AI gramotnost podle Gaševiče

S Draganem Gaševičem jsme se setkali poprvé v roce 2016, když se nás snažil upozornit, že důležitější je Adaptivní student, ne adaptivní výuka. Jedná se o počítačového vědce původem ze Srbska, který se po studiu v Bělehradu uchytil na západě – konkrétně postupně v Kanadě, Skotsku a naposledy v Austrálii na Monash University. Při svém pobytu na kanadské Athabasca University se začal zabývat analýzou výukových výsledků (learning analytics). Dnes je v tomto oboru jednou z největších autorit. V roce 2021 jsme informovali o jeho projektu Datově chytré školy na Monash University.

Tentokrát se podíváme na to, co Dragan říkal ve svém vystoupení na zajímavé online konferenci Empowering Learners in AI 2025 realizované na specializované platformě podněcující sociální kontakty účastníků Whova.

Keynote: Empowering Learners with Adaptive Skills for the Age of AI

Tým na Monash University patří k těm, které jsou na špičce výzkumu aplikace AI do výuky [1]. Spolu s partnery založili vědecké Centrum pro vzdělávání a život s AI (CELLA), které se zabývá několika výzkumnými projekty. Snaha o přípravu adaptivních studentů je dovedla k potřebě definovat jejich vlastnosti. Vypadá to, že právě Draganův tým je jedním z předních vědeckých pracovišť, které se věnují výzkumu pro život potřebných AI kompetencí.

Začali tím, že si definovali výzkumný záměr. Zajímavé je na něm to, že jejich cílem není popisovat jen potřebné vlastnosti AI, ale hlavně to, „jaké schopnosti potřebuje člověk, který má mít prospěch z využívání AI“.

Prostředí uživatele AI podle Gaševiče

Podstata problému je znázorněna prostřednictvím tohoto 2D prostředí, v němž se nachází každý uživatel AI, i když pro nás jsou hlavní cílovou skupinou studenti. Na vodorovné ose je vliv samotné AI (zlepšení výsledků podmíněné ovládáním nástrojů), na svislé ose je úroveň vlastních (human) schopností uživatele rozvíjených v rámci učení. Je zřejmé, že k cíli (Ultimate goal) lze dospět jedině synergií obou složek – kombinací schopností člověka a strojů (pravý horní kvadrant).

Graf tedy názorně ukazuje, jak je důležité nenechat AI za nás dělat činnosti, které se neobejdou bez určitých intelektuálních schopností člověka (pravý dolní kvadrant). Právě učení je asi tou nejtypičtější.

V té souvislosti Dragan ve své přednášce přichází s třemi základními poznatky.

1. Adaptivní student nemá nárok na bezplatný oběd!

Je obtížné vyvinout synergii mezi lidskými a AI schopnostmi bez toho, že ty lidské existují dříve. Klíčovou lidskou schopností nezbytnou pro dosažení pravého horního kvadrantu je metakognice, tj. porozumění tomu, jak probíhá vlastní poznávání, a kontrola tohoto procesu. Znamená to vybírat pro dosažení vzdělávacího cíle vždy tu nejvýhodnější strategii. Ve skutečnosti však mají studenti většinou jen omezený repertoár poznávacích strategií a jsou často velmi nekritičtí při posuzování úrovně vlastního poznání (viz Dunning-Kruger effect). Přitom je výběr strategie nejčastěji jejich osobní volbou. Až příliš často si student při řešení problému hned při hledání potřebných informací volí velmi neefektivní strategii a nevhodné zdroje.

Současné adaptivní výukové systémy se snaží (typicky dnes s využitím AI) metakognitivní proces studujících při výběru poznávacích strategií udělat za ně (systémy řízení výuky) – postavit je před hotovou věc, co se učit a jak. Jestliže se student do výběru poznávací strategie osobně nezapojí, je to stejné, jako kdyby dostal jídlo zadarmo, bez vlastního přičinění. Typickým příkladem je přebírání hotových výsledků generovaných AI (offloading).

2. Neřízené používání generativní AI podporuje metakognitivní lenost!

To je důsledek, který z výše řečeného vyplývá a kterého jsme si již dobře vědomi (viz Výzkumy odhalují, jak generativní AI ovlivňuje lidské učení).

V této souvislosti Dragan zmiňuje výsledky získané v rámci projektu FLoRA, který se zabýval samoregulovaným učením s personalizovanou podporou. Výsledky ukazují, že využití AI ve vzdělávání může být při vhodné implementaci přínosné.

Důležité je zachovat studujícímu dostatečný prostor pro vlastní metakognitivní aktivity. V praxi to znamená přesně to, co jsme zjistili již dávno. Je třeba používat technologie tak, aby uživatel jen nepřijímal hotové výsledky (např. viz Digitální wellbeing pro Strategii 2030+). A to navzdory tomu, že tyto „hotové“ výsledky jsou lepší než ty, které by byl schopen vytvořit bez AI.

Proto Dragan doporučuje držet se ve výuce co nejvíce na levé straně výše zobrazeného grafu – tj. získávat podporu přednostně od lidského zdroje (učitel) schopného metakognitivní myšlení studentů povzbuzovat. (Pozor, to neznamená, že toho za určitých okolností není schopen i AI agent – např. Khanmigo.)

Riziko růstu metakognitivní lenosti se bohužel potvrzuje. Jedním ze symptomů je snižování průměrného IQ u mladých lidí ve vyspělých zemích (Vliv technologií na IQ). Dragan odkazuje poslední studii Anthropic Education Report: How university students use Claude [2] (Claude je generativní model specializovaný na řešení problémů).

Podle ní studenti tento nástroj používají nejvíce na generování výstupů, jejichž dosažení vyžaduje vyšší formy myšlení. Potvrzuje to následující graf, z něhož je názorně vidět, že výsledkem je převrácená pyramida Bloomovy taxonomie. Jinými slovy, studenti se snaží v maximální míře zůstávat v pravém dolním kvadrantu AI podporovaného vzdělávacího prostředí.

Docela to koresponduje s tím, co zjistily i další výzkumy, které také pracují s „převráceným Bloomem“, které doporučují klidně nechat studenty pro řešení úkolu generativní výtvor na počátku použít, ale požadují dospět k ostatním složkám taxonomie vzdělávacích cílů dodatečně (Jak AI převrací Blooma).

Míra využití GenAI nástroje Claude studenty podle typů činností klasifikovaných na základě Bloomovy taxonomie

3. Je naléhavě třeba hlouběji zkoumat důkazy o vlivu AI na vzdělávání!

Závěr je snad zřejmý. AI je stále na samém počátku svého revolučního nástupu ovlivňujícího vývoj lidstva. Není vhodné ji ve výuce používat jako autopilota, ale v roli kopilota nám může být velice užitečná. Je třeba si dát velký pozor, aby byla aplikována přínosným způsobem. Cílem je společné učení s AI nepoškozující vyšší formy myšlení (rozvíjející metakognitivní kompetence).

A tak tím posledním nosným sdělením Dragana Gaševiče v roli předního vědce je celkem logicky vyzdvihnutí potřeby provádět další výzkumy tak, aby naše společné úsilí směrem k přípravě budoucích generací bylo úspěšné.

Zde se ale zjevuje další nemalé riziko. Ono totiž nestačí mít špičkový výzkum principy zavádění AI do výuky odhalující, pak je třeba tyto principy též umět zavést do praxe. Bojím se, že to je ve skutečnosti mnohem větší problém.

Literatura a použité zdroje

YUEQIAO, Jin. GLAT: The Generative AI Literacy Assessment Test [online]. 2024. [cit. 2025-10-20]. Dostupné z: https://arxiv.org/abs/2411.00283.

Anthropic Education Report: How university students use Claude [online]. 2025. [cit. 2025-10-20]. Dostupné z: https://www.anthropic.com/news/anthropic-education-report-how-university-students-use-claude.