Vedecká databáza AIEdAIEd KB
Na tejto stránke

Prečítajte si túto stránku po anglicky

Pojmy

Výučba

Vytvorené 2026-10-27 · Aktualizované 2026-10-27

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

Výučba znamená to, ako AI pretvára prácu, identitu a agentúru vzdelávateľov. S viac než 50 článkami skúmajúcimi túto dimenziu vedomostná báza dokumentuje zásadnú premenu: od jedinej zdrojovej autority k orchestrátorovi prostredí učenia človeka a AI. Táto stránka nejde len po opise tohto posunu, ale detailne ukazuje, čo učitelia skutočne robia inak, ako môžu prispôsobiť svoju prax a ako sa spájajú s návrhom učenia, AI gramotnosťou a akademickou integritou.

Malyn-Smith a spol. (2026) to nazývajú paradoxom viac ľudskosti: v šiestich scenároch pre rok 2030, ktoré spoločne vytvorilo 20 výskumníkov z 13 krajín, nasýtenie AI ľudskú pedagogickú prácu zintenzívňuje a nie vytláča. Scenáre opisujú AI ako „systém úpravy vzduchu učebného ekosystému": všimnete si ho len vtedy, keď zlyhá.

Otázky na zamyslenie

  • Stránka opisuje posun učiteľa „od jedinej zdrojovej autority k orchestrátorovi prostredí učenia človeka a AI". Čo ako vzdelávateľ získate a čo stratíte, keď prestanete byť hlavným zdrojom obsahu?
  • Argumentuje, že AI prerozdeľuje najvzácnejší zdroj učiteľa, teda pozornosť, od vytvárania materiálov k interpretácii študentov. Znie vám to preformulovanie pravdivo a čo by ste so získaným časom skutočne urobili?
  • Výskum citovaný na stránke ukazuje učiteľov ako aktívnych dizajnérov AI, ktorí píšu prompty a lešenie formujúce správanie AI pre svojich študentov, a nie ako pasívnych konzumentov. Čo by bolo potrebné, aby ste sa vy (alebo učitelia, ktorých poznáte) cítili ako dizajnér AI a nie ako jej používateľ?
  • Na vzdialenom konci spektra „tímovania učiteľa s AI" učiteľ orchestruje tím ľudských študentov, AI tutorov a kurikulárnych zdrojov. Kde v tomto tíme zostáva ľudský úsudok nenahraditeľný a čo by sa mohlo ticho erodovať, ak by orchestrácia zostala prevažne na AI?
  • Ak sa pozornosť učiteľa prerozdeľuje od vytvárania materiálov k interpretácii študentov, aké nové kompetencie a riziká to prináša a kto učiteľa pri ich rozvíjaní podporuje?

Úvod

Výučba tu pomenúva profesijnú rolu tak, ako ju AI pretvára: menej odovzdávania obsahu, viac orchestrácie ľudských a strojových účastníkov, interpretácie toho, čo študenti skutočne chápu, a návrhu podmienok, za ktorých je používanie AI legitímne. Stránky zhromaždené pod týmto konceptom dokumentujú tímovanie učiteľa s AI a zmenu pracovných postupov, kompetencie, ktoré rola teraz vyžaduje, a rozpor medzi ziskami v efektívnosti a pozornosťou, ktorú si individuálna podpora vyžaduje. Stojí popri vzdelávacom rozvoji, AI gramotnosti a hodnotení ako jedna z rolí, ktoré určujú, či integrácia AI mení prax alebo ju len zdobí. Vedy o učení sú výskumným odborom, ktorého dôkazy túto pozíciu pretvárajú: opisujú a testujú, ako učenie prebieha a ktoré dizajny ho menia, kým táto stránka pokrýva triednu rolu, ktorá musí na tieto dôkazy konať v danom momente.

Ako AI pretvára výučbu

  • Od inštruktora k orchestrátorovi: päť úrovní tímovania učiteľa s AI a výskum orchestrácie agentúry mapujú spektrum od AI ako nástroja po AI ako vyučovacieho partnera. Na vzdialenom konci učiteľ orchestruje tím, ktorý zahŕňa ľudských študentov, AI tutorov a kurikulárne zdroje, namiesto toho, aby sám odovzdával všetok obsah.

  • Transformácia pracovných postupov: How AI Is Changing Teaching Workflows dokumentuje, ako AI posúva čas učiteľa od odovzdávania obsahu k hodnotnejším činnostiam, ako je individuálna podpora, spätná väzba a návrh kurikula. Najvzácnejší zdroj učiteľa, teda pozornosť, sa prerozdeľuje od vytvárania materiálov k interpretácii študentov. Systematický prehľad o učiteľoch jazykov (Li a spol. 2026) to potvrdzuje: vzdelávatelia si generatívnu AI najviac cenia pri prípravnej práci (plánovanie lekcií, tvorba materiálov, podpora písania) a váhajú pri živom používaní v triede, pričom ich prijatie formujú faktory profesijnej identity, pedagogické, technické, inštitucionálne a faktory akademickej integrity, pričom medzery v kompetenciách sa mapujú na epistémé (porozumenie schopnostiam a limitom AI), techné (práca s promptmi, dizajn úloh a hodnotenia obohatený AI, odhaľovanie textu generovaného AI) a fronésis (etický úsudok, práca so skreslením a súkromím, kontextovo citlivý úsudok). dokumentuje, ako AI posúva čas učiteľa od odovzdávania obsahu k hodnotnejším činnostiam, ako je individuálna podpora, spätná väzba a návrh kurikula. Najvzácnejší zdroj učiteľa, teda pozornosť, sa prerozdeľuje od vytvárania materiálov k interpretácii študentov.

  • Nároky na kompetencie: Rámce kompetencií učiteľa v AI definujú, čo vzdelávatelia potrebujú vedieť, od základnej plynulosti v nástrojoch po pedagogicky zakotvenú orchestráciu. Štúdie prijatia identifikujú skutočné bariéry: sebadôveru, inštitucionálnu podporu a obavy z pracovnej záťaže. Bai a Hsieh (2026) tomuto dávajú empirickú váhu v SEM modeli 898 čínskych univerzitných učiteľov: inovácia výučby podporovaná generatívnou AI závisí menej od izolovaných technologických znalostí o AI a viac od pedagogicky a disciplinárne zakotvenej kompetencie v AI (AI gramotnosť a profesijná identita), ktoré obe čiastočne sprostredkovali vzťah kompetencia → inovácia, čo je signál budovať rozvoj pedagógov okolo zakotvenej, s identitou spojenej kompetencie v AI a nie okolo školenia len na nástroje.

  • Pripravenosť ako dizajnová schopnosť, nie postoj: Charles (2026) argumentuje, že pripravenosť učiteľa na interaktívne učenie bohaté na AI nemožno odčítať z prijatia, sebadôvery alebo digitálnej kompetencie, pretože žiadna z nich nepredpovedá kvalitu dizajnov, ktoré učitelia skutočne vytvárajú. Pripravenosť cez dizajn je zameraná na uskutočňovanie: učitelia mobilizujú pedagogické znalosti súvisiace s AI, pedagogické presvedčenia, sebadôveru a etickú orientáciu prostredníctvom dizajnovej mediácie (výber nástrojov, dizajn úloh a promptov, lešenie, transparentnosť, overovanie, prepracovanie hodnotenia, plánovanie dostupnosti a ľudský dohľad) vnútri inštitucionálnej a politickej ekológie, ktorá toto prekladanie umožňuje a moderuje. Praktickú váhu majú dve tvrdenia. Sebadôvera je mobilizačný zdroj a nie ukazovateľ kvality, takže sebadôvera bez pedagogických znalostí o AI alebo bez etickej orientácie môže zrýchliť zlý dizajn. A jasnosť politiky a materiálna podpora sú samostatné moderátory, takže dobre financovaná škola môže učiteľov nechať hádať, čo je povolené. Charles tiež odmieta stotožňovať nepoužívanie s nepripravenosťou: premyslené rozhodnutie AI nepoužiť môže samo preukazovať pripravenosť.

  • Spoludizajn a agentúra: Prompty napísané učiteľmi a vibe coding pre učiteľov ukazujú vzdelávateľov ako aktívnych dizajnérov AI a nie pasívnych konzumentov, ktorí píšu prompty a lešenie formujúce správanie AI pre svojich študentov. Pri plánovaní lekcií STEAM a výtvarného umenia pre deti Luo a Tahir (2025) experimentálne potvrdili, že ako učiteľ deleguje na ChatGPT, záleží: dopĺňanie obsahových medzier v lekcii, ktorú si učiteľ sám načrtol (metóda, ktorú uprednostnilo 60 % a ktorú odporúčali), zachovalo dizajnovú autonómiu učiteľa a zároveň zvýšilo expertmi hodnotenú kvalitu plánu (medián 20,5 oproti 17,6, p = 0,002, veľký efekt), čím prekonalo to, keď AI generuje celé plány alebo keď len kontroluje hotový plán. AI slúžila najmä ako inšpirácia a spolupracovník pri hľadaní medzier, a nie ako zdroj plne originálnej inovácie, čo potvrdzuje, že učiteľ zostáva dizajnovým aktérom a sudcom výstupu, vrátane odhalenia chýb v bezpečnosti detí a kultúrnom skreslení, ktoré nástroj prehliadol. Systematický prehľad spoludizajnu učebných úloh učiteľom a AI (Wang, Liu a Islam 2026) zisťuje, že tento postoj spoludizajnéra zostáva nerovnomerný, keďže dominantným režimom je stále AI ako asistent a generátor obsahu, a Talebzadeh (2026) ukazuje, že práve agentúra učiteľa ako „dvojjazyčného dizajnéra učenia" mení skupinové aktivity navrhnuté AI na diferencovanú výučbu zladenú so ZPD.

  • Vytvoriť bota nie je to isté ako kontrolovať, čo vyučuje. Dvadsaťsedem učiteľov druhého stupňa, ktorí nastavovali nástroj na tvorbu chatbota s účelom a pravidlami, zaznamenalo len čiastočnú vernosť generovaného správania: zhoda klesla z 88,9 % pri vnímavosti a 81,5 % pri persone na 70,4 % pri pravidlách a 59,3 % pri účele a dodržiavanie pravidiel sa líšilo podľa zvoleného modelu, čo je medzera medzi vykonaním a hodnotením, ktorá robí z roly učiteľa ako dizajnéra skúšku zámeru a nie jeho záruku (Riahi a spol. (2026)).

  • Príprava budúcich učiteľov: školenia založené na TPACK a programy vzdelávacieho rozvoja pripravujú budúcich učiteľov na triedy obohatené AI ešte predtým, než do nich vstúpia. Hranie rolí so simulovaným študentom to rozširuje do praktického nácviku: vlastný bot ChatGPT (Student GPT) hrajúci matematicky naivného žiaka druhého stupňa umožňuje budúcim učiteľom nacvičiť si diagnostiku a vedenie uvažovania študenta v nízkorizikovom prostredí, čím ich pripravuje na ústrednú vyučovaciu úlohu, teda čítanie a nápravu uvažovania študentov.

  • Front, ktorý dôkazová základňa sotva začala pokrývať: Štefánik a spol. (2026) zostavili Edustories, 1 492 prípadových štúdií skutočných tried základných a stredných škôl napísaných učiteľmi (náročné správanie študenta, intervencia, ktorú učiteľ vyskúšal, a čo nasledovalo), a to práve preto, že väčšina výskumu AI vo vzdelávaní sa zameriavala na individualizovanú podporu študenta, kým väčšina výučby prebieha v kolektívnych triedach. Pri benchmarkovaní štyroch rodín jazykových modelov na predikciu toho, či intervencia uspela, najsilnejšie modely dosiahli 58 % presnosť oproti 64 % u ľudských expertov; autori čítajú túto medzeru v oboch smeroch, ako limit súčasnej podpory pre učiteľov aj ako dôkaz vznikajúceho potenciálu. Stránka z toho získava nameraný strop a nie tvrdenie o schopnosti: rada pre učiteľov musí byť lepšia než expertný úsudok, aby sa jej dalo dôverovať, a dnes je poradie opačné. Paralelná medzera sa ukazuje v PRISMA prehľade Yalçına a spol. (2026) zo 46 empirických štúdií generatívnej AI vo vysokoškolskom programovaní: roly inštruktorov a inštitucionálne praktiky patrili medzi najmenej skúmané oblasti oboru a 26 zo 46 štúdií neuviedlo žiadny kódovateľný opis svojho inštrukčného prístupu, takže dizajnové rozhodnutia, ktoré viedli k uvádzaným výsledkom, sú často neviditeľné aj pre iných inštruktorov.

  • Kde AI do práce skutočne vstupuje, podľa úloh: Holster (2026) oddeľuje prijatie od alokácie pomocou dát TALIS 2024 od 56 669 učiteľov, so vzorkou alokácie 24 058 používateľov AI v 46 vzdelávacích systémoch. Úloha hodnotená o jeden bod nad vlastným priemerom náročnosti učiteľa mala vyššiu pravdepodobnosť, že dostane pomoc AI (OR = 1,163), ale smer sa líši podľa úlohy: plánovanie rastie s náročnosťou (OR = 1,084), hodnotenie a známkovanie klesá (OR = 0,921) a podpora a adaptácia pre špeciálne vzdelávacie potreby rastie strmo (OR = 1,442, predpokladaný rozsah od 34,0 % do 50,3 % naprieč rozsahom náročnosti). Čítanie z hľadiska kompetencie a politiky je, že učitelia už držia vysoko-stávkové známkovanie v ľudských rukách a siahajú po AI pri individualizovanej adaptačnej práci, takže usmernenie, ktoré berie používanie AI učiteľmi ako jediné správanie, minie miesto, kde je podpora skutočne potrebná.

Ako zmenená rola skutočne vyzerá: konkrétne príklady

Abstrakciu „orchestrátor" je ľahšie pochopiť cez konkrétne, každodenné posuny v práci inštruktora:

  • Od písania každého pracovného listu ku kurátorovaniu návrhov generovaných AI. Inštruktor, ktorý kedysi strávil večer tvorbou diferencovaného pracovného listu, teraz promptuje AI, aby vytvorila tri verzie v rôznych úrovniach náročnosti, a potom ten istý večer strávi ich kontrolou a prispôsobovaním, čo je posun od autorstva k redakčnému úsudku. Pracovné postupy Curriculum-as-Code túto pipeline zviditeľňujú a systematický prehľad Kibara a Ilgaza ukazuje AI ako „spolupracovníka", ktorý navrhne obsah a dizajnér ho potom prepracuje. Expertná validácia lekcií prírodných vied generovaných AI zviditeľňuje, čo musí tento redakčný úsudok vážiť: Karaismailoglu, Surmeli a Yildirim (2026) zistili, že jedenásť špecialistov na prírodovedné vzdelávanie hodnotilo plány pre šiesty ročník od ChatGPT-4 a od nástroja zameraného na vzdelávanie ako použiteľné návrhy, pričom 7 z 11 ich označilo za „použiteľné po oprave" a len 3 priamo za „použiteľné", a preferencie sa rozchádzali so surovými skóre (7 uprednostnilo vyššie skórujúci nástroj zameraný na vzdelávanie, 4 plán všeobecného nástroja), pretože úsudok vážil afektívne a kontextové dimenzie nad rámec štrukturálnej vernosti. Učitelia zostávajú arbitrami toho, či a ako sa z návrhu AI stane vyučovateľná, kontextovo zakotvená lekcia.
  • Od prednášania koučovaniu v reálnom čase. Namiesto odovzdávania toho istého vysvetlenia celej triede učitelia čoraz častejšie smerujú rutinné otázky k AI tutorovi a sústreďujú osobný čas na študentov, ktorí potrebujú ľudský úsudok; štúdie pracovných postupov dokumentujú presne toto prerozdelenie pozornosti.
  • Od známkovania k navrhovaniu hodnotení, ktoré AI nedokáže obísť. Inštruktori prestávajú spoliehať na úlohy založené na vybavovaní, ktoré LLM triviálne riešia, a namiesto toho navrhujú autentické hodnotenie, hodnotiace škály a formative úlohy, ktoré zachovávajú prírastky v učení.
  • Od vyučovania obsahu k vyučovaniu používania. Práca učiteľa čoraz viac zahŕňa modelovanie toho, ako promptovať, hodnotiť a zodpovedne používať AI, teda kurikulum AI gramotnosti vpletené do každého kurzu a nie samostatný predmet.
  • Od čítania dashboardov ku konaniu podľa nich, a to kontextovo. Mejia-Domenzain a spol. (2026) ukazujú, že spôsob, akým učitelia analytické dashboardy skutočne používajú, sa líši podľa kontextu: učitelia v prevrátenej triede (univerzita) postupovali sekvenčne a uprednostňovali adaptáciu na úrovni kurzu a zobrazovanie dashboardov v triede, kým učitelia odborného vzdelávania sa vracali k súhrnným stránkam a nástroj používali najmä na individuálne koučovacie sedenia. Akcie, ktoré učitelia navrhovali, boli formované obsahom, ktorý graf reprezentoval, a ich vyučovacou úrovňou, a nie typom grafu: univerzitní učitelia uprednostňovali týždenné testy a adaptáciu kurzu, učitelia odborného vzdelávania priame, individualizované koučovanie. To ukazuje na kontextovo citlivý dizajn dashboardov a diferencované potreby podpory učiteľov a nie na univerzálne analytické rozhranie.
  • Od prijímania upozornení k ich posudzovaniu. Swidan (2026) sledoval jedného učiteľa a osem výkonných stredoškolákov v hodine geometrie v GeoGebre, kde Dash4Emotion orámoval študentov červenými obdĺžnikmi signalizujúcimi negatívnu emóciu, a zistil, že výsledky nehnali upozornenia, ale krok učiteľa po každom upozornení: preformulovanie Mirinej úlohy z hľadania minimálnej hodnoty na geometrické miesto minimálnych bodov znovu otvorilo jej skúmanie, tri súčasné upozornenia podnietili preformulovanie pre celú triedu a jedno obdobie zámernej neintervencie bolo samo pedagogickým rozhodnutím. Postoj štúdie je, že emocionálne upozornenie generované AI je podnet na interpretáciu spolu s tým, čo učiteľ vidí, a nie pokyn, ktorý treba poslúchnuť.
  • Od strážcu brány k principiálnemu facilitátorovi spätnej väzby o spolupráci. Triedne piloty Community Builder (CoBi) ukazujú, že rola učiteľa rozhodujúco formuje integritu implementácie: učitelia, ktorí využili postrehy a vizualizácie AI na podnietenie metakognície a kritickej reflexie o spolupráci, dosiahli používanie s vysokou integritou, kým tí, ktorí nechali systém zosunúť sa k monitorovaniu výkonu alebo odbočiť k všeobecným diskusiám o AI, nie. Učitelia sa tiež obávali, že ich spätná väzba v reálnom čase dostane „pod tlak", a uprednostňovali revíziu pred a po akcii pred živým zobrazením, čo zdôrazňuje, že orchestrácia celotriednej AI na spoluprácu vyžaduje podstatné profesijné vzdelávanie a nie len plynulosť v nástroji.
  • Od vyučovania s AI k zastupovaniu AI. Tam, kde digitálna priepasť nenecháva zariadenie pre každého študenta, sa učiteľ môže stať fyzickým rozhraním systému, teda zástupcom a nie orchestrátorom. V modeli „AIED unplugged" Rodriguesa a spol. (2026) študenti pracujú ďalej s papierom a perom, kým učiteľ fotografuje ich riešenia a AI vracia personalizované zoznamy cvičení a spätnú väzbu špecifickú pre chybu, ktorú treba odovzdať späť. Ide o klastrovaný kvázalexperiment v 19 autentických brazílskych základných triedach a nie o ukážku prototypu, a jeho dva výsledky sa priamo týkajú roly. Po prvé, učebná výhoda oproti bežnej praxi prišla z jedinej 50-minútovej školenia učiteľov a nie z technológie: podmienky so školením a so školením plus systém sa v prírastkoch nelíšili (−4,33, 95 % CI [−17,29, 7,23]), takže aktívnou zložkou je príprava a nie nástroj. Po druhé, prínos systému sám pôsobil nepriamo, cez učiteľa: znížené úsilie sprostredkovalo pozitívny efekt na prírastky (3,649, 95 % CI [1,097, 6,398]), takže efekt sa dostane k študentom, ktorých sa AI nikdy nedotkne, a práca so zachytením a overením, ktorú učitelia opisovali (fotografovanie hárkov, čakanie na spracovanie, opravovanie chýb rozpoznávania), je súčasťou pedagogického nákladu rozšírenia AI do tried s nedostatkom zdrojov.
  • Od poskytovateľa informácií k dizajnérovi učenia. Hochberg a Waitzman (2026) sledovali 93 učiteľov počas osemtýždňového programu o AI a zistili posun praxe k heutagogickému dizajnu pre agentúru študenta, hoci sebahlásené posuny neboli po úprave významné a výsledky študentov sa nemerali.

Metafora orchestrácie

Dominantnou metaforou vo vedomostnej báze je orchestrácia: učitelia koordinujú ľudských študentov, AI tutorov a kurikulárne zdroje. To kontrastuje s naratívmi nahradenia: AI ľudskú výučbu rozširuje a nie nahrádza. Empirické dôkazy tento postoj podporujú: systematický prehľad vedený podľa PRISMA zo 42 štúdií (2023 - 2025) zistil, že LLM sa vyrovnajú ľudským hodnotiteľom pri krátkych, dobre štruktúrovaných úlohách, ale že výkon klesá pri dlhšej, viacjazyčnej a nuansovanej práci, a uzavrel, že LLM nedokážu učiteľov plne nahradiť a že hybridné systémy hodnotenia s človekom v slučke dosahujú najvyššiu efektívnosť známkovania (Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback). Šošovka orchestrácie preformulúva základnú zručnosť inštruktora ako úsudok: rozhodovanie, kedy je pre daného študenta a moment správnym nástrojom človek, AI alebo navrhnutá učebná aktivita. PRISMA prehľad z roku 2026 z 29 štúdií o Teacher intervention in K-12 AI-based instruction: a systematic review of processes, strategies, and effects zostruje metaforu na štvorfázový cyklus (monitorovanie, úsudok, intervencia, orchestrácia) a ukazuje, prečo nemožno ani jednu fázu predpokladať. Učitelia uprednostňovali zdieľanú kontrolu, prijímali, upravovali, odmietali alebo prepisovali návrhy AI; niektorí intervenciu zámerne odkladali, aby študenti mohli najprv produktívne zápasiť; a dashboardy, ktoré rozširovali povedomie, mohli tiež preťažiť pozornosť alebo presiahnuť to, čo jeden učiteľ fyzicky dokáže urobiť. Jeho tri stratégie, teda pedagogické prekladanie výstupu AI, dizajn učebnej podpory a rekonštrukcia interakčných štruktúr, opisujú prácu ako rekontextualizáciu a nie ako schvaľovanie, čo stavia učiteľa bližšie k mediátorovi než k role recenzenta s človekom v slučke. Pozorovanie v triede pomenúva tie isté správania ako typy. Šesť hodín so skúseným učiteľom pridalo k štyrom typom Drijversa tri typy orchestrácie (monitorovanie dashboardu, opravovanie AI a sprostredkovanie AI), pričom obsahové a etické roly učiteľa boli najviditeľnejšie vtedy, keď opravoval spätnú väzbu generovanú AI (Noh a Kim, 2026).

Vyvíjajúce sa a kritické roly učiteľa

Nedávna práca rozširuje metaforu orchestrácie na bohatšie konceptualizácie rolí:

  • Spoluorchestrátor naprieč prechodmi aktivít. Yang a spol. (2026) použili participatívne „speed dating" so 17 učiteľmi a 13 študentmi na zmapovanie toho, ako sa má kontrola rozdeliť naprieč fázami triednej aktivity, teda pred prechodmi medzi individuálnou a kolaboratívnou prácou, počas nich a po nich, v nástroji spoluorchestrácie podporujúcom dynamické párovanie v reálnom čase. Dizajnový princíp, ktorý z toho vychádza, je, že kontrola nie je pevný bod: učitelia a študenti chcú v každej fáze iné množstvo agentúry a nástroj by mal umožniť učiteľovi upraviť zoskupovanie, prechody aktivít a načasovanie intervencií v reálnom čase a zároveň zachovať právo učiteľa prepísať rozhodnutie. To stavia učiteľa ako spolorchestrátora celého živého učebného prostredia, čo je rola špecifickejšia než všeobecná metafora orchestrácie, zameraná na granulárne rozhodnutia z momentu na moment o tom, kto s kým pracuje, kedy a s akou podporou, a spája výskum individuálneho tutorstva s dizajnom na úrovni triedy.
  • „Kognitívny choreograf". Posthumanistické rámce preformulúvajú učiteľa ako kognitívneho choreografa, ktorý orchestruje poznávanie rozložené medzi biologické a umelé systémy, čím idú nad rámec instrumentalistických modelov, ako sú Technological Pedagogical Content Knowledge (TPACK) a SAM.(Pedagogical Symbiosis: conceptualizing the Post-Human Learner in the age of cognitive AI)
  • Facilitátor, spoluvýskumník, etický supervízor. Pri učení prírodných vied sa roly učiteľov posúvajú od odovzdávateľov vedomostí k facilitátorom a spoluvýskumníkom a získavajú nové zodpovednosti ako etickí supervízori zodpovedného používania AI študentmi.(Artificial Intelligence in Science Learning within the Framework of Situated Learning Theory: A Qualitative Investigation of Teachers' Perspectives)
  • Sprostredkovateľ princípov učenia. Vzdelávatelia uvádzajú do praxe starodávne princípy učenia (skúsenostné, situované a rozložené poznávanie) prostredníctvom AI a berú AI ako nástroj, ktorý posilňuje a nie nahrádza usmerňujúcu rolu vzdelávateľa.(Empowering Educators: Operationalizing Age-Old Learning Principles Using AI)
  • Kritický mediátor, ktorý mení výstup AI na predmet kritiky. Canonigo (2026) sledoval desať stredoškolských učiteľov matematiky počas osemtýždňovej intervencie s ChatGPT-4 a identifikoval päť mediačných praktík: tvorbu problémov generovaných AI, rádiace lešenie navrhnuté tak, aby sa vytrácalo, kritické porovnanie výstupu AI s vlastnou prácou študentov, diferencované promptovanie (vizuálna analógia pre zápasiaceho študenta, rozšírenie na kubickú funkciu pre vrstovníka) a AI ako partnera v reflektívnom dialógu. Tam, kde učitelia tieto praktiky uskutočňovali, sa výstup stal niečím, o čom sa dá viesť argument, a nie kľúčom odpovedí, a študenti sa posunuli k domnienkam a metakognitívnemu kladeniu otázok; tam, kde mediácia chýbala, autorita migrovala k algoritmu, pričom študenti sa radili s AI pred učiteľom a vracali sa len po potvrdenie, čo jedného učiteľa viedlo k opisu posunu od „orákula" k „redaktorovi". Rovnostné zistenie štúdie je to najostrejšie: naprieč 300 odpoveďami modelu bol model bezplatnej úrovne nepresný v 32,7 % prípadov oproti 12 % u prémiového modelu (χ²(1) = 17,5, p < 0,001), takže učitelia v škole s nedostatkom zdrojov ho nazvali „na hranici nepoužiteľnosti pre matematiku". Kvalita nástroja, a nie len prístup k nástroju, sa stáva pedagogickou premennou, a politika prijateľného používania v škole jedného učiteľa mala desať rokov a o AI mlčala, čím sa medzera v riadení presunula do triedy.
  • Nesúmerená a zraniteľná profesijná identita. Farazouli a spol. (2026) dokumentujú emocionálnu stránku rekonfigurácie roly: 24 švédskych univerzitných učiteľov prežívalo nástup generatívnej AI ako alarmujúci a zahlcujúci a hlásilo „stav zraniteľnosti" (nízka sebadôvera, neistota, strach z toho, že „nebudú pred študentmi"), a cítili sa „zaseknutí" medzi utopickými a dystopickými diskurzmi. Generatívna AI ich viedla k prehodnoteniu priorít (pestovanie kritického myslenia, hodnotiaceho úsudku a etického používania generatívnej AI) a k spochybneniu vlastnej aj univerzitnej budúcej roly v prostredí, ktoré pôsobilo „mimo kontroly". To rámcuje posun roly učiteľa ako identitnú a emocionálne nabitú záležitosť, a nie len zmenu zručností alebo pracovného postupu.
  • Akademickí rozvojoví pracovníci ako digitálni sprostredkovatelia, vrátane brzdy. Sithole (2026) urobil rozhovory s dvanástimi akademickými rozvojovými pracovníkmi a dizajnérni učenia v dvoch juhoafrických historicky znevýhodnených inštitúciách a zistil, že sa rola posúva od facilitácie reflektívnej výučby k technologickému sprostredkovateľovi a riešiteľovi problémov, pričom mediácia zahŕňa pedagogiku, etiku a inštitucionálnu politiku. Jeho osobitným krokom je brať spomaľovanie ako súčasť práce: jeden účastník opisuje prekladanie medzi „tým, čo chce vedenie, čo technológia dokáže a čím sa prednášajúci skutočne zaoberajú", a pomenúvanie plagiátorstva, závislosti študentov a outsourcingu myslenia skôr, než nadšenie určí tempo: „Nie je to len technická podpora, je to aj vyjednávanie." Tá istá štúdia dokumentuje afektívny náklad („Cítim sa ako podvodník. Učím sa AI za pochodu, ale inštitúcia očakáva expertízu") a odpoveď profesijného vzdelávania: priestory medzi kolegami, ktoré nástroje testujú a zámerne lámajú, s cieľom úsudku a nie zručnosti, a výslovné odmietnutie binárnosti prijať alebo vzdorovať: „Nie som proti AI, som pre kontext."
  • Principiálna selektivita namiesto prijatia alebo vzdoru. Adiozaman a Segar (2026) urobili tri rozhovory s dvoma akademikmi s viac než desaťročnou praxou počas jedného semestra a zistili, že identitná práca sa organizuje okolo troch vzájomne previazaných napätí: pedagogika oproti platforme, vzdelávateľ oproti facilitátorovi a starostlivosť oproti súladu. Tieto sa nevyriešili do ustáleného postoja, ale do principiálnej selektivity: kontextovo citlivých rozhodnutí vedených pedagogickými hodnotami, etickým záväzkom a profesijným úsudkom. Opisujú trajektóriu od implicitnej orientácie cez stratégie v polovici semestra, ako je žiadanie študentov, aby vysvetlili svoje uvažovanie, a prepracovanie úloh a hodnotenia, až po postoje, ktoré zostali zámerne otvorené a nie pevné, pričom odmietnutie konkrétneho použitia bolo brané ako legitímne uplatnenie úsudku a nie ako zlyhanie prijať. To poskytuje konštruktívny náprotivok k zraniteľnosti dokumentovanej vyššie: keďže posun roly vyžaduje úsudok, inštitucionálne odpovede postavené okolo školenia na nástroje riešia nesprávny problém.
  • Semi-autonómia ako preferovaný prevádzkový bod. Dai a spol. (2026) skúmali 287 učiteľov so skúsenosťou s generatívnou AI v 27 krajinách a regiónoch a zistili, že nástroj umiestňujú na semi-autonómne úrovne škály automatizácie: 130 zvolilo úroveň 2 („pomoc učiteľovi"), 94 úroveň 3 („čiastočná automatizácia") a presne jeden úroveň 6, pričom ho opisovali ako „pomocný", „lešenie", „doplnok" alebo „partner". Vnímaná užitočnosť dominovala ich zámeru prijať (β = 0,832, p < 0,001), kým vnímaná umelá autonómia ovplyvňovala zámer len nepriamo cez užitočnosť a averzia k riziku znižovala zámer bez toho, aby oslabila užitočnosť, pretože ich obavy sa týkali používania študentmi: podvádzania a integrity, oslabeného základného poznania a vyššieho myslenia, halucinácií, zníženej ľudskej interakcie a etických, právnych a rovnostných rizík. Označenie „frenemy" od autorov vystihuje postoj presne: generatívna AI cenená ako podporný nástroj, ale nedôverovaná ako autonómny agent. Dôsledok pre rolu učiteľa je, že učitelia chcú zostať rozhodujúcim aktérom a rozhodovať o použití prípad od prípadu (disciplína, potreby študentov, typ úlohy, načasovanie), takže nástroje orchestrácie by mali byť postavené okolo ľudského dohľadu a úsudku na úrovni prípadu a nie okolo sľubov autonómie.
  • Autorita zostáva u učiteľa, schopnosť sa rozširuje len vnútri nej. Reichert, Briceno, Tabarsi a Barnes (2026) dali šiestim stredoškolským učiteľom z ročníkov 6 - 12 (spoločenské vedy, matematika, chov zvierat, prírodné vedy a informatika a robotika) úlohu papierovo navrhnúť prototyp chatbota LLM pre svoju vlastnú triedu a zistili, že každý prototyp kódoval ten istý postoj: systém bol ohraničený expert, špecializovaný, ale obmedzený na vymedzenú doménu a pod dohľadom učiteľa. Učitelia nakreslili dve hranice. Hranice autority vyplývali z profesijnej a právnej zodpovednosti: kontrola nad tým, čo sa študenti učia a ako sú chránení, nemohla byť delegovaná, takže dohľad (úplné logy rozhovorov, upozornenia v reálnom čase na nevhodné dopyty a manuálne prepísanie) bol braný ako povinnosť roly a nie ako kontrola nástroja. Hranice expertízy vyplývali z toho, čo model nemôže vedieť: histórie jednotlivých študentov, dynamiky triedy a inštitucionálnych noriem. Delegovanie sa potom prideľovalo selektívne naprieč výučbou: učitelia privítali AI pri prezentovaní obsahu, dodávaní cvičných úloh, lešení a poskytovaní formatívnej spätnej väzby, ale informovanie študentov o cieľoch a sumatívne hodnotenie si nechali sami. To dodáva preferencii semi-autonómie dokumentovanej vyššie konkrétnu architektúru: autorita učiteľa je pevný prvok a schopnosť AI rastie len vnútri nej.
  • Učitelia ako hodnotovo zaťažení hodnotitelia. Luo a Dawson (2026) ukazujú, že známkovanie práce s podporou generatívnej AI nie je neutrálny akt podľa kritérií, ale hodnotový úsudok formovaný tým, čo si učiteľ domnieva o študentovi (čestnosť, usilovnosť), čoho je študent schopný (samostatnosť, zručnosť s generatívnou AI, disciplinárne zvládnutie), ako sa vzťahuje k iným (dôvera) a či rozhodnutie vedie k dobrým výsledkom (spravodlivosť, dobročinnosť). Učitelia si často neuvedomujú hodnotové orientácie, ktoré sú pod ich známkovaním, a tie sa líšia podľa disciplíny (humanitné vedy kritickejšie k používaniu generatívnej AI, tvrdé a aplikované vedy menej problémov so známkovaním) a epistemologického postoja (absolutistický, multiplistický, evaluativistický). To stavia učiteľa ako hodnotiaceho profesionála, ktorého úsudok, a nie len používanie nástrojov, treba podporovať a zviditeľňovať.
  • Učiteľ ako arbiter pedagogicky zmysluplných vysvetlení. Pretože dôvera učiteľov v odporúčania AI rastie vtedy, keď sú vysvetlenia formulované v ich kurikulárnom a pedagogickom jazyku a nie v surových vnútornostiach modelu, účinné nástroje musia „hovoriť" doménou učiteľa. V experimente v rámci subjektu Feldman-Maggor a spol. (2025) zistili, že doménovo vedeným vysvetleniam nástroja na zoskupovanie AI sa dôverovalo a prijímali sa oveľa viac než vysvetleniam založeným na dôležitosti čŕt z dát, čo stavia pedagogickú slovnú zásobu učiteľa ako rozhranie, cez ktoré si AI získava dôveru a používanie, a jeho úsudok o tom, či je vysvetlenie pedagogicky správne, ako rozhodujúci faktor prijatia.
  • Facilitátor, ktorého funkciu možno čiastočne delegovať. Kuhail a spol. (2026) nechali 32 študentov STEM diskutovať pod ľudským moderátorom, pod chatbotom AI (GPT-4 promptovaný správaním očakávaným od pedagógov: neutralita, rovnaký čas na slovo, krátke pokyny, držanie témy, doplňujúce otázky, zmierňovanie) alebo postupne pod oboma a zistili žiadny významný rozdiel v efektívnosti, zábavnosti, spokojnosti, užitočnosti ani v zámere opakovať (t = 0,23 až 1,30, p = 0,198 až 0,818). Autori čítajú nulový výsledok ako normalizáciu spolupráce človeka a AI v diskusii viazanej pravidlami a nie ako rovnocennosť. Cesta k opakovaniu sa však líšila: pod ľudskou moderáciou hnala zámer používať spokojnosť, kým pod moderáciou AI to bola vnímaná užitočnosť (0,806 oproti 0,495), takže aktivita facilitovaná AI prežíva vďaka preukázanej užitočnosti a nie vďaka tomu, ako príjemná sa zdá. Praktické čítanie je moderovanie AI ako pomôcka pri škálovaní veľkých alebo slabo personálne zabezpečených kurzov pod ľudským dohľadom, s neoverenou rovnosťou pri sarkazme, nepriamom jazyku a menšinových komunikačných štýloch.
  • Stanovovateľ účelov, nielen kompetencií. Fagerlund a spol. (2026) urobili rozhovory s 13 fínskymi učiteľmi od predškolskej úrovne po 9. ročník o tom, prečo by sa študenti mali učiť o AI a s AI, a ich výpovede čítali cez Biestove kvalifikáciu, socializáciu a subjektivizáciu. Kvalifikácia bola najjasnejším a najkonkrétnejším účelom a pokrývala AI ako cieľ učenia aj ako nástroj preň; socializácia sa objavila ako pestovanie priaznivých postojov k AI a príprava študentov ako budúcich pracovníkov zdatných v AI; subjektivizácia, teda samourčené a osobne zmysluplné zapojenie, bola schválená ako dôležitá, ale nemala za sebou žiadne konkrétne inštrukčné stratégie a spočívala na „diskutovaní a uvažovaní". Autori navrhujú informovanú agentúru v AI, so subjektivizáciou v strede a kompetenciami ako jej základom, čo dáva role učiteľa povinnosť stanovovať účel: zviditeľniť „prečo", aby zručnosti získali kontext a nestáli ako ciele samy o sebe, a doplniť technické rámce, ako je Technological Pedagogical Content Knowledge (TPACK), trvalou pozornosťou vzdelávaciemu účelu.
  • Prijatie nie je tou istou pákou ako výkon. Naprieč 200 učiteľmi v Severnej Sumatre nemalo používanie AI priamy efekt na výkon učiteľa (β = 0,112, p = 0,087), kým organizačné občianske správanie ho sprostredkovalo pri β = 0,370, takže používanie mení na výkon práca nad rámec role, kolaboratívna práca okolo nástroja, a nie nástroj sám (Sherly a spol. (2027)).

Tieto roly spájajú prácu učiteľa s rozloženým poznávaním, situovaným učením, stelesneným učením a kritickou pedagogikou a preformulúvajú učiteľa ako dizajnéra a etického sprievodcu AI-sprostredkovaného učenia a nie iba používateľa.

  • Rozhodnutia podporované AI sa zhlukujú tam, kde sú dostupné behaviorálne dáta. Köroğlu a spol. (2026) preskúmali 27 empirických štúdií (2016 - 2025) a identifikovali osem typov rozhodnutí prednášajúcich, pričom zistili, že podpora AI sa sústreďuje na inštrukčné rozhodnutia a rozhodnutia o spätnej väzbe a hodnotení, kým rozhodnutia o kurikule, učebnom prostredí, emóciách, etike a administratíve boli podporované zriedka. Najčastejším systémom boli dashboardy analytiky učenia, ktoré spracúvajú textové a logové dáta na behaviorálne ukazovatele výkonu a zapojenia; multimodálne a na interakcii založené dáta, agentické systémy a kognitívne, metakognitívne, motivačné a afektívne výsledky boli v preskúmanom korpuse porovnateľne zriedkavé. Praktické čítanie pre inštruktorov je, že rozhodovací priestor, ktorý nástroj AI otvára, je ohraničený dátami, ktoré zobrazuje, takže výber nástroja je aj voľbou toho, ktoré vyučovacie rozhodnutia sú zabezpečené zdrojmi.

Ako by mali inštruktori prispôsobiť svoju vyučovaciu prax AI

Dôkazy vo vedomostnej báze sa zbiehajú do súboru konkrétnych prispôsobení:

Navrhujte pedagogický obal AI, nie len nástroj. Tá istá AI prináša veľké prírastky v učení alebo čistú škodu podľa toho, ako je aktivita okolo nej navrhnutá. Kibar a Ilgaz a dôkazy o prírastkoch v učení sú konzistentné: úlohou inštruktora je navrhnúť učebnú skúsenosť a brať AI ako komponent vnútri štruktúrovanej aktivity a nie ako odpovedací stroj. Najprv podoprite pokus študenta, potom nechajte AI koučovať: to je rozdiel medzi hodnotením a nafúknutím výkonu.

Vyžadujte kontrolný bod s človekom v slučke. Namiesto prijímania výstupu AI na prvý pohľad učte študentov hodnotiť, opravovať a prevziať vlastníctvo práce s podporou AI. AI gramotnosť založená na primeranom využívaní to rámcuje ako vyvažovanie produktivity AI proti skutočnému ľudskému rozvoju a autorstvu. Zadania navrhujte tak, aby AI pomáhala s návrhom, ale študent zostal aktérom hodnotenia a revízie.

Kurátorujte návrhy spätnej väzby od AI, nepreposielajte ich. Chen a spol. (2026) dali 64 čínskym budúcim učiteľom spätnú väzbu k argumentačnému písaniu s pomocou ChatGPT a zistili, že branie výstupu ako návrhového materiálu a nie ako hotového komentára posunulo kritické myslenie tam, kde spätná väzba iba od učiteľa nie (Cohenovo d pri post-teste 3,74 oproti 0,25 pri preteste, p < 0,001). Prenosná je tá časť, čo učitelia s návrhom urobili: vhodný obsah skopírovali na úrovni podobnej svojej vlastnej (28 %), rozšírili ho hlbším vstupom (16 %), dodali ho (16 %), prepracovali ho (14 %) alebo ho úplne zahodili (14 %), pričom ďalších 9 % potrebovalo opravu. Spätná väzba s podporou AI sa prikláňala k modelovaniu (demonštrácia, 33,1 % oproti 10,9 %) a sondovaniu (otázka tesne, 21,5 % oproti 6,0 %) a študenti ju prepracovali k analýze, hodnoteniu a tvorbe a nie k rozpoznávaniu, ale šesť z ôsmich opýtaných stále hlásilo nepresnosť a neprofesionálnosť. Práve overovací krok učiteľa robí hybrid bezpečným.

Prispôsobte hodnotenie ére AI. Odstúpte od úloh, ktoré LLM dokážu dokončiť doslovne, k autentickému, procesnému a prezenčnému hodnoteniu. Hodnotiace škály dávajú inštruktorom rubriku na rozhodovanie o tom, koľko pomoci AI je legitímne v ktorej fáze, a metaanalytické dôkazy ukazujú, že AI dokáže podporiť vyššie myslenie, keď to dizajn hodnotenia vyžaduje.

Chráňte podmienky trvalého učenia. Pretože odpovede AI robia učenie ľahkým, inštruktori musia navrhovať proti medzere medzi výkonom a učením. Lodge a Loble varujú, že ľahký úspech s AI môže zakryť absenciu učenia; inštruktori by mali zabudovať produktívne zlyhávanie, vyžadovať preukázanie zvládnutia bez pomoci a brať odpovede podporované AI ako východisko a nie ako hotový výsledok.

Plánujte podľa média doručovania. Prispôsobenie nie je neutrálne voči médiu: online výučba s AI znásobuje príležitosti (škálovateľná personalizácia, podpora vždy dostupná) aj riziká (integrita, odľahčenie). Obal AI navrhujte v online kontexte rovnako zámerne ako v prezenčnom.(Can AI deliver appropriate support for diverse student profiles? A large-scale evaluation)

Začlenenie AI gramotnosti do výučby

AI gramotnosť nie je samostatný modul, je vpletená do toho, ako inštruktori navrhujú každý kurz. Účinné prístupy zahŕňajú:

Zabezpečenie akademickej integrity v ére AI

Akademická integrita s AI je dizajnový problém a nie problém dohľadu. Inštruktori sa prispôsobujú takto:

  • Preformulujte integritu okolo procesu a autorstva. Namiesto detekcie zdôrazňujte akademickú integritu ako transparentné, dokumentované používanie. Výskum o agentickej AI a fantómových študentoch ukazuje, že riziko pre integritu sa posúva, keď študenti nasadzujú agentov AI vo svoj prospech, takže inštruktori musia definovať, čo autorstvo znamená, keď je „fantómom" AI.
  • Používajte zverejňovanie a formulovanie. Ako sa používanie AI formuluje pre študentov, či už ako berlička alebo legitímny nástroj, formuje, či ho zverejnia. Normy transparentnosti (napríklad zverejnenie používania AI) znižujú motiváciu skrývať používanie AI.
  • Navrhujte tak, aby motivácia podvádzať zmizla. Autentické, procesné a prezenčné hodnotenie (ústne skúšky, portfóliá, pozorované riešenie problémov) robí outsourcing menej atraktívnym, než to dokážu nástroje na detekciu AI. Hodnotiace škály a autentické hodnotenie sú konštruktívnou alternatívou k pretekom v zbrojení s detekciou.
  • Regulácia na úrovni úlohy je to, ako inštruktori AI skutočne riadia. Štúdia Chirikova (2026) z viac než 31 000 sylabov kurzov ukazuje, že inštruktori čoraz viac pôsobia ako regulátori na úrovni úlohy a nie ako uplatňovatelia plošných pravidiel: obmedzujú AI pri tvorbe a revízii textu (79 % kurzov) a pri uvažovaní a riešení problémov (65 %), povoľujú ju pri editovaní a korektúrach (83 %) a pri podpore štúdia (80 %) a najviac spornú nechávajú ideáciu a plánovanie (46 % povoľuje, 54 % obmedzuje). Táto diferenciácia, postavená na tom, ktoré úlohy AI vytláča a ktoré rozširuje, je konkrétnou, inštruktormi vedenou alternatívou k politike prijať alebo zakázať a dáva role učiteľa ústredné miesto pri tvorbe politiky.
  • Externí vyučujúci nesú náklad známkovania bez mandátu. Dvadsať externých akademikov, niektorí vyučujúcich v troch alebo viacerých inštitúciách naraz, opisovalo odhaľovanie nedovoleného konania pomocou nezaškoleného remesla bez akejkoľvek kurikulárnej alebo politickej autority (Andriamora a Andriamora, 2026).

Spájanie výučby s návrhom učenia

Výučba a návrh učenia sú dve strany tej istej mince: každodenné úsudky inštruktora sú živým vykonávaním navrhnutej učebnej skúsenosti. AI toto spojenie utláča:

  • Učitelia ako dizajnéri učenia. LearnAI a dizajn promptov od učiteľov ukazujú inštruktorov fungujúcich ako dizajnéri: špecifikujú aktivitu, rolu AI a lešenie, ktoré štruktúruje učenie. To je návrh učenia v akcii v mieste použitia.
  • Princípy návrhu učenia riadia pedagogiku AI. Tie isté princípy návrhu učenia (jasné ciele, zladené hodnotenie, lešenie a spätná väzba) určujú, či AI pomáha alebo škodí. ISD-Agent-Bench empiricky potvrdzuje, že zakotvenie dizajnu AI vo formálnych modeloch inštrukčného dizajnu poráža promptovanie bez teórie.
  • Navrhujte pre orchestráciu učiteľa. Účinné učebné prostredia s AI sú navrhnuté s ohľadom na učiteľa: nástroje, ktoré poskytuje AI orientovaná na človeka, by mali znižovať záťaž učiteľa a rozširovať úsudok a nie pridávať ďalšiu nepriehľadnú čiernu skrinku. Keď inštruktori spolunavrhujú učebné aktivity s AI (perspektívy teórie aktivity), prijatie aj kvalita sa zlepšujú.

Vzťah k identite študenta

Rola učiteľa a identita študenta sú recipročné strany toho istého ľudského procesu a AI pretvára obe.

  • Identita učiteľa je profesijná identita; identita študenta je identita v učení. Stránka o role učiteľa dokumentuje, ako AI pretvára prácu, identitu a agentúru vzdelávateľov, teda ich vyvíjajúce sa profesijné sebaporozumenie (pozri Laidlawovo rámcovanie generatívnej AI ako krízy identity). Identita študenta je paralelný konštrukt pre študentov: kým sú a kým sa stávajú ako študenti, v disciplinárnych, profesijných, tvorivých a akademických pojmoch.
  • Sú kauzálne spojené. Učitelia, ktorí zažívajú narušenie identity (neistota o svojom profesijnom účele uprostred generatívnej AI), dokážu menej podporiť rozvoj identity svojich študentov: učiteľ, ktorý pochybuje o svojej role, ťažko potvrdzuje vznikajúci zmysel študentov pre seba v tej istej doméne. Naopak, učitelia, ktorí si udržia sebaistú profesijnú identitu, sú lepšie pripravení podopierať spolupatričnosť a autorstvo študentov.
  • Odlišné režimy zlyhania. Identitu učiteľa ohrozuje zastaranosť roly a účel (otázka „aký má výučba zmysel?"). Identitu študenta ohrozuje strata autorstva a kompetencia (otázka „je to naozaj moje / som dosť dobrý?"). Obe sú reakciami na úrovni identity, a nie len zručností, na AI.
  • Obe sú záležitosťou profesijného rozvoja a pedagogiky. Podpora identity učiteľa patrí do vzdelávacieho rozvoja a kompetencie učiteľa v AI; podpora identity študenta patrí do skúsenosti študenta, autentického hodnotenia a agentúry. Dobre navrhnutý systém integrujúci AI sa venuje obom, pretože identita učiteľa je podmienkou, za ktorej sa formujú identity študentov.

Spoludizajn rannej AI gramotnosti učiteľmi

  • Spoludizajn učiteľov pri rannej AI gramotnosti. Lee (2026) ukazuje, že dve učiteľky predškolskej prípravy a dve učiteľky materskej školy, ktoré spoločne navrhli kurikulum Play With AI (PL-AI), zažili podstatný rast sebadôvery a pedagogickej agentúry, pričom spoludizajn podporil vlastníctvo kurikula, reflektívnu prax a zmysluplnú adaptáciu. To stavia učiteľov ako ústredných spoludizajnérov, a nie len realizátorov, vývojovo primeraných kurikúl AI gramotnosti, čo je model s dôsledkami pre prípravu učiteľov v ranom detstve a na základnej škole v AI vzdelávaní.

Učitelia spolunavrhujúci učebné zdroje s AI

  • Rola učiteľa sa rozširuje na spolunavrhovanie učebných zdrojov s AI: simulácie pre výučbu STEM s dronmi spolunavrhnuté učiteľom a AI udržali výstup generatívnej AI pedagogicky platný a kontextovo relevantný a učitelia sú zamýšľanými príjemcami škály AI gramotnosti učiteľov. Účinná integrácia generatívnej AI čoraz viac závisí od zapojenia učiteľov do dizajnu.

Systémy reflexie s AI by sa mali prispôsobiť skúsenostiam učiteľa

  • Analytika reflexie s AI pre učiteľov by mala byť prispôsobená expertíze, nie univerzálna. Prieskum 100 amerických učiteľov K-12 (mediánový split na deviatich rokoch; binomické testy; 15 % rozdiely vo voľbách rozpoznateľné pri sile približne 83 %) zistil systematické rozdiely v preferenciách. Menej skúsení učitelia uvádzajú nedostatok času na reflexiu ako hlavnú prekážku 3-násobne častejšie než skúsení (37 % oproti 12 %, p < 0,001) a chcú analytiku o neangažovanosti študentov (48 % oproti 33 %, p = 0,028) a o emóciách (31 % oproti 18 %, p = 0,036).
  • Dizajnové pravidlo odvodené z tohto rozdielu sú režimy odporúčaní prispôsobené skúsenostiam. Skúsení učitelia chcú analytiku o zlepšenom učení po pomoci študentovi (40 % oproti 26 %, p = 0,019) a o svojich vyučovacích metódach (42 % oproti 26 %, p = 0,012); ich hlavnou prekážkou je sledovanie výkonu (28 % oproti 15 %, p = 0,009). Dizajnové pravidlo: režim pre začiatočníkov = štruktúrované prompty a analytika zapojenia; režim pre expertov = flexibilná longitudinálna analýza, čo je priamy argument proti jednotným dashboardom. (How expertise levels shape preferences and reflection needs — towards AI reflection systems for teacher empowerment)

Časté mylné predstavy

„AI zníži alebo nahradí pedagogickú prácu výučby." Dôkazy expertných scenárov ukazujú opak. Malyn-Smith a spol. (2026) to nazývajú paradoxom viac ľudskosti: naprieč šiestimi scenármi pre rok 2030, ktoré spoločne vytvorilo 20 výskumníkov z 13 krajín, nasýtenie AI ľudskú pedagogickú prácu zintenzívňuje a nie vytláča. Scenáre opisujú AI ako „systém úpravy vzduchu učebného ekosystému", teda infraštruktúru, ktorú si všimnete len vtedy, keď zlyhá. Nemení sa množstvo požadovaného ľudského úsudku, ale jeho predmet: pozornosť sa posúva od vytvárania materiálov k interpretácii študentov.

„Kompetencia učiteľa v AI znamená naučiť sa nástroje." Plynulosť v nástroji je najslabším dostupným prediktorom. V SEM modeli Baia a Hsieha (2026) z 898 čínskych univerzitných učiteľov závisela inovácia výučby podporovaná generatívnou AI menej od izolovaných technologických znalostí o AI a viac od pedagogicky a disciplinárne zakotvenej kompetencie v AI spolu s profesijnou identitou, pričom obe čiastočne sprostredkovali výsledok. Workshop o funkciách, ktorý sa nedotýka pedagogiky ani disciplinárnej identity, mieri na nesprávnu premennú, a preto Laidlaw a spol. rámcujú reakciu pedagógov na generatívnu AI ako otázku identity a nie ako medzeru v zručnostiach.

„Učitelia sú už spoludizajnérmi AI, takže prechod prebieha." Ambícia je reálna, opis ešte nie. Systematický prehľad Wanga, Liua a Islama (2026) o spoludizajne učebných úloh učiteľom a AI zisťuje, že postoj spoludizajnéra zostáva nerovnomerný, pričom dominantným režimom je stále AI ako asistent alebo generátor obsahu. Čítať tento prehľad ako dôkaz dokončeného posunu by zakrylo medzeru medzi učiteľmi, ktorých takáto stránka odporúča, a učiteľmi, ktorých väčšina inštitúcií skutočne má.

„Ako učiteľ deleguje na chatbota, sotva záleží, veď prácu robí model." Vzorec delegovania je intervenciou. Pri plánovaní lekcií STEAM a výtvarného umenia pre deti Luo a Tahir (2025) experimentálne zistili, že dopĺňanie obsahových medzier v lekcii, ktorú si učiteľ sám načrtol, zachovalo dizajnovú autonómiu učiteľa a zároveň zvýšilo expertmi hodnotenú kvalitu plánu (medián 20,5 oproti 17,6, p = 0,002, veľký efekt), čím prekonalo alternatívu nechať model dodať osnovu. Ten istý model, tá istá úloha, iná deľba práce, podstatne odlišný výsledok.

Praktická postupnosť na začiatok

Dôkazy podporujú konkrétne poradie krokov pre inštruktora, ktorý AI prijíma, a nie zoznam funkcií na naučenie.

  1. Napíšte aktivitu predtým, než vyberiete nástroj. Špecifikujte cieľ, pokus študenta, ktorý prichádza ako prvý, a to, čo sa počíta ako dôkaz porozumenia. Nástroje vybrané ako prvé majú tendenciu prepísať aktivitu okolo seba.
  2. Rozhodnite vzorec delegovania výslovne. Načrtnite lekciu sami a nechajte AI doplniť obsahové medzery namiesto prijatia generovanej osnovy, čo je vzorec s nameraným rozdielom v kvalite uvedený vyššie.
  3. Umiestnite ľudský kontrolný bod tam, kde sídli vlastníctvo. Navrhnite to tak, aby študent hodnotil, opravoval a vlastnil prácu s podporou AI a aby spätná väzba AI prichádzala ako návrh, ktorý učiteľ kurátoruje, a nie ako komentár, ktorý učiteľ preposiela.
  4. Chráňte čas na interpretáciu, ktorý posun vytvára. Ak sa pozornosť posúva od vytvárania materiálov k čítaniu študentov, tento prerozdelený čas musí prežiť stretnutie s kalendárom; ak ho pohltí nová administratívna práca, sľúbená zmena roly nenastane.
  5. Overte, či vás školia na nástroje alebo na pedagogiku. Vzhľadom na výsledok SEM uprednostnite profesijný rozvoj, ktorý pracuje na disciplinárnych úlohách a identite, pred prehliadkami funkcií.

Prepojené koncepty

Prepojené články

Prepojené často kladené otázky

Metadáta

ÚroveňK 12, Higher Ed
Zamýšľaný okruh čitateľovInstructors, Faculty Developers, Learners
Učenie a výučbaScaffolding
Technológie a technikyIntelligent Tutoring
Základy AI v edukáciiAI gramotnosť, Vzdelávací rozvoj, Návrh učenia, AI kompetencia učiteľa
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.