Čomu by sa mali vzdelávatelia pri práci s AI vyhýbať?

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

Väčšina usmernení k AI vo vzdelávaní hovorí, čo skúsiť. Táto stránka zbiera postupy, o ktorých dôkazy hovoria, že s nimi treba prestať, usporiadané podľa roly, ktorá by s nimi musela prestať. Nesprávne presvedčenia riešime inde: zaoberá sa nimi FAQ o mylných predstavách a koncepčná stránka Mylné predstavy o AI vysvetľuje, prečo pretrvávajú. To, čo výskum zatiaľ nevie povedať, patrí k obmedzeniam výskumu v AIEd. Tu ide o krok po presvedčení: čo ľudia robia, čo ich to stojí a čo robiť namiesto toho.

Tri zlyhania sa opakujú naprieč rolami.

1. Substitúcia. Nástroj vykonáva myslenie, ktoré mal vykonať študent, a výstup sa hodnotí, akoby ho vykonal študent. Odovzdaná esej je záznamom toho, čo vie model, nie toho, čo vie študent.
2. Nezaslúžený dôkaz. Signál, ktorý sa ľahko zbiera, ako sebadôvera, plynulosť, zapojenie alebo miera dokončenia, sa berie ako dôkaz niečoho, čo ukázať nedokáže. Dashboard môže hlásiť štyridsať minút v sedení s tutorom; nedokáže hlásiť, či sa niekto naučil riešiť kvadratickú rovnicu.
3. Štruktúra ponechaná napomenutiu. Od varovania, vety v politike alebo školenia sa žiada práca, ktorú musí urobiť dizajn rozhrania, dizajn hodnotenia alebo riadenie. Sylabus hovorí používať AI zodpovedne a tutor aj tak na prvý prompt vydá hotovú odpoveď.

Krátka verzia

1. Nikdy neznámkujte, necitujte ani nepropagujte výstup ako dôkaz schopnosti, ktorá ho vytvorila.

2. Vždy popri asistovanom meraní zbierajte aj meranie bez pomoci.

3. Plynulosť, sebadôveru a zapojenie berte ako vlastnosti používania, nie ako učenie.

4. Ochranný mechanizmus umiestnite do pracovného postupu, nie do varovania.

5. Predpokladajte, že akékoľvek údaje, ktoré nástroj vidí, budú uchované, skombinované a uniknú.

6. Ak tvrdenie prichádza s ukážkou, ale bez porovnania, je to marketing.

Pre vyučujúcich

Necertifikujte výstup ako schopnosť. Vypracované odovzdanie je dôkazom vypracovaného odovzdania. Ak študent odovzdá prehľad literatúry, ktorého zdroje neviete porovnať s ničím, čo kurz učil, a hodnotenie nedokáže rozlíšiť, čo tento študent zvládne bez pomoci, hodnotenie prestalo merať to, čo osvedčenie tvrdí (Assessment Validity, Authentic Assessment). Riešením je redizajn úlohy; prísnejší čestný kódex to neurobí.

Nepoužívajte skóre detektora ako dôkaz nekalého konania. V kontrolovanej štúdii 642 publikovaných abstraktov detektory označili 38–80 % ľahkých úprav AI v súlade s usmerneniami a 9–15 % nezmeneného ľudského písania, pričom zachytili menej ako 4 % prepisov prevedených cez humanizačnú službu (Karr et al., 2026). Nezávislý benchmark zistil, že žiadny zo 14 komerčných nástrojov nedosiahol 80 % presnosti, a jednoduché parafrázovanie zníži aj tento výsledok na polovicu (Teichmann et al., 2026). Pri realistických základných mierach prevyšujú falošné pozitíva skutočné (Mali by sme používať detektory AI?). Detektor môže rozhovor začať; nedokáže ho ukončiť.

Nepridávajte AI do hodnotenia, ktoré ste neprestavali. Priloženie nástroja k úlohe navrhnutej na výkon bez pomoci vytvára presne to nafúknutie známok, ktoré stratu skrýva: domáce úlohy hore, skúška dole. Pri každej známkovanej úlohe sa pýtajte, čo by ukázala verzia bez pomoci, a najprv opravte úlohu (Znižovanie zneužívania AI). Ak domáca sada príkladov a test v triede preverujú tú istú zručnosť, meria študenta len jedna z nich.

Nezamieňajte zapojenie za učenie. Čas na úlohe, spokojnosť, objem hľadania pomoci a aktivita v chate sa ľahko instrumentujú a všetky sú zlučiteľné s tým, že sa nedeje žiadne učenie. V experimente 3 × 2 so 186 účastníkmi, ktorí posudzovali občianskoprávne prípady na platforme podporovanej LLM, zábrana, ktorá znížila prepínanie na nesprávny postoj AI zo 42–60,5 % na 5,7–8,2 %, nepriniesla v rámci sedenia žiadny merateľný učebný efekt (β = 0,03, p = 0,18; Tuo et al., 2026). Správanie sa zmenilo; miera učenia nie (Student Engagement).

Nespoliehajte sa na varovanie tam, kde by rozhranie mohlo obmedziť. Tutor, ktorý dokáže vytvoriť hotovú odpoveď, ju pod tlakom termínu vytvorí, nech sylabus hovorí čokoľvek. Funguje zábrana zabudovaná do interakcie (Znižovanie zneužívania AI, Pedagogical Safety). Zadržanie konečnej odpovede na prvé dva pokusy je rozhodnutie o dizajne; prosba na študentov, aby o ňu nežiadali, je prosba.

Nevkladajte práce študentov, IVP, disciplinárne záznamy ani identifikovateľné koncepty do spotrebiteľského nástroja. Minimalizácia údajov je dizajnové rozhodnutie, ktoré robíte v mene študenta, či ste o tom premýšľali alebo nie (Privacy). Bezplatný účet chatbota, ktorý odpovedá na otázku o behaviorálnom pláne študenta, je aj kópiou tohto plánu na cudzom serveri.

Pre študentov

Neodovzdávajte časť, ktorú máte precvičovať. Predpokladajme, že zadanie je esej z piatich odsekov: vložíte prompt do chatbota, vezmete vrátený koncept a odovzdáte ho. To, čo odovzdáte, je záznamom toho, čo vie model. Otázka je, ktorá kognitívna práca sa presúva, nie koľko AI používate. Externé zadávanie domácich úloh zvyšuje známky z domácich úloh a znižuje známky z písomnej skúšky bez pomôcok: u 26 811 stredoškolákov sledovaných 30 mesiacov stúpli známky z domácich úloh o 18 % a známky zo skúšky klesli o 20 % za šesť mesiacov (Strömberg, Lei and Wu, 2026). Prax, ktorá buduje vybaviteľné vedomosti, prešla na nástroj (Znižovanie zneužívania AI). Ak je cvičenie podstatou, nástroj cvičenie urobiť nemôže.

Nečítajte plynulosť ako presnosť. Plynulý text je výstupom jazykového modelu bez ohľadu na to, či je obsah pravdivý, a mechanizmus, ktorý ho robí presvedčivým, je ten istý, ktorý ho robí nesprávnym (Hallucination Risk). Overujte konkrétne tvrdenie, nie tón odseku. Tento návyk zriedka vznikne sám: v pasívnom paneli 900 dospelých v USA, ktorí dostali zhrnutie od AI, čitatelia na 1 % návštev nasledovali zdroj citovaný v tomto zhrnutí (Jaidka and Cai, 2026). Ak zadanie vyžaduje tri zdroje, otvorte všetky tri.

Neprijímajte súhlas ako spätnú väzbu. Modely potvrdzujú podstatne viac než ľudia: naprieč 11 modelmi AI odpovede potvrdzovali používateľov o 49 % častejšie než ľudské odpovede a práve tento prebytok robí interakciu pocitovo podpornou (Potel and Kumashiro, 2026). Tutor, ktorý s vami nikdy nesúhlasí, odstránil korektívny signál, pre ktorý ste prišli (AI Sycophancy). Pýtajte si námietku, nie potvrdenie: „Čo je na tomto argumente zlé a čo by povedal skeptik?“

Keď uviaznete, nevymieňajte otázku za odpoveď. Produktívny zápas, ktorý preskočíte, je učenie. Hľadanie pomoci, ktoré získa odpoveď, je iné správanie než hľadanie pomoci, ktoré získa nápovedu (Help-Seeking, Desirable Difficulties). Používajte nástroje, ktoré hotovú odpoveď zadržia, a pýtajte si ďalší krok, nie riešenie.

Nevkladajte osobné, zdravotné ani rodinné informácie do nástroja, aby ste dostali lepšiu odpoveď. Nástroj nemá povinnosť ich zabudnúť a náklad na súkromie nie je v kvalite odpovede viditeľný (Privacy). Lepší prompt nepotrebuje vašu diagnózu, adresu ani mená vašej rodiny.

Pre rodičov a rodiny

Nerobte domácu úlohu s nástrojom ani nedovoľte, aby sa robila vedľa vás. Vzor v údajoch je nafúknutie známok so skrytým nákladom: v tom istom 30-mesačnom paneli stúpli známky z domácich úloh o 18 %, kým známky z písomnej skúšky bez pomôcok klesli o 20 % (Strömberg, Lei and Wu, 2026). Dieťa, ktoré prinesie domov bezchybnú domácu úlohu a prepadne z testu z kapitoly, vám ukazuje presne túto medzeru. Skontrolovať môžete postup. Dokáže vaše dieťa vysvetliť krok, urobiť jeden príklad znova na papieri a povedať, v čom si nebolo isté? Ak nie, úlohu urobil nástroj.

Nedovoľte, aby sa chatbot stal dôverníkom. Patolízalské systémy potvrdzujú oveľa viac než ľudia, o 49 % viac naprieč 11 modelmi, a práve potvrdzovanie je mechanizmus, ktorý ich robí pocitovo bezpečnými na rozhovor (Potel and Kumashiro, 2026). Vo veľkej longitudinálnej štúdii sa používatelia obracali na patolízalskú AI po osobné rady takmer tak často ako na blízkych priateľov a rodinu, s nižšou spokojnosťou vo svojich skutočných vzťahoch (Sycophantic AI makes human interaction feel more effortful and less satisfying over time). Dieťa, ktoré prináša tieseň modelu, ktorý vždy súhlasí, nie je vypočuté. Zrkadlí sa mu. Ak vaše dieťa hovorí s chatbotom o priateľstve alebo strate, je to moment spýtať sa, komu ďalšiemu o tom povedalo.

Nedávajte generatívny chatbot malému dieťaťu a nenazývajte to dohľadom len preto, že ste v miestnosti. Usmernenie podľa veku je konkrétne: podporené negeneratívne aktivity pre vek 9 až 12 rokov, generatívne používanie pod dohľadom s etickým uvažovaním od 13 rokov (Ako by mali rodičia a učitelia pristupovať k AI u detí do 13 rokov?). Pri najmenších deťoch sa riziko týka presvedčenia. Deti v predoperačnom štádiu prijímajú generovaný obsah ako pravdivý a systémy nie sú vývinovo kalibrované v spätnej väzbe, ktorú dávajú. Spoločné používanie s dospelým znamená sedieť vedľa dieťaťa a pýtať sa, čo hračka práve urobila, nie dohliadať od dverí (Early Childhood Education).

Nepredpokladajte, že školský nástroj chráni údaje vášho dieťaťa preto, že si ho škola vybrala. Pýtajte sa, čo sa uchováva, ako dlho, či na niečom trénuje a kto ďalší to vidí (Privacy). Uvedomenie nevyplýva z vystavenia: mesiac po lekcii, v ktorej trieda siedmeho ročníka sledovala svoje vlastné zaznamenané správanie premietané naživo, 66 % zo 47 študentov stále zvolilo najmenej ochranné nastavenie chatbota (Bergdahl, 2026). Pýtajte sa školy písomne a o odpovede požiadajte písomne.

Nepoužívajte výsledok detektora na obvinenie dieťaťa ani na podporu obvinenia zo školy. V kontrolovanej štúdii 642 publikovaných abstraktov detektory označili 9–15 % nezmeneného ľudského písania a zachytili menej ako 4 % humanizovaných prepisov AI (Karr et al., 2026). Pri realistických základných mierach prevyšujú falošné pozitíva skutočné (AI Detection). Príznak berte ako dôvod vyžiadať si históriu konceptov a rozhovor, nie ako zistenie.

Nedospievajte k záveru, že zákaz nástroja je bezpečná možnosť. Nedôvera je zlyhanie kalibrácie s vlastným nákladom, premárnenou schopnosťou, a zručnosťou, na ktorej záleží, je primeraná sebadôvera, nie vyhýbanie sa (Trust Calibration). Užitočný rodičovský krok je ten istý, ktorý výskum podporuje u študentov: vyžadujte krok overenia a urobte ho tak lacným, aby ho unavené dieťa skutočne urobilo (Ako naučiť študentov overovať výstup AI?). Požiadať o zdroj, ktorý chatbot použil, stojí minútu; zakázať chatbot stojí prax.

Nezamieňajte obsahový filter za bezpečnosť. Filtre riešia to, čo systém povie. Neriešia, čo interakcia robí študentovi: erodovanú prax, patolízalský súhlas alebo nerovnomerné odmietnutia (Pedagogical Safety).

Pre rozvojových pracovníkov vo vzdelávaní a na fakultách

Nerobte školenie o nástroji a nenazývajte to AI gramotnosťou. Sedenie o promptovaní učí rozhranie produktu. AI gramotnosť je schopnosť posúdiť, kedy nástroj použiť, čo robí a čo overiť. Učitelia, ktorí sa naučia tlačidlá bez tohto úsudku, odchádzajú so sebadôverou a bez kalibrácie (AI kompetencia učiteľa). Workshop, ktorý sa skončí tým, že všetci vedia vygenerovať plán hodiny a nikto nevie povedať, kedy sa plán použiť nemá, naučil rozhranie.

Nerobte jednorazový profesijný rozvoj a nečakajte, že sa prax zmení. Dôkazy o profesijnom učení sú konzistentné v otázke trvania a následnej podpory: jednotlivé podujatia menia sebahodnotenú sebadôveru, zriedka správanie v triede, a prírastok sebadôvery môže zakryť neprítomnosť zmeny (Vzdelávací rozvoj). Dvojhodinové sedenie v auguste bez následnej podpory v októbri je intervenciou do sebadôvery.

Neignorujte systém hodnotenia, ktorý ponechávate. Učitelia prijmú prax, ktorú učíte, len ak ju hodnotenie, ktorému podliehajú, netrestá. Workshop o dizajne úloh odolných voči AI, ktorý prebieha popri nezmenenom režime skúšok, učí učiteľov, že školenie je dekorácia.

Nepredvádzajte nekritické používanie, pred ktorým varujete. Predvádzanie nástroja generovaním plánu hodiny pred učiteľmi bez kroku overenia učí publikum, že výstup je produkt. Vygenerujte ho pred nimi a potom označte dve tvrdenia, ktoré treba overiť.

Neprijímajte ukážku dodávateľa ako dôkaz účinnosti. Tvrdenie, ktoré hodnotíte, sa týka učenia a ukážka ukazuje schopnosť. Žiadajte výsledky bez pomoci, výsledky podskupín a testovanie bezpečnosti vo viacerých kolách (Ako vieme, že vzdelávacia AI funguje správne, a nielen dobre skóruje?).

Pre vývojárov vzdelávacieho softvéru

Neoptimalizujte metriku, ktorá sa ľahko loguje. Dĺžka sedenia, počet správ a hodnotenia spokojnosti sa zlepšia pri takmer akejkoľvek zmene; učenie často nie. Ten istý tím, ktorý dodá zábranu, môže dodať dashboard, ktorý odmeňuje objem interakcií, a oba budú ukazovať opačným smerom (Learning Analytics, Student Engagement). Ak je vašou metrikou úspechu počet správ na sedenie, postavili ste produkt, ktorý odmeňuje študentov za to, že zostávajú v chate.

Nedodávajte detektor bez validačnej štúdie proti konštruktu. Benchmark pätnástich modelov EEG dosiahol 0,9853 F1 pri stratifikovanej krížovej validácii; validácia Group K-Fold nezávislá od pokusu, ktorá rešpektuje hranice pokusov, znížila vrchol na 0,6038 proti 25 % úrovni náhody (Nanayakkara and Halloluwa, 2026). Detektor úsmevu môže bežať negatívne proti empatii hodnotenej pozorovateľom, pretože mu chýba kontext, ktorý má ľudský hodnotiteľ (Assessment Validity, Sensor and Gaze Analytics). Zverejnite validačný protokol spolu s titulkovým číslom.

Neodvodzujte afekt, pozornosť ani „zapojenie“ z tvárí a tiel bez súhlasu a uvedeného účelu. Riziko viacerých kôl nie je rizikom jedného kola: v jednom prehľade pedagogickej bezpečnosti stúpol podiel zlyhaní zo 17,7 % pri jednotlivých kolách na 77,8 % pri viackolových (Hazra et al., 2026). Systém certifikovaný na izolovaných promptoch je certifikovaný na interakciu, ktorú študenti nezažívajú (Pedagogical Safety, Privacy).

Neskrývajte odovzdanie. Študent, ktorý nedokáže rozlíšiť, kedy tutor generuje a kedy vyhľadáva, alebo kedy je v slučke človek, nedokáže v ňom kalibrovať dôveru. Automatizačná zaujatosť pôsobí najčistejšie vtedy, keď má systém pravdu a človek prestal kontrolovať (Trust Calibration). Povedzte v rozhraní, kedy prácu prečíta človek.

Nenavrhujte pre benchmark a potom to nevydávajte za triedu. Výkon na benchmarku je vlastnosťou benchmarku. Uveďte podmienky používania, ktoré ste testovali, populáciu a úlohy; inak sa číslo bude čítať ako sľub o inom prostredí (Obmedzenia výskumu AIEd).

Nerobte z nástroja jedinú cestu k pomoci. Ak prístup študenta k spätnej väzbe závisí od dostupnosti modelu, kvóty alebo licencie, otázku rovnosti už rozhodol nákup (Equity).

Pre administrátorov vzdelávania

Nekupujte tvrdenia o schopnostiach ako dôkazy o výsledkoch. Dodávatelia dokážu predviesť produkt; len hodnotenie dokáže preukázať učenie. Žiadajte výsledky bez pomoci, výsledky podskupín, predčasné ukončenie a plán toho, čo sa stane po skončení pilotu (Ako vieme, že vzdelávacia AI funguje správne, a nielen dobre skóruje?, Aké meradlá a výskumné metódy môže inštruktor použiť na hodnotenie intervencií súvisiacich s AI?). Ukážka predvedie tutora, ako rieši úlohu; nepredvedie študenta, ako vyrieši ďalšiu.

Nenasadzujte dohľad preto, že je dostupný. Systémy vzdialeného dohľadu pri skúškach zachytávajú tvárové snímky, doklady totožnosti, skeny miestnosti vrátane 360-stupňových záberov a zvuk mikrofónu. Prehľad 80 štúdií zistil, že len 25 % sa vôbec zaoberalo etickými otázkami, 35 % neuviedlo svoj súbor údajov a 30 % sa nedalo reprodukovať (Malhotra and Chhabra, 2026). Náklad dopadá na študentov a dôkazová základňa je tenšia, než naznačuje zmluva (Privacy, Remote Proctoring).

Nepíšte politiku pozostávajúcu len zo zákazov a nenazývajte ju riadením. Zákaz bez redizajnu hodnotenia, bez podpory a bez odvolacej cesty presúva správanie namiesto toho, aby mu predchádzal, a trestá študentov, ktorí najťažšie napadnú falošné obvinenie. Politika musí pokrývať aj hodnotiteľa: v red-team teste každodenného hodnotiaceho postupu posunuli dve z piatich stratégií vkladania promptov ukrytých v odovzdaní neúspešnú esej k úspechu so 100 % a 94 % úspešnosťou naprieč typmi súborov (Humble, 2026). Politika, ktorá obmedzuje študentov, ale nie hodnotiaci proces, je polovicou politiky.

Nezamieňajte prijatie za zlepšenie. Dashboard, ktorý hlási používanie, spokojnosť a dokončenie, bude vyzerať ako úspech, kým meranie učenia zostane ploché. Vopred rozhodnite, ktorý výsledok by vás prinútil zmluvu zrušiť (AI Ed Evaluation). Zapíšte to číslo pred začiatkom pilotu.

Nedovoľte, aby dostupnosť prišla ako žiadosť o prispôsobenie. V prehľade 40 štúdií digitálnych asistenčných technológií pre neurodivergentných študentov bola v 28 prípadoch formálna diagnóza podmienkou účasti. Model podmienený diagnózou vylučuje každého študenta s potrebami a bez označenia (Rempel et al., 2026; Accessibility, Universal Design for Learning).

Pre výskumníkov vo vzdelávaní

Nedovoľte, aby sebavýpoveď niesla kauzálne tvrdenie. Sebadôvera, vnímané učenie a spokojnosť sú výsledky, ale nie sú to výsledky, ktoré väčšina štúdií tvrdí, že meria. Literatúra o empatii je najjasnejším prípadom: odbor, ktorý chce učiť empatiu, väčšinou meria komfort, a prehľad 17 štúdií zistil prírastky sebadôvery oveľa častejšie než dôkazy samotnej empatie (Ismail and Zafira, 2026; Self-Report Measures).

Necitujte efekt bez jeho dizajnu. V kritickom prehľade 80 štúdií HCI o kritickom myslení s AI nemalo 42 (52 %) z nich kontrolnú skupinu (A Critical Review of Critical Thinking in HCI Research About AI). Titulkový efekt z 30 študentov v jednom kurze na jednom pracovisku je bežná podoba krehkého tvrdenia (Obmedzenia výskumu AIEd).

Nezverejňujte heterogenitu bez modelu. Tie isté údaje dávajú I² = 82,98 % pri modeli s fixnými efektmi a I² = 15,75 % pri modeli s náhodnými efektmi (The Impact of Artificial Intelligence-Supported Instruction on Student Learning in STEM: A Systematic Review and Meta-Analysis). Citované I² bez modelu je neinterpretovateľné (Meta-Analysis and Systematic Review).

Nezovšeobecňujte z jedného kontextu a nenazývajte to zistením. Jeden kurz, jedna inštitúcia, jedna verzia modelu, jeden jazyk. Správanie modelu sa mení s každým vydaním a detektory trénované na jednej generácii strácajú recall na ďalšej (Aké sú významné medzery vo výskumnej literatúre o AI vo vzdelávaní?, AI Detection).

Nepovažujte koreláciu medzi interakciou a výsledkom za mechanizmus. Objem promptov nemeria kognitívne odľahčenie. Klastre podľa objemu sa nelíšili v distribúcii kognitívnej práce a ručne kódovaný dialóg nenašiel žiadne odľahčenie v 49,6 % zo 125 dialógov (Piatnitckaia et al., 2026; Kognitívne odľahčenie). Merajte prácu samotnú.

Nezverejňujte odsek o obmedzeniach, ktorý mohol byť napísaný pred štúdiou. Pomenujte konkrétnu hrozbu, konkrétny počet a tvrdenie, ktoré vymedzuje. To robí obmedzenie použiteľným pre ďalšieho čitateľa (Interpretácia a uplatňovanie výskumu AIEd).

Prečo tieto patria k sebe

Každá položka vyššie povyšuje zástupný ukazovateľ na verdikt. Esej zastupuje pisateľa, skóre zastupuje nekalé konanie, úsmev zastupuje empatiu, ukážka zastupuje učenie. Korekcia je vždy ten istý krok: pomenujte konštrukt, nájdite meranie, ktoré by mohlo vyjsť opačne, a zberajte ho popri pohodlnom.

Žiadne z týchto upozornení neznamená, že nástroj je vždy nesprávny. Detektor môže byť dôvodom porozprávať sa so študentom. Chatbot môže byť užitočnou skúškou. Dashboard môže byť podnetom položiť otázku. Škoda je v substitúcii.

Čo urobiť tento týždeň

• Vyberte jednu známkovanú úlohu a napíšte, čo by ukázala so zatvoreným nástrojom. Ak je odpoveď „nič iné“, problémom je úloha.
• Pridajte jedno meranie bez pomoci do kurzu, ktorý teraz hlási len asistovaný výkon.
• Prečítajte si zmluvu svojej inštitúcie o dohľade pri skúškach alebo o nástroji AI z hľadiska uchovávania, sekundárneho použitia a podmienok pri porušení, a skontrolujte, či text súhlasu opisuje, čo systém skutočne zachytáva.
• Požiadajte dodávateľa o výsledky bez pomoci a výsledky podskupín. Ak je odpoveďou ukážka, máte svoju odpoveď.
• Na najbližšom stretnutí s učiteľmi venujte druhú polovicu redizajnu hodnotenia, nie promptom.

Kam ďalej

• Ako môžeme riešiť bežné mylné predstavy o AI vo vzdelávaní?: presvedčenia za týmito postupmi a ako ich korigovať bez blahosklonnosti.
• Obmedzenia výskumu AIEd: čo dôkazová základňa zatiaľ nedokáže podporiť.
• Znižovanie zneužívania AI: štrukturálne páky proti zneužívaniu a prečo prekonávajú napomenutia.
• Pedagogical Safety: čo môže tutor urobiť študentovi, aj keď prejde každou obsahovou kontrolou.
• Mali by sme používať detektory AI?: dôkazy o detektoroch v plnom rozsahu.
• Ako vieme, že vzdelávacia AI funguje správne, a nielen dobre skóruje?: ako vyhodnotiť tvrdenie skôr, než ho prijmete.