Odborný článek
Digitalizace ve vzdělávání
12. 10. 2026
Bořivoj Brdička
Další tvorba autora12. 10. 2026
Bořivoj Brdička
Další tvorba autoraZpráva o vývoji tichého (nekognitivního, měkkého) poznání, jak ho definuje vědecký pracovník CCR Dirk Van Damme.
Po 10 letech se vracíme k problematice tzv. tichého poznání. Nejprve si připomeňme, jak jsme si ho definovali: „Tiché poznání (tacit knowledge) je individuální součást schopností člověka, jejíž podobu nelze jednoznačně vyjádřit, pro její vytvoření nelze použít jednoduché postupy a nelze ji ověřovat tradičními testy. Patří sem dovednosti, zkušenosti, vcítění, intuice, úsudek, odbornost apod.“ (Tiché poznání v online světě).
Jsme si vědomi toho, že vzdělávání musí hledat mezi explicitním (tvrdým, definovatelným) a tichým (tacitním, měkkým, nedefinovatelným) poznáním rovnováhu. Rozvoj technologií přináší změny, které vyvolávají potřebu tuto problematiku revidovat. Konstatovali jsme již před 10 lety, že právě tiché poznání se získává nesnadněji a že by bylo dobré, kdyby se mu věnovalo více výzkumné pozornosti. Bostonské Centrum pro rekonstrukci kurikula (Center for Curriculum Redesign) se zjevně snaží tento deficit snížit. Vydalo studii svého vědeckého pracovníka, bývalého šéfa Centra pro pedagogický výzkum OECD Dirka Van Dammeho s názvem Tacit Knowledge, Human Cognition and Artificial Intelligence [1]. Navazuje tím na dřívější práci, která se zabývala změnami vzdělávání vyvolanými nástupem AI obecněji (Vliv AI na kognitivní schopnosti lidí).
Nejnovější studie se věnuje specificky významu a proměně tichých znalostí v éře digitálních technologií a umělé inteligence. Změnu přístupu k tichým znalostem ve vzdělávání naznačuje následující tabulka.
| Tradiční formy | Technologicky orientované | Hybridní integrované formy | |
| Znalost | Internalizace obsahu | Externí přístup | Internalizace, strukturace a aplikace znalostí |
| Postup | Memorování a opakování | Použití nástrojů, řešení úkolů | Transformace znalostí do expertizy |
| Role AI | Vnější | Náhrada myšlení | Partner vyžadující ověření |
Postavení tichého poznání v různých formách vzdělávání
Studie vysvětluje, jak důležité jsou pro lidskou odbornost takové schopnosti, jako je intuice, zkušenost a úsudek, které nelze snadno přenést do kódu a automatizovat (viz Polanyiho paradox). Nástup moderní AI, zejména hlubokého učení a velkých jazykových modelů (LLM), toto tradiční pojetí zásadně rekonfiguruje. Stroj sice postrádá skutečné porozumění, tělesnou zkušenost a etickou odpovědnost, stále více však dokáže díky AI tiché poznání efektivně napodobovat.
Základní znalosti jsou stále důležité. Patří k nim ty, které lze formulovat, formalizovat, měřit a zpracovávat stroji. Jejich externalizace, automatizace a standardizace však mění podmínky, za nichž je získáván a udržován tichý úsudek. AI se stále více přibližuje vybraným dimenzím tichých znalostí prostřednictvím statistického učení, latentních reprezentací a interakce s lidmi. Takto vygenerovaná aproximace však není ekvivalentní lidskému tichému porozumění, které zůstává založeno na zkušenosti, významu a odpovědnosti. Díky AI však dochází k jeho proměně.
Tiché poznání je zakotveno ve zkušenosti, formováno kontextem, uplatňováno v praxi a udržováno prostřednictvím účasti v komunitách. Umožňuje lidem rozpoznávat vzorce, interpretovat situace, přizpůsobovat pravidla okolnostem, spolupracovat s ostatními a jednat v nejistotě. Tiché poznatky proto nejsou jen nějakým vedlejším produktem znalostně orientovaného učení, jsou jednou z podmínek, které činí získané znalosti použitelnými.
AI se učí prostřednictvím vzorů z rozsáhlých dat, nikoli z formálních pravidel. Může generovat výstupy, které se zdají být závislé na formách úsudku, interpretace a kontextové citlivosti tradičně spojované s tichými znalostmi. Velké jazykové modely zpochybňují předpoklad, že znalosti musí být nejprve explicitně kodifikovány, než je mohou operacionalizovat stroje.
Technologická inovace však neovlivňuje tiché znalosti jednotně. Její účinky jsou ambivalentní. Některé technologie mohou tiché znalosti externalizovat, uchovávat nebo redistribuovat, jiné oslabují zkušenostní, ztělesněné, sociální a mezigenerační vztahy, jimiž se tiché znalosti získávají a udržují.
To znamená, že je třeba zkoumat vnitřní diferenciaci tichých znalostí. Některé jejich dimenze zanechávají stopy v jazyce, chování, rutinách, profesních postupech nebo senzomotorických vzorcích, a proto je lze částečně externalizovat, modelovat nebo statisticky aproximovat. Jiné dimenze zůstávají hluboce spjaty s provedením, prožitou zkušeností, sociální účastí, identitou, etickou odpovědností a zodpovědným úsudkem. Ústřední otázkou tedy není, zda tiché znalosti lze či nelze kodifikovat, ale které dimenze tichých znalostí lze zachytit za jakých podmínek a co se v tomto procesu transformuje nebo ztrácí.
| Oblast | Přenositelnost na AI | Důvod | Příklady |
| Definovatelnost | Částečná | Některé implicitní znalosti lze vyjádřit jako pravidla, kontrolní seznamy, příklady nebo protokoly. | Kontrolní seznamy, právní směrnice, profesní pravidla. |
| Ztělesnění | Nízká až střední | Omezená možnost vyjádření textem; robotika a senzory dokážou aproximovat některé procedurální a percepční prvky. | Robotická manipulace, fyzické vyšetření, řemeslné dovednosti, řízení vozidel. |
| Kognitivní | Střední |
Přenositelnost různých složek tichého poznání na AI
Tradiční pojetí předpokládalo, že pro automatizaci jakékoli znalosti je nutné ji nejprve explicitně reprezentovat a popsat. Generativní AI a strojové učení však přesouvají základy automatizace od kodifikace ke statistickému učení. Tyto systémy již nevyžadují, aby jim lidé předepisovali pravidla, místo toho se učí rozpoznávat vzorce a pravidelnosti přímo z obrovských souborů lidských dat, textů, obrázků a interakcí.
I když lidé nedokážou své tiché poznání přímo popsat a vtělit do příruček či standardů, toto poznání zanechává husté „stopy“ v jejich pozorovatelném chování a komunikaci. Tyto stopy se projevují například v zápisech lékařských diagnóz, právních argumentech, vědeckých diskusích nebo mentorských dialozích. AI systémy se z takových stop dokážou učit a následně generovat kontextově citlivé odpovědi nebo řešit komplexní úkoly bez explicitních instrukcí, čímž funkčně obcházejí nutnost přímé kodifikace.
Hranice automatizace se již neodvíjí od toho, zda je úkol „rutinní“, či zda ho lze explicitně popsat slovy. Novým měřítkem pro to, jak úspěšně dokáže AI aproximovat lidské tiché poznání, se stávají dva rozměry:
Pokud má úkol vysokou hustotu vzorců a jeho výstupy jsou dobře ověřitelné, AI v něm dokáže vysoce efektivně napodobit expertní úsudek. To znamená, že je třeba změnit (rekonfigurovat) pohled na tiché poznání. Důsledky pro vzdělávání jsou značné. Ve věku AI se vzdělávání nesmí vzdát získávání znalostí, ale musí posílit rozvoj integrované odbornosti – schopnost kombinovat explicitní znalosti, tichý úsudek, externí kognitivní nástroje a odpovědné lidské konání (hybridní forma).
Studie se v závěrečné části zabývá důsledky pro vzdělávání blíže. Navrhuje v reakci na nástup AI zásadní transformaci celého vzdělávacího systému. Návrh má několik pilířů.
Infografika na základě studie vytvořená Gemini NotebookemHlavním závěrem je, že moderní vzdělávání musí posilovat schopnost kritického úsudku, aby lidé dokázali inteligentní systémy zodpovědně ovládat, nikoli jimi být nahrazeni. Tato analýza tak redefinuje vztah mezi lidskou kognicí a stroji v kontextu budoucího rozvoje expertních dovedností.
Ukazuje se, že nástup AI vytváří nové formy tichých znalostí. Některé z nich mohou být převzaty stroji, jiné nikoli. Statistické učení, latentní reprezentace, modely světa a ztělesněné systémy umělé inteligence mění vztah mezi tichou znalostí a strojovým poznáváním. Dochází k prudkému vývoji této problematiky, to znamená, že bude nezbytné ji nadále blíže zkoumat.
Tento materiál je publikován pod licencí Creative Commons – Uveďte původ – Neužívejte komerčně – Nezpracovávejte 4.0.
| Cíl | Získávání znalostí | Efektivita | Rozvoj odbornosti |
| Tiché poznání | Skryté a nedefinované | Není řešeno | Zásadní význam pro interpretaci, transfer a odpovědnost |
| Diagnóza nemoci, právní argumentace, odborná zpětná vazba. |
| Sociální | Střední | Organizační rutiny a normy lze částečně odvodit z komunikačních a pracovních dat, ale skutečné zapojení je stále obtížné napodobit. | Koordinace týmu, pracovní rutiny, profesní kultura. |
| Mechanická | Střední | Přístroje, pracovní postupy a prostředí lze modelovat pomocí dat, senzorů a digitálních dvojčat. | Laboratorní systémy, průmyslové procesy, klinické pracovní postupy. |
| Vyjádřitelnost | Vysoká | LLM jsou obzvláště silné tam, kde je implicitní znalost vyjádřena prostřednictvím příběhů, případů, dialogu a písemné komunikace. | Mentorování prostřednictvím vyprávění, kazuistik, obchodních rozhovorů, anamnéz pacientů. |
| Osobnostní | Nízká až střední | Normy lze popsat nebo simulovat, ale povinnosti, identita a odpovědnost zůstávají lidské a institucionální. | Právní odpovědnost, lékařská etika, autorita učitele, profesní identita. |
