Uwezo wa Mwalimu katika AI

Tafsiri ya kiotomatiki ya ukurasa huu wa Kiingereza, ambayo haijakaguliwa na mzungumzaji mzawa.

Uwezo wa Mwalimu katika AI — maarifa, ujuzi, na mwelekeo ambao waelimishaji wanahitaji ili kuunganisha AI katika kufundisha na kujifunza kwa njia yenye ufanisi, ya maadili, na ya usawa. Unazidi matumizi ya kiufundi ya zana na unajumuisha uunganishaji wa mbinu za kufundisha, ujuzi wa tathmini, hukumu ya maadili, na ujasiri wa kutumia AI vizuri (kutumia AI vizuri). Uwezo wa Mwalimu katika AI ni upande wa mwalimu unaolingana na Ujuzi wa AI, na unajengwa kupitia maendeleo ya kitaaluma (maendeleo ya kitaaluma). Ni kitu cha kati katika jinsi nafasi ya mwalimu (nafasi ya mwalimu) inavyobadilika katika madarasa yaliyoongezwa na AI.

Maswali ya Kutafakari

• Ukurasa huu unadai kuwa mwalimu ni "kipengele cha kuamua" katika kama AI inaboresha kujifunza — kuwa zana zinusaidia tu pale walimu wanapoweza kuzipanga, kutoa ngazi za msaada za matumizi, na kutathmini matokeo. Je, hilo linalingana na uzoefu wako, au unafikiri zana yenyewe ina umuhimu mkubwa kuliko mwalimu?
• Uwezo wa Mwalimu katika AI unajumuisha ufasaha wa kiufundi, uunganishaji wa mbinu za kufundisha, ujuzi wa tathmini, na hukumu ya maadili. Ni kipi katika hivi ambacho unafikiri waelimishaji wanakosa zaidi, na ni kipi ambacho ni vigumu zaidi kufundisha?
• Utafiti unarekodi pengo kati ya ujuzi wa AI ambao waelimishaji wanajihisi kuwa nao na ule halisi. Kwa nini unafikiri watu wanakadiria kupita utayari wao, na ni nini kingechukuliwa kufunga pengo hilo kwa uwazi?
• Programu ya maendeleo ya kitaaluma yenye nguvu ilizalisha maendeleo makubwa katika ujuzi wa mbinu za kufundisha za AI katika utafiti uliotajwa, ikipendekeza kuwa ujuzi wa kiufundi-na-ufundishaji unaweza kufundishwa. Ikiwa hilo ni kweli, kwa nini waelimishaji wengi bado wanaonekana hawajaandaa — ni nini kinazuia?
• Ikiwa mwalimu anaweza "kutumia AI vizuri," "vizuri" inamaanisha nini kwako — na ungejua vipi kuwa mwalimu amefikia hilo badala ya tu kupokea zana?

Utangulizi

Uwezo wa Mwalimu katika AI ni muhimu kwa sababu mwalimu ni kipengele cha kuamua katika kama AI inaboresha kujifunza. Utafiti unaonyesha kwa uthabiti kuwa zana za AI hubadilika kuwa matokeo bora zaidi tu pale waelimishaji wanapoweza kuzipanga, kutoa ngazi za msaada za matumizi ya wanafunzi, kutathmini matokeo, na kuziunganisha katika mafunzo yanayoungana. Fasihi ya hifadhi hii ya maarifa inachunguza vipimo vya uwezo huu, mianya kati ya mtazamo binafsi na ujuzi halisi, na maendeleo ya kitaaluma yanayojenga huo.

Vipimo vya msingi vya uwezo

Utafiti wa hifadhi ya maarifa unakusanyika kwenye vipimo kadhaa vilivyounganika:

• Ufasaha wa kiufundi: kuandika ilani zenye ufanisi (ilani zenye ufanisi) kwa malengo ya kielimu, kutathmini zana za AI (kutathmini zana za AI) kwa ufaafu wa kufundisha na usalama, na kutatua matatizo ya kushindwa kwa wakati halisi. Programu ya Maendeleo ya Kitaalama ya GenAI yenye nguvu ilirekodi maendeleo makubwa katika vipengele vyote vitano vya AI-PCK (d ya jumla = 2.36), ikionyesha kuwa ujuzi wa kiufundi-na-ufundishaji unaweza kufundishwa.

• Maarifa ya mbinu za kufundisha ni safu inayoamua. Utafiti wa ngazi mbalimbali wa elimu ya AI ya sekondari (elimu ya AI) (walimu 46, wanafunzi 2,832) uligundua kuwa maarifa ya kiufundi ya AI peke yake hayatoshi — na yangeweza hata kupunguza kidogo mtazamo wa wanafunzi kuhusu AI kwa ajili ya wema wa kijamii — wakati maarifa ya kufundisha ya AI yalisababisha mtazamo wa wanafunzi na nia yao ya kujifunza AI. Mifumo ya uwezo kwa hivyo inapaswa kupima maarifa ya kufundisha ya AI kama kipimo cha kuamua, si nyongeza ya upole.

• Uunganishaji wa mbinu za kufundisha: kuunganisha matumizi ya AI na malengo ya kujifunza, kubuni ngazi za msaada (Ngazi za Msaada) zinazounga mkono metaji ya mwanafunzi (Metaji (Kufikiri Kuhusu Kufikiri)) na kujidhibiti (Udhibiti wa AI katika Elimu), na kuunganisha AI katika muundo wa mafunzo (muundo wa mafunzo). Utafiti wa AI-TPACK unaonyesha jinsi walimu wanavyounganisha maarifa ya kiteknolojia, ya kufundisha na ya yaliyomo kupitia mitiririko ya kazi ya mawakala wengi (mawakala), wakati mfumo wa ngazi tano wa timu ya mwalimu–AI (miamala → ushirikiano wa kina) unanasa jinsi GenAI inaweza kuchukua nafasi, kukamilisha, au kuimarisha uwezo wa mwalimu.

• Ujuzi wa tathmini: kutathmini maudhui yaliyozalishwa na AI na matokeo ya AI ya wanafunzi, na kuelewa jinsi uhalali (uhalali) unavyobadilika wanafunzi wanapotumia AI. Hii inaungana na Tathmini ya Kiotomatiki, Kugundua Maudhui ya AI, na mpango mpana zaidi wa kubuni upya tathmini (Tathmini). Kwa mifumo ya mapendekezo, hii inapanuka hadi kuhukumu kama maelezo ya AI yanafahamika kweli na yana maana ya kielimu: Feldman-Maggor et al. (2025) waligundua walimu waliamini mapendekezo ya AI ya kugawa vikundi zaidi maelezo yalipowekwa katika lugha ya taaluma (mitaala) kuliko yalipoonyesha vipengele ghafi za mfano — ujuzi wa kutaka na kutathmini ubora wa maelezo (ubora wa maelezo) badala ya kukubali matokeo yasiyo na uwazi.

• Uteuzi wa mfano na ubini wa ilani kama ujuzi unaoweza kuonyeshwa: ujuzi wa zana wa AI (Ujuzi wa AI) unajumuisha kujua ni mfano upi wa kutumia na jinsi ya kuandika kazi. Jacobsen et al. (2026) walitoa malengo ya upangaji wa somo ya walimu 153 wa awali kwa ChatGPT-4, Claude 3 na Gemini Advanced chini ya ilani nne zilizobadilishwa kwa mpangilio (maoni 240 katika Utafiti 1, 345 katika Utafiti 2), na maoni (Maoni) yalipimwa kwa kategoria tisa za ubora. Uteuzi wa mfano peke yake ulielezea 26.9% ya tofauti katika ubora uliopimwa (18.4% katika Utafiti 2) na ubini wa ilani uliongeza 15.9% (5.7%) yenye umuhimu juu yake; kipengele kimoja cha kuamua cha ilani kilikuwa lugha ya kiufundi maalum ya taaluma, ambapo kuiondoa kulipunguza ubora kwa kiwango chenye umuhimu (β = −0.412), huku kuongeza mifano na kuondoa maelekezo ya mtiririko wa mawazo hakufanya tofauti yenye umuhimu katika Utafiti 1. Kusomwa kwao — kuwa istilahi za somo hufungua maudhui ya data ya mafunzo yanayohusika na kuweka ombi kwa mtindo wa kitaaluma, kama ilani ya nafasi — pamoja na kanuni ya urahisi ya kutumia mfano wa sasa wa juu zaidi unaopatikana, unafanya uteuzi wa mfano kuwa uamuzi wa kufundisha badala ya wa kiufundi.

• Matumizi ya maadili na mahususi: kutambua upendeleo (upendeleo) katika matokeo ya AI, kulinda data ya wanafunzi (Faragha), na kuhakikisha matokeo ya usawa (Usawa). Matumizi ya AI yanayohusika kitamaduni yanachunguza jinsi walimu wanaweza kutumia LLM kutofautisha nyenzo badala ya kuimarisha kanuni zinazotawala.

• Uwajibikisho wa maadili umesambaa, si wa mtu binafsi. Katika kesi saba za kitaifa, walimu wanawekwa kama walinzi wa maadili wa matumizi ya AI huku wakikosa msaada wa taasisi na wa ujuzi, kwa hivyo ujuzi wa maadili wa AI lazima upanuke hadi wakala mahususi na wa kisiasa badala ya ujuzi wa kiufundi (Raffaghelli et al. (2026)).

• Ujasiri na mitazamo: ujasiri wa mwalimu (ujasiri) huunda kupokea. Utafiti wa kupokea unagundua kuwa ujasiri, msaada, na manufaa yanayohisika husababisha kama walimu wanatumia AI kweli, na mwelekeo wa wataalam huunda kupokea katika utafiti na kufundisha.

• Katika utafiti wa nchi tano wa walimu 1,405 wa K-12, utayari wa AI ulitabiri imani chanya kuhusu thamani ya kufundisha ya GenAI (B = .59, R² = .50) lakini ulitabiri wasiwasi mkubwa zaidi kuhusu ubunifu (B = .18), na watabiri sawa wale walielezea 7% na 6% ya wasiwasi tu — ujenzi wa utayari peke yake hauachi wasiwasi (Xiu et al. (2026)).

Utayari unapaswa kupangwa na kupimwa kwa kulingana: Mfano wa Uwezo–Uamuzi unaweka uwezo wa AI ulioonyeshwa juu ya mtazamo na ujasiri na unapendekeza viashiria vya utendaji badala ya ripoti binafsi peke yake — kazi za kubuni masomo, kazi za kutathmini ilani zilizojazwa na makosa, hukumu za uhalali wa maudhui na rubriki za vitu vya darasa (Mnguni (2026)).

Utayari wa kihisia na wa maadili ni kipimo tofauti. Vassallo (2026) alichunguza wafanyakazi wa kitaaluma wa chuo kikuu (chuo kikuu) nchini Malta (watahiniwa 109) na akajenga Kielelezo cha Hatia ya AI (α = 0.88) kutoka vitu vinne vya hisia za maadili, na kugundua kuwa hatia ya kutabiri ilizidi majuto yaliyohisiwa baada ya matumizi: ukubalisho mkubwa zaidi ulikuwa wasiwasi kuwa matumizi ya AI yanadhofu uaminifu wa mtu (34.9% wakikubali), kisha kujisikia kama mtu anadanganya (anadanganya) anapotumia (25.7%), wakati majuto ya baada ya matumizi yalipata 9.2% tu. Matokeo yanayomuhimu kwa mifumo ya uwezo ni kuwa wasiotumia waliripoti hatia kubwa zaidi kuliko watumiaji (M = 3.25 dhidi ya M = 2.32) na kuwa hatia ilipungua kadiri ustawi wa kazi ulivyopanda — wataalam wa mapema waliripoti zaidi (M = 2.71) na wataalam wa juu waliripoti kidogo (M = 2.03). Utayari wa kihisia kwa hivyo haunakamatwi na vipimo vya ujuzi au ujasiri, na karatasi inadai kuwa mifumo ya uwezo inapaswa kuchukua hatia na wasiwasi wa utambulisho kama majibu ya kawaida ya mpito badala ya makosa ya kusahihisha.

Toleo laini zaidi la uwekaji upya hilo linaishia kuwa GenAI ni dhana ya kizingiti badala ya pengo la ujuzi: kisaikolojia binafsi inadai kuwa hofu na upinzani wa wataalam ni sehemu ya kuvuka kizingiti, kwa hivyo mafunzo yanayotegemea ujuzi yanashindwa na kutotumia kwa kanuni kunapaswa kuheshimiwa badala ya kusahihishwa (Laidlaw (2026)).

Pengo la uwezo

Matokeo muhimu ni pengo kati ya uwezo unaojitangaza (unaojitangaza) na ule unaotegemea utendaji. Utafiti juu ya tathmini ya ujuzi wa AI unarekodi tofauti kubwa (hadi ~40%) kati ya kile waelimishaji wanaamini wanaweza kufanya na kile wanaweza kuonyesha — waelimishaji wenye ujasiri katika ujuzi wa AI mara nyingi wanakosa uwezo wa msingi wa kutoa ilani na kutathmini. Hii inahamasisha tathmini inayotegemea utendaji ya uwezo wa mwalimu (tathmini inayotegemea utendaji) badala ya kutegemea ripoti binafsi, na inaungana na tathmini binafsi iliyosawazishwa (tathmini binafsi iliyosawazishwa). Utafiti wa kitaifa wa walimu 2,586 wa sekondari nchini Nigeria ulipima pande mbili kwa vyombo tofauti — ufahamu wa wastani wa AI (M = 3.13 ya 8) dhidi ya ujuzi wa chini zaidi wa kufundisha wa AI (M = 2.47 ya 5) — huku walimu wa mapema na wa kati wakiripoti ujuzi mkubwa kuliko wenzao wenye uzoefu (Olurinola et al., 2026).

Pengo si tu kati ya ujuzi unaohisika na halisi bali katika upana wa kile waelimishaji wanajua: utafiti wa kitaifa wa waelimishaji 2,018 wa sekondari nchini Ukraine uligundua 84% waliripoti kutumia AI katika mazoezi ya kitaaluma wakati 11% tu wangeweza kutaja huduma maalum zaidi ya ChatGPT (Marienko, Markova & Semerikov (2026)). Upana mdogo wa pili unaonekana katika kile waelimishaji wanajitolea badala ya kile wanaweza kutaja: walimu 53 wenye kazi walitia lebo kesi zao za darasa dhidi ya Mfumo wa Ujuzi wa AI wa OECD wakielezea mazoezi 43 yenye ujuzi wa AI dhidi ya kushindwa 10 tu (Wang et al., 2026). Uteuzi wao wa uwezo ulikusanyika kwenye hukumu ya vitendo (kutathmini matokeo ya AI, N = 38) na mara chache ulifika upendeleo wa kijamii (N = 5), ulinganifu wa maadili (N = 6) au matumizi ya nishati ya AI (N = 9).

Pengo linaonekana katika kitu chenyewe na katika ripoti binafsi. Kolabo ya waelimishaji wa walimu wa taasisi mbalimbali katika maandalizi ya walimu, ambapo waelimishaji wa walimu walibuni AI katika kozi zao za mbinu, iliripoti kuwa wagombea wangeweza kuzalisha mipango ya somo yenye urafiki ya AI wakati wakishindwa kueleza kwa nini mpango unafaa kwa wanafunzi na viwango, kwa kuwa mpango yenyewe hasemi chochote kuhusu mantiki iliyokaa nyuma yake. Kupa alama udhibitishaji badala ya bidhaa ni jibu moja. Mfumo wa mbinu za mazoezi unapendekeza jibu lingine, ukichukulia mazoezi kuwa takribani la mazoezi halisi: mazoezi yaliyosababishwa na AI na maoni ya baada ya mazoezi yaliyopangwa yaliongeza matumizi ya wagombea wa maswali ya kuchunguza na kugundua, hata hivyo hukumu za wagombea wenyewe kuhusu utendaji wao zilibaki tofauti na yale watazamaji waliorekodi.

Tathmini binafsi inayoanguka baada ya mafunzo inaweza kuwa ishara ya kujifunza badala ya kupoteza. Katika programu ya maendeleo ya kitaalamu ya Intelligent-TPACK (maendeleo ya kitaalama) ya miezi sita na walimu 64 wa chuo kikuu Hong Kong dhidi ya watu 61 wa kudhibiti, uwezo wa jumla wa AI ulipanda kwa nusu ya kiwango cha kawaida (Cohen's d = −.521), hata hivyo baadhi ya walimu katika makundi yote mawili walipata alama za chini katika mtihani wa baada kuliko wa awali (Tan, Cheng & Ling, 2025). Mahojiano yalihusisha kupungua kwa mabadiliko kutoka kutokuwa na uwezo bila ya kutambua hadi kutokuwa na uwezo kwa kutambua — mabadiliko ya upya ambayo athari ya Dunning–Kruger inatabiri — badala ya ujuzi uliopotea. Waandishi wanahitimisha kuwa ripoti binafsi ya awali-baada inadhoofisha uingiliaji, kwa sababu sehemu ya faida inafika kama marekebisho ya chini katika chombo chenyewe.

Pengo linaonekana pia kama kutoshiriki. Watson & Rainie (2026) walichunguza wataalam 1,057 wa vyuo vikuu vya Marekani mwishoni mwa 2025 na wakagundua 26% hawatumii zana za AI ya kizalishaji (AI ya kizalishaji) kabisa, na theluthi moja wakichagua kutozitumia kwa kufundisha na kutotumia kukiwa na wingi katika sanaa na masomo ya kibinadamu (40%). Upande wa taasisi wa pengo ulikuwa mkubwa kuliko ule wa mtu binafsi: 68% walisema shule zao hazikuwaandaa wataalam kutumia AI ya kizalishaji kwa kufundisha na ushauri, na wataalam walitaja upinzani wa wenzao (82%) na kutokujua (83%) kama vikwazo vikuu vya kupokea kwa idara — picha ambayo uwezi, kanuni za rika na sera zote zinapaswa kusonga pamoja.

Mafunzo ya awali ya walimu kwa kiasi kikubwa yanapita upande wa maadili wa uwezo. Mapitio ya kimfumo ya AI katika mafunzo ya awali ya walimu wa walimu wa msingi wa hisabati (Pinto et al. 2026, masudio 11 yaliyoteuliwa kutoka rekodi 341) yaligundua kuwa uingiliaji ulijikita katika maendeleo ya muda mfupi ya kiufundi na ya kufundisha, tisa ya kumi na moja zikitekeleza uingiliaji mifupi ya kipindi kimoja hadi sita, na yaliripoti kuwa maadili yalishughulikiwa katika tatu tu ya kumi na moja. Mifumo ya uwezo inataja hukumu ya maadili kama kipimo; fasihi ya awali ya walimu iliyokusudiwa kuujenga mara chache inafundisha au kupima huo.

Maendeleo ya kitaalama yanayofanya kazi

Fasihi ya Maendeleo ya Kitaalamu ya hifadhi ya maarifa inabainisha mbinu zenye ufanisi:

• Programu zenye nguvu, zilizowekwa kwenye nadharia: Programu ya Maendeleo ya Kitaalamu ya GenAI yenye nguvu na walimu/walimu wa awali 163 ilizalisha maendeleo makubwa katika vipengele vyote vya AI-PCK, wakiwa na walimu wa awali wakinufaika zaidi. Maendeleo ya Kitaalamu yanayotegemea nadharia ya kujitambua yanaonyesha kuwa mafunzo yanayounga mahitaji yanaboresha ujuzi wa AI wa walimu, mitazamo, na mahusiano (mahusiano) huku yakipunguza wasiwasi.
• Mbinu za ubini na zilizojumuishwa: Mafunzo ya ujuzi wa GenAI yanayotegemea ubini yanashughulikia upendeleo mkubwa wa maarifa ya kiufundi na zana za kabla ya GenAI; mifumo ya kuunganisha na maendeleo na ujumuishaji wa ujuzi wa kihisia-kijamii yanapana ujuzi zaidi ya mbinu tu.
• Uchunguzi na mazoezi halisi: Mifumo ya uchunguzi inayosaidiwa na AI inajenga ujuzi wa AI na utendaji halisi katika walimu wa awali.
• Utayari maalum wa muktadha: Mfumo wa utayari wa EPIQ-AI unasisitiza kuwa utayari wa wataalam ni suala la kiteknolojia-kijamii linalohitaji ulinganifu wa uwezo wa wataalam, Utawala wa AI, na uhakikishaji wa ubora.
• Msaada unapaswa kutofautishwa na uzoefu na ujuzi wa AI. Choi et al. (2026) waligundua kuwa jinsi walimu wanavyoungana na AI katika ubini wa somo inategemea mwingiliano wa uzoefu wa kufundisha na ujuzi wa AI, si moja peke yake. Walimu wenye uzoefu na ujuzi mkubwa wa AI hubadilisha matokeo ya AI kwa mtazamo mahususi (kuomba tena, kupanua), wakati wapya — hata wenye ufasaha wa kiufundi — huenda wamekubali majibu ya AI moja kwa moja na mara chache huzingatia wanafunzi na muktadha. Hii inapendekeza Maendeleo ya Kitaalamu kulingana na wasifu: orodha za kutathmini majibu na violezo vya ilani kwa wapya, na ujenzi wa ujuzi wa vitendo kwa walimu wenye uzoefu na ujuzi mdogo zaidi wa AI.

Muundo wa imani ni mhimili wa pili wa wasifu: miongoni mwa walimu 40,680 katika TALIS 2024, hali moja ya kutotumia ilificha vikwazo tofauti — 83.3% ya wasifu wa Wasiojali walitaja wasiwasi wa kufundisha wakati 66.2% ya Kuidhinisha kwa Kupima walitaka maarifa na ujuzi wasiotosha (Fang & Jin (2026)). Mafunzo ya kitaalama yanayohusiana na AI yalifuatilia uanachama wa wasifu kwa uthabiti zaidi ya umri au mafanikio.

• Waelimishaji hawana dhana moja ya AI. Utafiti wa phenografia wa walimu 16 wa elimu ya juu wa Denmark uligundua dhana tatu za kufundisha-na-AI na tatu za kujifunza-na-AI, kwa hivyo mfano mmoja wa warsha unafikia sehemu tu ya kikundi chochote cha wataalam (Stenalt (2026)).

• Ubini wa pamoja na ujuzi wa ilani za kufundisha ni uwezo, si nyongeza. Mapitio ya kimfumo ya ubini wa pamoja wa mwalimu–AI wa kazi za kujifunza (Wang, Liu & Islam 2026, masudio 28) inagundua kuwa mtindo unaotawala wa ushirikiano ni AI kama msaidizi/mzalishaji wa maudhui, na kuweka pengo katika uwezo kamili wa walimu wa ubini wa pamoja na ushirikiano wa mazungumzo. Talebzadeh (2026) unaonyesha kuwa Maendeleo ya Kitaalamu ambayo huunganisha mafunzo ya kiufundi ya AI na mantiki ya kufundisha — kujenga "ujuzi wa ilani za kufundisha" (kuweka PCK katika ilani) — ndiyo inayowaruhusu walimu kubadilisha matokeo ya AI kuwa shughuli za vikundi zilizotofautishwa zenye ufanisi.

• Miundo inayoajenga uwezo, badala ya orodha zake. Perl-Nussbaum and Finkelstein (2026) walitekeleza jamii ya kujifunza ya wataalam ya wiki mbili katika idara kubwa ya umma ya fizikia — wataalam kumi na tisa katika mfululizo, kama kumi katika kila mkutano — ambapo kila kipindi kilianza na data ya ndani, kisha kwenda katika majaribio ya vikundi vidogo ya AI dhidi ya kazi halisi za wanafunzi zisizo na majina, na kufunga kwenye majadiliano ya pamoja, na ilizalisha hifadhi ya pamoja ya vipengele vitano badala ya kifurushi cha mafunzo. Ujuzi wa tathmini unaweza kujengwa kwa njia ile ile kupitia zana ya ubini: katika jaribio la Paula et al.'s (2026), waandaaji wanane wenye uzoefu wa kozi za STEM na Afya walikua ujuzi wao wa tathmini kwa kuchanganua rasimu za tathmini za GPT maalum dhidi ya viwango vya taaluma, hata ingeo matokeo yalirudia kukosa muktadha wa taaluma, kupuuza mpangilio wa mada, na katika kesi moja kubeba marejeo yaliyotungwa kwa kuomba tena. Wote wanane walihifadhi hukumu ya kitaaluma kwao na wakakataa uendeshaji otomatiki kamili, ambayo hufanya uchanganuzi wa muundo wa rasimu zilizozalishwa kuwa mbinu ya maendeleo badala ya mafunzo ya zana.

• Vipindi vifupi vinaweza kubadilisha kukubalika bila kubadilisha kupokea. Mesenhöller and Böhme (2026) walitathmini kipindi cha INSIGHT cha saa tatu na walimu 100 wa msingi na sekondari wa Ujerumani na wakagundua manufaa yanayohisika na urahisi wa matumizi yanayohisika vyote vilipanda kwa kiwango chenye umuhimu (manufaa t(99) = -3.24, p = .002, d = .32; urahisi wa matumizi d = .25) wakati nia ya tabia ya kutumia teknolojia za AI kwa kutofautisha haikubadilika. Waandishi wanabainisha kuwa mistari yao ya msingi ilikuwa ya kupendelea tayari, kwa hivyo athari ya kizingi inawezekana. Kusomwa kwa ubini wa Maendeleo ya Kitaalamu ni chembamba lakini kinachofaa: kipindi kifupi kinaweza kubadilisha jinsi walimu wanavyohukumu zana za AI bila kubadilisha kama wanapanga kuzitumia, ambayo ni aina ya mabadiliko yanayohitaji ufuatiliaji badala ya tukio la mara moja.

• Mafunzo madogo yanaweza kuendeleza uwezo wa walimu wa vyuo vikuu katika AI. Cechovsky (2026) aliboresha moduli mbili za elimu ya mafunzo kwenye majadiliano mawili ya mtandaoni kuwa kanuni tano za ubini — muundo wazi na mwelekeo, mwongozo na msaada wa urambazaji, kugawanya na kupanga moduli, uwasilishaji wa multimodal, na uamshaji wa mwanafunzi — na akagundua urambazaji wa jukwaa na kupata moduli kuwa vikwazo vikuu vya vitendo.

• Walimu wa mafunzo wanapendelea ufasaha lakini huhusisha kujifunza na ngazi za msaada. Miongoni mwa waandaaji 41, mfano wa msingi wa GPT-4o ulipendelewa kwa jumla (21 dhidi ya 13) hata hivyo mfano wa hatua tatu uliofanyiwa marekebisho (tambua, chunguza, zindua) mara nyingi zaidi ulihusishwa na kujifunza (18 dhidi ya 13), na hukumu mbili zilikubaliana 39% tu ya wakati (Molnar et al. (2026)).

• Msaada wa taasisi: maendeleo ya kitaalamu inapaswa kuunganishwa na miundombinu ya taasisi (sera, mabadiliko ya taasisi) kwa kupokea endelevu.

• Zana za uandishi hazihakikishi uaminifu wa mbinu za kufundisha. Riahi et al. (2026) waliigiza walimu 27 wa shule ya kati wakisanidi chatbot za kielimu katika warsha za maendeleo ya kitaalamu, wakichanganua vikundi vya majadiliano pamoja na kumbukumbu za usanidi na mwingiliano. Walimu walichukua chatbot kama ngazi za msaada za kufundisha zilizowekwa na kanuni za walimu, hata hivyo ulinganifu wa kumbukumbu kati ya nia na tabia ulikuwa mkubwa zaidi kwa ujibikaji (88.9%) na persona (81.5%) kuliko kanuni (70.4%) na kusudi (59.3%). Vidhibiti vinavyosanidiwa peke yake havihamisishi nia ya kufundisha kwenda tabia, kwa hivyo kueleza, kujaribu, na kuboresha mbinu za kufundisha za chatbot yenyewe ni uwezo ambao zana za uandishi zinapaswa kuunga.

Mfano wa kinyume wa ubini unachukulia uwezo kuwa wa hali badala ya ngazi ya kupanda. Utafiti wa ubini wa Eyal 2025 na waelimishaji 22 wa walimu wa elimu ya juu ulikuwa washiriki wakichanganua mifumo mitano ya tathmini iliyochapishwa na kubuni mbadala iliyounganishwa kwenye mhimili mitatu inayohusika: ufaafu wa muktadha (miundombinu, mambo ya kitamaduni-kijamii, mahitaji ya ndani, hatua ya maendeleo), mahitaji ya kitaalamu (taaluma, mbinu za kufundisha, uongozi, msaada), na maendeleo ya nguvu. Mfano unakataa viwango vya kudumu vya uwezo na unaruhusu maendeleo yasiyo ya mstari, na unafuatana na dodoso la tafakari la vipengele 20 vilivyopimwa 1 hadi 5. Uthibitisho wake ni wa kina tu, bila upimaji wa uaminifu wa kiasi, kwa hivyo unasimama kama mchango wa ubini badala ya chombo kilichothibitishwa.

• Kadirio la meta. Guo et al. (2026) walikusanya athari 212 kutoka masudio 34 na kukadiria Maendeleo ya Kitaalamu ya ujuzi wa AI ya walimu kwa g = 0.76 (95% CI [0.50, 1.02]), yenye nguvu zaidi kwa ujuzi (g = 0.91) na dhaifu zaidi kwa mitazamo na maadili (g = 0.61); marekebisho ya uteuzi wa kuchapisha unaoonekana yanapunguza kadirio hadi kama g = 0.49.

• Mahudhurio yanatabiri maendeleo pale hisia ya kushiriki haifanyi. Katika programu ile ile ya miezi sita, kiwango cha mahudhurio kilitabiri maendeleo ya uwezo (β = .407, p = .001) wakati kushiriki kwa kujihisi hakufanya (β = .049, p = .692), na taaluma, uzoefu wa kufundisha na cheo cha kitaalamu vilieleza kidogo; waandishi wanasoma mahudhurio kama uwekezaji wa tabia na ushiriki unaohisika kama mahusiano ya uso wa juu (Tan, Cheng & Ling, 2025).

• Maadili yana nyuma ya ujuzi katika programu maalum ya taaluma pia. Katika programu ya mwaka mmoja Hong Kong na walimu 30 wa Kiingereza, maarifa ya mikakati ya tathmini ya miktadha mingi yalipanda kutoka 3.13 hadi 4.15 ya 5 (partial η² = 0.571) na uwezo wa kuunga wanafunzi kutoka 3.05 hadi 3.98 (0.482), yote mawili yenye umuhimu, wakati kila kipimo cha thamani kilibaki bila mabadiliko ya takwimu chini ya alfa iliyorekebishwa na Bonferroni ya .006. Walimu walihusisha maendeleo na upangaji wa pamoja shuleni na mikutano ya makundi ya shule mbalimbali badala ya warsha peke yake (Jiang et al., 2026).

Uwezo wa Mwalimu katika AI na nafasi ya mwalimu inayobadilika

Kadiri AI inavyochukua kazi za kawaida za mafunzo na tathmini, mchango wa kipekee wa mwalimu unaelekea upangaji, hukumu, na uhusiano: kuamua lini na jinsi AI inatumika, kukuza wakala wa mwanafunzi na matumizi mahususi, kuhakikisha usawa, na kutoa msaada wa kijamii na wa kihisia ambao AI haiwezi. Hii inaweka upya uwezo wa mwalimu kuzunguka usimamizi wa binadamu katika mzunguko (binadamu katika mzunguko), hukumu ya maadili (hukumu ya maadili), na kuunga kujifunza kwa kujidhibiti (kuunga kujifunza kwa kujidhibiti) — ikihusisha na Kufundisha na ulinzi dhidi ya kutegemea kupita kiasi (ulinzi dhidi ya kutegemea kupita kiasi).

Athari kwa AI katika elimu

• Pima utendaji, si ripoti binafsi tu: uwezo wa mwalimu unapaswa kutathminiwa kupitia uonyeshaji, kutokana na pengo la ripoti binafsi lililorekodiwa.

• Fundisha uwezo kamili, si zana tu: Maendeleo ya Kitaalamu inapaswa kujenga vipimo vya kiufundi, vya kufundisha, vya tathmini na vya maadili pamoja, vikiwa na msingi wa nadhaari ya kujifunza.

• Jenga ujasiri pamoja na ujuzi: mitazamo na Uwezo Binafsi huunda kupokea, kwa hivyo Maendeleo ya Kitaalamu inapaswa kupunguza wasiwasi na kujenga ujasiri kupitia mazoezi halisi yaliyo na msaada.

• Unga safu ya taasisi: uwezo wa mwalimu unaodumu unahitaji sera, utawala na uwezo vilivyolingana, si mafunzo yaliyotengwa.

• Uwezo wa kidijitali wa mwalimu kwa ubini wa mitaala. Guillén-Gámez (2026) wanathibitisha chombo cha uchunguzi kinachotegemea TAM na walimu 434 wenye kazi; nia ya tabia ilikuwa mtabiri mkuu wa uwezo wa kidijitali wa kutumia GenAI katika upangaji wa mitaala, huku ujasiri binafsi ukiwa kiendeshaji cha msingi.

Kipimo cha Kisaikolojia cha Uwezo wa Mwalimu wa AI

• Utafiti wa kisaikolojia kilizindua Kipimo cha Ujuzi wa AI cha Walimu (TAILS) kupima ujuzi wa AI maalum katika elimu ya walimu wa lugha, ikitekeleza vipimo sita vya mfumo wa ED-AI. Maendeleo ya chombo huja pengo katika tathmini zinazolenga wanafunzi au watumiaji wa jumla, ikisaidia kupima uwezo wa mwalimu wa AI.

Mazingira ya vyombo yenyewe yamekaguliwa tangu hapo. Mapitio ya kimfumo ya 2026 ya Zainal, Mohd Matore na Maat ya vyombo vya kupima ujuzi wa AI wa walimu yalitathmini vyombo 33 vilivyochapishwa kati ya 2019 na 2025 na yakagundua uwanja ni wa kukata tamaa kwa upangilio: 31 (93.9%) ni dodoso za kujitangaza za uaminifu unaohisika, viwili tu (6.1%) zinapima maarifa kwa njia ya kisayansi, na hakuna moja inayotumia kazi za utendaji. Uaminifu wa ndani ulikuwa kikoa thabiti zaidi (28 ya 33 katika Daraja A) na usawa dhaifu zaidi, huku vyombo vitano (15.2%) vikiripoti usio na mabadiliko wa upimaji au ushahidi wa kazi tofauti ya kipengele. Maudhui pia yana nyuma ya teknolojia, kwa kuwa vyombo 29 (87.9%) vinazolenga dhana za jumla za AI na vinne tu (12.1%), vyote vya 2025, vinashughulikia AI ya kizalishaji.

Dhana Zilizounganishwa

• Ujuzi wa AI
• Maendeleo ya Kielimu
• Kufundisha
• Uhandisi wa Ilani (Prompt Engineering)
• Muundo wa Kujifunza
• Ngazi za Msaada
• Metaji (Kufikiri Kuhusu Kufikiri)
• Uhalali wa Tathmini
• Usawa
• Maadili
• Uwezo Binafsi
• Binadamu Katika Mzunguko
• Wakala wa Mwanafunzi
• Kupunguza Mzigo wa Kiakili
• Sera ya AI katika Elimu
• AI katika Elimu
• Maarifa ya Teknolojia, Ufundishaji na Yaliyomo (TPACK)
• Maendeleo ya Kitaaluma
• Mbinu za Kufundisha na Mikakati ya Kufundisha — Chanio: mbinu za kufundisha na mbinu za kufundisha katika elimu ya AI

Makala Zilizounganishwa

• Conceptualizing and developing second language teachers' multimodal assessment literacy in the GenAI era — Ujuzi wa tathmini ya miktadha mingi: programu ya mwaka mmoja ambapo maarifa na uwezo yalisonga na maadili hayakusonga
• The impact of professional development programs on K-12 teachers' AI literacy: A systematic review and meta-analysis
• Enhancing Teachers' AI Competency: A Professional Development Intervention Study Based on Intelligent-TPACK Framework — Intelligent-TPACK PD: nusu ya kiwango cha kawaida cha maendeleo, na maendeleo hasi yanayosomeka kama mabadiliko ya upya — Athari ya programu za maendeleo ya kitaalama kwenye ujuzi wa AI ya walimu wa K-12: Mapitio ya kimfumo na meta-analysis
• AILitHub: Building AI Literacy Infrastructure to Situate Frameworks into Practice — Walimu walitia lebo kesi zao za AI za darasa na walifikia uwezo wa vitendo kwa urahisi lakini wa kijamii na wa maadili mara chache (Wang et al. 2026)
• Typology of Generative AI Tools for Education — Uteuzi wa zana kama mazoezi ya wakala wa mwalimu
• Generative Artificial Intelligence (GAI) in Teaching and Learning Processes at the K-12 Level: A Systematic Review — Mapitio ya kimfumo ya AI ya kizalishaji katika kufundisha na kujifunza kwa K-12 (Marzano 2026)
• Pedagogy first, technology second: Cross-level relationships between teacher professional knowledge and student — Maarifa ya kitaalamu ya mwalimu katika elimu ya AI ya K-12: TAIK dhidi ya TPAIK na kujifunza kwa wanafunzi (Shen et al. 2026)
• Analyzing teacher-AI interaction patterns across teacher experience and AI proficiency in student-centered lesson design — Mifumo ya mwingiliano wa mwalimu–AI katika ubini wa somo kati ya uzoefu na ujuzi wa AI (Choi et al. 2026)
• Preparing Pre-Service Teachers for Responsible Generative AI Use: Curriculum Implications for Ethics, Privacy, and AI Literacy — Matumizi yenye uwajibikisho ya GenAI ya walimu wa awali: athari za mitaala (Kohnke et al. 2026)
• Validating AI-generated classroom observations: Reliability, accuracy, and limits of LLM-based pedagogical judgment — Uangalizi wa darasa la LLM kwa maendeleo ya kitaalamu ya mwalimu (Melo et al. 2026)
• Responsible Integration of AI into Pedagogies of Practice in Mathematics Teacher Education — AI ya kizalishaji katika uwakilishi, ugawaji na takribani: mazoezi, maoni yaliyopangwa na tahadhari za usahihi
• Efficacy of an Intensive Generative AI Professional Development Program on Pedagogical Content Knowledge (AI-PCK) and the Comparative Analysis of Learning Gain between Experienced and Pre-service Teachers — Ufanisi wa programu ya maendeleo ya kitaalamu ya GenAI yenye nguvu
• Modeling AI-TPACK in Practice: Insights from Teachers'' Multi-Agent Workflow Design — Kuonyesha AI-TPACK kupitia mitiririko ya kazi ya mawakala wengi ya mwalimu
• Towards Synergistic Teacher-AI Interactions with Generative Artificial Intelligence — Kuelekea mwingiliano wa ushirikiano wa mwalimu–AI
• Teacher education for artificial intelligence literacy through a self-determination theory perspective — Elimu ya walimu kwa ujuzi wa AI kupitia nadharia ya kujitambua
• Development and evaluation of artificial intelligence literacy training for teacher education students — Mafunzo ya ujuzi wa GenAI ya ubini ya utafiti
• Rethinking Generative AI Literacy: An Integrative, Developmental, and Dialectical Framework for K-12 Teacher Education — Kufikiria upya ujuzi wa GenAI katika elimu ya walimu
• Exploring interfaces and implications for integrating social-emotional competencies into AI literacy for education: a narrative review — Kujumuisha ujuzi wa kihisia-kijamii na ujuzi wa AI
• AI Adoption Among Teachers: Insights on Concerns, Support, Confidence, and Attitudes — Kupokea AI miongoni mwa walimu: ujasiri na msaada
• Faculty Orientations Shape Adoption of AI in Research and Teaching — Mwelekeo wa wataalam huunda kupokea AI
• How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures — Kutolingana kati ya uwezo unaojitangaza na ule unaotegemea utendaji wa AI
• Effects of an AI-supported inquiry model on AI literacy and authentic performance: A quasi-experimental study with preservice teachers — Uchunguzi unaosaidiwa na AI kwa walimu wa awali
• Faculty Readiness for AI-Supported Teaching and Scalable Online Program Delivery in Higher Education: The EPIQ-AI Framework for Epistemic Integrity — Mfumo wa utayari wa wataalam wa EPIQ-AI
• LLMs to Support K-12 Teachers in Culturally Relevant Pedagogy: An AI Literacy Example — LLM kwa mbinu za kufundisha za K-12 zinazohusika kitamaduni
• A Framework for Institutional Change in the Age of AI — Mfumo wa mabadiliko ya taasisi kwa AI
• TeachingCoach: A Fine-Tuned Scaffolding Chatbot for Instructional Guidance to Instructors — Chatbot ya TeachingCoach kwa mwongozo wa mwalimu
• When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap — GenAI kama mgogoro wa utambulisho, si pengo la ujuzi
• Situated AI ethics: a cultural-historical and ecological framework for education
• Transforming Curriculum Design with Generative AI: A Model for Assessing Teacher Digital Competence — Kutathmini Uwezo wa Kidijitali wa Mwalimu kwa Ubini wa Mitaala ya GenAI (Guillén-Gámez 2026)
• Understanding what good education is: a phenomenographic investigation of university teachers' understandings of AI — utafiti wa phenografia wa dhana za walimu wa chuo kikuu kuhusu AI
• AI Literacy in Secondary Education: Framework, Assessment, and Professional Development in the Ukrainian Context — Mfumo wa ujuzi wa AI wa ngazi tano + PD kwa waelimishaji wa sekondari wa Ukraine (Marienko et al. 2026)
• Reimagining teacher-AI co-design in learning task design: trends and perspectives — Ubini wa pamoja wa mwalimu–AI wa kazi za kujifunza: mwelekeo na mitazamo (Wang et al. 2026)
• The Architecture of Roles in AI-Designed Group Activities: A comparative inductive analysis of novice and experienced teachers' differentiated instruction within the IAT framework — Usanifu wa nafasi katika shughuli za vikundi zilizotofautishwa zilizobuniwa na AI (Talebzadeh 2026)
• The Impact of Explainable AI on Teachers' Trust and Acceptance of AI EdTech Recommendations: The Power of Domain-specific Explanations
• AI Literacy of Teachers: Prompt Engineering and Model Selection as Predictors of AI-Feedback Quality — Uhandisi wa ilani na uteuzi wa mfano kama watabiri wa ubora wa maoni ya AI (Jacobsen et al. 2026)
• The AI guilt complex: Moral emotions and ethical dilemmas in academic technology adoption — Mchanganyiko wa Hatia ya AI: hatia ya kutabiri na wasifu wanne wa majibu ya maadili miongoni mwa wafanyakazi wa kitaaluma (Vassallo 2026)
• Empowering teachers to use AI for differentiation: changes in teachers’ acceptance of AI-based technologies following participation in a short professional development training session — Kipindi cha PD cha saa tatu cha walimu kilipandisha manufaa yanayohisika na urahisi wa matumizi lakini si nia iliyotangazwa ya kupokea (Mesenhöller & Böhme 2026)
• Artificial intelligence in initial teacher training for pre-service primary school teachers in mathematics: a systematic review — Mapitio ya kimfumo ya AI katika mafunzo ya awali ya walimu wa hisabati ya msingi: maadili yalishughulikiwa katika tatu tu ya masudio kumi na moja (Pinto et al. 2026)
• The AI Challenge: How college faculty assess the present and future of higher education in the age of AI — Utafiti wa AAC&U/Elon wa wataalam 1,057 wa Marekani: uandaa, kutotumia na pengo la sera ya mtu binafsi dhidi ya taasisi (Watson & Rainie 2026)
• AI Integration as Instructional Design: Lessons from a Cross-Institutional Faculty Collaboratory in Teacher Preparation — Kolabo ya wataalam wa taasisi mbalimbali: ujumuishaji wa AI kama ubini wa mafunzo katika maandalizi ya walimu
• Assessing teachers' AI literacy: a systematic review of measurement tools — Mapitio ya kimfumo ya vyombo 33 vya kupima ujuzi wa AI wa walimu: 31 za kujitangaza, viwili za majaribio ya maarifa ya kisayansi, hakuna kazi za utendaji (Zainal, Mohd Matore & Maat 2026)
• Rethinking artificial-intelligence literacy through the lens of teacher educators: The adaptive AI model — Mfano wa ujuzi wa AI unaobadilika wa ubini na dodoso la tafakari la vipengele 20 lililobuniwa pamoja na waelimishaji 22 wa walimu (Eyal 2025)
• A Workshop Series for Effective Use of AI in Uncertain Times: Building a Physics Faculty Learning Community — Mfululizo wa Warsha kwa Matumizi Yenye Ufanisi ya AI katika Nyakati za Kutokuwa na Uhakika: Kujenga Jamii ya Kujifunza ya Wataalam wa Fizikia
• Designing Authentic Assessments with Generative AI: A Pilot Study of Assessment Authentifire in Higher Education — Kubuni Tathmini Halisi na AI ya Kizalishaji: Utafiti wa Jaribio wa Assessment Authentifire katika Elimu ya Juu
• Will It Teach as Intended? How Teachers Configure Educational AI Chatbots — Je, Itafundisha Kama Ilivyokusudiwa? Jinsi Walimu Wanavyosanidi Chatbot za Kielimu za AI
• A Capability–Decision Model of teacher readiness for AI integration in teaching — Mfano wa utayari wa mwalimu unaolenga uwezo kwanza unaopangwa, unao na viashiria vya uwezo vinavyotegemea utendaji
• K-12 in-service teachers' beliefs about generative AI in classrooms: insights from the United States, India, Qatar, Colombia, and the Philippines — Utafiti wa kitaifa wa walimu 1,405 wa K-12: utayari unatatabiri imani chanya lakini si wasiwasi
• Teachers’ AI Belief Profiles and Their Associations with AI Use, Pedagogical Applications, and Barriers: A Person-Centered Analysis of TALIS 2024 — Wasifu wanne wa imani za walimu wa TALIS 2024 wanaunganisha mafunzo ya kitaalamu na vikwazo maalum vya wasifu kwa matumizi ya AI
• Designing Microlearning Modules on AI for University Teachers in Vocational Teacher Education: A Design-Based Research Study — Kubuni Moduli za Microlearning kuhusu AI kwa Walimu wa Chuo katika Elimu ya Walimu ya Mafao: Utafiti wa Ubini unaotegemea Utafiti