti, ktorí učili AI, vysvetľovali lepšie (definovanie prevrátenej triedy M = 4,18 oproti 3,29; jej výučbové činnosti M = 4,91 oproti 3,06, oboje p < 0,001) a generovali viac a kvalitnejšie otázky (M = 3,67 oproti 2,14; M = 5,67 oproti 3,07, oboje p < 0,001), kým objektívne vybavovanie bolo štatisticky nerozoznateľné (M = 23,18 oproti 21,57, p = 0,416), takže výhoda spočívala vo vysvetlení a transfere, a nie vo vybavovaní faktov. Študenti v podmienke s AI-učiteľom boli úprimní o výmene: niektorí pripustili, že dával „presnejšie a podrobnejšie informácie“, no uviedli, že „po jeho použití som nemal chuť myslieť samostatne“. Pridelenie roly študenta, ktorého treba učiť, robí študenta jediným zdrojom nápadov a odstraňuje dlhotrvajúcu ťažkosť nájsť vhodného rovesníka na učenie. Prináša to dve dizajnové obmedzenia: plánovanie a monitorovanie sa nezlepšili (M = 4,01 oproti 3,78, p = 0,062), takže obrátenie rolí samo osebe nie je metakognitívnou intervenciou, a autori pripisujú tento nulový výsledok návrhu úlohy, ktorý udržiaval študentov sústredených na presnosť obsahu. V triede písania má tento princíp konkrétnu, naučiteľnú podobu. V saudsko-arabskom kváziexperimente s angličtinou ako cudzím jazykom Alshehri a spol. (2026) študenti absolvovali päťdielnu rutinu — rámcovanie problému a návrh promptov, iteratívne písanie konceptu, revíziu, overenie každého tvrdenia a citácie vo vedeckých databázach a reguláciu vlastného prisudzovania a závislosti — pričom každé zadanie vyžadovalo log používania AI s tým, čo prijali, odmietli a prečo. Písanie a digitálne kritické myslenie rástli spolu a pohybovali sa takmer v súzvuku a reflexie študentov spájali rutiny overovania a opravy halucinácií konkrétne s prírastkami kritického myslenia: tie isté návyky skúmania výstupov formovali ich rozhodnutia pri komponovaní. Vlastná výhrada autorov je nevyhnutným doplnkom princípu — pracovný postup je podmienený, a nie sebestačný, a môže sa obrátiť proti cieľu pri slabom podpornom lešení, nízkej pripravenosti na kritické myslenie alebo metakogníciu (kde študenti nemajú kapacitu zachytiť zlý výstup), postupnom delegovaní rozhodnutí pri komponovaní alebo nejasnej inštitucionálnej politike používania AI.

  • Ohraničená autorita je sama osebe dizajnovým vzorom pre spoluprácu s vysokými stávkami. Učitelia v štúdii Reichert a spol. (2026) neprototypovali otvorených asistentov, ale systémy, ktorých sloboda bola vopred pevne daná: každý dizajn obmedzil chatbota na konkrétny obsah hodiny a bezpečnosť bola vrstvená ako doménové hranice (rozsah špecifický pre hodinu plus „informačná kvóta“ vyžadujúca minimálny počet faktov alebo problémov pred pokračovaním konverzácie), filtrovanie obsahu so štandardizovanými odmietnutiami („Prepáčte, to nie je súčasťou mojej vedomostnej bázy“), ktoré zároveň upozornili učiteľa, a možnosť učiteľa prepísať rozhodnutie v nejednoznačných prípadoch — uvádzaný príklad bol otázka o ľudskej reprodukcii, ktorá bola legitímna v rámci svojej jednotky a mala sa presmerovať na človeka, a nie automaticky odmietnuť. Personalizácia formátu, žánru, tempa a zložitosti bola vítaná vnútri týchto hraníc a dohľad (kompletné logy konverzácií, upozornenia v reálnom čase, prepísanie) bol rámcovaný ako profesijná zodpovednosť, a nie nedôvera k modelu. Dôsledok je, že v prostrediach s vysokými stávkami by sa delenie práce malo špecifikovať ako ohraničené, monitorované a odvolateľné, a nie vyjednávané ťah po ťahu.

  • Automatizácia a augmentácia nie sú alternatívy. Naprieč štyrmi prípadmi na strane učiteľa zostala náhrada vnútri ohraničených analytických podúloh, kým komplementácia sa objavila všade tam, kde učitelia interpretovali a validovali výstup, takže augmentácia sa ukázala ako vlastnosť toho, čo učiteľ urobí ďalej, a nie samotného nástroja (Horvers a spol. (2026)).

  • Dôveru treba kalibrovať, nie predpokladať. Produktívna spolupráca závisí od toho, či študenti presne kalibrujú, kedy sa na výstup AI spoliehať a kedy ho overiť — čo sa spája s kalibráciou dôvery a ľudským dohľadom, a nie so slepým prijímaním alebo plošným odmietaním.

  • Afektívne upozornenie je podnet, ktorý učiteľ interpretuje, a nie pokyn na poslúchnutie. V jednej stredoškolskej hodine geometrie emočné upozornenia systému AI predchádzali veľmi odlišným krokom učiteľa a práve krok — prerámovanie úlohy, krátke potvrdenie alebo zámerná neintervencia — menil angažovanosť, takže upozornenie fungovalo ako jeden vstup medzi tým, čo učiteľ mohol pozorovať (Swidan (2026)).

  • Spolupráca učiteľa s AI je dvojsečná pre angažovanosť, nielen pre učenie. V trojvlnovom prieskume 468 univerzitných učiteľov spolupráca zvyšovala pracovnú angažovanosť cez psychologickú dostupnosť (nepriamy efekt 0,19), ale znižovala ju cez odcudzenie v práci (nepriamy efekt −0,03); digitálna kompetencia moderovala oboje a splošťovala sklon odcudzenia z 0,38 na 0,17 (Sun a spol. (2026)).

  • Delenie práce sleduje vierohodnosť, nie schopnosť. To, na čom sa študenti ustália, je principiálne pridelenie: AI pre okamžitú, široko použiteľnú jazykovú spätnú väzbu a inštruktori pre individualizované, relačné vedenie, prideľované podľa vnímanej vierohodnosti každého zdroja, a nie podľa jeho presnosti, pretože zväzujúcim obmedzením závislosti bola vnímaná starostlivosť, nie kompetencia (Serpil a Mor, 2026).

  • Závislosť je populačný proces, nielen individuálna voľba. V agentovom modeli viditeľný sociálny dôkaz pre neoverené používanie zrútil overovanie z 0,29 na 0,002 a zdvihol nadmernú závislosť z 0,30 na 0,52, kým viditeľné rovesnícke overovanie obnovilo takmer úplné overovanie — zmeniť to, čo študenti vidia u iných, prekonáva znižovanie nákladov na kontrolu (Biswas (2026)).

To robí zo spolupráce človeka a AI pedagogický konštrukt rovnako ako technický: hodnotu partnerstva formuje to, ako učitelia interakciu navrhujú, ako ju študenti regulujú a ako systém pozýva alebo odrádza produktívnu angažovanosť.

Ako sa spolupráca človeka a AI objavuje vo výskume

  • Dôvera a očakávania: Očakávania dôvery skúmajú, ako očakávania študentov voči AI formujú to, či je spolupráca produktívna, alebo vedie k nadmernej závislosti.

  • Komplementárne roly v písaní a myslení: Spolupráca s humanoidnou AI pri písaní a generatívna AI ako mysliaci nástroj ukazujú, ako AI môže rozširovať, a nie nahrádzať myslenie študenta, keď delenie práce zachováva jeho kognitívnu angažovanosť.

  • Orchestrácia a agentúra: Orchestrácia agentúry učiteľa a študenta a mentálne modely študentov sa zaoberajú tým, ako sa agentúra vyjednáva medzi ľuďmi a AI, a spájajú sa s človekom v slučke a agentickou AI.

  • Metakognitívne a tímové dimenzie: Metakognitívne modely AI zamerané na človeka a disciplinárna mediácia v študentských tímoch rozširujú spoluprácu na metakogníciu a tímové učenie.

  • Kompetencia spolupráce ako konfigurácia, nie kontrolný zoznam — metakognícia preberá integratívnu rolu TPACK. Dang, Hong, Doyle a Nguyen (2026) definujú kompetenciu spolupráce človeka a AI ako dynamickú konfiguráciu doménovej, AI kompetencie a metakognitívnej kompetencie plus ich prienikov (Working with AI, Agentic Learning with AI, Agentic Personal and Professional Development a samotná HACC), pričom výslovne odmietajú aditívny zoznam zručností AI prilepený k existujúcemu kurikulu. Ich ústredný krok predeľuje integratívnu prácu, ktorú v TPACK robí pedagogika: pretože AI je adaptívny účastník, ktorého príspevok sa mení, ako sa úloha vyvíja, koordinačné bremeno pripadá vlastnej metakognícii študenta — rozhodovanie, kedy AI konzultovať, ako rámcovať interakciu a kedy ju prepísať — takže mechanizmus udržiavajúci spoluprácu produktívnou drží študent, a nie učiteľ. Agentúra študenta je zámerne vynechaná ako samostatný uzol; je namiesto toho emergentnou kvalitou, ktorú študenti prejavujú, keď koordinujú tri kompetencie, čo robí z agentúry vlastnosť konfigurácie, a nie zručnosť na izolovaný tréning. Interviewová štúdia rámca s 24 novozélandskymi pedagógmi podporila dimenzie deskriptívne a rola menila dôraz, a nie prijatie: siete riaditeľov škôl sa sústreďovali okolo AI s väzbami na HACC a profesijný rozvoj, pričom sa významne líšili od starších pedagógov (U = 10,00, p = ,04) a pedagógov v ranom kariérnom štádiu (U = 7,00, p = ,01).

  • Odlišné režimy spolupráce: empirická práca identifikuje tri režimy riešenia problémov človeka a AI — delegované uvažovanie, spoločnú interpretáciu a delegované rozpracovanie — a odhaľuje výmenu medzi efektívnosťou distribuovaného systému človek–AI a hĺbkou samoregulačnej angažovanosti študentov (delegované uvažovanie podáva najlepší výkon, ale s nižšou seba-reguláciou). (Unpacking Interaction Profiles and Strategies in Human-AI Collaborative Problem Solving: A Cognitive Distribution and Regulation Perspective)

  • Ľudskí a AI facilitátori môžu byť v štruktúrovanej diskusii percepčne zameniteľní, ale opätovné použitie stojí na iných dôvodoch. Kuhail a spol. (2026) vymenili ľudského moderátora za moderátora GPT-4 (a zase späť) v 32 debatných sedeniach, ktoré viedlo 32 študentov STEM, a nenašli štatisticky významný rozdiel v efektívnosti, zábave, spokojnosti, užitočnosti ani zámere použiť (t od 0,23 do 1,30, p od 0,198 do 0,818). Líšilo sa, prečo by sa študenti vrátili: pod AI moderáciou viedla zámer použiť vnímanú užitočnosť (0,806, p = 0,004), kým spokojnosť ho viedla len pod ľudskou moderáciou (0,556, p = 0,002). Autori čítajú ploché porovnanie ako normalizáciu v úlohách viazaných pravidlami, a nie ako dôkaz ekvivalencie, a odporúčajú zachovať ľudský dohľad z etických a relačných dôvodov, pričom užitočnosť aktivít moderovaných AI treba robiť čitateľnou, namiesto spoliehania sa na zábavu. Keďže štúdia merala len vnímanie, nehovorí nič o tom, či študenti argumentovali lepšie.

  • Prideľte úlohu pred jej delegovaním. Tsim a Gutoreva (2025) pridávajú štvrtú zónu — to, čo model už vie — k vývojovým zónam študenta, čím vznikajú pridelenia Substitute, Complement, Aid a Non-negotiable, a argumentujú, že režimy automatizácie, augmentácie a spolupráce sa líšia miestom kontroly a epistemickou zodpovednosťou, a nie sofistikovanosťou nástroja.

  • Inžinierstvo promptov ako pedagogické myslenie, budované cez štúdium hodiny. Robinson a spol. (2026) sledovali päť vzdelávateľov učiteľov na jednej inštitúcii v SAE počas dvoch cyklov štúdia hodiny, ktoré zasiahli 36 budúcich učiteľov matematiky na strednej a základnej škole, pri navrhovaní hodín podporených AI s ChatGPT (GPT-4o). Prácu odviedlo spojenie AI s disciplinárnym rámcom: budúci učitelia vygenerovali úlohu, posúdili jej kognitívnu náročnosť podľa modifikovaného rámca Mathematical Task Analysis a potom prepísali prompt, aby zvýšili konceptuálnu hĺbku, takže revízia bola ukotvená v matematike, a nie vo vlastnostiach nástroja. Šestnásť z 26 analyzovateľných promptov nieslo konceptuálne črty úlohy a vzdelávatelia uzavreli, že inžinierstvo promptov je „nie technická zručnosť, ale kognitívna“. Hlásené učenie stúplo v revidovanej hodine (5 zo 7 budúcich učiteľov v prvom cykle a 10 zo 14 v druhom uviedlo, že sa naučili rozlišovať konceptuálne a procedurálne úlohy), s výhradou, že žiadosť AI o konceptuálnejšiu úlohu niekedy priniesla len komplikovanejšiu. Pre rozvoj fakulty ide o argument pre trvalé spolupracujúce skúmanie skutočných hodín, a nie samostatné workshopy o nástrojoch.

  • Miera usmerňovania rozhoduje o výkone verzus učení: Wong a Qiu (2026) porovnávali voľnú a riadenú spoluprácu človeka a AI v tvorivej úlohe. Voľná spolupráca s ChatGPT priniesla len prechodný výkon, ktorý sa zrútil pri neskoršej úlohe bez pomôcok, kým riadený protokol „najprv mysli, potom ChatGPT“ — generovanie vlastných nápadov a ich následné zlepšovanie, rozvíjanie a hodnotenie s ChatGPT — priniesol trvácne prírastky v nezávislej kreativite. Výhodu mediovali spolupracujúce prompty zamerané na zlepšenie vlastných nápadov, čo ukazuje, že kto generuje (delenie práce) predpovedá, či spolupráca produkuje učenie alebo substitúciu. (Think First, ChatGPT Later: Guiding Human–AI Collaboration for Learning Gains in Independent Human Creativity)

  • AI ako mediátor, nielen partner: Niari rekonceptualizuje AI ako pedagogického mediátora, ktorý orchestrálne riadi interakciu, epistemické utváranie zmyslu a regulačné procesy a prerozdeľuje agentúru, autoritu a zodpovednosť medzi ľudských a neľudských aktérov, namiesto pokladania AI za tútora, rovesníka alebo nástroj.

  • Spolupráca učiteľov s AI je tiež vzorovaná, nie binárna. Keď učitelia navrhujú návrhy hodín s generatívnou AI, ich interakcia nadobúda empiricky rozlíšiteľné formy. Choi a spol. (2026) identifikovali sedem vzorov interakcie učiteľa s AI — od priameho prijatia a rozpracovaného prijatia výstupu AI po počiatočné odmietnutie, revidované prijatie, následné riadené použitie, komplexné interakcie a obchádzanie AI — pričom skúsenosť učiteľa s výučbou a jeho zdatnosť v AI spoločne formujú, či kriticky prepíše prompt a prispôsobí AI študentom a kontextu (komplementárne delenie práce v duchu distribuovanej kognície), alebo pasívne prijme návrhy (AI dominantná distribúcia).

  • Mediačný agent ako hybridná forma participácie. Namiesto stredu medzi nástrojom a spolupracovníkom je generatívna AI konceptualizovaná ako mediačný agent, ktorý sprostredkúva konanie a zároveň generuje podmienené, nezodpovedateľné príspevky — odlišná kategória, ktorá presúva návrh od technologickej schopnosti k návykom participácie (supervízna agentúra, epistemická vigília). (Generative AI as a Mediational Agent: Rethinking Learning in Sociocultural Theory)

  • Komunita a epistemická autorita: komunitné učenie s AI ukazuje, že spolupráca je aj otázkou kto má autoritu, a zakladá angažovanosť s AI v žitých epistemológiách študentov.

  • Objavovanie čŕt riadené dátami: Principal Trait Analysis (PTA) automatizuje odvodzovanie interakčných „čŕt“ z veľkých korpusov konverzácií s LLM — štvorstupňový postup inšpirovaný PCA, ktorý extrahuje pozorovania správania, zhlukuje ich do kandidátskych čŕt, skóruje každého spolupracovníka a vyberá najviac rozlišujúce črty. Pri hodnotení na korpuse študent–AI tútor a korpuse vývojár–kódovací agent PTA nachádza črty, ktoré vysvetľujú a predpovedajú výsledky (napríklad hlboká konceptuálna angažovanosť pozitívne, delegovanie úlohy negatívne vo vzdelávacom prostredí), a keďže sa zatiaľ nezovšeobecňujú naprieč semestrami a prostrediami ani neukazujú trajektórie učebných kriviek, autori argumentujú, že črty ešte nemožno interpretovať ako „zručnosti“. Ponúka to škálovateľný, objektívny doplnok k rámcom AI gramotnosti a samovyhláseným meraniam a priamo informuje to, ako pedagógovia učia „zručnosti používania AI“.

  • Vzťah človeka a AI ako najtrvalejšia obava naprieč generáciami CAI. Zastrešujúci prehľad konverzačných AI agentov (Ganguly a spol. 2025, 34 prehľadov) zisťuje, že obavy o vzťah človeka a AI — nadmerná závislosť, sociálna izolácia, depersonalizácia, emocionálna závislosť, transparentnosť, zodpovednosť — sú najčastejšie diskutovanou etickou otázkou naprieč všetkými generáciami CAI a predchádzajú generatívnej AI. To stavia otázku „zachovať verzus nahradiť“ do samotného stredu etiky CAI a posilňuje, že hodnotu spolupráce určuje návrh (kto generuje, kto rozhoduje, ako sa delí zodpovednosť). (Conversational AI agents in education: an umbrella review of current utilization, challenges, and future directions for ethical and responsible use)

  • AI škáluje odbornosť v reálnom čase smerom k nováčikom — prvý RCT živého doučovania. Wang a spol. (2024) v randomizovanom pokuse (900 tútorov, približne 1 800 študentov K-12 v nedostatočne obsluhovaných komunitách) postavili AI na stranu tútora, a nie študenta: Tutor CoPilot generoval v reálnom čase expertné návrhy (postavené na hlasnom uvažovaní skúsených tútorov), ktoré začínajúci tútorii mohli upraviť alebo odmietnuť. Študenti tútorov v intervenčnej skupine mali o 4 percentuálne body vyššiu pravdepodobnosť zvládnutia tém (p < 0,01), s prírastkom 9 percentuálnych bodov u študentov najnižšie hodnotených tútorov — ktorí sa vyrovnali kontrolným výsledkom vyššie hodnotených tútorov — za približne 20 dolárov na tútora ročne. Zistenie je silnou empirickou kotvou pre augmentáciu učiteľa a tútora ako spravodlivý režim spolupráce človeka a AI: človek si zachováva pedagogický úsudok a autonómiu, kým AI dodáva škálovateľnú odbornosť.

  • Ohraničení experti: ako učitelia delia autoritu s AI. Reichert, Briceno, Tabarsi a Barnes (2026) uskutočnili participatívnu dizajnovú štúdiu, v ktorej šesť stredoškolských učiteľov prototypovalo LLM chatbotov pre svoje triedy a analyzovalo, ako sa má autorita rozdeliť medzi učiteľa a systém. Učitelia dôsledne rámovali AI ako ohraničeného experta — špecializovanú schopnosť obmedzenú na presne definovanú doménu a pôsobiacu pod ľudským dohľadom — a toto ohraničenie rozdelili na dve dimenzie: hranice autority, kde profesijnú a právnu zodpovednosť za učenie a bezpečnosť študentov nemožno delegovať, a hranice odbornosti, kde systému chýba kontextové poznanie jednotlivých študentov, dynamiky triedy a inštitucionálnych noriem učiteľa. Mapovanie prototypov na Gagného deväť udalostí výučby ukázalo, že delegovanie bolo selektívne, a nie všetko alebo nič: učitelia vítali AI pri prezentovaní obsahu, dodávaní cvičných problémov, podpornom lešení a formatívnej spätnej väzbe, ale odmietli jej odovzdať oboznamovanie študentov s cieľmi alebo sumatívne hodnotenie. Dizajnové čítanie je, že rozhranie spolupráce by malo ukázať, kde si človek ponecháva rozhodujúcu rolu, a nielen kde je model schopný.

  • Rola sa musí prispôsobovať, nielen označovať. Liao (2026) ukazuje, že fixný „rovesnícky“ AI spoločník udržal dlhšie interakcie o knihách, ale dominoval výmene (nižší podiel slov a viet študenta) a narazil na afektívny strop, čo naznačuje, že spolupráca vyžaduje logiku adaptívnych rolí — prepínanie medzi rovesníkom, asistentom a radcom — a nie jednu statickú personu.

  • Spolunávrh na strane učiteľa a architektúra rolí sú tiež spoluprácou. Okrem partnerov pre študentov spolupracujú učitelia s generatívnou AI pri navrhovaní výučby. Wang a spol. (2026) systematicky prehľadávajú spolunávrh učebných úloh učiteľom a AI a mapujú režimy a napätia (agentúra, epistemická autorita, kontrola), ktoré vznikajú, keď učitelia a AI spoločne produkujú dizajny; Talebzadeh (2026) zisťuje, že kvalitu diferenciovaných skupinových aktivít navrhnutých AI určuje pedagogická odbornosť učiteľov — a nie plynulosť v AI (bohatosť rolí, synergia, zosúladenie úrovní) — čím sa učiteľ stavia ako „dvojjazyčný dizajnér učenia“.

  • Generatívna AI ako agent a spolupracujúci priestor v skupinách. Xu a spol. (2026) pozorujú malé tímy vo vysokom školstve a ukazujú, že rola generatívnej AI je vyjednávaná a konfigurovateľná — od podriadeného asistenta po spochybňovaného spoluhráča — a že synchrónne zdieľané používanie udržiava spoločnú pôdu, kým asynchrónne súkromné používanie fragmentuje transparentnosť, a navrhujú šošovku spolupracujúcej práce podporovanej generatívnou AI, ktorá ju pokladá za agenta aj interaktívny spolupracujúci priestor.

  • Komplementárne polovice triednej spolupráce. Dve štúdie z roku 2026 mapujú komplementárne polovice spolupráce človeka a AI v triedach. MeduAI-SP (Yang a spol.) argumentuje za „funkčnú komplementaritu“ v klinickom vzdelávaní: AI agenti zvládajú opakované hranie rolí, konzistentnú simuláciu pacienta, monitorovanie kontrolných zoznamov, sokratovské promptovanie a predbežnú formatívnu spätnú väzbu, kým fakulta a ľudskí štandardizovaní pacienti poskytujú kontextovú interpretáciu, nuansovanú emocionálnu odpoveď, individualizovanú nápravu, hodnotenie profesionality a úsudky o pripravenosti — substitúcia je ohraničená dôsledkami chýb, neistotou úlohy, relačnou citlivosťou a dostupnou ľudskou revíziou a systém AI má výslovne zakázané autonómne určovať klinickú kompetenciu. Opačným smerom 45-študentská etická diskusia so zmiešanými 3 ľuďmi a 3 agentmi (Seo a spol., 2026) dokumentuje dvojsečný vzor: agenti znížili sociálne bariéry (účastníci hovorili priamejšie, pretože agenti nemajú emócie, a necítili povinnosť vypĺňať ticho), no ten istý komfort odvádzal interakciu od ľudí — 79,7 % otázok išlo agentom oproti 60 %, ktoré predpovedá ich dostupnosť (p = ,017). Pozoruhodné je, že prítomnosť iných ľudí spôsobila, že účastníci sa k AI správali úctivejšie, čo naznačuje, že ľudská spolupítomnosť je sama možnosťou na kalibrovanie angažovanosti s AI.

  • Komplementarita je podmienená, nie predvolená vlastnosť tímov. Tuo a spol. (2026) zistili, že tímy človeka a AI prekonali ľudí aj AI samotnú len v jednej zo šiestich podmienok — v náročných prípadoch, kde bola AI menej presná než ľudia — a inde nehlásili konzistentnú tímovú výhodu, takže pridanie AI partnera samo osebe nie je cestou ku komplementárnemu výkonu.

  • Profesijné programy presmerúvajú prípravu od rutinnej produkcie ku kompetenciám spolupráce (dizajnový protokol): Wang (2026) navrhuje dizajnovo založený rámec pre vzdelávanie prekladateľov postavený na inventári vytláčania úloh (18 podúloh hodnotených z hľadiska pravdepodobnosti vytlačenia AI so značkami proveniencie [E]/[P]) a štyroch presmerovaných kompetenciách: medziodborové vedomosti, orchestrácia AI, strategický úsudok a kritické hodnotenie AI. Rámec je preregistrovaný protokol zatiaľ bez empirických dát; jeho prínos je metóda — auditovateľná analýza vytláčania plus cesta spolunávrhu pre reformu kurikula — ktorá sa prenáša na akýkoľvek profesijný program, ktorého rutinné úlohy čoraz viac vykonávajú agentické systémy.

  • Typy prepletenia sa líšia v tom, čo od študenta žiadajú, a preto niektoré zostávajú zriedkavé. Sun, Dohn a Rehm (2026) klasifikujú 102 štúdií vysokého školstva podľa toho, ako sa epistemická práca delí medzi študenta a systém (Assistant, Enabler, Synthesizer, Generator, Reimaginator), a zisťujú, že dve formy, ktoré zachovávajú kompetenciu prisúditeľnú jednotlivému študentovi, tvoria po 42,16 % korpusu, kým formy distribuujúce autorstvo zostávajú marginálne. Ich vysvetlenie je inštitucionálne, a nie technické: zriedkavé typy žiadajú od študentov epistemickú zodpovednosť za výstupy, ktoré neprodukovali, a zároveň sú hodnotení ako individuálni autori, a práve tento rozpor — nie samotné delenie práce — ich drží mimo praxe. Dizajnovou odpoveďou je zviditeľniť distribúciu epistemickej práce, sekvencovať aktivity naprieč spektrom a budovať reflexiu o tom, ako sa zodpovednosť delila.

  • Vlastniť dielo nie je to isté ako byť jeho autorom. Hong a spol. (2026) pomenúvajú deficit legitimácie autorstva: človek môže prežívať výstup ako svoj, a napriek tomu nedokáže odôvodniť rolu autora, pretože psychologické vlastníctvo, pocit agentúry a zodpovednosť za vydanie diela sú oddelené cesty, ktoré sa nemusia zladiť. Ich pracovný nexus autorstva klasifikuje príspevky rolu po role, takže jeden záznam môže podporiť editorský nárok a zároveň zlyhať v nároku jediného tvorcu. Ide o konceptuálnu analýzu bez dát a bez testovaného modelu, takže deficit je navrhovaný konštrukt, ktorého predpovede zostávajú netestované.

  • Viesť, a nie hovoriť, potrebuje vlastné kritérium na posudzovanie agenta. Dizajnový prípad, ktorý sa snažil zrkadliť facilitáciu učiteľa, zistil, že znalostného agenta ohraničeného kurátorovanou bázou bolo možné posudzovať podľa presnosti, kým agenta určeného viesť študentov k vlastným odpovediam nie (Humburg a spol., 2025).

  • Partnerstvo sa rozširuje na samotný výskumný proces, nielen na učenie študentov — Potter a spol. (2026) nechali GPT-4o navrhnúť kódy a predbežné témy v zabezpečenej platforme RAG, kým traja kľúčoví výskumníci a dvaja externí validátori si zachovali interpretačnú autoritu a konsolidovali štyri finálne témy. Hybridný pracovný postup prerozdelil prácu výskumníkov, namiesto toho aby ju odstránil.

Súvislosti

Spolupráca človeka a AI sa spája s človekom v slučke (dohľad), agentickou AI (autonómia), rolou učiteľa (meniaca sa práca učiteľov), podporným lešením a metakogníciou (ako spolupráca podporuje učenie) a nadmernou závislosťou (režim zlyhania, keď sa spolupráca stane substitúciou). Je ústrednou témou naprieč AI gramotnosťou, samoregulovaným učením a skúsenosťou študenta.

Bežné mylné predstavy

  • „Spolupráca znamená, že AI urobí časť práce.“ Rozhodujúcu rolu si ponecháva študent a to sa prenáša aj do písania: Oppenheimer, Cash a Connell Pensky (2025) ukazujú, že to platí, keď je usporiadanie tak navrhnuté. Delenie práce nie je spoluprácou, ak si človek nezachová úsudok.
  • „V prevrátenom usporiadaní vysvetľuje AI.“ Študenti, ktorí učili AI, vysvetľovali lepšie — definovanie prevrátenej triedy na M = 4,18 oproti 3,29, výučbové činnosti na M = 4,91 oproti 3,06, oboje p < 0,001. Učenie pripadlo vysvetľujúcemu.
  • „Príspevky človeka a AI sú substitúty.“ Dve štúdie z roku 2026 mapujú komplementárne polovice triednej spolupráce, čo rámuje dizajnový problém ako alokáciu, a nie náhradu.

Súvisiace koncepty

Súvisiace články

Metadáta

Učenie a výučbaStudent-AI Interaction
Technológie a technikyGenerative AI, Large Language Models (LLMs)
Základy AI v edukáciiSpolupráca človeka a AI, AI gramotnosť
ZdrojHistóriaUpraviťChat

Vložiť túto stránku

Skopírujte kód nižšie a vložte túto stránku do systému správy výučby alebo iného webu. Vložená verzia zobrazuje len obsah stránky — skrýva hlavičku webu, navigáciu a pätu.