Playbook SLO 0. O priročniku DUAL.AI.TEACHer Cilji priročnika Ta priročnik je namenjen učiteljicam in učiteljem, ravnateljicam in ravnateljem ter visokošolskim učiteljem, ki želijo pridobiti potrebno znanje o uporabi umetne inteligence (UI) v šolah in o preoblikovanju svojih ustanov za (boljšo) uporabo UI. UI se v šoli in v izobraževanju učiteljev lahko uporablja za različne namene. Pri poučevanju razlikujemo med ‘poučevanjem o UI’ in ‘poučevanjem z UI’ za posredovanje predmetno specifičnega znanja. Razvoj umetne inteligence (UI) napreduje izjemno hitro, njena uporaba pa vse bolj prežema našo družbo in vstopa v vsakdanje življenje, tudi na področje izobraževanja. Ta razširjenost prinaša številne, pogosto med seboj povezane posledice, ki segajo na etično, družbeno, ekonomsko, pravno in kulturno področje ter zadevajo vprašanja, kot so varstvo podatkov, pravičnost in nediskriminacija, algoritmična preglednost, tehnična varnost in odgovornost. Prav zaradi hitrosti širjenja in obsega posledic narašča potreba po skupnih smernicah, regulativnih okvirih in mehanizmih upravljanja, ki lahko tehnološki razvoj usmerjajo v odgovorno in trajnostno smer. Struktura priročnika Da bi zajeli vse te vidike, smo priročnik strukturirali na naslednji način: Poglavje 1 izpostavlja temeljne vidike, ki jih je treba razumeti za uporabo UI v izobraževanju. Poglavje 2 obravnava pedagoško prakso in ponuja vrsto primerov za različne šolske predmete. Poglavje 3 opisuje okvir kompetenc, predlagan v okviru projekta DUAL.AI.TEACHer. Vsi primeri iz poglavja 2 so povezani z modelom kompetenc in iz njega izpeljanimi učnimi cilji. Poglavje 4 pojasnjuje, kako lahko pridobite potrebne kvalifikacije za uporabo UI v izobraževalnem okolju. Poglavje 5 je namenjeno šolam in univerzam, ki želijo sistematično izboljšati kompetence svojih sedanjih in prihodnjih učiteljev na področju UI in UI vključiti v vsakdanje šolsko življenje. Poglavje 6 vsebuje seznam virov ter obsežen slovar posebnih izrazov s področja umetne inteligence, ki se uporabljajo v priročniku. Kako se znajti v priročniku Slika 1: ‘Poti do strokovnosti’ (slika, ustvarjena z UI, Google Gemini) Za učitelje Priročnik lahko uporabljate na različne načine. Možnost 1: Iščete ideje za naslednji šolski dan, da bi učence poučevali o UI ali z UI poučevali predmetno specifične vsebine. V tem primeru pojdite neposredno v poglavje 2, kamor sproti dodajamo nove primere dobre prakse. Upamo, da boste našli, kar iščete. Če ne, nam pišite po e-pošti, da bomo lahko razvili novo gradivo, ki bo zapolnilo vrzel, ki ste jo zaznali. Možnost 2: Želite spoznati pravni okvir, ki ureja uporabo UI. V tem primeru pojdite v poglavje 1.4 ali poglavje 1.6. Možnost 3: Želite pridobiti kvalifikacije, potrebne za učinkovito poučevanje o UI in vključevanje UI v pouk svojega predmeta. V tem primeru vas vabimo, da opravite naš uvodni test in nato sledite našim kvalifikacijskim modulom. S pridobivanjem mikrodokazil se lahko celovito strokovno izpopolnjujete, prilagojeno vašemu znanju in izkušnjam. Za vodstva šol Ste pripravljeni s svojo šolo kreniti na vznemirljivo pot vključevanja UI v svoje poklicno okolje? V poglavju 5 začrtamo jasen časovni načrt, ki vas vodi na vsakem koraku. Naš kvalifikacijski program vam omogoča, da svoje sodelavce pripravite na pustolovščino, ki je pred vami. Za visokošolske učitelje UI pušča svoj pečat v izobraževanju učiteljev, včasih z odločnimi potezami, včasih bolj neopazno. Izobraževanje učiteljev razumemo kot pot, ki se začne na univerzi in se s časom nadgrajuje, zato vam poglavje 5 ponuja časovni načrt, s katerim lahko navdihujete in podpirate bodoče učitelje pri raziskovanju spreminjajočega se področja UI. 1. UI v izobraževanju 1.1 Potenciali in tveganja Če si zapomnite le en stavek s te strani: UI je v šole prišla kot zdravilo brez navodila za uporabo. Kot učitelj ne veste, kdaj uporabiti UI, nimate navodil za odmerjanje in ni podatkov o stranskih učinkih. To poglavje je navodilo za uporabo tega priročnika. Ali bi morala UI priti z navodilom za uporabo, tako kot zdravilo? Poznate tisti listič papirja, ki je vtaknjen v vsako škatlico zdravila? Tistega, ki ga verjetno odvržete, ne da bi ga sploh pogledali? Morda se zdi dolgočasen, a ta majhen list papirja je tih triumf preteklega stoletja. Ta navodila razkrijejo štiri bistvene stvari: kaj zdravilo zdravi, koliko ga je treba vzeti, kakšna presenečenja lahko prinese, in kdo naj se mu izogiba. Za vsako vrstico na tem navodilu stoji celoten mehanizem: klinična preskušanja, regulatorji in odgovornost razkriti napake. Nihče ne verjame, da nas ozdravi samo navodilo. Njegova prava moč je v tem, da naredi zdravilo varno za vsakogar. Prav ta čarovnija nam manjka, ko UI pustimo, da poučuje brez usmerjanja. Orodja UI, ki se zdaj tiho naseljujejo v vaši šoli, so podedovala težavo, ki je starejša od UI: izobraževalna tehnologija je le redko prišla z navodili. V Veliki Britaniji je pregled pokazal, da je le 7 od 100 podjetij za izobraževalno tehnologijo svoje izdelke podvrglo randomiziranemu preskusu, le 12 od 100 pa je poiskalo zunanjo certifikacijo. Šole le redko zahtevajo več. V anketi v 17 ameriških zveznih državah je le 11 od 100 učiteljev in vodstvenih delavcev pred uvedbo novega orodja zahtevalo recenzirane dokaze. Rezultat je v mnogih primerih zapravljen denar. V ZDA v povprečju dve tretjini licenc za izobraževalno programsko opremo nista bili uporabljeni, 98 od 100 pa jih nikoli ni bilo intenzivno uporabljenih. Projekt EdTech Genome, prav tako v ZDA, je preučil približno 7.000 učnih orodij v vrednosti 13 milijard dolarjev in ugotovil, da je bilo 85 od 100 med njimi bodisi neustreznih bodisi napačno uvedenih. To poglavje se morda zdi suhoparen, a nujen del, vendar razkriva skrite zgodbe za pravili. Pove, kaj se je resnično zgodilo, kdo je bil prizadet, in osvetli stranske učinke – tudi tiste, ki so tiho dosegli otroke, ki se zanje sploh niso prijavili. Potenciali UI Večina raziskav o potencialu UI se osredotoča na študente na univerzah. Šolski učenci so v teh raziskavah doslej razmeroma redko zastopani. In večina raziskav se nanaša na kratkotrajne intervencije, ki trajajo od nekaj ur do nekaj tednov. Posledično je na rezultate morda pozitivno vplival tako imenovani učinek novosti. Obsežen pregled 68 eksperimentov je odkril prav ta vzorec: krajša kot je bila raziskava in manj udeležencev kot je vključevala, večja je bila poročana korist UI. (1) Naj UI razloži novo temo, vajo pa prihranite za svojo uro Predstavljajte si tole. Jutri, ko učenec zamudi temo ali potrebuje ponovno razlago zahtevnega pojma, naj prvo razlago prevzame UI-tutor. Vajo prihranite za svojo uro, kjer resnično učenje zares zaživi. Zakaj je to pomembno. V dobro nadzorovanem preskusu je UI-tutor novo snov poučeval vsaj tako dobro kot dobra učna ura. V raziskavi Univerze Harvard se je 194 študentov fizike učilo dve temi. Pri eni temi so uporabili UI-tutorja, razvitega prav za ta namen. Pri drugi temi so se učili pri dobro izvedeni uri aktivnega učenja – z razpravo in reševanjem problemov v parih, ne s predavanjem. Vsak študent je opravil oba pristopa, zato nihče ne more trditi, da je močnejša skupina prejela boljšo obravnavo. Na testu, izvedenem takoj po tem, so študenti, ki jih je poučevala UI, dosegli bistveno boljše rezultate. Raziskovalci so zabeležili mediani čas 49 minut za dokončanje naloge, v primerjavi s 60 minutami, predvidenimi za uro po urniku. Avtorji so pri razlagi teh rezultatov previdni: snov je bila za študente nova, velik del naloge pa je bil preprosto dobra razlaga. Izrecno odklanjajo, da bi svoj rezultat razširili na naloge, ki zahtevajo povezovanje več idej. Poleg tega je šlo za dodiplomske študente, ne za učence 8. razreda. V isto smer kaže obsežen pregled, ki je združil rezultate 228 raziskav, z eno pomembno omejitvijo. Generativna UI je prinesla večje izboljšanje pri poznavanju in razumevanju kot starejše oblike UI, kot so inteligentni tutorski sistemi in prilagodljiva vadbena programska oprema. Vendar je bil to edini od štirih izidov, ki jih je pregled meril, pri katerem je imela generativna UI prednost. Pojdite globlje. Kestin, G., Miller, K., Klales, A., Milbourne, T., & Ponti, G. (2025). AI tutoring outperforms in-class active learning: An RCT introducing a novel research-based design in an authentic educational setting. Scientific Reports, 15, članek 17458. Prosto dostopno, DOI 10.1038/s41598-025-97652-6. Članek opisuje, kako je bil tutor zasnovan in nadzorovan. Koristno za vsakogar, ki bi rad sam razvil UI-tutorja. (2) Boljša izraba časa za pripravo na pouk Predstavljajte si tole. Prihranite nekaj časa, ki ga potrebujete za pripravo na pouk, tako da s pomočjo UI pripravite prvi osnutek učne priprave, nato pa ga temeljito predelate. Zakaj je to pomembno. Nihče ne oporeka, da je obremenitev učiteljev velika. Zato je ena od možnih koristi UI učinkovitejša raba delovnega časa. Preskus v Angliji je preučil, ali lahko ciljno usmerjena uporaba UI za pripravo na pouk zmanjša obremenitev učiteljev. Raziskovalci so 259 učiteljev naravoslovja na 68 šolah naključno razporedili bodisi v skupino, ki je uporabljala ChatGPT skupaj s spletnim vodnikom za njegovo dobro uporabo, bodisi v skupino, ki so jo prosili, naj generativne UI sploh ne uporablja. Učitelji v skupini s ChatGPT so za pripravo na ure naravoslovja v 7. in 8. letniku (starost od 11 do 13 let) porabili približno 56 minut na teden, v primerjavi s približno 81 minutami v primerjalni skupini. Skupina strokovnjakov za posamezne predmete je ocenila kakovost učnih priprav, ne da bi vedela, ali so bile pripravljene s pomočjo UI ali brez nje. Strokovnjaki niso našli dokazov, da bi se kakovost priprav razlikovala. Vendar je treba poudariti dve stvari: (1) Učitelji so orodje z vsakim tednom uporabljali manj. Evalvatorji so to razumeli kot prehod učiteljev iz faze učenja v rutino; lahko pa pomeni tudi, da se prihranek časa brez podpore ne ohrani. (2) Preskus je meril čas, ki so ga učitelji porabili za pripravo na pouk, ne pa učnih dosežkov njihovih učencev. „Vse se vrne k času. Tudi učitelji, ki vidijo vrednost UI, le redko imajo čas, da bi se naučili, kako jo uporabljati.“ Pojdite globlje. Roy, P., Poet, H., Staunton, R., Aston, K., & Thomas, D. (2024, 12. december). ChatGPT in lesson preparation: A Teacher Choices Trial. NFER, naročilo Education Endowment Foundation in Hg Foundation. Prosto dostopno na educationendowmentfoundation.org.uk. (3) Boljša podpora za učence, ki od standardnega pouka nimajo polne koristi Predstavljajte si tole. Vaša šola se odloča, kako želi porabiti svoja sredstva. Odloči se za nakup UI klepetalnika. Kako verjetno se vam zdi, da vam bodo ponudniki klepetalnika predložili dokaze o koristih bota za posamezne predmete? Zakaj je to pomembno. Ponudnik se lahko sklicuje na raziskave o učencih s posebnimi potrebami – eno najdlje raziskovanih področij UI v izobraževanju, ki se pri dodeljevanju sredstev zlahka spregleda. V analizi 29 raziskav, ki je vključevala 41 skupin učencev s posebnimi potrebami, so raziskovalci ugotovili zmerne koristi v širokem naboru okoliščin. A preberite drobni tisk. V sedmih od desetih teh raziskav je „UI“ pomenila robota, običajno humanoidnega, ki ga je pogosto upravljal raziskovalec, ne da bi ga otrok videl. Le ena od petih raziskav je uporabila programsko opremo. To torej ni dokaz, da bo klepetalnik pomagal avtističnemu učencu v vašem razredu. Pregledovalci prav tako niso mogli povedati, kaj te intervencije naredi učinkovite. Na podlagi svoje raziskave niso mogli opredeliti, po čem se raziskave, ki so delovale, razlikujejo od tistih, ki niso. Pojdite globlje. Zhang, L., Carter, R. A., Jr., Liu, Y., & Peng, P. (2026). Let's CHAT about artificial intelligence for students with disabilities: A systematic literature review and meta-analysis. Review of Educational Research, 96(1), 215–257. Prosto dostopno, DOI 10.3102/00346543241293424. Pravi biser je preglednica vključenih raziskav: takoj razkrije, kako majhen del tega področja se dejansko osredotoča na orodja, ki se trenutno tržijo šolam. (4) Učenje o tem, kako UI odpove Predstavljajte si tole. Razred naj ustvari deset slik 'zdravnika' in deset slik 'medicinske sestre'. Preštejte, kdo se pojavi v vsakem naboru, nato pa sprožite razpravo: od kod izvirajo ti vzorci in kdo je te odločitve sprejel? Slika 1: „Poziv v enem koraku: zdravnik, medicinska sestra“ (slika, ustvarjena z UI, NanoBanana 2) Zakaj je to pomembno. Klasična različica te učne ure se zdi zastarela, in prav zato si zasluži pozornost. Leta so bile predstavitve predvidljive: prosite za zdravnika, in pojavi se moški. V testu neprofitne organizacije AlgorithmWatch je Midjourney zdravnike skoraj vedno upodobil kot bele moške, medtem ko je Adobe Firefly naredil vidne, četudi nepopolne poskuse raznolikosti. Recenzirana raziskava 2.400 slik kirurgov, ustvarjenih z UI, je pokazala enako razliko med izdelki: dva od treh priljubljenih generatorjev skoraj nista prikazala žensk, tretji pa se je približal dejanskemu deležu žensk v kirurgiji. Poskusite isti poziv danes in morda se prikaže zdravnica ali medicinski brat (slika 1). A ne dajte se prevarati v prepričanje, da je pristranskost izginila. Analiza iz leta 2026, ki je zajela 1.344 slik treh priljubljenih generatorjev, je razkrila nasprotno: ko so zahtevali 'sposobno osebo', en sistem ni pokazal nobene ženske. Kar se je spremenilo, ni pristranskost sama, temveč plast, v kateri živi – in to je pomemben nauk! Za vsako od teh slik stojijo človeške odločitve: na čem je bil sistem naučen in kaj so njegovi ustvarjalci pozneje odločili, da naj prikazuje. Slednje je mogoče prilagajati, je nevidno in ga določi podjetje. Prva plast človeških odločitev je tisto, kar je sistem vsrkal. Milijoni slik, ki so jih ustvarili in označili ljudje, vsaka od njih odseva svet, kakršen je že bil. To je plast, ki jo razkrije klasična lekcija o pristranskosti, in učenci jo zlahka razumejo: stroj je postal odsev tega, s čimer je bil hranjen. Drugo plast oblikuje to, kar se podjetje odloči pokazati naprej, vendar ta vpliv v sami sliki ne pusti nobene sledi. Tu se odvijejo tri stvari, vsako od njih so ustvarjalci opisali s svojimi besedami. Vaše besede so prepisane, preden jih model prejme. Iz lastne razvijalske dokumentacije OpenAI: „uporabljamo GPT-4 za optimizacijo vseh vaših pozivov, preden jih posredujemo DALL-E“ – in „te funkcije trenutno ni mogoče izklopiti“. Kar je vaš učenec dejansko natipkal, ni tisto, kar je bilo dejansko vprašano stroju. Videz se dopolni, kadar ga poziv pusti odprtega. OpenAI o svoji tehniki raznolikosti pravi: „Ta tehnika se uporabi na ravni sistema, kadar DALL·E prejme poziv, ki opisuje osebo, ne da bi opredelil raso ali spol, na primer 'gasilec'.“ Po tem so uporabniki dvanajstkrat pogosteje povedali, da slike prikazujejo ljudi različnih ozadij. „Zdravnik“ je natanko takšen poziv. In to prilagajanje lahko tudi spodleti. Google je po tem, ko je leta 2024 začasno ustavil Geminijevo generiranje slik, zapisal: „Naše prilagajanje, s katerim smo želeli zagotoviti, da Gemini prikazuje raznolik nabor ljudi, ni upoštevalo primerov, kjer raznolikost očitno ni bila primerna.“ Ko torej učenec natipka „zdravnik“ in se prikaže ženska, slika sama ne ponuja nobenega namiga, katera plast jo je ustvarila. Ta negotovost ni napaka učne ure. Je nauk sam. Stara zgodba je trdila, da stroj preprosto vpije predsodke družbe. Nova zgodba seže globlje in traja dlje: podjetje je sprejelo odločitev! Te odločitve v rezultatu ne morete opaziti, in lahko se spremeni kar v torek, tiho, brez opozorila. Ta resnica preživi vsak nov model. Lekcija o stereotipih zbledi. To je lekcija, ki si zasluži pozornost učencev in bo preživela naslednjo posodobitev modela: slika ni preprost odsev resničnosti in ni nastala po naključju. Nekdo je sprejel odločitev. Slika 2: „Zakaj je slika, ustvarjena na podlagi poziva, kot je ‘nariši zdravnika’, videti tako, kot je videti, in zakaj vam slika sama tega ne bo povedala“ (slika, ustvarjena z UI, NanoBanana 2) To lekcijo je mogoče začeti zgodaj. Ko je 209 finskih učencev v 12 razredih, 6. in 7. razreda, raziskovalo to temo, se je delež tistih, ki so lahko pristranskost pojasnili s podatki, povečal s približno 7 od 100 na 44 od 100. Poštena zadržanost: raziskava je merila, kaj so otroci znali pojasniti, ne pa, kaj bi kasneje dejansko storili. „Pristranskost ni značilna le za UI. Tudi učbeniki so lahko pristranski. Pomembno je vedeti za naključje, za podatke, ki stojijo za odgovorom, in za morebitna izkrivljanja.“ Pojdite globlje. Vartiainen, H., Kahila, J., Tedre, M., López-Pernas, S., & Pope, N. (2025). Enhancing children's understanding of algorithmic biases in and with text-to-image generative AI. New Media & Society, 27(9), 5342–5368. Prosto dostopno, DOI 10.1177/14614448241252820. Raziskava ni imela primerjalne skupine – berite jo kot obetaven primer zasnove pouka, ne kot dokaz. Weinmann, H., Messingschlager, T. V., & Appel, M. (2026). Gender bias in text-to-image generative artificial intelligence: Neglect and stereotypical presentations across three popular platforms. New Media & Society. Online first. Prosto dostopno, DOI 10.1177/14614448261435197. Ali, R., et al. (2024). Demographic representation in 3 leading artificial intelligence text-to-image generators. JAMA Surgery, 159(1), 87–95. DOI 10.1001/jamasurg.2023.5695. Izjave samih ponudnikov: OpenAI (2022), Reducing bias and improving safety in DALL·E 2; Depue, W. (2023), What’s new with DALL·E 3?, OpenAI Cookbook; Raghavan, P. (2024), Gemini image generation got it wrong. We’ll do better, Google. Kako zanesljivi so trenutno raziskovalni izsledki o potencialih UI? Najpomembneje. Če vam nekdo navede raziskavo, pred strinjanjem postavite dve vprašanji: „Kdo so bili učenci in kako dolgo je raziskava trajala?“ Zakaj je to pomembno. Leta 2025 je metaanaliza 51 raziskav poročala o veliki koristi ChatGPT za učno uspešnost učencev. Članek so prebrali stotisočkrat in je služil kot podlaga za številne samozavestne trditve v zbornicah. 22. aprila 2026 je revija članek umaknila. Umik pomeni, da revija uradno prekliče nekaj, kar je objavila; članek ostane viden, označen z opombo „UMAKNJENO“, tako da lahko vsak, ki ga je citiral, to prepozna. Dva raziskovalca, ki pri raziskavi nista sodelovala, sta v analizi odkrila neskladja. Urednik revije je zapisal, da težave „spodkopavajo urednikovo zaupanje v veljavnost analize“. Avtorji na dopisovanje o tej zadevi niso odgovorili. To ne pomeni, da UI nima učinka. Obstajajo verodostojne raziskave, ki dokazujejo zmerne koristi. To raziskovalno področje prav tako še ni dobro opredeljeno, saj je razmeroma novo in zelo dinamično. Pomeni pa, da je bila pogosto navajana številka napačna in da je bilo za to potrebno leto dni in dva zunanja strokovnjaka. Omeniti velja še en pridržek. Vsaj pri matematiki velja: bliže ko so dokazi šoli, manjši je učinek. Med predmeti je slika mešana: nekateri novejši pregledi ugotavljajo večje učinke v šolah kot na univerzah – vendar je šolskih raziskav še malo in so majhne. Pojdite globlje. Sam umik je dolg eno stran, prosto dostopen, in vreden branja prav zato, ker je kratek: Wang, J., & Fan, W. (2026). Retraction note: The effect of ChatGPT on students' learning performance, learning perception, and higher-order thinking. Humanities and Social Sciences Communications, 13, 528. DOI 10.1057/s41599-026-07310-z. Umaknjeni izvirnik je bil HSSC 12, 621 (2025). Še vedno velja: Wu, X., Zhu, P., Zhang, J., Yin, M., & Wang, Y. (2026). ChatGPT's impact on student learning outcomes: A meta-analysis of 35 experimental studies. Humanities and Social Sciences Communications, 13, 684. Prosto dostopno, DOI 10.1057/s41599-026-07019-z. Številka, ki velja samo za šole, za matematiko: Yi, L., Liu, D., Jiang, T., & Xian, Y. (2025). The effectiveness of AI on K-12 students' mathematics learning: A systematic review and meta-analysis. International Journal of Science and Mathematics Education, 23(4), 1105–1126. DOI 10.1007/s10763-024-10499-7. Širša, novejša združena analiza: Han, X., Peng, H., & Liu, M. (2025). The impact of GenAI on learning outcomes: A systematic review and meta-analysis of experimental studies. Educational Research Review, 48, 100714. DOI 10.1016/j.edurev.2025.100714. Tveganja UI (1) Nekaj narediti ni isto kot se nekaj naučiti Predstavljajte si tole. Preden zadate domačo nalogo, ki jo lahko opravi klepetalnik, premislite, kakšen je namen naloge. Morda bi bilo smiselno nalogo spremeniti? Zakaj je to pomembno. Se z klepetalnikom učite hitreje? Približno tisoč učencev od 9. do 11. razreda je vadilo matematiko v treh skupinah: ena je uporabljala standardnega klepetalnika, druga različico, programirano tako, da je zadrževala odgovor in namesto tega postavljala dodatna vprašanja, tretja pa klepetalnika ni uporabljala. Med uporabo klepetalnika je skupina s standardnim klepetalnikom opravila 48 odstotkov več vaj kot skupina brez njega. Nato so vsi opravljali isti izpit brez klepetalnika. Rezultat, ki se je sprva zdel presenetljiv, je bil, da je skupina s standardnim klepetalnikom dosegla 17 odstotkov slabše rezultate kot učenci, ki klepetalnika niso uporabljali. Skupina, ki je delala s klepetalnikom, ki je zadrževal odgovor, pri testu ni izkazala upada uspešnosti v primerjavi s skupino brez klepetalnika, a je vadila več. Učenci, ki so uporabljali standardnega klepetalnika, niso bili niti leni niti niso goljufali. Trudili so se bolj, naučili pa so se manj, ker orodje ni odpravilo truda, temveč miselni izziv, ki predstavlja učenje. „Z UI je zelo lahko priti do rešitve, ne da bi jo razumeli.“ Pojdite globlje. Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. PNAS, 122, e2422633122. DOI 10.1073/pnas.2422633122. (2) Detektorji UI kaznujejo napačne učence Predstavljajte si tole. V ocenjevanje prejmete učenčev esej. Zanima vas njegova pristnost, zato ga vnesete v detektor UI. Rezultat se izpiše: esej je bil skoraj zagotovo napisan z UI. Zakaj je to pomembno. Detektor UI uporabljate zato, da zagotovite pravičnost, vendar imajo detektorji za določeno skupino ravno nasproten učinek. Detektor ne prepozna besedila, ki ga je ustvaril stroj. Meri, kako predvidljivo je besedilo. In prav v tem je težava, na primer, kadar učenec piše v tujem jeziku, je pri pisanju neizurjen ali ima omejen vsakdanji besedni zaklad. Njegovo pisanje je predvidljivo. Ko je sedem razširjenih detektorjev analiziralo 91 esejev, ki so jih za izpit iz angleščine TOEFL napisali govorci, katerih materni jezik ni angleščina – zbrani so bili na kitajskem spletnem forumu –, so jih v približno šestih od desetih primerov napačno označili kot ustvarjene s strojem. Eseji ameriških učencev 8. razreda, ki so pisali v svojem maternem jeziku, angleščini, so bili skoraj vsi pravilno razvrščeni. Orodje, ki sproža lažne pozitivne rezultate točno za eno skupino, ni nevtralno. Poleg tega je ta skupina najmanj sposobna, da se brani. Pojdite globlje. Liang, W., Yuksekgonul, M., Mao, Y., Wu, E., & Zou, J. (2023). GPT detectors are biased against non-native English writers. Patterns, 4(7), 100779. Prosto dostopno, DOI 10.1016/j.patter.2023.100779. (3) Kam za vraga gredo podatki učencev? Predstavljajte si tole. Uporabljate orodje UI, ki ga ponuja vaša šola. Poskusite ugotoviti, kam gredo podatki učencev. Zakaj je to pomembno. Ali lahko vaša šola zagotovi, da podatki niso posredovani tretji osebi? Tretja oseba je podjetje, ki ni niti vaša šola niti razvijalec aplikacije. Običajno so to oglaševalska ali analitična podjetja, ki prejemajo podatke, medtem ko učenec dela. Nihče v šoli tega podjetja ni izbral. Ko so raziskovalci izvedli tehnično analizo 163 učnih izdelkov, ki so jih vlade priporočale med šolskimi zaprtji zaradi pandemije, je 145 od njih obdelovalo podatke otrok na način, ki je ogrožal ali kršil njihove pravice, tako da so podatke posredovali 196 tretjim podjetjem ali jim omogočili dostop do njih, večinoma iz oglaševalske panoge. Od 42 vlad, ki so razvile lastne izdelke namesto nakupa, jih je 39 razvilo izdelke z enako težavo. Raziskava zajema izdelke iz leta 2021, nekateri so se morda od takrat spremenili. Vendar ne moremo izključiti, da enako velja tudi za aplikacije UI. Pojdite globlje. Human Rights Watch (2022). „How dare they peep into my private life?“: Children's rights violations by governments that endorsed online learning during the Covid-19 pandemic. Prosto dostopno na hrw.org. Državne priloge omogočajo vpogled v to, kaj je bilo kje priporočeno. (4) UI pride nazadnje tja, kjer je najbolj potrebna Predstavljajte si tole. Koliko usposabljanja ste že prejeli o učenju o UI ali predmetno specifičnem poučevanju z UI? Zakaj je to pomembno. V enem eksperimentu so odrasli z univerzitetno izobrazbo in brez nje reševali poslovno nalogo, podobno delovnim nalogam. Z UI-asistentom je izginilo približno tri četrtine vrzeli med obema skupinama. Ko so raziskovalci nato asistenta umaknili, se je precejšen del vrzeli vrnil. Avtorji sklepajo, da je UI opravila velik del dela in da je le del izboljšanja ostal, ko je ni bilo več. Anketa med ameriškimi ravnatelji šol dopolnjuje drugo polovico slike: bolj ko so bili učenci šole socialno-ekonomsko prikrajšani, manj je šola storila za vključevanje UI – manj pravil, manj usposabljanj za učitelje, manj usmeritev za uporabo s strani učencev. Gre za povezanost, ne za dokaz vzročnosti. Če povzamemo: dobro orodje lahko zmanjša vrzel, dokler je v rokah učenca. Vendar praviloma doseže šole, ki ga najmanj potrebujejo, in ko je odstranjeno, ostane le del njegove koristi. Nemški podatki kažejo enak vzorec. Med 1.590 mladimi, starimi od 14 do 20 let, je 80 odstotkov iz najbolj premožnih družin, a le 55 odstotkov iz najmanj premožnih UI videlo kot priložnost za šolo. Uporaba sledi enakemu gradientu: med mladimi, ki uporabljajo orodja UI, jih 70 odstotkov gimnazijcev uporablja za šolo ali domače naloge, v primerjavi s 58 odstotki na drugih srednjih šolah. Kaj pa strokovni razvoj učiteljev? Anketa med več kot deset tisoč učitelji v Angliji je pokazala, da je 45 odstotkov učiteljev na zasebnih šolah že prejelo formalno usposabljanje o UI, v primerjavi z 21 odstotki na javnih šolah. Znotraj javnega sistema se je delež gibal od 26 odstotkov na šolah z najbolj premožnimi učenci do 18 odstotkov na šolah z najmanj premožnimi. Pojdite globlje. Cruces, G., Fernández Meijide, D., Galiani, S., Gálvez, R. H., & Lombardi, M. (2026). Does generative AI narrow education-based productivity gaps? Evidence from a randomized experiment (NBER Working Paper 34851). Delovni članek, še ni recenziran. Campos, C., & Singleton, J. D. (2026). AI diffusion gaps: Unequal integration of AI across K-12 schools (NBER Working Paper 35347). Latham, K., & Montacute, R. (2025). Artificial advantage? AI in the classroom and the inequality gap. The Sutton Trust. Prosto dostopno na suttontrust.com. Vodafone Stiftung Deutschland (2024), Pioniere des Wandels; mpfs (2024), JIM-Studie 2024. Oboje prosto dostopno, v nemščini. (5) Kar se izboljša pri učenju z UI, ni nujno tisto, kar vidite Predstavljajte si tole. V svoje poučevanje uvedete novega klepetalnika, učenci pa so nad uporabo novega orodja navdušeni. Zakaj je to pomembno. Obsežen pregled 228 raziskav je preučil štiri različne stvari, ki bi jih UI lahko izboljšala: poznavanje in razumevanje; uporabo znanja; čustveno-motivacijsko plat, kot sta motivacija in angažiranost; ter sposobnost načrtovanja, spremljanja in popravljanja lastnega učenja. Trije od štirih vidikov so se izboljšali. Zadnji se ni, kolikor so lahko pokazale raziskave. Pri poznavanju in razumevanju je bila generativna UI uspešnejša od starejših oblik UI, kot so inteligentni tutorski sistemi in prilagodljiva vadbena programska oprema. Pri uporabi znanja in pri čustveno-motivacijski plati generativna UI ni bila uspešnejša od starejše programske opreme, ki jo mnoge šole že imajo. Pri samousmerjanju je bil združeni učinek majhen in bi lahko bil naključen – raziskav pa je bilo premalo, da bi lahko sploh ugotavljali, katera vrsta UI bi lahko pomagala. Le peščica rezultatov je izhajala iz randomiziranih preskusov, navdušenje, ki ga vidite v prvih tednih, pa je prav tisto, kar kratke raziskave najbolje zajamejo. Še kratka opomba: v tem pregledu so bila največja izboljšanja ugotovljena na področju umetnosti in humanistike. Pojdite globlje. Yeo, G. H., & Lansford, J. E. (2025). Effects of artificial intelligence on educational functioning: A review and meta-analysis. Educational Psychology Review, 37(4), članek 110. DOI 10.1007/s10648-025-10085-5. 1.2 Poučevanje o UI in poučevanje z UI Ključno sporočilo UI je sistem za navigacijo (satnav). UI lahko reši voznika, ki že nosi zemljevid v glavi, in prepreči učenje tistemu, ki ga nima. Učinek je odvisen od osebe, ne od izdelka. Menimo, da je poučevanje o UI predpogoj za poučevanje z UI. Stroj morate poznati, da lahko preverite odgovor, ki ga je ustvaril. Vedeti ni isto kot znati narediti. Učitelji svoje znanje o UI ocenjujejo višje kot svojo sposobnost poučevanja z njo, samo usposabljanje pa te vrzeli ne zapre. Učitelji UI uporabljajo za kulisami, ne pri pouku. V Nemčiji polovica učiteljev UI uporablja večkrat na mesec ali pogosteje; od teh jih manj kot tretjina pusti učencem, da z njo delajo pri pouku. Pedagogika premaga tehnologijo. Uporaba UI za predelavo in nadgradnjo lastnega dela je boljša od uporabe zgolj za vadbo ali iskanje informacij; delo v skupinah je boljše od dela posameznika; povratna informacija je boljša od igrifikacije. Boljša povratna informacija ni boljše učenje. V enem poskusu so komentarji UI, ocenjeni kot boljši od učiteljevih, vodili do popravkov, ki niso bili nič boljši. Odločilno je, ali je povratna informacija dejansko upoštevana. UI poveča obseg dela, ne pa samostojnega učenja. Jasna pravila in intenzivna uporaba se pojavljajo skupaj. V veliki ameriški anketi je na šolah s politiko UI več učiteljev uporabljalo UI – in so tako skupno prihranili več časa, ne manj. Varujte svoj lastni zemljevid. Razbremenitev postane izguba spretnosti tam, kjer UI prevzame delo, ki gradi in ohranja presojo. Če si zapomnite le en stavek s te strani: UI je sistem za navigacijo. Reši voznika, ki v glavi že ima zemljevid, in tiho ustavi tistega, ki ga nima, da bi ga sploh kdaj zgradil. Problem navigacijske naprave Da bi lahko vozili londonski taksi, morate najprej opraviti preizkus znanja: 320 določenih poti po 113 kvadratnih miljah v obsegu šestih milj od Charing Crossa, za kar Transport for London dovoljuje do dve leti priprav, še preden se izpiti sploh začnejo. Tudi izprašani vozniki uporabljajo navigacijsko napravo, in nihče jih zaradi tega ne ceni manj. Preizkus znanja ni postal ničvreden, ko se je pojavila naprava. Navigacijska naprava je postala tisto, kar vožnjo naredi varno. Voznica, ki ima mesto v glavi, napravo uporablja za tisto, česar ne more vedeti: nesreča na mostu ali nocojšnji promet. In opazi, kadar jo napoti po ulici, ki so jo od aprila razkopali. Zdaj v isti taksi z isto napravo posadite novinko. Prispe na vsak naslov. Nekaj časa je od izkušene voznice neločljiva. A s sledenjem navodilom naprave ne gradi ničesar. Po letu dni zavijanja levo, kadar ji je bilo tako naročeno, mesta še vedno ne zna prečkati brez naprave in ne prepozna, kdaj se ta zmoti. Slika 1: „Izid je odvisen od voznika“ (slika, ustvarjena z UI, Google Gemini) Na levi strani se vožnja začne z zemljevidom v glavi. Navigacijska naprava doda tisto, česar voznica ne more vedeti. Temu pravimo „koristna razbremenitev“. Na desni voznica zemljevida v glavi nima. Naprava je zanjo edina orientacija. Temu pravimo „škodljiva razbremenitev“. Ista naprava, dve voznici, nasprotna izida. Razlika nikoli ni bila v napravi. Ne govorimo le o sliki. Raziskave med vozniki kažejo, da ljudje, ki se močno zanašajo na navigacijsko napravo, oblikujejo slabši miselni zemljevid svoje okolice. Triletna raziskava je pokazala, da je pogostejša uporaba povezana z izrazitejšim upadom prostorskega spomina. Psihologi pa že dve desetletji vedo, da lahko ista podpora, ki pomaga začetniku, ovira nekoga, ki snov že obvlada. Velja tudi obratno. Učinek orodja UI je veliko bolj odvisen od tega, kar uporabnik že ve, kot od samega orodja. Temu raziskovalci pravijo shema – urejeno predznanje osebe. Kjer je vzpostavljena, prepustitev dela stroju sprosti vaš čas. Raziskovalci temu pravijo koristna kognitivna razbremenitev. Kadar pa se znanje šele mora razviti, isti proces lahko prepreči, da bi sploh nastalo. Temu pravijo škodljiva kognitivna razbremenitev. Raziskava s približno tisoč srednješolci to pokaže pri pouku matematike. Ena skupina je vadila z neomejenim klepetalnikom, druga brez njega. Dokler ga je imela na voljo, je skupina s klepetalnikom pri vadbenih nalogah dosegla 48 % boljši rezultat. Nato je sledil izpit brez klepetalnika. Zdaj so isti učenci, ki so tako uspešno reševali vadbene naloge, dosegli 17 % slabši rezultat kot skupina, ki UI klepetalnika nikoli ni uporabljala. Tretja skupina je uporabljala različico UI, zasnovano tako, da je zadrževala odgovore in namesto tega postavljala vprašanja. Ta skupina ni izgubila ničesar. Prav ta tretja skupina je bistvo celotnega vprašanja zasnove. Navigacijska naprava, ki poimenuje cilj in vam pomaga najti pot, vas nauči mesta. Naprava, ki reče 'čez 200 metrov zavijte levo', pa tega ne naredi, ne glede na to, kako dobri so njeni podatki. Raziskovalci tej razliki pravijo zaščitni mehanizmi (guardrails), in prav zasnova odloča, ali svojim učencem pomagate spoznati zemljevid mesta ali le najti cilj. Prosimo, ne pozabite: vi imate znanje. Vaši učenci ga pri predmetu, ki ga poučujete, še nimajo. Ta asimetrija je bistvo celotnega poglavja. „Orodja, po katerih učenci trenutno posegajo, so narejena za reševanje problemov, ne za poučevanje, in to je trenutno osrednja težava pri mojem delu.“ Dve nadstropji, ne dve temi V akademski literaturi ta dva področja veljata za ločeni disciplini. Predstavljajte si ju lahko kot dve nadstropji stavbe, pri čemer je večina učiteljev v pritličju, stopnišča do prvega nadstropja pa ni. V raziskavi z 90 učitelji bavarskih poklicnih šol, ki so se prijavili na usposabljanje o UI, so učitelji svoje znanje o UI v povprečju ocenili s 3,4 od 5, svojo sposobnost uporabe pri pouku pa precej nižje, z 2,6. Vedeti in delati sta se ločila. Preskus v petih evropskih državah je nato preveril, ali lahko usposabljanje to vrzel zapre. Sodelovalo je 736 učiteljev iz Francije, Irske, Italije, Luksemburga in Slovenije. Učitelje so razdelili v dve skupini. Ena skupina je med preskusom prejela spletni tečaj in podporo, druga pa isti spletni tečaj po koncu preskusa. Rezultati so pokazali, da sta se znanje in sposobnost presoje, kaj orodje zmore, povečala. Vendar se v večini držav redna uporaba UI pri pouku ni spremenila: učitelji so orodja preizkusili in se nato vrnili k temu, kar so počeli prej. To je vrzel med znanjem in dejanjem. Tečaji ustvarijo znanje, a sprememba prakse potrebuje spremljanje, preizkušanje in sodelavce, s katerimi lahko razmišljate. Prenos znanja je treba načrtovati, ne le upati nanj. „Edina pomanjkljivost tega webinarja je, da tega ne moremo neposredno preizkusiti.“ Kaj učitelji dejansko počnejo Najbolj trdna ugotovitev v vseh državah je tiho presenetljiva: učitelji UI intenzivno uporabljajo zase, s svojimi učenci pa skoraj nič. V Nemčiji 52 % učiteljev orodja UI uporablja večkrat na mesec ali pogosteje. Toda med tistimi, ki UI uporabljajo, jih le 29 % pusti učencem, da z njo delajo pri pouku. Javna razprava o ‘UI pri pouku’ je torej v veliki meri razprava o nečem, kar se v velikem obsegu še sploh ne dogaja. Slika 2: „Razlika med uporabo UI za pripravo in uporabo pri pouku“ (slika, ustvarjena z UI, Google Gemini) Kar se dogaja, je razbremenitev dela, in tu so novice dobre. V preskusu v Angliji je 259 učiteljev na 68 šolah prejelo ChatGPT in vodnik za pripravo naravoslovnih ur za učence, stare od 11 do 13 let. Za pripravo so porabili približno 56 minut na teden, v primerjavi z 81 v primerjalni skupini. Neodvisni ocenjevalci, ki niso vedeli, iz katere skupine je posamezna ura, niso našli dokazov o razliki v kakovosti. V veliki ameriški anketi so učitelji, ki UI uporabljajo vsaj enkrat na teden, ocenili, da prihranijo skoraj šest ur na teden – to je njihova lastna ocena, ne meritev. En vzorec si zasluži postanek. V isti ameriški anketi je na šolah s politiko UI več učiteljev uporabljalo UI – sedem od desetih v primerjavi s šestimi od desetih – in so tako skupno prihranili približno četrtino več učiteljevega časa. Pri posameznem učitelju, ki UI uporablja vsak teden, je bila razlika majhna. To je pripoved učiteljev samih, ne meritev, in anketa ne more pokazati, v katero smer teče vzročnost: dobro organizirane šole morda preprosto dobro obvladajo obe stvari. Vendar je to nasprotje tistega, kar večina pričakuje – jasna pravila in intenzivna uporaba se pojavljajo skupaj, ne v nasprotju. 1.4 Skladna uporaba UI „Pomembno je, da je to dopolnilo, nikakor pa ne smemo pustiti, da ChatGPT vodi celotno uro.“ Zakaj orodje ni bistvo Če ste želeli lestvico najboljših orodij UI, vas bodo raziskave razočarale – nato pa vas bodo ob ponovnem branju osvobodile. Ko raziskovalci združijo številne posamezne raziskave in vprašajo, kaj ločuje razrede, kjer je UI zelo pomagala, od tistih, kjer je pomagala komaj kaj, odgovor nikoli ni znamka programske opreme. Je to, kaj so učenci z njo počeli. Naslednje alineje povzemajo pomembne raziskovalne izsledke. Vendar vsi izsledki temeljijo le na nekaj raziskavah. Pri matematiki so učenci, ki so UI uporabili za predelavo rešitve ali nadgradnjo lastnega poskusa, pridobili približno dva in pol krat več kot učenci, ki so jo uporabljali le kot pomoč pri običajnih nalogah, kot sta vadba ali preverjanje odgovorov. Učenci, ki so UI uporabljali skupaj v skupinah, so pridobili približno 70 % več kot tisti, ki so jo uporabljali sami. Kjer so UI uporabili za povratno informacijo o delu učencev, je bil napredek med največjimi. Uporaba UI za igrifikacijo pouka je prinesla premajhen napredek, da bi ga lahko šteli za dokazanega. Pedagogika je pomembnejša od uporabljene tehnologije. Kjer so raziskovalci razvrstili raziskave glede na to, kaj so učenci dejansko počeli, je bila dejavnost pomembnejša od orodja. Zanimivo je, da so enak vzorec ugotovili tudi pri prejšnji generaciji digitalnih orodij v srednjih šolah. Rezultati so v veliki meri odvisni od tega, ali so bili učitelji za njihovo uporabo usposobljeni. Dobra povratna informacija ni isto kot povratna informacija, ki deluje. V enem poskusu je 70 študentov napisalo argumentativni esej in ga teden dni pozneje popravilo. Naključno so jih razporedili v tri skupine: ena je prejela povratno informacijo izkušenega učitelja, druga od klepetalnika z enostavnim navodilom, tretja pa od istega klepetalnika, ki je bil pozvan, naj esej korak za korakom pretehta. Ocenjeno po istem merilu je klepetalnik s korakom-za-korakom pristopom ustvaril najboljšo povratno informacijo od vseh treh. Bila je boljša od preproste povratne informacije klepetalnika in boljša od učiteljeve. Nato so sledili popravki, in vse tri skupine so napredovale za približno enako mero. Najboljša povratna informacija v raziskavi ni prinesla nič večjega napredka kot najslabše ocenjena. Boljši komentarji niso prinesli boljšega eseja. Ta rezultat izziva pogosto predpostavko, da boljša povratna informacija vodi v boljše učenje. Očitno sama po sebi ne. Povratna informacija nekaj doseže le, če je dejansko upoštevana: prebrana, razumljena, uporabljena, in razumljena dovolj dobro, da bi jo učenec naslednjič znal pravilno uporabiti sam. Ozko grlo je upoštevanje, ne kakovost. Več ni vedno bolje. V drugi raziskavi, s 60 učenci 11. razreda in 240 pisnimi deli, je UI ustvarila veliko več vsebinsko povezanih komentarjev kot učitelji. A učenci so pogosteje upoštevali učiteljeve komentarje. Ko se soočijo s tridesetimi natančnimi popravki, lahko učenec preneha diagnosticirati in začne le razvrščati po prioriteti – ali pa preprosto uboga. Če učenec sledi pravilom, s tem pravzaprav pove, da popravek ni bil potreben. Spet gre za navigacijsko napravo, le na drugi ravni. Da vam res podrobno povratno informacijo, kot „čez 200 metrov zavijte levo“, za lastno pisanje. Kdo to pove, je pomembno. Nismo povsem prepričani, zakaj so učiteljevi komentarji pogosteje upoštevani. To je stvar razlage, ne meritve, a najverjetnejša razlaga je, da je povratna informacija dojeta kot dejanje med ljudmi. Kar pove nekdo, ki ve, kaj ste počeli prejšnje trimesečje in bo videl, kaj boste naredili s tem, je nekaj drugega kot ista poved, ustvarjena na zahtevo. Kaj to pomeni za prakso. Združena analiza raziskav o samodejni povratni informaciji pri pisanju, opravljena še pred obstojem današnjih klepetalnikov, je prišla do podobnih rezultatov. Povratna informacija je dosegla več, kadar so jo morali učenci uporabiti pri novem pisnem izdelku, kot kadar so le popravljali besedilo pred seboj, in več, kadar so jo uporabljali v več srečanjih namesto le enkrat. Pošteno je treba povedati še nekaj: v primerjavi s tem, da povratne informacije sploh ni, povratna informacija UI pomaga. V raziskavi nemške skupine s 459 dijaki višjih razredov srednje šole je povratna informacija, ki jo je ustvarila UI, zmerno izboljšala njihove popravke in njihovo motivacijo. Enaka delitev se pokaže tudi v širšem merilu. Ena skupina je združila 228 raziskav: UI je jasno in dosledno izboljšala to, kar so učenci znali ustvariti, medtem ko je bil kakršen koli napredek pri njihovi sposobnosti načrtovanja, spremljanja in popravljanja lastnega učenja dovolj majhen, da bi lahko bil zgolj naključje. Programiranje to pokaže najbolj ostro. Učenci z UI-asistentom so bili merljivo hitrejši, na koncu pa nič boljši od tistih brez njega. Narediti več in postati boljši nista isto, in UI ju loči. Evropa kot ogledalo Po Evropi se ankete o uporabi UI med učitelji gibljejo od približno devetih od desetih v češkem vzorcu do približno enega od sedmih v Franciji. Ankete se razlikujejo po metodologiji in času izvedbe: češki podatek izhaja iz manjše ankete iz leta 2025 med 317 učitelji in šteje kakršne koli izkušnje z UI, francoski podatek pa izhaja iz mednarodne raziskave OECD o učiteljih TALIS 2024, v kateri je nekaj manj kot polovica čeških učiteljev poročala, da UI uporablja pri poučevanju. Francija je zgradila enega največjih državnih programov UI na celini: prilagodljivo vadbeno programsko opremo za matematiko in francoščino, brezplačno za vsakega učenca v prvem letniku višje srednje šole. Kljub temu francoski učitelji UI uporabljajo redko in le 9 % francoskih učiteljev je prejelo kakršno koli usposabljanje o UI, v primerjavi z 38 % v povprečju držav OECD. Norveška je problem navigacijske naprave zapisala v svojo politiko (vsaj kot priporočilo) na način, kot bi to naredila šola za taksiste: najprej se učiš z zemljevidom, šele nato dodaš napravo. Junija 2026 je Norveška priporočila, naj učenci od 1. do 7. razreda praviloma ne dobijo dostopa do UI. Od 8. do 10. razreda se UI lahko uvaja postopoma in previdno, ko imajo učitelji kompetence, da jo vodijo. V višji srednji šoli naj se učenci naučijo UI uporabljati smotrno. Slepa pega Eno tveganje UI je redko poimenovano, čeprav ga slika prav tako doseže: znanje o zemljevidu londonskega mesta ni trajno. Voznica, ki pet let sledi puščicam, mesta ne ohrani v glavi. Zbledi, in preneha opažati razkopano ulico. Vaše strokovno znanje se ohranja s tem, da počnete prav tiste stvari, ki jih UI najbolje absorbira: pisanje naloge, predvidevanje napačnega razumevanja in oblikovanje razlage. Kjer UI prevzame delo, skozi katero se oblikuje presoja, se razbremenitev spremeni v izgubo spretnosti. V nemškem panelu strokovnjakov za e-učenje jih je 65 od 100 pričakovalo, da bo generativna UI ljudi prikrajšala za pomembne spretnosti, leto prej pa 44. V medicini so učinek že izmerili: potem ko je podpora UI pri kolonoskopiji postala rutina, so zdravniki, ki so delali brez nje, odkrili manj predrakavih sprememb kot prej. Uporabljajte navigacijsko napravo. Le zemljevid obdržite. 1.3 Odgovorna uporaba UI Ključno sporočilo Odgovornost je naloga zasnove, ne naloga nadzora. Zaznavanje UI ne deluje zanesljivo. In zaznavanje UI je nepravično, kadar odpove. Detektorji človeško delo napačno označijo kot napisano z UI, delo, napisano z UI, pa spregledajo. Šolske oblasti v Franciji in na Nizozemskem odsvetujejo njihovo uporabo. Samozavestno izmišljanje in podedovana pristranskost izhajata iz tega, kako so ti sistemi zgrajeni in ocenjeni. Posledica bi morala biti: poučevati o tem, namesto čakati na popravek. Delovno načelo je: najprej razmisli, nato UI. Zavezanost lastnemu odgovoru je boljša od razlage stroja, vgrajevanje omejitev v programsko opremo pa odpravi škodo, ki jo povzroča neomejen dostop. Zgolj navodila v pozivu ne zagotavljajo, da bo klepetalnik upošteval omejitve. Klepetalnik, ki naj bi deloval kot tutor, se nagiba k temu, da znova začne kar sam podajati odgovore, zato je zanesljiva omejitev bolj vprašanje nakupa kot pozivov. Ojačanje razlik je privzeto stanje; izenačevanje je treba zgraditi iz dostopa, zasnove in podpore (scaffolding) skupaj. Najbolj redek, a najpomembnejši od teh treh pogojev je usposobljen učitelj. Vključevanje je najjasnejša korist, in tam učitelji sami vidijo najmočnejši argument. Če si zapomnite le en stavek s te strani: Jezovi se rušijo. Naučite se plavati. Bralni dnevnik, drugi pogled Nazaj k našemu devetošolcu in njegovemu sumljivo dodelanemu bralnemu dnevniku. Nagon je skoraj univerzalen, in to je nagon dobrega učitelja: ugotoviti, ali je uporabil UI. Zgraditi boljši jez. To poglavje pojasnjuje, zakaj ta nagon sam po sebi ne pripelje nikamor. Prišli bomo do tega, kaj deluje namesto tega. Začnimo z neprijetnim delom. Učitelji ne znajo zanesljivo ločiti besedila UI od besedila učenca. V dveh raziskavah nemške skupine so 89 učiteljem pripravnikom in 200 izkušenim učiteljem dali mešanico učenčevih esejev in esejev klepetalnika ter jih prosili, naj jih razvrstijo. Nobena skupina tega ni zmogla zanesljivo, a obe skupini sta bili prepričani, da to zmoreta. Izkušnje so pomagale le malo: izkušeni učitelji so še vedno spregledali večino besedil UI. Na neki britanski univerzi so raziskovalci prek običajnih poti, ne da bi obvestili ocenjevalce, pri resničnih nenadzorovanih spletnih izpitih oddali odgovore, ustvarjene s klepetalnikom. „Lahko jo uporabiš, vendar moraš rezultat znati pojasniti s svojimi besedami.“ Detektor, ki kaznuje napačne učence Raziskovalci so preizkusili sedem najbolj razširjenih detektorjev UI na TOEFL esejih, ki so jih napisali ljudje, ki se učijo angleščine kot tujega jezika, zbranih na kitajskem spletnem forumu. Poleg njih so preizkusili eseje ameriških osmošolcev, ki jim je angleščina materni jezik. Delo naravnih govorcev je bilo skoraj vedno pravilno razvrščeno. Od esejev v tujem jeziku pa je bilo napačno označenih kot strojno napisanih več kot šest od desetih. Mehanizem ni skrivnosten. Mnoga od teh orodij ne zaznavajo dela velikih jezikovnih modelov. Orodja merijo predvidljivost. Besedilo, ki uporablja pogoste besede v pričakovanem vrstnem redu, je ocenjeno kot umetno. Tisti, ki pišejo v drugem jeziku, z manjšim besediščem in bolj togo stavčno strukturo, lahko ustvarijo natanko tak signal. Detektorji, naučeni za en določen test, in raziskave v drugih jezikih sicer kažejo manjše razlike. Vendar do zdaj na trgu ni detektorjev, ki bi bili dovolj zanesljivi, da bi koga lahko obtožili namernega zavajanja. Napake orodja sistematično padejo na tiste učence, ki že tako nosijo največ bremena. Institucije so to preračunale. Univerza Vanderbilt je opozorila, da bi tako orodje, tudi če bi se zmotilo le v 1 % primerov, med njenimi 75.000 oddanimi deli na leto vseeno napačno označilo približno 750 izdelkov. Zato so ga izklopili. Vodnik, ki so ga raziskovalci pripravili za nemško zvezno ministrstvo za izobraževanje, je nedvoumen: tehnologija „ni dovolj zanesljiva, da bi zagotavljala pravno varen dokaz“. Neodvisni evropski preizkus štirinajstih detektorjev je prišel do enake sodbe: „niti natančni niti zanesljivi“. Velik del Evrope o tem ne razpravlja več. Francosko ministrstvo za izobraževanje in francoski organ za varstvo podatkov šolam odsvetujeta uporabo detektorjev, agencija za IKT Kennisnet na Nizozemskem pa jih označuje kot zelo nezanesljive. V visokem šolstvu posamezne univerze, kot je ZHAW v Zürichu, prepovedujejo njihovo uporabo pri ocenjevanju. V Angliji izpitni odbori dovoljujejo programsko opremo za zaznavanje le kot en element presoje, ki ostaja v rokah učitelja, ki „svoje učence pozna najbolje“. Velja si zapomniti tudi vidik varstva podatkov: vnos učenčevega dela v spletno orodje pomeni obdelavo njegovih osebnih podatkov. Za to sta potrebna pravna podlaga in pogodba s ponudnikom. → 1.4 Skladna uporaba UI Zdi se, da je panika zaradi goljufanja tanjša od hrupa okoli nje. Raziskovalci so anketirali učence na treh ameriških srednjih šolah pred obstojem ChatGPT in znova po tem. Goljufanje je v veliki meri ostalo na isti ravni. Nadaljnja anketa med več kot 4.000 učenci na šestih drugih ameriških srednjih šolah leto pozneje je pokazala enako. Pravo vprašanje nikoli ni bilo: „Kako ga zalotim?“ Je: kaj domača naloga sploh še meri, ko je njen izdelek mogoče ustvariti na zahtevo? „Sprva sem to videl kot goljufanje. Zdaj to vidim kot znak, da se mora spremeniti naloga sama.“ Dve stvari, ki ju ne bo mogoče preprosto popraviti, zato ju je treba poučevati Samozavestno izmišljanje je vgrajeno. Ti sistemi ustvarjajo verjetna nadaljevanja besedila, verjetno pa ni isto kot resnično. Pregledi raziskav se strinjajo, da nobena tehnika problema doslej ni odpravila, čeprav ga je mogoče zmanjšati in deloma zaznati. Razlog je v tem, da standardni testi, s katerimi ocenjujemo velike jezikovne modele, nagrajujejo samozavestno ugibanje bolj kot priznavanje negotovosti, zato bo, dokler jih merimo na ta način, ostala določena stopnja tekoče, dobro oblikovane neresnice. Tudi nagnjenja v učnem gradivu so vgrajena. Poleg tega se z izboljševanjem modelov ne zmanjšujejo. Evropska raziskava spolnih stereotipov v različnih jezikih je ugotovila, da večji modeli, tudi po dodatnem urjenju, namenjenem temu, da bi bili varnejši in pravičnejši, včasih stereotipizirajo bolj, ne manj. Če lastnosti ni mogoče tehnično odpraviti, postane del učnega načrta. In to je mogoče poučevati: v enem finskem programu se je delež učencev, ki so znali pojasniti, od kod izvira pristranskost generatorja slik, povečal s 7 % na 44 %. Posledica za poučevanje mora biti urjenje analize napak namesto izogibanja napakam. Z drugimi besedami: napake stroja postanejo učna snov. „Naj učenec preveri rešitev klepetalnika, kot da bi bil učitelj. Z iskanjem napak se končno nauči metode.“ Kaj deluje: zasnova, ne nadzor Dokazi kažejo na eno preprosto načelo, ki si ga je lahko zapomniti: najprej razmisli, nato UI. Uporabnik naj najprej oblikuje lastno odločitev. V poskusu s približno 200 odraslimi so ljudje, ki so morali sprejeti lastno odločitev, preden so videli predlog stroja, redkeje sledili njegovim napačnim predlogom kot tisti, ki so jim pokazali kratko razlago sklepanja stroja. Razlaganje delovanja UI problema ni rešilo. Pomagala je metoda, ki je zahtevala lastno presojo. Zahtevati lastno presojo pomeni prisiliti ljudi k razmišljanju. Ker je razmišljanje naporno, so imeli udeleženci te metode najmanj radi, pomagale pa so največ tistim, ki jim je naporen razmislek že tako v veselje. To je pojav, ki ga vsi poznate kot Matejev učinek: tistim, ki že imajo, bo dano še več. Vgradite omejitve. Klepetalnik iz poglavja 1.2, ki je zadrževal odgovore in namesto tega postavljal vprašanja, je ista zamisel, prenesena v programsko opremo: učenci, ki so ga uporabljali, na izpitu niso izgubili ničesar, medtem ko so tisti z neomejeno različico izgubili precej. Naredite proces viden, namesto da lovite izdelek. Osnutki, delovni zapiski, kratek pogovor o delu. Ti pokažejo, kaj učenec zna, ne da bi moral kdorkoli dokazovati, kaj je dejansko naredil. Danska preizkuša to načelo: na sodelujočih šolah lahko učenci pri pripravi na ustni izpit iz angleščine uporabljajo UI, pisni izpit pa vključuje ročno pisani del brez pripomočkov. Preden se zanesete na to, velja poznati dve omejitvi. Prva: priljubljeni nasvet, naj učitelji klepetalniku preprosto naročijo, naj deluje kot sokratski tutor, morda ne prestane dolgega pogovora. Prvi dokazi iz raziskave s simuliranimi učenci, ki še ni bila recenzirana (oktober 2026), kažejo, da takšni tutorji pod vztrajnim pritiskom znova zdrsnejo v podajanje odgovorov. Zanesljive omejitve je treba vgraditi v sistem, zaradi česar so bolj odločitev o nakupu kot spretnost oblikovanja pozivov. Druga: to, da UI razloži svoje sklepanje, se sliši kot očitna zaščita, a razlage zanesljivo ne preprečijo prevelikega zaupanja. V eni raziskavi niso spremenile tega, koliko so ljudje sprejemali napačne nasvete, prezahtevne ali preveč poenostavljene razlage pa lahko celo povečajo neupravičeno zaupanje. Razlaga je le pogoj za učenje. Odnos: dva načina odpovedi, ne le eden Skrbi nas, da učitelji preveč zaupajo UI. Vendar bi nas moralo enako skrbeti tudi obratno. Tudi izkušeni ljudje se lahko ujamejo v past prevelikega zaupanja. V manjšem pilotnem projektu na ameriških šolah so štirje od desetih anketiranih učiteljev povratne informacije orodja UI za ocenjevanje ocenili kot neuporabne, večinoma nejasne ali celo napačne. Raziskave o pristranskosti avtomatizacije kažejo, da ljudje predlogu stroja radi sledijo, tudi kadar imajo razlog za dvom. Opaziti napako in jo popraviti sta različna koraka. Nasproten pol je prikrivanje. Učitelji svojo lastno uporabo UI skrivajo pred sodelavci in učenci ter jim prepovedujejo tisto, kar sami počnejo: 77 % jo zasebno uporablja, 57 % pa jih pravi, da je učenci nikoli ne bi smeli uporabiti za ustvarjanje idej. Medtem je raziskava akademsko sposobnih učencev od 6. do 8. razreda pokazala, da med tretjino in dvema petinama že pravi, da UI ve več kot njihovi učitelji. Poklic, ki skriva svoje prakse, ne more biti zgled odgovorne prakse, in preglednost ni le vljudnost. Je mehanizem, po katerem deluje učenje z zgledom. Ali UI izenačuje razmere ali jih nagiba? Pri delovnih nalogah UI izenačuje razlike. V enem poskusu so udeleženci z višjo izobrazbo dosegli bistveno boljše rezultate kot tisti z nižjo izobrazbo. Z UI-asistentom je izginilo približno tri četrtine te vrzeli. Ko so asistenta znova odvzeli, se je precejšen del vrzeli vrnil. UI je zaprla vrzel v izdelku, ne vrzeli v sposobnosti. Pri učnih nalogah je ravno obratno. Ena raziskava ni odkrila nobene povprečne koristi, temveč se je razlika med učenci, ki so že veliko znali, in tistimi, ki niso, celo povečala. Druga je preučevala učence, ki pišejo v tujem jeziku: šibkejši pisci so od UI prejeli več popravkov in jih uspešno upoštevali manj, mnogim pa je poplava povratnih informacij vzela voljo. Povratna informacija brez sposobnosti, da bi jo razvrstili, ne pomaga; zasuje. Vrzel obstaja tudi, preden kdorkoli sploh seže po orodju. V Nemčiji 80 % učencev iz najbolj premožnih družin UI vidi kot priložnost, v primerjavi s 55 % iz najmanj premožnih. V Britaniji razkol poteka skozi zbornico, ne skozi omaro z napravami: 45 % učiteljev na zasebnih šolah je bilo formalno usposobljenih za uporabo UI, v primerjavi z 21 % na javnih šolah. Znotraj javnega sektorja bogatejše šole spet prehitevajo revnejše. Anketa iz leta 2026 med več kot 25.000 otroki v 17 evropskih državah odkrije enak družbeni razkol v tem, koliko in kako raznoliko uporabljajo UI. Stavek nekega komentatorja zajame celoten problem bolje kot katerakoli številka: „bogati imajo dostop tako do tehnologije kot do ljudi, ki jim pomagajo pri njeni uporabi, revni pa imajo dostop le do tehnologije.“ Ozko grlo je torej, ali ima učenec dostop do učitelja, ki je bil usposobljen. UI kompenzira, kadar se hkrati izpolnijo tri pogoji: zanesljiv dostop, orodje, zasnovano za učenje in ne za dajanje odgovorov, ter učitelj, ki podpira njegovo uporabo. Odstranite katerega koli od njih, in namesto izenačevanja pride do ojačanja razlik. Ker so vsi trije pogoji ponavadi prisotni na istih šolah in odsotni na istih šolah, je ojačanje privzeto stanje, izenačevanje pa je nekaj, kar je treba zgraditi. 1.4 Skladna uporaba UI Izjava o omejitvi odgovornosti: To poglavje smo skrbno raziskali, vendar je pravo na področju UI področje, ki se hitro spreminja. Pravila so se od objave morda spremenila, zato vedno preverite aktualno pravno stanje in se po potrebi prilagodite nacionalni zakonodaji. To poglavje ne predstavlja pravnega nasveta. Ključno sporočilo Pravne praznine ni. Zakonodaja o varstvu podatkov je veljala ves čas. Roki za začetek uporabe določb so se spremenili. Obveznosti za visokotvegano UI v izobraževanju se začnejo 2. decembra 2027, ne avgusta 2026. Preverite gradiva svoje šole (glejte tudi 1.6). Že zavezujoče od februarja 2025. Sistemi, ki čustva učencev razbirajo iz obraza ali glasu, so prepovedani, šole, ki uporabljajo UI, pa morajo sprejeti ukrepe za razvoj pismenosti svojega osebja na področju UI. Od avgusta 2026 morajo klepetalniki povedati, da so UI, globoki ponaredki (deepfakes) pa morajo biti označeni. Najzahtevnejša plast je varstvo podatkov. Brez osebnih podatkov o učencih brez pogodbe, ki izključuje urjenje modela na vaših vnosih; privolitev običajno ne zadošča; brisanje imen ni anonimizacija. Pri avtorskih pravicah je problem nalaganje. Izjema za poučevanje ne zajema vnašanja zaščitenih del v UI. Detektorji ne zdržijo kot dokaz. Sodišča so sprejela sklepe, izpeljane iz konkretnih dejstev. Pravila morajo biti jasna vnaprej, zahteva po razkritju pa je boljša od prepovedi. Ocene ostajajo v rokah ljudi. Za nas je to očitno, a vredno je poudariti, da zgolj formalna potrditev predloga UI ni človeška odločitev. Odgovornost je pri nabavi, ne pri vas – skladnost pa omogoča delo. Šole z jasnimi pravili so tiste, katerih učitelji poročajo, da prihranijo največ časa. Če si zapomnite le en stavek s te strani: Skladnost je hiša, ne zid. Kaj smem narediti? Te štiri korake imejte v mislih, preden karkoli vtipkate, prilepite ali naložite. Naslednji pregled uporabite kot splošno vodilo. Zahteve v vaši državi se lahko razlikujejo od tukaj navedenih. Zato vedno preverite predpise, ki veljajo za vašo državo in šolo. Slika 1: „…“ (slika, ustvarjena z UI, …) „Niti nismo prepričani, kaj smemo narediti, še najmanj, ko gre za varstvo podatkov.“ Bralni dnevnik, tretji pogled Naš devetošolec, njegov bralni dnevnik, sum njegove učiteljice. V poglavju 1.2 je šlo za vprašanje učenja; v poglavju 1.3 za strokovno presojo. Tu gre za sodni spis. Decembra 2025 je upravno sodišče v Hamburgu v Nemčiji odločalo o predlogu za nujno pravno varstvo v tej zadevi. Učiteljica angleščine je opazila, da je bil bralni dnevnik glede pravopisa, slovnice in besedišča napisan na precej višji ravni kot dečkov razredni test o isti knjigi. Deček je pozneje priznal, da je uporabil ChatGPT, šola pa je dnevnik ocenila kot poskus zavajanja. Njegov oče je pri sodišču predlagal nujno pravno varstvo; sodišče je predlog zavrnilo. Njegova utemeljitev sega onkraj tega primera: učenci morajo domnevati, da morajo svoje delo opraviti povsem samostojno, razen če je bil kakšen pripomoček izrecno dovoljen – zato neprijavljena uporaba UI šteje za zavajanje tudi brez pisnega pravila proti UI. (V tem primeru je učiteljica razredu dejansko povedala, da ChatGPT ni dovoljen.) Ena opomba, ki jo velja upoštevati že na začetku: gre za odločitev enega samega sodišča v nujnem postopku, ki ni pravnomočna. To je pravi trenutek, da naslovimo najpogostejšo zmoto na tem področju. Pravne praznine ni. Nikoli je ni bilo. Hiša ima tri nadstropja Večina učiteljev si zakonodajo o UI predstavlja kot en sam zid, ki se gradi nekje v Bruslju. Vendar si je bolj koristno predstavljati hišo, v kateri že živite. Temelj je varstvo podatkov. Je nosilen. Postavljen je bil pred leti. Ureja vaš torkovo dopoldne. Zgornje nadstropje je Akt EU o umetni inteligenci, evropski zakon o UI, ki sisteme razvršča glede na njihov potencial za škodo in nalaga strožje obveznosti, višje kot je tveganje. Delno je naseljeno in še vedno v gradnji, rok dokončanja pa je bil pravkar prestavljen. Vrata in okna so avtorsko pravo in izpitno pravo – majhna in specifična, in se jih dnevno dotikamo, ne da bi to opazili. Slika 2: „Skladnost je hiša“ (slika, ustvarjena z UI, …) Pritličje: varstvo podatkov, jasnejše, kot mnogi mislijo Za obdelavo osebnih podatkov nekoga je vedno potrebna pravna podlaga. Kot javni organ šola svojo podlago v bistvu črpa iz svojih zakonsko določenih nalog po šolski zakonodaji. Splošne licence, ki bi šla z nazivom učitelja, ni. Iz tega sledijo tri posledice, ki tvorijo praktično jedro tega poglavja. Privolitev ne ponuja rešitve. Ena očitna rešitev bi bila preprosto vprašati starše. Vendar ima ta pristop dve pomanjkljivosti. Prvič, privolitev mora biti dana svobodno. V šolskem kontekstu, kjer so ocene dejavnik, prošnja učitelja ne pomeni svobodne izbire. Drugič, privolitev mora biti informirana, kar je težko doseči, kadar nihče ne ve, kje bodo podatki končali. Dovoljenje mora izhajati iz šolske zakonodaje, ne iz podpisa, saj se s tem odgovornost premakne navzgor, stran od vas. Odstranitev imen ne anonimizira podatkov. Leta 2024 so nemški organi za varstvo podatkov skupno izjavili, da so podatki še vedno osebni, če je osebo iz konteksta še vedno mogoče prepoznati. To je v šolah še posebej problematično, ker vrste besedil, pri katerih si učitelji najbolj želijo pomoč – kot so eseji, prosto pisanje in učni dnevniki – avtorja razkrijejo prek sloga. Ločnica je pogodba: ponudnik lahko obdeluje vaše podatke, če to počne strogo po vaših navodilih in obstaja pisni dogovor o tem. Vendar se dogovor sesuje v trenutku, ko ponudnik to, kar vnesete, uporabi za svoje lastne namene, saj takrat ne dela več v vašem imenu. Praktični preizkus je torej naslednji: ali tak dogovor obstaja in ali izključuje urjenje modela na vaših vnosih? Če ne, se osebni podatki ne smejo vnašati. Dve opombi, ki ju velja omeniti: podatki o zdravju in invalidnosti so po pravu EU deležni še strožjega varstva. V orodje UI ne sodijo. Kadar pa učitelji uporabljajo zasebne naprave, vsaj dve nemški zvezni deželi (Severno Porenje - Vestfalija in Bavarska) jasno določata, da odgovornost za varstvo podatkov nosita šola in njen ravnatelj, ki mora uporabo odobriti. Zgornje nadstropje: kaj Akt o UI že zahteva in česa še ne Tu je popravek, zaradi katerega je večina obstoječih navodil zastarelih. Julija 2026 je EU z dopolnilno uredbo, znano kot digitalni omnibus (Digital Omnibus), preložila najtežji sklop obveznosti Akta o UI za izobraževanje – tistih, ki veljajo za sisteme, uvrščene med visokotvegane, torej sisteme, ki se uporabljajo za odločanje o sprejemu, ocenjevanje tega, kar so se učenci naučili, ali njihovo nadzorovanje med izpiti – z avgusta 2026 na 2. december 2027. Veliko gradiv, napisanih leta 2025 in v zgodnjem 2026, še vedno navaja stari datum. Če to velja za dokument na vaši šoli, potrebuje opombo. Bolj koristen popravek gre v drugo smer: to, kar že velja, je podcenjeno, tisto, o čemer se neskončno razpravlja, pa še ne velja. Dve stvari sta zavezujoči od 2. februarja 2025. Prepoznavanje čustev v šolah je prepovedano. Sistemi, ki trdijo, da berejo občutke učencev iz obraza, glasu ali telesa – analitika razpoloženja, ocenjevanje ‘angažiranosti’ prek spletne kamere –, so uvrščeni na kratek seznam praks, ki so preprosto prepovedane, z ozkimi izjemami iz zdravstvenih ali varnostnih razlogov. Orodja, ki zaznavajo le utrujenost ali to, ali nekdo gleda v zaslon, so siva cona; to je vprašanje nabave, ne razreda. Šole, ki uvajajo UI, morajo sprejeti ukrepe za razvoj pismenosti svojega osebja na področju UI. Od julija 2026 zakon določa, da ni treba zagotoviti nobene posebne ravni – a nič ne storiti ni možnost. Za to obveznost na ravni EU ni predpisane globe, zato se pogosto spregleda; nacionalni organi jo lahko uveljavljajo od avgusta 2026. Od 2. decembra 2026 je prepovedana UI, ki ustvarja seksualizirane globoke ponaredke prepoznavnih oseb. To drugo obveznost preberite skupaj s poglavjem 1.3, in nekaj se poveže. Vrzel med poznavanjem UI in sposobnostjo poučevanja z njo ni več le strokovni problem. Od februarja 2025 so šole zakonsko dolžne, da se z njo ukvarjajo. Od 2. avgusta 2026 morajo klepetalniki uporabnikom povedati, da so UI, ponudniki pa morajo vsebino, ustvarjeno z UI, strojno berljivo označiti; šole same morajo označevati globoke ponaredke in z UI napisana besedila, ki jih objavijo za obveščanje javnosti. Delovni list, ki ga je učitelj preveril, ne potrebuje oznake. Od 2. decembra 2027 veljajo obveznosti za visokotvegane sisteme – sisteme, ki se uporabljajo za odločanje o tem, kdo je sprejet, za ocenjevanje tega, kar so se učenci naučili, ali za njihovo nadzorovanje med izpiti. Kdorkoli tak sistem uporablja, s tem prevzame lastne obveznosti, med drugim da nadzor dodeli osebam, ki imajo, po besedah akta, „potrebne kompetence, usposobljenost in pooblastila“. Vrata in okna: avtorske pravice in izpiti Presenetljivo je tisto, kar pride ven, lažji del. Besedilo ali slika, ki jo UI ustvari sama, nima človeškega avtorja v smislu, ki ga zahteva avtorsko pravo, zato je običajno sama po sebi brez avtorskih pravic; kadar jo oseba oblikuje z lastnimi ustvarjalnimi odločitvami, je rezultat lahko zaščiten. Vendar to ne pomeni zagotovila, da je ‘čisto’: v odmevni sodbi je sodišče v Münchnu ugotovilo, da si je klepetalnik zapomnil besedila pesmi in jih skoraj dobesedno reproduciral. Sodišče je odgovornost naložilo ponudniku, ne osebi, ki je vnesla poziv. Sodba ni pravnomočna. Izjema, ki učiteljem dovoljuje kopiranje gradiva za svoj pouk, zajema natanko to: kopiranje omejenega deleža dela za ta razred. Nalaganje zaščitenega dela v komercialni sistem UI je drugačno dejanje, izjema pa ga ne obravnava. Gradivo, ustvarjeno posebej za šolski pouk, kot so učbeniki in delovni zvezki, je načeloma izključeno iz izjeme, če so licence zanj zlahka dostopne. Koliko naj vas to skrbi? Manj, kot nakazuje vrzel, in več kot nič. Vprašanje je resnično nerešeno: nobeno višje sodišče o tem še ni odločalo, strokovna literatura pa obstoječe izjeme šteje za slabo prilagojene tej situaciji. Kadar imetnik pravic ugovarja, bi šlo za civilnopravni zahtevek, v praksi pa je to zadeva šolske politike in nabave, ne nekaj, kar bi lahko rešil posamezen učitelj. V praksi je jasen ozek primer. To je črta, ki jo postavljajo izobraževalne založbe, in to je tista, ki si jo velja zapomniti: šolski učbeniki in založniško gradivo naj sploh ne gredo v orodja UI – ne skenirano, ne prepisano, tudi ne za izdelavo delovnega lista. Sodna praksa na tem področju je po Evropi trenutno neskladna. Februarja 2026 je upravno sodišče v Kasslu v Nemčiji o dveh univerzitetnih primerih odločilo enako, in ostro: čeprav univerza ni imela izrecne prepovedi UI, je bila meja prekoračena „že z eno samo neprijavljeno uporabo generativne UI“. Sodbi nista pravnomočni. Istega meseca je pariško upravno sodišče v nujnem postopku univerzi preprečilo sankcioniranje študenta, ker ta vnaprej ni določila nobenega pravila o uporabi UI. Švedsko pritožbeno sodišče je prej prišlo do podobnega izida: študent je oddal tri izmišljene citate, a pravila predmeta so pri domačih nalogah dovoljevala ‘vse pripomočke’, zato ni bilo pravila, ki bi ga bilo mogoče kršiti. Na Nizozemskem pa je, nasprotno, najvišje upravno sodišče v državi julija 2025 potrdilo sankcijo proti študentu prava, ki je predložil štiri neobstoječe vire: goljufija je bila dokazana onkraj razumnega dvoma, ali je nameraval zavajati, pa ni bilo pomembno. Vzorec med jurisdikcijami torej ni stvar posameznih držav. Gre za to, ali je pravilo obstajalo vnaprej in ali je bila goljufija dejansko dokazana. Za prakso iz tega sledijo tri pravila. Detektorji ne nosijo dokaznega bremena. Šola mora zavajanje dokazati. Sodišča so sprejela sklepe, izpeljane iz konkretnih dejstev: viri, za katere se izkaže, da ne obstajajo, jasen razkorak med tem, kar učenec napiše, in tem, kar zna ustno pojasniti, nenadni skoki ravni znotraj istega besedila, priznanje. Učenec lahko nato to pojasni. Sam slog pisanja je šibka podlaga – vodilni nemški pravni komentatorji dvomijo, da lahko sploh utemelji ugotovitev. Izpis detektorja je kvečjemu razlog za podrobnejši pregled. Stopnja napak, o kateri smo poročali v poglavju 1.3, ga naredi neuporabnega kot dokaz. Pravila morajo biti jasna pred ocenjevanjem, ne po njem. Niti splošna prepoved niti splošno dovoljenje ne zdržita. Deluje izjava o samostojnem delu s klavzulo o UI, skupaj z obveznostjo navesti, kaj je bilo uporabljeno. Razkritje namesto prepovedi. Ocene ostajajo v rokah ljudi. Ljudje imajo pravico, da zanje ne veljajo odločitve s pravnim učinkom, ki jih sprejme zgolj stroj, šole pa nimajo pravne podlage, da bi take odločitve sprejemale s programsko opremo; ocena je taka odločitev. Nemška Stalna konferenca ministrov za izobraževanje in kulturo to pove še ostreje: ocenjevanje je naloga, ki jo lahko opravljajo le učitelji. Ključno je, da formalno potrjevanje predloga UI ne šteje za človeško odločitev. Ugotovitev, da ljudje pogosto sledijo pomanjkljivim povratnim informacijam UI, je zato tako pravni kot pedagoški problem. „Vsak eksperimentira po svoje, zato se pravila spreminjajo od ene ure do druge.“ Pravo, etika in didaktika torej vsi vodijo do istega odgovora: ocenjujte proces, ne le izdelka. Prava naslovljenka odgovornosti Kot odziv je Nemčija uvedla državno zagotovljena šolska okolja za UI. To so preverjene platforme z izpogajanimi pogodbami, namesto da bi učiteljem prepustili, naj se prijavijo na karkoli je brezplačno. Čeprav te rešujejo probleme, ki jih posamezni učitelji ne morejo rešiti sami, so še vedno kritizirane zaradi tega, kako so upravljane, ali jih učitelji dejansko sprejemajo in ali so ocenjevanja, ki jih podpirajo, zanesljiva. Ker se uvajanje razlikuje od ene zvezne dežele do druge, bo trajalo nekaj časa, da bomo videli, kako se učitelji znajdejo s temi platformami. Kar je posebno, je ožje, kot se morda sprva zdi, in vredno je to natančno povedati. Nemčija je edini sistem, ki smo ga našli, v katerem javni organ – FWU, ki je v lasti zveznih dežel – platformo sam razvija in upravlja, s tehničnimi izvajalci. Francija zagotavlja prilagodljivo vadbeno programsko opremo za celotno generacijo, vendar jo je naročila: eno zasebno podjetje je napisalo programsko opremo, drugo gosti podatke. Več drugih držav je kupilo dostop do komercialnih klepetalnikov; večina preostalih ponuja le smernice. Da nekaj zgradite sami, vam samodejno ne da več nadzora. Nemška platforma, kot je opozorilo eno panožno združenje, teče na istih komercialnih jezikovnih modelih kot vse druge, na evropskih strežnikih. Francoski sistem je, nasprotno, gostovan v Franciji pod najvišjo varnostno certifikacijo, ki jo izdaja francoska država. Ena država je zgradila površino in najema motor, druga pa je kupila programsko opremo in obdržala ključe zgradbe. Nobena od možnosti ni jasno bolj 'suverena' izbira, kar velja upoštevati, preden ta izraz uporabimo. Nizozemska je ubrala drugačen pristop, in vredno ga je poznati, ker ponuja bolj pošten odgovor na isto vprašanje. Namesto gradnje ali nakupa so se nizozemske šole in univerze povezale in dale glavne ponudnike formalno oceniti. Ko so preučili asistenta UI podjetja Microsoft, so odkrili dve nerešljivi težavi: merila za samodejni filter vsebine, ki jih ponudnik ni hotel razkriti, in hrambo osemnajst mesecev diagnostičnih podatkov, ki je ni bilo mogoče utemeljiti. Pogajali so se. Marca 2026 pa je ponudnik zavrnil spremembe. Ocena zato ostaja rumena oziroma opozorilna, nizozemskim šolam pa svetujejo previdnost in lastno presojo od primera do primera, namesto splošne odobritve. Ena država je tveganje odpravila tako, da je zgradila okoli njega, druga pa si je stvar podrobneje ogledala in se odločila, da še ni pripravljena. Oba pristopa ponujata rešitve za problem, predstavljen na začetku tega poglavja. Primerjava razreši še eno stvar. Pritožba, da imajo učitelji raje brezplačnega klepetalnika kot uradnega, ni posledica neuspešnega izvajanja v Nemčiji. V Estoniji, kjer je država izpogajala dostop za dijake višje srednje šole, je sedem mesecev po začetku programa uradnega klepetalnika tedensko uporabljala komaj več kot tretjina. Izkazalo se je, da je večina od njih brezplačna orodja uporabljala že pred začetkom programa. Povsod se preverjeno okolje poteguje s tistim, ki je bolj priročno. Zagotoviti uradno orodje je potrebno. Ni pa dovolj. Vendar strukturna ugotovitev ostaja: skladnost je omogočitveni pogoj, ne ovira. Se spomnite, kaj je bilo rečeno v poglavju 1.2? Na šolah z jasnimi pravili je UI uporabljalo več učiteljev – in skupno so prihranili več časa. Pravila uporabe niso upočasnila. 1.5 Trenutno stanje UI v izobraževanju Ključno sporočilo UI je v izobraževalnih okoljih že široko razširjena. Poučevanje z UI. Učitelji UI trenutno uporabljajo za pripravo ali izboljšanje učnih priprav, za ocenjevanje in za prilagajanje vsebin različnim ravnem izobraževanja. Poučevanje o UI. Učenci UI uporabljajo, čeprav nimajo osnovnega znanja o tem, kaj UI je, kakšne so njene omejitve in kako jo uporabljati odgovorno. Potrebna sta tehnično razumevanje in kritično mišljenje. Učitelji in učenci morajo razumeti, kako delujejo jezikovni modeli (urjenje, ravnanje s podatki, napovedna narava), in razviti praktične veščine preverjanja, od prepoznavanja izmišljenih navedb do preverjanja dejstev v vsebini, ustvarjeni z UI. Opredeliti je treba odgovorno uporabo in etično stališče. Potrebno je razumevanje pravnega in etičnega okvira (Akt o UI, GDPR), pa tudi pristop k UI kot podpori, ne nadomestku človeškega mišljenja, utemeljen na preglednosti in odgovornosti, ter izrecno poučevanje oblikovanja pozivov kot veščine, ki se je da naučiti. Potrebna sta pravičnost in novi modeli ocenjevanja. Treba je zavarovati pravičen dostop do orodij UI (javno financiranje, odprti modeli, politike minimalne starosti), obenem pa premakniti ocenjevanje od ocenjevanja končnega izdelka k ocenjevanju procesa in sposobnosti učencev za kritično presojo izpisov UI. Če si zapomnite le en stavek s te strani: UI je v izobraževalnih okoljih že prisotna, a ni regulirana. Potrebni so strukturirani okviri za podporo strokovnemu razvoju pedagoških delavcev, ki izboljšujejo njihovo znanje in jim omogočajo poučevati z UI in o UI. Trenutna uporaba UI v izobraževalnih okoljih Danes je umetna inteligenca (UI) vpeta v vsakdanjo izobraževalno prakso, daleč onkraj pilotnih projektov. Med pogostimi uporabami so prilagodljive učne platforme, inteligentni tutorski sistemi, samodejno ocenjevanje in UI-podprta priprava na pouk za učitelje (OECD, 2026). Najbolj opazen premik pa je neposredna uporaba splošnonamenskih orodij tako pri učencih kot pri učiteljih. Poučevanje z UI Učitelji vse pogosteje uporabljajo UI kot podporno orodje v več fazah svojega dela, od priprave na pouk do ocenjevanja. Po podatkih OECD-jeve raziskave TALIS je leta 2024 37 % učiteljev nižje srednje šole poročalo o uporabi UI, 57 % pa jih je povedalo, da jim pomaga pri pisanju ali izboljševanju učnih priprav (OECD, 2026). Poleg načrtovanja pouka učitelji UI uporabljajo za prilagajanje vsebin različnim ravnem znanja, ustvarjanje vadbenega gradiva in podporo pri ocenjevanju. Hkrati sprejemanje ni brez trenj: 72 % učiteljev je izrazilo zaskrbljenost, da bi UI učencem omogočila, da delo, ustvarjeno z UI, predstavijo kot svoje lastno, kar odraža širšo napetost med praktičnimi koristmi UI za poučevanje in njenimi posledicami za akademsko integriteto (OECD, 2026). Poučevanje o UI Poleg uporabe UI kot pripomočka pri poučevanju narašča tudi potreba po tem, da učence poučujemo o sami UI: kako deluje, kakšne so njene omejitve in kako jo uporabljati odgovorno. To vključuje osnovno razumevanje jezikovnih modelov kot napovednih mehanizmov in ne podatkovnih baz, kar pojasnjuje njihovo nagnjenost k halucinacijam, pa tudi praktične veščine, kot sta preverjanje dejstev v izpisu UI in prepoznavanje izmišljenih navedb (UNESCO, 2024). Vključuje tudi razvijanje kritičnega mišljenja pri oblikovanju pozivov, s premikom učencev od zgolj sledenja navodilom k njihovemu oblikovanju, ter ozaveščanje o etičnih in pravnih razsežnostih uporabe UI, vključno z zasebnostjo podatkov in Aktom EU o UI. UNESCO-v Okvir kompetenc UI za učitelje (2024) to opredeljuje kot temeljno strokovno kompetenco in trdi, da morajo biti učitelji sami usposobljeni na teh področjih, preden lahko to učinkovito poučujejo tudi učence. Kaj manjka? Poleg institucionalnih okvirov in podatkov o sprejemanju je pomembno razumeti tudi, kako se te dinamike odražajo v praksi. V okviru projekta DUAL.AI.TEACHer je bila izvedena vrsta delavnic. Povabljenih je bilo veliko deležnikov s področja izobraževanja, da bi zbrali neposredne poglede na trenutno uporabo UI pri poučevanju. Te delavnice so razkrile niz konkretnih potreb in pomislekov, ki so jih izrazili učitelji in drugi pedagoški delavci, in ki zajemajo praktične, pedagoške in z usposabljanjem povezane vidike. Naslednji razdelki te potrebe podrobno opisujejo. Razumevanje delovanja UI. Tako učenci kot učitelji morajo razumeti, kako so jezikovni modeli zgrajeni in urjeni ter kaj se zgodi z njihovimi podatki, ko jih posredujejo. Prav tako morajo dojeti naravo teh modelov kot napovednih mehanizmov in ne podatkovnih baz, kar pojasnjuje njihovo nagnjenost k halucinacijam. Učitelji potrebujejo preprost uvodni tečaj, ki poda pregled osnov delovanja velikih jezikovnih modelov. Kritično mišljenje, spraševanje in preverjanje UI. Učenci in učitelji morajo biti sposobni podvomiti v odgovore, ustvarjene z UI, in prepoznati izmišljene informacije. Potrebne so tudi praktične veščine preverjanja, od primerjave izpisa UI z uradnimi viri do prepoznavanja slik in videoposnetkov, ustvarjenih z UI. Učenci morajo preiti od sledenja navodilom k njihovemu oblikovanju, s kritičnim razmislekom o želenem izidu. Etika, varstvo podatkov in regulacija. Potrebno je splošno razumevanje etičnih in pravnih vidikov uporabe UI, vključno z Aktom EU o UI in GDPR. Varna in odgovorna uporaba je bistvena za preprečevanje nezakonitih praks, prav tako pa je potrebno zavedanje sorodnih vprašanj, kot sta pristranskost učnega gradiva in nezanesljivost detektorjev UI. Odgovorna uporaba. UI je treba uporabljati premišljeno, kot podporo, ne nadomestilo, tako da ostane prostor za lastno razmišljanje učencev. Preglednost je pomembna: od učencev se pričakuje, da označijo, kateri deli so njihovi lastni, kar odraža idejo „kiborškega pisanja“, pri katerem UI razširja, ne nadomešča mišljenja avtorja. Potrebna sta tudi lastništvo in odgovornost učencev. Praktične veščine. Oblikovanje pozivov je treba obravnavati kot veščino, ki se jo poučuje, ne kot nekaj, kar se pridobi samostojno. Tako učitelji kot učenci potrebujejo izrecno navodilo za pisanje učinkovitih pozivov, učitelji pa potrebujejo usposabljanje za oblikovanje pozivov za pripravo na pouk, diferenciacijo in ocenjevanje. Potrebna je tudi širša seznanjenost z orodji, da jih lahko ustrezno prilagodimo posameznim predmetom. Pravičnost in infrastruktura. Dostop do UI je v središču naraščajočih pomislekov glede pravičnosti, saj si premožnejši okoliši lahko privoščijo boljša orodja, kar širi vrzel v kompetencah med šolami. Potrebno je javno financiranje, ki zagotavlja enak dostop ne glede na sredstva šole, pri čemer naj se v okviru tega prizadevanja dajejo prednost odprtim modelom UI pred korporativnimi. Opredeliti je treba tudi najnižjo starost za uporabo UI. Ocenjevanje. Potreben je drugačen pristop k ocenjevanju, osredotočen na proces in ne na končni izdelek, vključno z razmisleki učencev o osnutkih, ustvarjenih z UI. Potrebne so tudi naloge, ki vključujejo UI, pri katerih se učence ocenjuje glede na njihovo sposobnost kritične presoje, preverjanja dejstev in urejanja izpisa UI, kar odpira vprašanja o vlogi človeka, kadar se pri ocenjevanju na UI zanašajo že učitelji sami. Potrebne so tudi konkretne metode za pouk, kot so preverjanje dejstev v besedilu UI, primerjava odgovorov klepetalnikov, razprava o uporabi UI pri domačih nalogah in vključevanje nedigitalnih orodij, kot so flipchart table. „Kdor poučuje z UI, mora biti sposoben preveriti vsak njen odgovor, saj se napake dogajajo. Brez trdnega strokovnega znanja jih ne boste opazili.“ 1.6 Zakonodaja Izjava o omejitvi odgovornosti: To poglavje smo skrbno raziskali, vendar je pravo na področju UI področje, ki se hitro spreminja. Pravila so se od objave morda spremenila, zato vedno preverite aktualno pravno stanje in se po potrebi prilagodite nacionalni zakonodaji. To poglavje ne predstavlja pravnega nasveta. Ključno sporočilo Akt EU o UI je pravna podlaga. Evropski pravilnik za UI velja od avgusta 2024 in se postopoma uvaja do leta 2027. Ne velja le za tehnološka podjetja, temveč tudi za šole. Pismenost na področju UI je obveznost, ne tečaj, ki ga je treba le odkljukati. Šole morajo osebju pomagati pri razvijanju pismenosti na področju UI. Več uporab UI je izrecno prepovedanih. Med njimi: sklepanje o čustvih učencev iz obraznih ali glasovnih podatkov, UI, ki izkorišča ranljivosti otrok za izkrivljanje njihovega vedenja, ter gradnja baz podatkov za prepoznavanje obrazov ali sklepanje o lastnostih, kot sta rasa ali vera, iz biometričnih podatkov. Tveganje je odvisno od odločitve, ne od izdelka. Običajna orodja za pisanje, raziskovanje, prevajanje in pripravo na pouk niso visokotvegana zgolj zato, ker se uporabljajo v šoli. Postanejo visokotvegana, ko vplivajo na sprejem, učne poti, izpitne rezultate ali odločitve o zaposlitvi. Ni treba označiti vsega, kar ustvari UI. Obveznost razkritja je predvsem na strani ponudnika; gradivo, ki ga pregleda učitelj s človeškim uredniškim nadzorom, je izvzeto. Visokotvegana UI potrebuje človeka, ki jo lahko preglasi. Izpis UI nikoli ni dokončna odločitev. Razumeti morate njegove omejitve in ga morate znati zavrniti ali preglasiti. Akt o UI je nadgradnja obstoječega prava, ne njegova zamenjava. Nacionalno pravo o varstvu podatkov, izobraževanju, zaposlovanju, varstvu otrok in avtorskih pravicah velja še naprej vzporedno z njim. GDPR ureja podatke, ne le orodja. Tudi sistem UI, ki je v redu po Aktu o UI, je lahko še vedno prepovedan, če obdeluje osebne podatke o učencih ali osebju brez veljavne pravne podlage. Če si zapomnite le en stavek s te strani: Uporabljajte UI za podporo svoji strokovni presoji, ne za njeno nadomestitev – strožja pravila veljajo takoj, ko UI pomaga sprejemati odločitve o ocenah, izobraževalnih poteh ali ljudeh. Akt EU o umetni inteligenci Akt EU o umetni inteligenci (Uredba (EU) 2024/1689) je enoten, na tveganju temelječ pravilnik EU za umetno inteligenco. Namesto da bi urejal posamezne izdelke, sisteme UI razvršča glede na tveganje, ki ga predstavljajo, in temu ustrezno določa obveznosti – od popolne prepovedi za majhen nabor praks, prek dodatnih obveznosti za 'visokotvegane' uporabe, do popolne odsotnosti posebnih pravil za vsakdanja orodja. Velja neposredno v vsaki državi članici, tako za javne kot za zasebne organizacije. Akt se uvaja postopoma, korak za korakom. Velja od 1. avgusta 2024; od 2. februarja 2025 sta že zavezujoča spodaj navedeni prepovedani praksi in obveznost razvijanja pismenosti na področju UI (člen 4); od 2. avgusta 2026 velja večina preostalih določb. Slika 1: „Časovni načrt UI“ (slika, ustvarjena z UI, …) Kdo je odgovoren za uporabo UI? Če šola uvede in nadzoruje sistem UI, je šola oziroma šolski organ običajno „uvajalec“ (člen 3(4)). Učitelj pri uporabi orodja po navodilih šole običajno ni ločen uvajalec, mora pa kljub temu upoštevati ta navodila ter vsa ustrezna šolska pravila in pravila o varstvu podatkov. Učitelji morajo vedeti, kaj uporabljajo Šole in šolski organi morajo sprejeti ustrezne ukrepe za podporo razvoju pismenosti na področju UI pri tistih, ki v njihovem imenu uporabljajo sisteme UI (člen 4). Akt o UI ne določa natančne ravni usposobljenosti, potrdila ali oblike usposabljanja. Te so odvisne od uporabljenega sistema UI, načina njegove uporabe in tega, kdo bi lahko bil prizadet. Prakse UI, ki so za šole izrecno prepovedane Akt o UI izrecno prepoveduje osem praks UI (člen 5); štiri od njih so neposredno pomembne za šole: Uporaba sistemov UI v izobraževalnih ustanovah za sklepanje o čustvih ali namerah iz biometričnih podatkov (kot so obrazne ali glasovne značilnosti učencev) je na splošno prepovedana. Obstajajo ozke izjeme za medicinske namene ali namene varnosti (člen 3(39); člen 5(1)(f)). Sistemi UI, ki izkoriščajo posameznikovo ranljivost zaradi starosti (kot pri otrocih), invalidnosti ali socialnega oziroma ekonomskega položaja, na način, ki izkrivlja njegovo vedenje in mu povzroča škodo, so prepovedani ne glede na namen (člen 5(1)(b)). Gradnja ali širjenje baze podatkov za prepoznavanje obrazov s ciljno neusmerjenim zbiranjem slik z interneta ali iz videonadzora je prepovedana. To je pomembno, če šola razmišlja o orodju za prepoznavanje obrazov za evidenco prisotnosti ali nadzor izpitov (člen 5(1)(e)). Uporaba biometričnih podatkov za razvrščanje ljudi z namenom sklepanja o zaščitenih lastnostih, kot so rasa, politična prepričanja, vera ali spolna usmerjenost, je prepovedana. To je pomembno za vsako orodje na biometrični osnovi, kot je programska oprema za nadzor izpitov, ki presega svoj navedeni namen (člen 5(1)(g)). Ali je treba vsebino, ustvarjeno z UI, vedno označiti? Če učenci neposredno komunicirajo s sistemom UI, na primer s klepetalnikom, morajo biti obveščeni, da komunicirajo z UI. Za to jasno obvestilo je običajno odgovoren ponudnik sistema (člen 50(1)). Šole in učitelji morajo razkriti globoke ponaredke (deepfake) ali besedilo, ustvarjeno z UI in objavljeno o zadevah javnega pomena, kadar se ti uporabljajo pri pouku (člen 50(4)). Ta zahteva ne velja, kadar je vsebina, ustvarjena z UI, prestala učinkovit človeški pregled ali uredniški nadzor, uredniško odgovornost za njeno objavo pa prevzame oseba ali institucija. Delovni list, ustvarjen s pomočjo UI, ki ga je pregledal učitelj, torej samodejno ne potrebuje oznake. Kdaj UI v izobraževanju postane visokotvegana Običajna orodja za pisanje, prevajanje, raziskovanje in pripravo na pouk niso visokotvegana zgolj zato, ker se uporabljajo pri delu. Razvrstitev je odvisna od namena sistema, ne zgolj od tega, kateri izdelek se uporablja (člen 6, Priloga III). Sistemi UI so lahko razvrščeni kot visokotvegani, kadar so namenjeni: Za učitelje Za šole odločanju o dostopu, sprejemu ali razporejanju učencev v izobraževalne ali poklicne ustanove in programe; ocenjevanju učnih dosežkov učencev ali usmerjanju njihovih učnih procesov; presoji ustrezne ravni izobraževanja, ki jo bo učenec prejel ali do katere lahko dostopa; ali zaznavanju prepovedanega vedenja učencev med izpiti. (Priloga III, točka 3) zaposlovanju ali izbiri učiteljev, vključno s pregledovanjem prijav; odločanju o pogodbenih pogojih, napredovanju ali prenehanju zaposlitve učitelja; dodeljevanju nalog na podlagi vedenja ali osebnih lastnosti učitelja; ali ocenjevanju uspešnosti učiteljev. (Priloga III, točka 4) Omejeno orodje za preverjanje ali pripravljalno orodje lahko ostane zunaj kategorije visokega tveganja, če pomembno ne vpliva na odločitev. Vendar pa izobraževalni sistem, ki profilira posameznike, vedno velja za visokotveganega. Kaj visokotvegana UI pomeni za šole in učitelje Razvrstitev sistema UI kot visokotveganega samodejno ne izključuje njegove uporabe v šolah. Vendar visokotvegani sistemi prinašajo obveznosti (člen 26): Te obveznosti za visokotvegano UI v izobraževanju veljajo od 2. decembra 2027 – zgornje prepovedi in obveznost pismenosti na področju UI pa veljajo že danes. Za učitelje Za šole uporabljajte jo le za njen odobreni namen in sledite njenim navodilom; njenega izpisa ne obravnavajte kot dokončne odločitve; razumite njene glavne omejitve in verjetne vire napak; bodite pozorni na pretirano zanašanje na navidezno prepričljive rezultate; in bodite pripravljeni njen izpis zavrniti ali preglasiti. zagotovite usposobljen in pooblaščen človeški nadzor; zagotovite, da so vhodni podatki pod njenim nadzorom relevantni in dovolj reprezentativni; spremljajte sistem in se odzivajte na tveganja ali resne incidente; samodejno ustvarjene dnevnike hranite vsaj šest mesecev, kadar so ti pod njenim nadzorom; in vnaprej obvestite učence, učitelje ali prizadete osebe, kadar sistem pomaga pri odločanju o njih. Javni organi in zasebne organizacije, ki opravljajo javne storitve, bodo morda morali pred uporabo visokotvegane UI opraviti tudi oceno učinka na temeljne pravice (člen 27). Javni organi in organizacije, ki delujejo v njihovem imenu, bodo morda morali sistem tudi registrirati v podatkovni zbirki EU (člen 49). Ali je to odgovornost šole ali njenega upravnega organa, je odvisno od nacionalnega šolskega sistema. Akt o UI ni edini pomemben zakon Akt o UI ne nadomešča evropskih ali nacionalnih predpisov o varstvu podatkov, izobraževanju, zaposlovanju in sodelovanju delavcev, varstvu otrok ali avtorskih pravicah (člen 2(7)). Na primer, dejstvo, da orodje ni visokotvegano, ne pomeni, da smete vanj naložiti delo ali osebne podatke učencev. Orodje je lahko sprejemljivo po Aktu o UI, a kljub temu prepovedano po zakonodaji o varstvu podatkov ali pravilih vaše šole. GDPR GDPR (Uredba (EU) 2016/679) je zakonodaja EU o varstvu podatkov. Ima podporno vlogo ob Aktu o UI: medtem ko se Akt o UI sprašuje, ali in kako je sistem UI sploh mogoče uporabljati, si GDPR zastavlja ožje vprašanje – ali je te konkretne podatke o tej konkretni osebi dovoljeno obdelovati na ta način? Izpolnjevanje enega samodejno ne pomeni, da ste izpolnili tudi drugo. Velja, takoj ko so vpleteni osebni podatki. Imena, šolski e-poštni naslovi, delo učencev, glasovni posnetki, prepisi, fotografije, ocene, prisotnost in podatki o učnem napredku – vse to šteje za osebne podatke (člen 4). Večina orodij UI, ki se uporabljajo pri pouku, zadeva vsaj enega od teh. Za obdelavo potrebujete zakonito podlago. Šole se običajno opirajo na zakonsko obveznost ali na nalogo, ki se izvaja v javnem interesu; mogoča je tudi privolitev, ki pa mora biti dana svobodno, pri mlajših učencih pa jo mora dati starš ali skrbnik (člen 6, člen 8). Nekateri podatki potrebujejo dodatno zaščito. Podatki o zdravju, biometrični podatki ter podatki, ki razkrivajo rasni ali etnični izvor, vero ali podobne lastnosti, so „posebne vrste podatkov“ in so načeloma prepovedani brez posebne izjeme (člen 9) – to je tudi eden od razlogov, zakaj Akt o UI v šolah ločeno prepoveduje več praks biometričnega sklepanja. Vedite, kdo je odgovoren. Šola je običajno „upravljavec“; ponudnik UI, ki obdeluje podatke v imenu šole, je „obdelovalec“ in potrebuje pogodbo o obdelavi podatkov, ki natančno opredeli njegove obveznosti (člen 28). To preverite, preden novo orodje uvedete v celotni šoli. Podatki, ki zapustijo EU, potrebujejo zaščitni ukrep. Veliko priljubljenih orodij UI gostuje zunaj EU. Osebni podatki lahko tja potujejo le, če obstaja sklep o ustreznosti ali drug odobren zaščitni ukrep, kot so standardne pogodbene klavzule (člen 44). Učenci in osebje ohranijo svoje pravice. Lahko zahtevajo vpogled v to, kaj je shranjeno o njih, popravek ali izbris teh podatkov, in ugovarjajo odločitvam, ki temeljijo izključno na avtomatizirani obdelavi in ki nanje pomembno vplivajo (členi 15–22) – ta pravica dopolnjuje in krepi zahteve Akta o UI po človeškem nadzoru pri visokotveganih sistemih. V praksi: preden v orodje UI vnesete resnične podatke učencev ali osebja, preverite, ali ga je vaša šola odobrila, ne delite več osebnih podatkov, kot jih naloga zahteva, in kadar orodje le preizkušate, raje uporabite anonimizirane ali izmišljene primere. Kje najti pomoč Izvrševanje je v vsaki državi EU organizirano drugače. Ker se nacionalne pristojnosti lahko spremenijo, uporabite trenutni seznam nacionalnih organov za nadzor trga Evropske komisije. Vsakdo (učitelj, učenec, starš), ki meni, da je bil Akt kršen, lahko pri tem organu vloži pritožbo (člen 85). Kadar je visokotvegan sistem, na primer orodje za sprejem ali nadzor izpitov, privedel do odločitve, ki pomembno vpliva na učenca, lahko ta (ali njegovi starši) zahtevajo tudi obrazložitev te posamezne odločitve (člen 86). Nacionalna pravila za vašo državo Akt o UI velja po vsej EU, vendar se izvršilni organi, šolsko pravo in praksa varstva podatkov razlikujejo od države do države. Tukaj bodo dodane državno specifične opombe za partnerske države tega priročnika: Avstrija Češka Nemčija Latvija Poljska Slovaška Slovenija Španija 2. Dobre prakse in primeri iz razreda 2.1 Uvod Poglavje 1 je pojasnilo, kdaj UI pomaga, kje škoduje in katera pravila veljajo. To poglavje pokaže, kako je to videti na običajen šolski dan. Primeri so obdelani po posameznih predmetih, začenši z biologijo, angleščino kot tujim jezikom, zgodovino in matematiko. Med projektom bodo dodani še drugi predmeti. Vsak primer vzame situacijo iz vsakdanjega pouka in pokaže, kako je mogoče uporabiti UI, kaj naredi učitelj in kje se lahko kaj zalomi. Primeri uporabljajo tri ideje iz poglavja 1: UI podpira učenje le, če učenci najprej razmišljajo sami; preden z UI poučujete, morate o UI nekaj vedeti; in pravila morajo biti jasna, preden se naloga začne. Izraz ‘dobra praksa’ razumite skromno. Prakse, o katerih poročajo učitelji po Evropi, so obetavni pristopi, ne preverjeni recepti, in nobena od njih še ni bila evalvirana. Vsak primer obravnavajte kot izhodišče: preizkusite ga, prilagodite svojemu razredu in ga preverite glede na pravila svoje šole. Kontrolni seznam povzema vprašanja, ki si jih je treba zastaviti, preden UI vstopi v vašo učno uro. Z vgrajenim sistemom oznak v zgornjem levem kotu lahko iščete po različnih predmetih ter razvrščate po učnih urah in strokovnem izpopolnjevanju. Slika 1: „Primer sistema oznak“ 2.2 Biologija: simulacije Vibe Coding pri pouku Dinamika plenilec–plen (model Lotka–Volterra) Predmet: biologija · Razred: 9. razred (14–15 let) · Trajanje: ena dvojna ura (90 min) · UI: učenje Z UI Kompetence, povezane z UI (okvir DUAL.AI.TEACHer) – raven učitelja Predmetno specifični učni cilji – raven učenca AF-TL-2b (Temelji UI in njihova uporaba × Poučevanje in učenje, raven 2 – reflektirano izvajanje): »Učitelji lahko organizirajo elemente učne ure, ki vključujejo uporabo UI z jasnimi pedagoškimi vlogami in strategijami za preverjanje elementov izhoda.« AF-FC-2b (Temelji UI in njihova uporaba × Spodbujanje digitalne kompetence učencev na področju UI, raven 2 – reflektirano izvajanje): »Učitelji lahko izvajajo usmeritve, ki učencem pomagajo razvijati praktične veščine UI, pri čemer naloge prilagajajo predznanju učencev in razpoložljivim orodjem UI.« Ob koncu ure učenci znajo: opisati ključne spremenljivke (populacija plena, populacija plenilcev) in parametre (stopnja rasti, stopnja plenjenja, učinkovitost pretvorbe, stopnja umrljivosti) modela Lotka–Volterra; oblikovati in preizkusiti hipoteze o dinamiki populacij z interaktivno simulacijo; razširiti obstoječo simulacijo z dodatnimi plastmi ekološke kompleksnosti (npr. kapaciteta okolja, druga vrsta, sezonski dejavnik) tako, da za jezikovni model UI napišejo strukturirane pozive (prompte); kritično ovrednotiti predpostavke in omejitve modela (narava znanosti), vključno s tem, zakaj lahko uvedba naključnosti ali dodatnega dejavnika model destabilizira. Ključno sporočilo: Učenci ne potrebujejo kodiranja od začetka. Branje in preizkušanje obstoječe simulacije, nato pa uporaba jezikovnega modela (LLM) za dodajanje ene plasti ekološke realnosti naenkrat, zadostuje za pristno razumevanje dinamičnega biološkega modela – in prej ali slej za to, da učenci sami odkrijejo, kje natanko ta model doseže svoje meje. Slika 1: »Dinamika plenilec–plen (model Lotka–Volterra)« (slika, ustvarjena z UI, ChatGPT GPT Image 2) Vsebina Matematični modeli in računalniške simulacije so še posebej dragoceno orodje v ekologiji, saj lahko zelo kompleksne sisteme izrazijo z matematičnimi enačbami. To omogoča izvajanje poskusov in silico ter preizkušanje hipotez na modelu v primerih, ko bi bil resničen poskus predrag, prepočasen, etično sporen ali naravnost nevaren. Manipuliranje z resnično populacijo plenilcev je na primer le redko mogoče. Hkrati pa je vsak model nujno poenostavitev resničnosti in prav v tem so njegove šibkosti: resnični ekosistemi so veliko bolj kompleksni, kot jih lahko kateri koli model v celoti zajame. Model Lotka–Volterra je klasičen primer takšne poenostavitve, uporabljene za dinamiko plenilec–plen. Sistem predstavi z dvema stanjskima spremenljivkama (velikost populacije plena in plenilcev) ter štirimi parametri (naravna stopnja rasti plena, koeficient stopnje plenjenja, stopnja razmnoževanja plenilcev na zaužiti plen in stopnja umrljivosti plenilcev). Ob svojih idealiziranih predpostavkah model napove trajne, periodične oscilacije, pri katerih spremembe v populaciji plenilcev zaostajajo za spremembami v populaciji plena. To vedenje izhaja iz povratne zanke: ko se populacija plena poveča, imajo plenilci na voljo več hrane, kar omogoči rast populacije plenilcev. Povečano plenjenje nato povzroči upad populacije plena, kar zmanjša vir hrane za plenilce in vodi v upad njihove populacije. Ko je plenilcev manj, si populacija plena lahko opomore, cikel pa se ponovno začne. Da bi dosegel ta čisti cikel, model temelji na več močnih predpostavkah. Je determinističen (enake začetne vrednosti vedno ustvarijo popolnoma enako krivuljo); je zaprt dvovrstni sistem, ki izključuje vsak abiotski dejavnik (temperatura, padavine, letni čas) in vsak drug biotski dejavnik (rastline, ki so hrana plenu, tretja vrsta, bolezen); poleg tega je rast vsake populacije odvisna izključno od velikosti druge populacije. Resnične populacije le redko izpolnjujejo te predpostavke. Rojstva, smrti in srečanja so odvisni od naključja, stohastična (naključna) različica istega modela pa se pogosto oddalji od čistega cikla in lahko celo propade (npr. populacija plenilcev izumre) v primerih, ko deterministična različica napove stabilno nihanje. Podobno pogosto zadostuje že dodatek enega samega manjkajočega dejavnika (npr. rast, odvisna od temperature, ali omejitev lastnega vira hrane za plen), da se čisti dvospremenljivkovni cikel poruši. To ni pomanjkljivost, ki bi jo bilo treba skrivati pred učenci – gre za osrednjo lekcijo o naravi znanosti v tej dejavnosti. Model je lahko resnično uporaben, hkrati pa je namerno ozka približna predstavitev resničnosti, njegova dobra uporaba pa pomeni natančno poznavanje dejavnikov, ki jih izpušča. V glavni dejavnosti te učne ure učenci to odkrijejo sami, ko poskušajo dodati prav takšne dejavnike. Potek učne ure Faza Čas Dejavnost Uvod 8 min Učitelj pokaže neoznačen graf resničnih podatkov o razmerju plenilec–plen (npr. ris/zajec); učenci opišejo vzorec in oblikujejo prve hipoteze. Uvodna razlaga 12 min Učitelj s preprostim diagramom predstavi spremenljivke in parametre modela (diferencialne enačbe niso potrebne). Raziskovanje 15 min Učenci v parih preizkusijo svoje hipoteze na vnaprej pripravljeni HTML-simulaciji in zapišejo svoja opažanja. Prilagajanje 35 min V parih učenci izvedejo 2–3 kroge napoved → poziv → preizkus → diagnoza (vodilna vprašanja spodaj), pri čemer vsakič od LLM zahtevajo, da simulaciji doda še eno plast ekološke realnosti (omejitev vira hrane za plen, drugo vrsto, sezonski/abiotski dejavnik), dokler se čisti dvospremenljivkovni cikel vidno ne poruši. Refleksija 20 min Razprava s celotnim razredom, voditi jo je mogoče z vprašanji, kot so: V katerem krogu je simulacija prenehala ustvarjati čist, ponavljajoč se cikel? Kaj izvirni model namerno izpušča in zakaj? Zaradi česa je koristna poenostavitev in ne zgolj napačna predstavitev? Vodilna vprašanja: dodajanje plasti kompleksnosti Pari v 35 minutah izvedejo toliko krogov, kot dopušča čas (večina jih obvlada dva; tretji je dodatna naloga za tiste, ki končajo prej). Vsak krog sledi istemu štiristopenjskemu ciklu: Krog 1 – omejitev vira hrane za plen (kapaciteta okolja): Napoved: Preden začnete oblikovati poziv, se vprašajte: kaj pričakujete, da se bo zgodilo s ciklom, če se bo rast plena upočasnila, ko bo populacija velika, namesto da bi rasla neomejeno? Skicirajte pričakovano krivuljo. Poziv: UI naročite, naj v simulacijo doda največjo trajnostno populacijo plena in s svojimi besedami razloži, kako je zaradi tega spremenila enačbo rasti. Preizkus in primerjava: Zaženite novo simulacijo z enakimi začetnimi vrednostmi kot prej. Primerjajte prejšnjo simulacijo z novo: kako so se spremenile spremenljivke? Zakaj je tako? Diagnoza: Katero predpostavko izvirnega modela (neomejena hrana za plen) ste pravkar odstranili? Je ta dejavnik biotski ali abiotski? Krog 2 – dodajanje novega (biotskega ali abiotskega) dejavnika: Napoved: Če zdaj s plenom za hrano tekmuje tretja vrsta, ga tudi lovi, ali pa je rast plena odvisna od temperature – kaj pričakujete, da se bo zgodilo z izvirnim dvovrstnim ciklom? Poziv: Izberite drug dejavnik in napišite poziv, s katerim UI prosite, naj ga doda kot novo spremenljivko, povezano z obstoječimi – natančno določite, kako naj vpliva na populacijo plena ali plenilcev. Preizkus in primerjava: Opazujte simulacijo skozi več ciklov. Ali izvirni dvovrstni ritem preživi, se popači ali izgine? Diagnoza: Izvirni model je predpostavljal, da je vsaka populacija odvisna zgolj od druge. Ali to še vedno drži po tem krogu? Kateremu resničnemu ekološkemu razmerju ustreza vaš novi dejavnik? Dodatni krog 3 – uvedba naključnosti: Napoved: Če en parameter (npr. stopnja plenjenja) ni več fiksen, temveč se ob vsakem časovnem koraku naključno izbere znotraj razpona, kaj pričakujete za dolgoročno stabilnost populacij? Poziv: UI naročite, naj eno konstantno vrednost parametra nadomesti z naključno vrednostjo in naj beleži, ali katera od populacij doseže vrednost nič. Preizkus in primerjava: Simulacijo zaženite večkrat z enakimi nastavitvami. Ali vsakič dobite enak rezultat? Ali katera od populacij kdaj izumre? Diagnoza: Zakaj lahko enake »povprečne« vrednosti parametrov tu včasih pripeljejo do izumrtja, medtem ko deterministični model tega nikoli ni napovedal? Zaključno vprašanje (za fazo refleksije): V katerem krogu je simulacija prenehala ustvarjati čist, ponavljajoč se cikel – in kaj vam to pove o tem, koliko resničnih dejavnikov mora izvirni model Lotka–Volterra izpustiti, da ostane rešljiv in enostaven za razlago? Gradiva En prenosnik na par učencev, z brskalnikom Dostop do klepetalnega vmesnika LLM prek interneta ali lokalno nameščenega modela, če je dostop do interneta v šoli omejen Vnaprej pripravljena HTML-simulacija plenilec–plen (ena sama datoteka, drsniki za izbrane parametre) Kratka predloga za oblikovanje pozivov / delovni list za kroge »dodajanja plasti kompleksnosti« (napoved → poziv → preizkus → diagnoza) Vodilna vprašanja za fazo raziskovanja in refleksijo o naravi znanosti (namen modela v primerjavi z njegovimi omejitvami) 2.3 Angleščina kot tuji jezik Komunikacijska ustreznost v angleščini Predmet: angleščina kot tuji jezik · Razred: 9. razred (14–15 let) · Trajanje: ena dvojna ura (90 min) · UI: učenje Z UI Kompetence, povezane z UI (okvir DUAL.AI.TEACHer) – raven učitelja Predmetno specifični učni cilji – raven učenca AF-TL-2b (Temelji UI in njihova uporaba × Poučevanje in učenje, raven 2 – reflektirano izvajanje): »Učitelji lahko organizirajo elemente učne ure, ki vključujejo uporabo UI z jasnimi pedagoškimi vlogami in strategijami za preverjanje elementov izhoda.« AF-FC-2b (Temelji UI in njihova uporaba × Spodbujanje digitalne kompetence učencev na področju UI, raven 2 – reflektirano izvajanje): »Učitelji lahko izvajajo usmeritve, ki učencem pomagajo razvijati praktične veščine UI, pri čemer naloge prilagajajo predznanju učencev in razpoložljivim orodjem UI.« Ob koncu ure učenci znajo: razlikovati med slovnično pravilno in kontekstualno ustrezno angleščino; prepoznati razlike v besedišču, tonu in registru glede na komunikacijsko situacijo; oblikovati strukturirane pozive, ki določajo naslovnika, namen, kontekst, jezikovno raven in ton; primerjati jezik, ki ga ustvari UI, ter prepoznati neustrezne ali nenaravne formulacije; popraviti jezik, ki ga ustvari UI, na podlagi lastne jezikovne presoje; preveriti, ali odgovor, ki ga ustvari UI, sledi zahtevam, navedenim v pozivu. Ključno sporočilo: UI lahko ustvari tekočo in slovnično pravilno angleščino, vendar to samodejno ne pomeni, da je jezik naraven ali ustrezen za določeno situacijo. S spreminjanjem naslovnika, namena in konteksta pogovora, ki ga ustvari UI, se učenci naučijo vrednotiti predloge UI in pri končnih odločitvah uporabiti lastno jezikovno znanje. Slika 1: »Komunikacijska ustreznost v angleščini« (slika, ustvarjena z UI, ChatGPT GPT Image 2) Vsebina Uspešno sporazumevanje v tujem jeziku zahteva več kot le tvorjenje slovnično pravilnih stavkov. Govorci nenehno prilagajajo besedišče, stavčno zgradbo, vljudnost in ton glede na naslovnika, namen in kontekst sporazumevanja. Isto namero je zato mogoče izraziti na zelo različne načine, odvisno od tega, kdo komu govori. Prošnja, naslovljena na dobrega prijatelja, je lahko kratka in neformalna, medtem ko ista prošnja, naslovljena na učitelja, delodajalca ali neznano osebo, običajno zahteva drugačno besedišče, bolj vljudne strukture in drugačno stopnjo formalnosti. Te razlike so del registra, ki opisuje, kako se jezik spreminja glede na družbeno in komunikacijsko situacijo. Za učence tujega jezika je register lahko težko prepoznati, saj je stavek lahko slovnično pravilen, a hkrati zveni nenaravno ali neustrezno v določenem kontekstu. Učbeniški primeri pogosto ponujajo jasne razlike med formalnim in neformalnim jezikom, medtem ko je resnično sporazumevanje veliko bolj prilagodljivo. Starost, odnos med govorci, kulturna pričakovanja, medij sporazumevanja in namen sporočanja lahko vsi vplivajo na uporabljeni jezik. Sporočilo, ki zveni naravno v pogovoru med najstniki, na primer lahko zveni preveč neformalno v e-pošti učitelju, medtem ko izraz, primeren za formalno pismo, lahko v vsakdanjem pogovoru zveni nepotrebno oddaljen. Generativna UI lahko zelo hitro ustvarja in prilagaja dialoge, zato je uporabna za raziskovanje teh razlik. S spreminjanjem posameznih elementov poziva, na primer odnosa med govorci, jezikovne ravni, namena ali stopnje formalnosti, lahko učenci ustvarijo več različic iste komunikacijske situacije in primerjajo, kako se jezik spreminja. Hkrati jezik, ki ga ustvari UI, ni samodejno zanesljiv le zato, ker zveni tekoče. Model lahko ustvari jezik, ki je preveč formalen, ponavljajoč, kulturno neroden, neskladen z zahtevano ravnjo ali ne v celoti usklajen z navodili iz poziva. Generativna UI deluje tudi verjetnostno, kar pomeni, da lahko podobni pozivi ustvarijo različne formulacije. Ta omejitev je osrednji del dejavnosti in ne nekaj, kar bi bilo treba pred učenci skrivati. UI postane najbolj koristna, ko učenci njen izpis obravnavajo kot jezikovno gradivo za analizo in ne kot odgovor, ki ga je treba sprejeti. V tej učni uri učenci najprej preučijo, kako se register spreminja glede na komunikacijski kontekst, nato pa z jezikovnim modelom (LLM) vsakič spremenijo eno komunikacijsko spremenljivko. Primerjajo nastale dialoge, prepoznajo, katere jezikovne izbire delujejo in katere ne, ter del izpisa popravijo sami. Na ta način učenci vadijo tako komunikacijsko kompetenco v angleščini kot praktično pismenost na področju UI: dajanje jasnih navodil, preverjanje, ali so bila ta navodila upoštevana, ter uporabo lastne jezikovne presoje pri odločanju, ali je končni rezultat ustrezen. Potek učne ure Faza Čas Dejavnost Uvod 10 min Učitelj pokaže dve kratki sporočili, ki sporočata isto prošnjo, na primer eno, naslovljeno na prijatelja, in drugo, naslovljeno na učitelja. Učenci prepoznajo razlike v besedišču, vljudnosti in tonu ter predlagajo, kdo bi lahko napisal posamezno sporočilo. Uvodna razlaga 10 min Učitelj predstavi pojme naslovnik, namen, kontekst in register. Učenci skupaj prepoznajo značilnosti formalne in neformalne angleščine ter razpravljajo o tem, zakaj slovnično pravilen jezik ni nujno tudi ustrezen jezik. Raziskovanje 15 min Učenci v parih preučijo kratek dialog za vsakdanjo situacijo, ki ga je ustvarila UI. Prepoznajo uporabne izraze in označijo vse, kar zveni nenaravno, preveč formalno, preveč neformalno ali neprimerno za njihovo raven angleščine. Prilagajanje 35 min Učenci izvedejo 2–3 kroge napoved → poziv → primerjava → diagnoza. V vsakem krogu spremenijo en vidik komunikacijskega konteksta in UI prosijo, naj dialog prilagodi. Refleksija 20 min Učenci primerjajo svoje različice in razpravljajo, katere spremembe so najbolj vplivale na jezik. Prepoznajo, kje je UI dobro sledila navodilom, kje ne, in katere izraze bi sami spremenili. Vodilna vprašanja: dodajanje plasti kompleksnosti Pari v 35-minutni fazi prilagajanja izvedejo toliko krogov, kot dopušča čas. Večina parov naj bi zaključila dva kroga, tretji pa je lahko dodatna naloga: Krog 1 – sprememba odnosa med govorci: Napoved: Predstavljajte si, da je ista prošnja naslovljena na dobrega prijatelja in na učitelja. Kaj pričakujete, da se bo spremenilo? Pomislite na besedišče, pozdrave, stavčno zgradbo in vljudnost. Poziv: UI naročite, naj dialog prepiše za drugačen odnos med govorci. Na primer: Prepiši ta pogovor med dvema prijateljema kot pogovor med učencem in učiteljem. Ohrani enak pomen, vendar uporabi vljudno, naravno angleščino, primerno za učenca na ravni B1. Primerjava: Primerjajte izvirni in novi dialog. Prepoznajte vsaj tri jezikovne spremembe. Diagnoza: Ali je UI spremenila le posamezne besede ali tudi stavčno zgradbo, pozdrave, prošnje in zaključne izraze? Katere spremembe so ustrezne? Ali je kaj, kar bi sami spremenili? Krog 2 – sprememba komunikacijskega namena: Učenci zdaj spremenijo, kaj želi doseči eden od govorcev. Na primer: iskanje informacij → vložitev pritožbe sprejetje povabila → vljudna odklonitev prošnja za pomoč → prošnja za dovoljenje neformalni pogovor → formalna prošnja Napoved: Kateri jezik pričakujete, da se bo spremenil, ko se spremeni namen pogovora? Poziv: Ustvarite podrobnejši poziv, ki vključuje: govorca + situacijo + namen + jezikovno raven + ton Na primer: Ustvari kratek dialog na ravni B1 med stranko in uslužbencem kavarne. Stranka je prejela napačno naročilo in želi težavo rešiti vljudno. Uporabi naravno vsakdanjo angleščino in dialog omeji na osem vrstic. Primerjava: Preverite, ali ustvarjeni dialog sledi vsakemu delu navodila. Diagnoza: Izberite en izraz, ki dobro deluje, in enega, ki bi ga prepisali. Pojasnite zakaj. Dodatni krog 3 – dodajanje omejitev in izziv za UI: Učenci svoja navodila naredijo bolj natančna. Na primer: Prepiši pogovor za dva 15-letnika. Angleščino ohrani na ravni B1. Naj bo prijazna in naravna, vendar se izogibaj slengu. Ohrani enak komunikacijski namen. Napoved: Kateri deli prejšnjega dialoga se bodo po vašem mnenju spremenili? Poziv: UI naročite, naj ustvari popravljeno različico. Primerjava: Preverite odgovor glede na vsako zahtevo v pozivu. Diagnoza: Katerim navodilom je UI uspešno sledila? Katera je prezrla ali razumela drugače? Zaključno vprašanje (za fazo refleksije): V kateri točki je sprememba komunikacijske situacije zahtevala več kot le zamenjavo nekaj besed, in kaj vam to pove o učinkovitem sporazumevanju v drugem jeziku? Nadaljujte z: Če je dialog, ki ga ustvari UI, slovnično pravilen, kako se lahko odločite, ali je dejansko ustrezen in naraven za to konkretno situacijo? Gradiva En prenosnik ali tablica na par učencev, z brskalnikom Dostop do odobrenega klepetalnega vmesnika LLM prek interneta ali lokalno nameščenega modela, če je dostop do interneta v šoli omejen En kratek začetni dialog na približno ravni B1 Kratka predloga za oblikovanje pozivov / delovni list za kroge prilagajanja (napoved → poziv → primerjava → diagnoza) Kontrolni seznam za jezikovno vrednotenje, ki zajema pomen, slovnico, besedišče, register, naravnost in izpolnjevanje navodil Vnaprej pripravljeni primeri formalnega in neformalnega sporazumevanja učitelja Kratke smernice za uporabo UI, ki učence opozarjajo, naj ne vnašajo osebnih podatkov in naj jezik, ki ga ustvari UI, obravnavajo kot gradivo za analizo in izboljšavo, ne kot ključ z rešitvami 2.4 Družba: UI, mediji in resničnost Ali lahko verjamemo vsemu, kar vidimo? Predmet: družba · Razred: 5. razred (10–11 let) · Trajanje: ena dvojna ura (90 min) · UI: poučevanje O UI Kompetence, povezane z UI (okvir DUAL.AI.TEACHer) – raven učitelja Predmetno specifični učni cilji – raven učenca EI-FC-2a (Etika UI × Spodbujanje digitalne kompetence učencev na področju UI, raven 2 – reflektirano izvajanje): »Učitelji lahko izvajajo učne dejavnosti, ki razvijajo etično presojanje učencev o UI, utemeljeno z metodološkimi izbirami.« Ob koncu ure učenci znajo: na preprost način razložiti, kaj generativna UI zmore z besedilom in slikami; razlikovati med informacijo, mnenjem in umetno ustvarjeno vsebino; prepoznati znake, zaradi katerih se slika, besedilo ali trditev zdi sumljiva ali nezanesljiva; pojasniti, zakaj odgovor ali slika, ki ju ustvari UI, nista samodejno resnična; prepoznati načine preverjanja informacij, preden jih sprejmemo ali delimo naprej; razpravljati o tem, kako UI lahko vpliva na komunikacijo, medije in vsakdanje življenje ljudi; utemeljiti lastno mnenje o odgovorni uporabi vsebin, ustvarjenih z UI. Ključno sporočilo: UI lahko ustvari prepričljivo besedilo in slike, vendar prepričljivo ne pomeni resnično. Preden nečemu verjamemo ali to delimo naprej, se moramo vprašati, od kod izvira, kateri dokazi to podpirajo in ali lahko to preverimo še kje drugje. Vsebina Umetna inteligenca postaja vse pomembnejši del vsakdanje komunikacije. Sistemi UI lahko ustvarijo besedila, slike in druge oblike vsebin, ki so lahko videti, kot da jih je ustvaril človek. To odpira nove možnosti, hkrati pa prinaša nove izzive za to, kako ljudje razumejo in vrednotijo informacije. Za učence te starosti ni najpomembnejše vprašanje, kako UI tehnično deluje, temveč kako lahko vsebine, ustvarjene z UI, vplivajo na ljudi in družbo. Učna ura UI predstavi skozi znano družbeno situacijo: informacijo, s katero se srečamo v vsakdanjem življenju. Učitelj predstavi primere besedil in slik ter učence prosi, naj se odločijo, ali je vsebina resnična, obdelana ali ustvarjena z UI. Poudarek ni na tem, da bi se učenci naučili popolno prepoznati UI. Pravzaprav je eden od osrednjih sklepov učne ure ravno to, da zgolj videz ni zanesljiv način ugotavljanja, ali je nekaj resnično. Učenci se namesto tega naučijo preprostega postopka preverjanja: USTAVI SE → VPRAŠAJ SE → PREVERI → PRIMERJAJ → ODLOČI SE Dejavnost se navezuje na poudarek učnega načrta za družbo na razvijanju kritičnega mišljenja, analizi dokazov, oblikovanju in izražanju mnenj ter raziskovanju družbenega okolja. Učni načrt med predlaganimi družbenimi temami za 5. razred izrecno vključuje vlogo in vpliv medijev. Učni načrt učitelje tudi izrecno spodbuja k razvijanju racionalnega in kritičnega mišljenja z zastavljanjem vprašanj, ki zahtevajo sklepanje, raziskovanjem dokazov, analizo podatkov, ki podpirajo ali izpodbijajo sklepe, ter upoštevanjem različnih razlag. Pomembno je, da učenci med uro ne komunicirajo neposredno s sistemom UI. Orodje UI upravlja učitelj, ki razredu predstavi izbrane izpise. Vloga učencev je opazovati, spraševati, primerjati in vrednotiti vsebino. Potek učne ure Faza Čas Dejavnost Uvod 10 min Učitelj pokaže dve ali tri slike ali kratka besedila, povezana z znano situacijo. Učenci se posamično odločijo: Je to resnično? Kako veste? Uvodna razlaga 15 min Učitelj UI predstavi v starosti primernem jeziku: kaj generativna UI zmore in zakaj je lahko vsebina, ustvarjena z UI, videti prepričljiva. Predstavitev 15 min Učitelj v živo uporabi orodje UI, da na podlagi preprostega poziva ustvari sliko ali kratko besedilo. Učenci opazujejo, kako hitro je mogoče ustvariti vsebino, in razpravljajo o tem, kaj UI dejansko ustvari. Raziskovanje 30 min Skupine dobijo več primerov informacij/vsebin. S kontrolnim seznamom za preverjanje se odločijo, čemu bi zaupale, kaj bi vprašale in kaj bi še dodatno preverile. Refleksija 20 min Razprava s celotnim razredom: Ali lahko zaupamo sliki samo zato, ker je videti resnična? Kaj pa besedilu? Kdo je odgovoren, če ustvarimo ali širimo napačno informacijo? Vodilna vprašanja: Učenci skupaj z učiteljem obravnavajo naslednje situacije. UI upravlja izključno učitelj. 1. Krog 1 – USTAVI SE: ne verjemi takoj Učitelj učencem pokaže sliko znane situacije, ustvarjeno z UI – na primer navidezno realistično fotografijo nenavadnega dogodka v Sloveniji. Preden karkoli razkrijete, učenci odgovorijo: Ali je ta slika videti resnična? Zakaj tako mislite? Katere podrobnosti jo naredijo verjetno? Je kaj, kar je videti nenavadno? Učitelj razkrije, da je bila slika ustvarjena z UI, in na kratko razloži, kako lahko generativna UI ustvari slike, ki so videti resnične. Zaradi česa smo verjeli, da je slika resnična? Smo iskali dokaze ali smo preprosto zaupali temu, kar smo videli? Bi lahko nekdo tako sliko uporabil, da bi zavedel druge ljudi? Diagnoza: Učenci prepoznajo razliko med »To je videti resnično« in »Imam dokaz, da je to resnično«. Ključna misel: Realističen videz ni dokaz, da je nekaj resnično. 2. Krog 2 – VPRAŠAJ SE: kdo je to ustvaril in zakaj? Učitelj predstavi kratko novičarsko besedilo, ustvarjeno z UI. Učitelj na primer od sistema UI zahteva, naj napiše kratek članek o namišljenem dogodku na slovenski šoli. Učenci ne komunicirajo neposredno z UI. Namesto tega analizirajo izpis. Kdo je to napisal ali ustvaril? Od kod naj bi informacija prihajala? Ali besedilo navaja vir? Ali ponuja dokaze? Ali lahko informacijo preverimo? Zakaj bi nekdo želel objaviti takšno informacijo? Ali besedilo zveni prepričano, čeprav ne vemo, ali je resnično? Učenci odkrijejo, da lahko besedilo zveni samozavestno, informativno in prepričljivo, čeprav mu manjka zanesljiv vir ali dokaz. Ključna misel: Samozavestno zveneč odgovor ni nujno pravilen odgovor. 3. Krog 3 – PREVERI IN PRIMERJAJ: preverimo to Učitelj predstavi izmišljeno trditev: »V Sloveniji je bilo uvedeno novo pravilo: učenci ob sobotah ne smejo več uporabljati mobilnih telefonov.« Trditev je namerno preprosta in dovolj verjetna, da učence spodbudi k razmisleku, kako bi jo preverili. Od učencev se ne zahteva zgolj odgovor »resnično« ali »neresnično«. Namesto tega morajo zasnovati strategijo preverjanja. Kje bi preverili to informacijo? Koga bi lahko vprašali? Bi zaupali objavi na družbenih omrežjih? Bi preverili samo en vir ali več virov? Kaj bi šteli za dober dokaz? Kateremu viru bi bolj zaupali? Kaj bi vas prepričalo, da spremenite mnenje? Učitelj nato pokaže, kako bi trditev lahko preverili z uporabo različnih vrst virov. Učenci spoznajo, da je preverjanje informacij proces in ne zgolj odločitev o tem, ali se nekaj »zdi resnično«. 4. Dodatni krog – UI proti človeku Učitelj vpraša sistem UI: »Zakaj je pomembno ohranjati kulturno dediščino?« UI ustvari kratek odgovor. Učenci nato samostojno, brez UI, oblikujejo svoj odgovor. Razred primerja oba odgovora. Kaj je UI dobro odgovorila? Kaj manjka? Ali UI podaja informacijo, mnenje ali oboje? Ali UI pozna naše lokalno okolje tako dobro kot mi? Kateri odgovor bi bil bolj uporaben pri predstavitvi naše lokalne kulturne dediščine? Ali lahko odgovor UI nadomesti naše lastno razmišljanje? To se povezuje s poudarkom učnega načrta na kulturni dediščini, razumevanju preteklosti in sedanjosti pri učencih ter njihovi zmožnosti razlage in utemeljevanja lastnih stališč. Zaključna dejavnost: oblikovanje razrednega pravila Ob koncu ure učitelj in učenci skupaj ustvarijo preprost razredni plakat: 5 VPRAŠANJ, PREDEN DELIMO NAPREJ USTAVI SE – Ali moram temu takoj verjeti? VPRAŠAJ SE – Kdo je to ustvaril ali objavil? PREVERI – Kje lahko preverim informacijo? PRIMERJAJ – Ali drugi zanesljivi viri pravijo enako? ODLOČI SE – Imam dovolj dokazov, da temu verjamem ali to delim naprej? Plakat postane glavni praktični izdelek te učne ure. Zaključno vprašanje: Če lahko računalnik ustvari sliko ali besedilo, ki je videti popolnoma resnično, kaj moramo storiti, preden temu verjamemo ali to delimo z drugimi ljudmi? Gradiva En računalnik in projektor za učitelja; dostop do orodja LLM/UI, ki ga upravlja učitelj; 2–3 vnaprej pripravljene slike in besedila, ustvarjena z UI; več primerov resničnih in izmišljenih informacij; delovni list USTAVI SE → VPRAŠAJ SE → PREVERI → PRIMERJAJ → ODLOČI SE; različni viri, ki jih učenci lahko uporabijo za preverjanje; tabla ali plakat za oblikovanje razrednega pravila »5 vprašanj, preden delimo naprej«. Vloga učitelja in vloga učencev Osrednje oblikovalsko načelo te učne ure je, da uporabo UI vodi učitelj. Učitelj Učenci Upravlja orodje UI. Opazujejo izpis UI. Ustvarja izbrane primere. Postavljajo vprašanja o vsebini. Prikaže, kako UI ustvarja besedilo/slike. Prepoznavajo razloge za zaupanje ali dvom v informacijo. Zagotavlja primere in nasprotne primere. Primerjajo različne vire. Modelira strategije preverjanja. Razvijajo lastno strategijo preverjanja. Vodi razpravo. Razlagajo in utemeljujejo svoje sklepe. Naredi omejitve UI vidne. Razmišljajo o odgovornem deljenju informacij. Učenci se torej učijo o zmožnostih, omejitvah in družbenih posledicah UI, ne da bi za to potrebovali lasten dostop do sistema UI. 2.5 Medpredmetno: Načrtovanje učnih ur s pomočjo UI Načrtovanje pouka s pomočjo UI Predmet: strokovni razvoj učiteljev · Ciljna skupina: učitelji · Trajanje: ena delavnica (90 min) · UI: poučevanje Z UI Kompetence, povezane z UI (okvir DUAL.AI.TEACHer) – raven učitelja Predmetno specifični učni cilji – raven učenca AF-DR-2b (Temelji UI in njihova uporaba × Digitalni viri, raven 2 – reflektirano izvajanje): »Učitelji lahko izvajajo strategije oblikovanja pozivov, ponavljanja in izpopolnjevanja za pridobitev uporabnih virov, ustvarjenih z UI.« AF-TL-2b (Temelji UI in njihova uporaba × Poučevanje in učenje, raven 2 – reflektirano izvajanje): »Učitelji lahko organizirajo elemente učne ure, ki vključujejo uporabo UI z jasnimi pedagoškimi vlogami in strategijami za preverjanje elementov izhoda.« Ob koncu delavnice udeleženci znajo: oblikovati strukturiran poziv za ustvarjanje učne dejavnosti na svojem predmetnem področju; ovrednotiti dejavnost, ki jo ustvari UI, glede na pedagoško relevantnost, točnost in ustreznost za ciljno skupino; prepoznati elemente gradiva, ustvarjenega z UI, ki zahtevajo človeško preverjanje ali prilagoditev; izboljšati začetni izpis UI s pomočjo oblikovanja pozivov, ponavljanja in ročnega popravljanja; vključiti UI v učno uro ob ohranjanju jasne pedagoške vloge učitelja in učenca. Ključno sporočilo: Generativna UI lahko pospeši pripravo učne ure, vendar uporabna učna dejavnost redko nastane iz enega samega poziva. Učinkovito načrtovanje pouka s podporo UI je iterativen proces, v katerem učitelj opredeli pedagoški cilj, ustvari zamisli, ovrednoti izpis, ga izpopolni in sprejme končne strokovne odločitve. Slika 1: »Načrtovanje pouka s pomočjo UI« (slika, ustvarjena z UI, ChatGPT GPT Image 2) Vsebina Generativna UI lahko učiteljem pomaga pri številnih nalogah, povezanih s pripravo pouka, vključno z ustvarjanjem zamisli za dejavnosti, prilagajanjem gradiv različnim skupinam učencev, pripravo primerov in vprašanj ali predlaganjem alternativnih načinov razlage teme. Latvijska študija primera Datorium prikazuje ta praktični pristop k razvoju kompetenc učiteljev na področju UI: učitelji se najprej seznanijo z UI in njeno uporabo v izobraževanju, nato pa preidejo k praktičnemu eksperimentiranju, načrtovanju pouka, ocenjevanju in razvoju diferenciranih gradiv. Uporabi v razredu sledita refleksija in povratna informacija, zaradi česar uporaba UI postane del iterativnega procesa strokovnega učenja in ne enkratna tehnična vaja. Uporabnost generativne UI za načrtovanje pouka je močno odvisna od informacij in omejitev, ki jih poda učitelj. Zahteva, kot je »Ustvari učno uro o podnebnih spremembah«, prepusti večino pedagoških odločitev sistemu UI. Bolj strukturiran poziv lahko določi predmet, starost učencev, predznanje, učni cilj, trajanje, učno metodo, razpoložljiva sredstva in pričakovan izdelek učencev. Dodajanje teh elementov ne zagotavlja dobre učne ure, vendar učitelju daje večji nadzor nad tem, kaj UI ustvari, in olajša vrednotenje nastalega gradiva glede na predvideni učni cilj. Tudi podroben poziv lahko ustvari gradivo, ki je vsebinsko netočno, pedagoško šibko, nerealno glede na razpoložljiv čas pouka ali neprimerno za določeno skupino učencev. UI lahko predlaga dejavnosti, ne da bi upoštevala dinamiko razreda, predpostavi vire, ki niso na voljo, ustvari naloge, ki dejansko ne merijo navedenega učnega cilja, ali ponudi vsebino, ki deluje prepričljivo, a zahteva vsebinsko preverjanje. Zato je treba izobraževalno gradivo, ustvarjeno z UI, obravnavati kot osnutek in ne kot dokončan učni pripomoček. Osrednji učni proces v tej dejavnosti torej ni zgolj učenje, kako napisati »dober poziv«. Učitelji delajo skozi ponavljajoč se cikel opredelitev → poziv → vrednotenje → izpopolnitev → preverjanje. Začnejo z resničnim učnim ciljem iz lastnega pedagoškega konteksta, uporabijo UI za predlog dejavnosti, rezultat ovrednotijo glede na pedagoška merila, po potrebi izpopolnijo poziv in na koncu naredijo lastne spremembe, preden je dejavnost pripravljena za uporabo v razredu. To odraža poudarek študije primera Datorium na praktičnem eksperimentiranju, sooblikovanju, uporabi v razredu in refleksiji, hkrati pa ohranja pedagoško odgovornost in potrjevanje pri učitelju. Potek delavnice Faza Čas Dejavnost Uvod 10 min Udeleženci opredelijo eno nalogo pri pripravi pouka, pri kateri bi UI lahko bila koristna. Voditelj predstavi UI kot pomočnico/sooblikovalko in ne kot samostojno oblikovalko pouka. Uvodna razlaga 15 min Udeleženci primerjajo preprost poziv s strukturiranim izobraževalnim pozivom in preučijo, kako dodaten kontekst spremeni ustvarjeno učno dejavnost. Raziskovanje 15 min Vsak udeleženec izbere resničen učni cilj s svojega predmetnega področja in od LLM zahteva kratko dejavnost za razred, ki ta cilj naslavlja. Prilagajanje 35 min Udeleženci izvedejo dva ali tri kroge poziv → vrednotenje → izpopolnitev → preverjanje, pri čemer postopoma dodajajo pedagoške omejitve in preverjajo nastalo dejavnost. Refleksija 25 min Udeleženci primerjajo svoj prvotni izpis UI s končno različico, pripravljeno za razred, in prepoznajo, katere izboljšave izhajajo iz oblikovanja pozivov in katere so zahtevale njihovo lastno strokovno presojo. Vodilna vprašanja: od izpisa UI do dejavnosti, pripravljene za razred Krog 1 – opredelitev pedagoškega namena: Preden oblikujete poziv za UI, opredelite: Kdo so učenci? Kaj naj bi znali ali zmogli narediti? Kakšno predznanje imajo? Koliko časa je na voljo? Kaj naj učenci dejansko počnejo med dejavnostjo? Ustvarite začetno dejavnost in jo primerjajte s predvidenim učnim ciljem. Diagnoza: Ali dejavnost učencem dejansko pomaga doseči cilj ali se le nanaša na isto temo? Krog 2 – dodajanje razrednih omejitev: Izpopolnite poziv tako, da dodate realistične pogoje, kot so velikost razreda, razpoložljiva gradiva, trajanje ure, raven učencev, učna metoda ali zahteve glede dostopnosti. Ustvarite popravljeno dejavnost in jo primerjajte s prvo različico. Primerjava: Preverite, ali ustvarjena učna dejavnost izpolnjuje vse zahteve iz navodila. Diagnoza: Katere spremembe so izboljšale dejavnost? Katerih razrednih pogojev UI še vedno ni upoštevala? Dodatni krog 3 – preverjanje in ponovni prevzem nadzora: Ovrednotite končno dejavnost, ki jo je ustvarila UI, glede na: vsebinsko točnost; skladnost z učnim ciljem; ustreznost za skupino učencev; realen časovni okvir; jasnost navodil; dostopnost in vključenost; vlogo učitelja in učenca. Udeleženci nato naredijo vsaj eno ročno spremembo, ne da bi za popravek prosili UI. Končna primerjava torej ni »Kateri poziv je ustvaril najboljši odgovor UI?«, temveč »Kaj je moral učitelj prispevati, da je iz zamisli, ustvarjene z UI, oblikoval uporabno učno dejavnost?« Zaključno vprašanje (za fazo refleksije): V kateri točki je dejavnost, ustvarjena z UI, zahtevala več kot le izboljšanje poziva, in kaj vam to pove o vlogi učitelja pri načrtovanju pouka s podporo UI? Nadaljujte z: Če se učna dejavnost, ki jo je ustvarila UI, zdi popolna in dobro strukturirana, kako se lahko odločite, ali je dejansko pedagoško ustrezna in pripravljena za uporabo z učenci? Gradiva En prenosnik ali tablica na udeleženca, z brskalnikom Dostop do odobrenega klepetalnega vmesnika LLM ali lokalno nameščenega modela En resničen učni cilj ali tema učne ure iz pedagoškega konteksta vsakega udeleženca Predloga za strukturirano oblikovanje izobraževalnih pozivov Kratek delovni list za cikel opredelitev → poziv → vrednotenje → izpopolnitev → preverjanje Kontrolni seznam za vrednotenje, ki zajema pedagoško relevantnost, točnost, ustreznost za učence, izvedljivost in skladnost z učnimi cilji Primer preprostega poziva in bolj strukturiranega izobraževalnega poziva 2.6 Zgodovina: rekonstrukcija preteklosti En dan v srednjeveški Rigi: kaj nam viri resnično lahko povedo? Predmet: zgodovina · Ciljna skupina: 7. razred (13–14 let) · Trajanje: ena dvojna ura · UI: učenje Z UI Kompetence, povezane z UI (okvir DUAL.AI.TEACHer) – raven učitelja Predmetno specifični učni cilji – raven učenca AF-TL-2b (Temelji UI in njihova uporaba × Poučevanje in učenje, raven 2 – reflektirano izvajanje): »Učitelji lahko organizirajo elemente učne ure, ki vključujejo uporabo UI z jasnimi pedagoškimi vlogami in strategijami za preverjanje elementov izhoda.« AF-FC-2b (Temelji UI in njihova uporaba × Spodbujanje digitalne kompetence učencev na področju UI, raven 2 – reflektirano izvajanje): »Učitelji lahko izvajajo usmeritve, ki učencem pomagajo razvijati praktične veščine UI, pri čemer naloge prilagajajo predznanju učencev in razpoložljivim orodjem UI.« Ob koncu ure učenci znajo: pridobiti informacije o srednjeveškem mestnem življenju iz pisnih, vizualnih in arheoloških virov; razlikovati med dokazom, razumnim sklepom in ugibanjem; pojasniti vidike trgovine, obrti in vsakdanjega življenja v srednjeveški Rigi; povezati dokaze iz več virov v zgodovinsko rekonstrukcijo; oblikovati pozive, ki od UI zahtevajo, da izhaja iz predloženih zgodovinskih dokazov; analizirati informacije, da razumejo pomen zanesljivih virov. Ključno sporočilo: Kar je prikazano, ni nujno tisto, kar se je zgodilo. Zgodovinske rekonstrukcije združujejo dokaze, razumne sklepe in ugibanje. Razumeti preteklost pomeni prepoznati razliko med tem, kar vemo iz virov, tem, kar lahko razumno sklepamo, in tem, kar si je nekdo izmislil, da bi zapolnil vrzeli in povedal boljšo zgodbo. Slika 1: »En dan v srednjeveški Rigi: kaj nam viri resnično lahko povedo?« (slika, ustvarjena z UI, ChatGPT GPT Image 2) Vsebina Zgodovinarji ne morejo neposredno opazovati vsakdanjega življenja v srednjem veku. Namesto tega ga rekonstruirajo iz sledi, ki so jih pustili ljudje: pisnih dokumentov, stavb, predmetov, podob, arheoloških najdb in drugih dokazov. Različni viri odgovarjajo na različna vprašanja. Trgovinski zapis lahko razkrije, katero blago je prihajalo v mesto, medtem ko nam arheološki predmet lahko pove nekaj o tem, kaj so ljudje imeli ali uporabljali. Noben posamezen vir ne more sam obnoviti celotnega dneva v nekogaršnjem življenju. Srednjeveška Riga je uporaben študijski primer. Riga se je hitro razvijala po začetku 13. stoletja in postala pomembno središče, ki je povezovalo trgovino med zahodno Evropo, Livonijo in deželami dlje na vzhodu. Do poznega 13. stoletja je postala pomembno hanzeatsko trgovsko mesto. Trgovina in obrt sta podpirali rast trgovskih in obrtniških organizacij, kot so bili cehi. Sodobni mediji lahko preteklost prikažejo veliko bolj popolno, kot to dejansko dopuščajo ohranjeni dokazi. Zgodovinske vsebine, ustvarjene z UI, kot je Chloe VS History, na primer prikazujejo živahne prizore »potovanja skozi čas«, v katerih se zdi, da gledalci obiščejo zgodovinska prizorišča, kot je London med veliko kugo. Oblačila, ulice, stavbe, ljudje in vsakdanje dejavnosti so predstavljeni, kot da bi jih neposredno opazovali. Vendar so ti prizori rekonstrukcije: nekateri podatki lahko temeljijo na zgodovinskih dokazih, nekateri so lahko razumni sklepi, drugi pa so lahko ugibanje ali netočni. Enaka težava se pojavi tudi v zgodovinskih filmih. Film Vitez iz mesta (A Knight's Tale) ustvari prepoznavno srednjeveški svet z oklepi, turnirji, oblačili, arhitekturo in družbenimi vlogami, hkrati pa namerno vnaša sodobno glasbo, jezik in vedenje. Zato je koristen opomnik, da lahko nekaj deluje prepričljivo zgodovinsko, ne da bi predstavljalo natanko to, kar se je zgodilo. Generativna UI deluje podobno. Fragmente zgodovinskih dokazov lahko poveže v skladno rekonstrukcijo dneva v srednjeveški Rigi, vendar lahko vrzeli zapolni tudi s podrobnostmi, ki jih v virih nikoli ni bilo. Nekateri dodatki so lahko zgodovinsko verjetni, drugi pa lahko pripadajo drugi regiji, stoletju ali družbeni skupini. Učenci morajo zato razlikovati med tremi stopnjami gotovosti: Dokaz – kar zgodovinski viri neposredno podpirajo. Sklep – kar je mogoče razumno sklepati iz tega dokaza. Ugibanje – kar si je nekdo izmislil, da bi zapolnil vrzeli. Potek učne ure Faza Čas Dejavnost Uvodni motiv 10 min Ogled videa Chloe VS History o srednjem veku, ustvarjenega z UI. Učenci prepoznajo, kaj naredi video verodostojen, in se vprašajo, katere podrobnosti dejansko podpirajo dokazi. Uvodna razlaga 10 min Predstavitev pojmov dokaz – sklep – ugibanje in vaja razlikovanja med njimi. Raziskovanje 15 min Učenci brez UI analizirajo vire o srednjeveški Rigi in ugotovijo, kaj je resnično mogoče vedeti. Prilagajanje 1 20 min UI iz omejenih dokazov rekonstruira dan v srednjeveški Rigi. Učenci prepoznajo, kje je zapolnila vrzeli. Prilagajanje 2 20 min Dodajo se dodatni viri in strožje oblikovanje pozivov. Učenci primerjajo obe rekonstrukciji. Refleksija 25 min Učenci enak okvir kritičnega mišljenja prenesejo na srednjeveški zgodovinski film. Vodilna vprašanja: od izpisa UI do dejavnosti, pripravljene za razred Uvodni motiv – Predvajajte približno 30–60 sekund videa Chloe VS History (TikTok/YouTube), obiska Londona med veliko kugo leta 1348, ustvarjenega z UI: Razpravljalno vprašanje: »Zaradi česa je videti kot pristen obisk srednjeveškega Londona?« Uvedite problem: »Kako pravzaprav vemo, da so ti podatki zgodovinsko točni?« Ključno načelo te učne ure (pomen virov). Zgodovinski dokaz → sklep → ugibanje Uvodna razlaga – arheološki predmet: srednjeveški glavnik: Podajte trditve o predmetu, ki jih je treba razvrstiti v kategorije – dokaz, sklep, ugibanje. Primer: Kostni glavnik je bil odkrit v srednjeveški Rigi – dokaz Nekateri prebivalci Rige so uporabljali glavnike – sklep Lastnik si je vsako jutro počesal lase, preden je odšel na tržnico – ugibanje Raziskovanje – skupinsko delo. Analiza virov: 4 različni viri o srednjeveški Rigi. A) Riga kot hanzeatsko trgovsko mesto. Besedilo Muzeja zgodovine Rige in plovbe, »Riga kot del Livonije (13.–16. stoletje)« B) Arheološki dokazi hanzeatske trgovine. Slike Muzeja zgodovine Rige in plovbe, »Arheološki dokazi hanzeatske trgovine v Rigi« C) Seznam uvoza in izvoza iz Rige. Trgovinski podatki Muzeja zgodovine Rige in plovbe, »Arheološki dokazi hanzeatske trgovine v Rigi« D) Rižki gradbeni predpisi iz leta 1293, ki so po izbruhu požara omejili gradnjo lesenih hiš. Učenci za vsak vir izpolnijo delovni list z odgovori na naslednje vprašanje: Kaj vemo? Kaj lahko razumno sklepamo? Česa še ne vemo? UI zapolni manjkajoče vrzeli: Poziv, ki ga uporabijo učenci: Samo na podlagi virov A in B opišite eno jutro v srednjeveški Rigi z vidika mladega meščana. Napišite približno 150 besed. Prizor naj bo živ, vendar ne vnašajte informacij, ki jih iz virov ni mogoče razumno sklepati. Učenci označijo odgovor UI: Dokaz Razumen sklep Nepodprto / ugibanje UI svoje delo popravi z uporabo več dokazov: Izboljšan poziv: Popravite rekonstrukcijo z uporabo virov A–D. Za vsako pomembno zgodovinsko podrobnost navedite njen vir, na primer [Vir B]. Če nekaj ni neposredno navedeno, a je razumno sklepano iz virov, zapišite [Sklep]. Odstranite podrobnosti, ki jih ni mogoče podpreti ali razumno sklepati. Primerjava: Različica 1 → Različica 2 Poiščite: eno podrobnost, ki je postala natančnejša; eno podrobnost, ki jo je UI odstranila; eno novo podrobnost, podprto z dokazi; eno podrobnost, ki še vedno zahteva preverjanje. Refleksija / prenos znanja Prikažite kratek, za razred primeren prizor ali sličico iz filma Vitez iz mesta (A Knight's Tale, 2001). Razpravljalno vprašanje: Na podlagi ključnih načel te učne ure: kaj izstopa kot dokaz, kaj kot sklep in kaj kot ugibanje? Če filmski ustvarjalci spremenijo zgodovinske podrobnosti, da bi ustvarili boljšo zgodbo, ali je to nujno napačno? Zaključna individualna refleksija: Učenci dopolnijo: Nekaj lahko deluje zgodovinsko prepričljivo, kadar … Preden verjamem nečemu, kar vidim v zgodovinskem filmu, moram … Zgodovinski film lahko izmisli ali spremeni podrobnosti, vendar … Gradiva Projektor / interaktivna tabla z zvočniki. Video Chloe VS History o srednjem veku, ustvarjen z UI, za uvodni motiv. Slika srednjeveškega kostnega glavnika iz Rige. Mini delovni list dokaz–sklep–ugibanje. Paket virov o srednjeveški Rigi: besedilo o hanzeatski trgovini, slike arheoloških najdb, seznam uvoza/izvoza, gradbeni predpisi iz leta 1293. Delovni list za analizo virov. Naprave učencev z dostopom do odobrenega orodja generativne UI. Delovna lista za pozive UI in primerjavo za 1. in 2. krog. Kratek posnetek ali sličica iz filma Vitez iz mesta (2001) za refleksijo. 2.7 Informatika / naravoslovje: UI za resnično šolsko težavo Ali nam UI lahko pomaga ločevati odpadke v šoli? Predmet: Informatika/naravoslovje ·  Ciljna skupina: 7. razred (13–14 let) ·  Trajanje: 1 dvojna ura ·  UI: učenje Z UI  Kompetence, povezane z UI (okvir DUAL.AI.TEACHer) – raven učitelja Predmetno specifični učni cilji – raven učenca AF-TL-2b (Temelji UI in njihova uporaba × Poučevanje in učenje, raven 2 – reflektirano izvajanje):   »Učitelji razumejo temeljna načela UI in strojnega učenja ter jih znajo prikazati na praktičnih primerih.«   AF-FC-2b (Temelji UI in njihova uporaba × Spodbujanje digitalne kompetence učencev na področju (UI), raven 2 – reflektirano izvajanje):   »Učitelji lahko učence vodijo pri eksperimentiranju z orodji UI, preizkušanju njihovih izhodov in kritičnem razmisleku o njihovi zanesljivosti.« Ob koncu ure učenci znajo: s preprostimi besedami razložiti, kako se model UI uči iz primerov naučiti in preizkusiti preprost model za razvrščanje slik  prepoznati primere, v katerih model daje napačne rezultate razložiti, kako kakovost primerov vpliva na uspešnost UI model izboljšati na podlagi preizkušanja; • presoditi, ali bi bila rešitev z UI uporabna in zanesljiva v resnični šolski situaciji. Ključno sporočilo: UI lahko pomaga pri resničnih težavah, vendar ne razume samodejno tega, kar vidi. Uči se iz primerov, ki jih zagotovijo ljudje, zato je treba njene rezultate preizkusiti in ovrednotiti. Slika 1: »Ali nam UI lahko pomaga ločevati odpadke v šoli?« (slika, ustvarjena z UI, ChatGPT GPT Image 2) Vsebina Ločevanje odpadkov je v številnih šolah vsakodnevno vprašanje. Učenci vsak dan uporabljajo papir, plastenke, embalažo živil in druge materiale, vendar ti predmeti ne pristanejo vedno v pravem zabojniku za recikliranje. Ta znana situacija ponuja preprost način za raziskovanje delovanja umetne inteligence. Učenci raziščejo, ali bi sistem UI lahko prepoznal predmet in priporočil, v kateri zabojnik za recikliranje sodi. Med dejavnostjo učenci ustvarijo osnovni model za razvrščanje slik s kategorijami, kot so papir, plastika in drugi odpadki. UI predložijo več primerov, model naučijo in ga nato preizkusijo z novimi predmeti. Dejavnost prikaže pomembno načelo strojnega učenja: UI se vzorcev nauči iz primerov, ki jih prejme. Če so primeri preveč podobni, nepopolni ali slabo izbrani, lahko model daje nepričakovane rezultate. Učenci torej ne ustvarijo le delujočega modela. Namenoma ga preizkusijo s težkimi primeri, raziščejo njegove napake in ga poskusijo izboljšati. Odkrijejo lahko na primer, da je zmečkana plastenka razvrščena drugače kot običajna plastenka ali da na rezultat vpliva ozadje slike. Učna ura povezuje osnovni pojem UI z resnično šolsko situacijo. Hkrati učence spodbuja h kritičnemu razmišljanju o zanesljivosti in človeški odgovornosti: tudi če sistem UI poda priporočilo, se morajo ljudje še vedno odločiti, ali je rezultat smiseln. Potek učne ure Faza Čas Dejavnost Uvod 10 min Učitelj pokaže več vsakodnevnih odpadkov in učence vpraša, kam sodijo. Razred razpravlja o tem, ali bi lahko UI enako odločitev sprejela samodejno. Uvodna razlaga 10 min Učitelj predstavi razvrščanje slik in razloži, da se UI uči iz primerov. Izbrano orodje UI na kratko prikaže. Raziskovanje 20 min V manjših skupinah učenci ustvarijo kategorije, kot so papir, plastika in drugi odpadki, pripravijo primere in naučijo svoj prvi model. Prilagajanje 1 20 min Učenci model preizkusijo z novimi predmeti in zapišejo, kje je uspešen in kje se zmoti. Prilagajanje 2 20 min Učenci izboljšajo učne primere, model znova naučijo in nove rezultate primerjajo s prvo različico. Refleksija 10 min Učenci razpravljajo o tem, ali bi bil njihov sistem UI dovolj zanesljiv za resnično uporabo v šoli in kakšne so njegove omejitve. Vodilna vprašanja: od poskusa z UI do uporabe v resničnem življenju Uvod – Ali bi UI lahko odločila, kam sodijo naši odpadki? Učitelj pokaže več običajnih predmetov, na primer: list papirja, plastenko, kartonasto škatlo, lonček jogurta, svinčnik. Učenci najprej sami odločijo, kam sodi vsak predmet. Nato vprašajte: Ali bi računalnik lahko enako odločitev sprejel na podlagi slike s kamere? Kako bi vedel, da je nekaj papir ali plastika? Katere informacije bi potreboval? Ali bi se lahko kdaj odločil napačno? Predstavite izziv: Ustvarite model UI, ki lahko učencem pomaga pri odločitvi, kateri zabojnik za recikliranje naj uporabijo. Uvodna razlaga – Kako se uči klasifikator UI? Učitelj prikaže preprosto orodje za razvrščanje slik. Ustvariti je mogoče tri kategorije: Papir – Plastika – Drugo Razložite, da model ne prejme definicije, kot je: »Plastika je material, izdelan iz polimerov.« Namesto tega prejme primere in poskuša prepoznati vzorce. Vprašajte učence: Če UI pokažemo samo plastenke, ali bo razumela vse vrste plastike? Koliko primerov bi morda potrebovala? Ali morajo biti vse fotografije videti enake? Kaj bi se lahko zgodilo, če bi vse predmete iz papirja fotografirali na beli mizi? Ključna misel: Primeri, ki jih zagotovimo, vplivajo na to, česa se UI nauči. Raziskovanje – izdelava prvega modela Učenci delajo v manjših skupinah. Vsaka skupina zbere ali uporabi pripravljene primere za tri kategorije. Na primer: Papir delovni list časopis karton papirnata vrečka Plastika plastenka plastični lonček embalaža Drugo svinčnik kovinski predmet embalaža živil druge vrste tekstil Učenci naučijo svoj prvi model. Nato preizkusijo več preprostih primerov. Za vsak preizkus zapišejo: Predmet → Pričakovani rezultat → Rezultat UI → Pravilno / Napačno Na tej stopnji cilj ni doseči popolne natančnosti. Učenci naj najprej razumejo, kako se sistem obnaša. Prilagajanje 1 – poskusite doseči, da se UI zmoti Učenci sistem zdaj preizkusijo s težjimi primeri. Na primer: zmečkana plastenka; barvni papir; karton s plastičnim premazom; predmet z drugega zornega kota; predmet dlje od kamere; isti predmet pred drugim ozadjem. Vprašajte: Katere primere je UI prepoznala pravilno? Kje se je zmotila? Kaj je bilo pri teh primerih drugače? Ali se UI morda odziva na barvo ali ozadje namesto na sam predmet? Katere informacije morda manjkajo v učnih primerih? Učenci prepoznajo eno šibkost svojega modela. Prilagajanje 2 – izboljšanje modela Vsaka skupina naredi eno ali več sprememb. Na primer: doda več primerov; uporabi različne vrste papirja ali plastike; predmete fotografira z več zornih kotov; uporabi različna ozadja; uravnoteži število primerov v vsaki kategoriji. Učenci model znova naučijo in ponovijo nekatere prejšnje preizkuse. Primerjajo: Različica 1 → Različica 2 Vprašajte: Ali se je model izboljšal? Katera sprememba je pomagala? Ali so še vedno primeri, ki jih ne more zanesljivo razvrstiti? Ali bi dodajanje več podatkov težavo vedno rešilo? Koliko preizkušanja bi bilo potrebnega, preden bi sistem uporabili v resnici? Refleksija – ali bi to UI res uporabili v šoli?  Predstavite hipotetično situacijo: Šola želi ob zabojnike za recikliranje namestiti kamero. Učenci predmet pokažejo kameri, UI pa priporoči, kateri zabojnik naj uporabijo. Učenci se odločijo, ali bi zamisel priporočili. Razpravljajte: Ali bi zaupali sedanjemu modelu? Kaj bi se lahko zgodilo, če bi dal napačen odgovor? Ali bi učenci morali imeti vedno možnost, da njegovo priporočilo prezrejo? Katero dodatno preizkušanje bi bilo potrebno? Ali bi kamera lahko povzročila težave z zasebnostjo? Kje zunaj šole bi bil podoben sistem UI lahko koristen? Učenci dopolnijo: Naša UI je dobro delovala, ko … Naša UI je imela težave, ko … Preden bi ta sistem uporabili v resničnem življenju, bi morali … Zaključno vprašanje za refleksijo: Ko sistem UI poda priporočilo, kdo naj odloči, ali je to priporočilo dovolj dobro za uporabo? Gradiva Računalnik ali tablica za vsako skupino Internetna povezava Dostop do preprostega orodja UI za razvrščanje slik Spletna kamera ali kamera naprave Čisti primeri papirja, plastike in drugih vsakodnevnih predmetov Kot druga možnost pripravljene fotografije predmetov Preprost delovni list za zapisovanje rezultatov preizkusov Projektor / interaktivna tabla za učitelja Neobvezna pripravljena preglednica za primerjavo različice 1 in različice 2 modela   2.8 Matematika: ali stroj res zna računati? Prvo srečanje z UI pri pouku matematike na razredni stopnji – razpoznavanje govora s „Recheneule“ Predmet: Matematika ·   Razred: 2. razred (7–8 let) ·   Trajanje: 1 ura (50 min) ·   UI: učenje O UI Primer iz resnične šole: Ta primer je zasnovan po dokumentirani praksi šole Volksschule Hagenberg im Mühlkreis (Zgornja Avstrija), uradne KI-Pilotschule (pilotne šole za UI) avstrijskega zveznega ministrstva za izobraževanje. Učitelji tam že od 2. razreda naprej UI predstavljajo igrivo, da bi otroke pripravili na njene priložnosti in tveganja (ravnateljica Martina Ketterer-Hager). Osrednji element je projekt digicase / DLPL, v katerem otroci vadijo algoritmično mišljenje – med drugim z matematično igro z razpoznavanjem govora „Die schlaue Recheneule“, razvito skupaj s PH Linz. Ta učna ura je v celoti zgrajena okoli tega resničnega orodja. Usklajena je z ministrsko KI-Initiative in s kompasom štirih smeri Verstehen, Anwenden, Reflektieren, Mitgestalten (razumeti, uporabljati, reflektirati, sooblikovati). Kompetence, povezane z UI (okvir DUAL.AI.TEACHer) – raven učitelja Predmetno specifični učni cilji – raven učenca AF-FC-1a (Temelji UI in njihova uporaba × Spodbujanje digitalne kompetence učencev na področju UI, raven 1 – usmerjeno zavedanje): »Učitelji lahko povzamejo temeljne pojme UI, ki bi jih učenci morali razumeti, vključno s starosti primernimi primeri.« AF-FC-1b (raven 1 – usmerjeno zavedanje): »Učitelji lahko prepoznajo tehnične omejitve današnjih sistemov UI, ki jih morajo razumeti učenci.« Ob koncu ure učenci znajo: •    s preprostimi besedami povedati, da je „Recheneule“ računalniški program, ki poskuša slišati število, ki ga izgovorijo, in da ni oseba ter ne razume vedno; •    z orodjem na glas reševati preproste naloge seštevanja in odštevanja ter prebrati, ali je računalnik slišal pravo število; •    opaziti in poimenovati vsaj eno stvar, zaradi katere UI sliši bolje ali slabše (razločno govorjenje, bližina mikrofona, tiha učilnica); •    preveriti računalnik: ko sova pokaže napačno število, sami izračunati pravilen odgovor in povedati, ali je napako naredil otrok ali računalnik. Ključno sporočilo: Otroci orodja ne uporabljajo le – opazujejo ga. Ko na glas računajo s „Recheneule“ in vidijo, kdaj sliši pravo število in kdaj se zmoti, drugošolci naredijo svoje prvo odkritje o UI: je koristen, a nepopoln stroj, pravi odgovor pa še vedno pozna otrok. To je temelj za vseživljenjsko navado preverjanja in ne le zaupanja. Slika 1: »Prvo srečanje z UI pri pouku matematike na razredni stopnji – razpoznavanje govora s „Recheneule“« (slika, ustvarjena z UI, ChatGPT GPT Image 2) Vsebina Majhni otroci se z umetno inteligenco srečajo dolgo preden jo lahko razložijo: glasovni pomočniki doma, kamere, ki najdejo obraze, aplikacije, ki dokončajo njihove stavke. Avstrijski KI-Basiscurriculum in ministrska KI-Initiative poudarjata, da se mora pismenost na področju UI začeti zgodaj in igrivo, in da sodi na razredno stopnjo prav toliko kot v višje razrede. Volksschule Hagenberg im Mühlkreis, ena od šol KI-Pilotschule, počne točno to: njeni učitelji UI od 2. razreda naprej predstavljajo z igrami, s projektom digicase / DLPL v središču, tako da si otroci ustvarijo prvi, konkreten občutek za to, kaj ti stroji zmorejo in česa ne. „Recheneule“ (»pametna računska sova«) je ena od teh iger in se odlično prilega pouku matematike. Uporablja razpoznavanje govora – obliko UI – tako da otrok lahko na glas izgovori število, program pa ga poskuša prepoznati in uporabiti v računu. Orodje je namenoma preprosto in, kot ugotavljajo njegovi razvijalci, še vedno eksperimentalno: ali sliši pravilno, je odvisno od mikrofona, od tega, kako razločno otrok govori, in od tega, kako tiho je v prostoru. Za sedemletnika to ni pomanjkljivost, ki bi jo bilo treba skriti, temveč je v tem bistvo celotne ure. Ko sova pokaže napačno število, otrok z lastnimi očmi vidi, da pametni stroj ni razumel – in da on, otrok, še vedno ve, da je tri plus štiri sedem. Prav zato je orodje dragoceno za poučevanje O UI v tej starosti. Od otrok se ne pričakuje, da bodo razumeli, kako razpoznavanje govora deluje v notranjosti; pričakuje se, da ga bodo opazovali, da bodo poskrbeli, da bo delovalo bolje – z razločnim govorjenjem in bližino mikrofona – ter da bodo opazili, kdaj odpove. V jeziku KI-Basiscurriculuma je to prvi korak od Verstehen (posluša stroj, ne oseba) k Reflektieren (ne razume vedno pravilno in lahko ga preverim). Učitelj matematiko ohranja v prvem planu: bistvo računa je še vedno račun, sova pa je igriv partner, katerega odgovore se otrok uči preverjati. Pri tej uri otroci napovedo, ali jih bo sova slišala, poskusijo, pogledajo, kaj pokaže, in se pogovorijo o tem, zakaj se včasih zmoti – preprosta, starosti primerna različica cikla napoved → poskus → preverjanje → pogovor , ki ga uporabljamo v vseh teh primerih. Cilj je prva, vesela izkušnja UI kot koristnega pomočnika, ki za preverjanje še vedno potrebuje človeka. Potek učne ure Faza Čas Dejavnost Ogrevanje 8 min Na preprogi učitelj vpraša, kje so otroci že slišali, da stroj »posluša« glas (telefon, zvočnik, tablica). Skupaj se dogovorijo o preprosti misli: računalnik nas lahko poskuša slišati, vendar ni oseba in se lahko zmoti. Prikaz 7 min Učitelj na velikem zaslonu enkrat pokaže „Recheneule“: najprej razločno izgovori število, nato eno zamomlja, da razred vidi, kako sova sliši pravilno in nato napačno. Razred ugiba, zakaj. Poskus (v parih) 20 min V parih za tablico s slušalkami z mikrofonom se otroci izmenjujejo: eden na glas izgovori odgovor preprostega računa (npr. »tri plus štiri« → reče »sedem«), drugi pa opazuje, katero število pokaže sova, in na preprostem listu obkljuka smeška (slišala pravilno) ali resen obraz (slišala napačno). Preverjanje 8 min Za vsak »slišala napačno« par sam izračuna pravilen odgovor in se skupaj odloči: je otrok narobe izgovoril ali je sova narobe slišala? Obkrožita, kdo je naredil napako. Pogovor 7 min Nazaj na preprogi: Kaj je sovi pomagalo, da nas je slišala? (razločno govoriti, biti blizu, biti tiho). Ko se je sova zmotila, ali smo pravi odgovor še vedno vedeli? Kdo je gospodar računa – sova ali mi? Vodilna vprašanja: napoved → poskus → preverjanje → pogovor Pari te kratke kroge izvedejo v fazi »Poskus«. Besedilo je preprosto, da ga učitelj lahko bere na glas; mlajši ali hitrejši pari lahko izvedejo več krogov. 1.    Krog 1 – ali me bo sova slišala? Napoved: Preden spregovoriš: misliš, da bo sova tvoje število tokrat slišala? Palec gor ali palec dol. Poskus: Odgovor na račun povej na glas, razločno in blizu mikrofona. Preverjanje: Poglej število, ki ga pokaže sova. Je to tvoje število? Obkljukaj smeška (da) ali resen obraz (ne). Pogovor: Če je bilo napačno, kaj bi lahko spremenili? Govorili glasneje? Počasneje? Bili tišji v razredu? 2.    Krog 2 – kdo je naredil napako? Napoved: Odgovor na račun najprej veš na pamet. Kaj naj sova pokaže? Poskus: Povej odgovor. Opazuj sovo. Preverjanje: Če sova pokaže drugo število, račun izračunajta sama. Kateri je pravilen odgovor? Pogovor: Sva ga narobe izgovorila ali ga je sova narobe slišala? Na listu obkrožita otroka ali sovo. 3.    Krog 3 (dodatna naloga) – namenoma naredimo težje: Napoved: Kaj se bo zgodilo, če bomo šepetali ali govorili, medtem ko govori sošolec? Ali nas bo sova še vedno slišala? Poskus: Poskusite enkrat s šepetanjem in enkrat z nekaj hrupa – samo da vidite. Preverjanje: Ali je sova pri več številih naredila napako, ko je bilo težje? Preštejte resne obraze. Pogovor: Kaj torej sova potrebuje od nas, da dobro deluje? Povejte v enem stavku. Zaključno vprašanje (za fazo pogovora): Ko je sova pokazala napačno število, ali smo pravi odgovor še vedno vedeli? Kdo torej mora preveriti račun – računalnik ali mi? Nato nadaljujte z: Sova je pametna, a lahko sliši narobe. Kje drugje bi se pameten stroj lahko zmotil – in kaj bi lahko vedno naredili, da to preverimo? Gradiva Ena tablica (ali računalnik) na par z delujočim mikrofonom; zelo priporočljive so slušalke z mikrofonom za vsako tablico, saj razvijalci orodja opozarjajo, da sta kakovost mikrofona in tišina v prostoru pomembna. Matematična igra z razpoznavanjem govora „Recheneule“ iz projekta digicase / DLPL (dlpl.at), odprta v brskalniku; dostop do mikrofona dovoljen. Velik zaslon ali projektor za učiteljev prikaz. Zelo preprost delovni list za vsak par: vrstice s kvadratkom za smeška / resen obraz in majhnim krogcem »otrok ali sova?« za korak preverjanja. Kratek seznam pripravljenih računov na ravni razreda (seštevanje in odštevanje do 20), da matematika ostane v središču. Tih kotiček ali razmaknjeni sedeži, da ima razpoznavanje govora najboljše možnosti za delovanje. 2.9 Programiranje: pomoč pri izbranih nalogah Učiti se programirati, ne da bi kodo pisala UI Predmet: programiranje  ·  Razred: 9. razred (14–15 let)  ·  Trajanje: ena dvojna ura (90 min) ·  UI: pomoč Z UI  Kompetence, povezane z UI (okvir DUAL.AI.TEACHer) – raven učitelja Predmetno specifični učni cilji – raven učenca AF-TL-2b (Temelji UI in njihova uporaba × Poučevanje in učenje, raven 2 – reflektirano izvajanje): »Učitelji lahko organizirajo elemente učne ure, ki vključujejo uporabo UI z jasnimi pedagoškimi vlogami in strategijami za preverjanje elementov izhoda.«   AF-FC-2b (Temelji UI in njihova uporaba × Spodbujanje digitalne kompetence učencev na področju UI, raven 2 – reflektirano izvajanje): »Učitelji lahko izvajajo usmeritve, ki učencem pomagajo razvijati praktične veščine UI, pri čemer naloge prilagajajo predznanju učencev in razpoložljivim orodjem UI.« Ob koncu ure učenci znajo: uporabiti UI za ponavljajoče se ali podporne naloge pri programiranju, kot sta zamikanje kode ali pisanje komentarjev; od modela UI zahtevati predloge za izboljšave kode, ne da bi jim ta dal samo kodo, tako da lahko sami preverijo svoje znanje; kritično ovrednotiti model UI, ko ga vprašajo, kako bi optimiziral dano kodo. Ključno sporočilo: Učenci morajo poznati osnove programiranja, če želijo vrednotiti rezultate, ki jih da model. Zato naj učenci v prvih korakih učenja programiranja modele UI uporabljajo za podporne in ponavljajoče se naloge, povezane s programiranjem, ne pa za ustvarjanje kode. Model lahko uporabijo tudi za iskanje možnih izboljšav kode in tako preizkusijo svoje programerske sposobnosti. Slika 1: »Učiti se programirati, ne da bi kodo pisala UI« (slika, ustvarjena z UI, Google Gemini 3.6 Thinking) Vsebina Poučevanje programiranja se spreminja v okolju, v katerem lahko sistemi UI ustvarjajo, razlagajo in pregledujejo kodo. Ta orodja sicer odpirajo nove možnosti za učenje, hkrati pa prinašajo pomemben izobraževalni izziv: učenci potrebujejo dovolj znanja programiranja, da lahko presodijo, ali je predlog, ki ga ustvari UI, pravilen, učinkovit ali sploh relevanten za nalogo. Brez osnovnega razumevanja programerskih pojmov lahko učenci sprejmejo napačne rešitve, spregledajo napake ali ne prepoznajo boljših možnosti. Zato ostaja učenje temeljev programiranja bistveno, tudi ko so orodja UI na voljo. Pri uvodnih predmetih programiranja naj ima UI vlogo podpornega učnega orodja in ne nadomestnega programerja. Učenci lahko UI učinkovito uporabljajo za ponavljajoče se ali preprostejše naloge, ki ne zmanjšujejo miselnega napora, potrebnega za učenje programiranja. Primeri so oblikovanje in zamikanje kode, ustvarjanje dokumentacijskih komentarjev, razlaga sporočil o napakah, povzemanje pravil sintakse ali pomoč pri razumevanju namena posameznih programskih konstruktov. Takšna uporaba učencem omogoča, da se osredotočijo na logiko, algoritme in procese reševanja problemov, ki so jedro programerske kompetence. Druga koristna uporaba UI je pregled kode. Namesto da bi model UI prosili, naj napiše rešitev, lahko učenci najprej napišejo svojo kodo in nato model prosijo, naj prepozna možne izboljšave. UI lahko predlaga jasnejša imena spremenljivk, boljšo organizacijo kode, manj podvajanja, boljšo berljivost ali drugačne pristope, ki jih učenci lahko samostojno ovrednotijo. Tako UI postane partner za povratno informacijo: učenci lahko svoje razmišljanje primerjajo z zunanjimi predlogi ter presodijo prednosti in slabosti svojih rešitev. Povratne informacije, ki jih ustvari UI, pa ne smemo sprejemati nekritično. Modeli lahko predlagajo spremembe, ki so nepotrebne, neučinkovite ali temeljijo na napačnih predpostavkah o namenu kode. Osrednji cilj te učne ure je zato razvijati sposobnost učencev, da predloge UI kritično ovrednotijo. Učenci se naučijo model UI vprašati ne le, katere izboljšave predlaga, temveč tudi, zakaj meni, da so te spremembe koristne. S primerjavo utemeljitve modela z uveljavljenimi načeli programiranja lahko presodijo, ali predlagana optimizacija kodo dejansko izboljša ali pa gre le za drugačno oblikovalsko odločitev. Ta učna ura UI obravnava kot orodje, ki podpira refleksijo, samovrednotenje in izboljševanje kakovosti kode, ne pa ustvarjanja kode. Učenci vadijo pisanje lastnih programov, uporabo UI za podporne naloge, pridobivanje povratnih informacij o svojem delu in kritično analizo kakovosti prejetih odgovorov. Končni cilj je, da učenci postanejo boljši programerji in hkrati bolj ozaveščeni uporabniki sistemov UI. Potek učne ure Faza Čas Dejavnost Uvod 10 min Učitelj pokaže dve kratki rešitvi istega problema v obliki kode: eno je napisal učenec, drugo je ustvaril model UI. Učenci razpravljajo, katera rešitev se zdi jasnejša, učinkovitejša ali lažje razumljiva. Uvodna razlaga 10 min Učitelj predstavi ustrezne načine uporabe UI pri poučevanju programiranja in poudari razliko med podpornimi nalogami, pregledom kode in ustvarjanjem kode. Raziskovanje 15 min Učenci v parih rešujejo kratko programersko vajo in ugotavljajo, katere naloge bi lahko ustrezno prepustili pomočniku UI in katere morajo ostati njihova odgovornost. Krog izboljšav 35 min Učenci napišejo lastno rešitev in izvedejo 2 do 3 kroge napiši → vprašaj → ovrednoti → popravi, pri čemer UI uporabljajo le za podporne naloge in predloge izboljšav. Refleksija 20 min Razprava s celotnim razredom o uporabnosti in omejitvah povratnih informacij UI, s poudarkom na tem, kako so učenci presodili, ali so bili predlogi koristni ali ne. Vodilna vprašanja: dodajanje plasti kompleksnosti Učenci v 35-minutnem krogu izboljšav izvedejo toliko krogov, kot dopušča čas. Vsak krog sledi istemu postopku v štirih korakih: napiši → vprašaj → ovrednoti → popravi. 1. krog – uporaba UI za podporne naloge Napiši: Samostojno rešite kratko programersko vajo. Vprašaj: UI prosite za pomoč pri neprogramerski nalogi, povezani s kodo, na primer: izboljšanje zamikov, ustvarjanje komentarjev, razlaga sporočila o napaki, opis tega, kaj počne funkcija. Ovrednoti: Ali razlaga UI natančno opisuje kodo? Ali so ustvarjeni komentarji uporabni in razumljivi? Popravi: Vključite koristne spremembe, pri tem pa poskrbite, da logika programa v celoti ostane vaše lastno delo. 2. krog – pridobivanje predlogov za izboljšave Napiši: Preglejte svoj dokončani program in poiščite dele, ki bi jih bilo mogoče izboljšati. Vprašaj: Prosite za predloge izboljšav, ne da bi UI dovolili, da kodo prepiše. Na primer: »Predlagaj tri načine, kako izboljšati berljivost in vzdrževanje tega programa, vendar ne podaj nadomestne kode.« Ovrednoti: Kateri predlogi se zdijo koristni? Kateri bi na program le malo vplivali? Popravi: Uvedite izboljšave, s katerimi se strinjate, in preverite, ali program še vedno deluje pravilno. 3. krog – kritično vrednotenje nasvetov za optimizacijo Napiši: Izberite del svoje kode, ki izvaja ponavljajočo se nalogo ali uporablja zanke. Vprašaj: Prosite za predloge optimizacije in od UI zahtevajte, da svoja priporočila utemelji. Primer poziva: »Pojasni, kako bi lahko to kodo optimizirali in zakaj bi posamezna predlagana optimizacija izboljšala delovanje ali berljivost. Ne podaj optimizirane kode.« Ovrednoti: Ali so predlagane optimizacije res koristne? Katere so podprte z jasno utemeljitvijo? Katere se zdijo nepotrebne ali težko upravičljive? Popravi: Odločite se, katera priporočila boste uvedli, in pojasnite svojo odločitev. Vprašanja za refleksijo: Kateri predlogi UI so bili najbolj koristni za izboljšanje vaše kode? Ali je UI podala predloge, s katerimi se niste strinjali? Zakaj? Kako ste presodili, ali je bila optimizacija smiselna? Kdaj je UI v procesu programiranja najbolj v pomoč? Katere programerske naloge naj še vedno opravlja učenec? Zakaj je za vrednotenje povratnih informacij, ki jih ustvari UI, potrebno znanje programiranja? Kako se lahko učenci pri učenju programiranja izognejo prevelikemu zanašanju na orodja UI? Zaključno vprašanje (za fazo refleksije): Koliko znanja programiranja je potrebnega, da lahko presodimo, ali predlog UI program dejansko izboljša, in kakšna tveganja nastanejo, ko se uporabniki zanašajo na nasvete UI, ne da bi sami razumeli kodo? Gradiva En prenosnik na par učencev s programskim okoljem Dostop do klepetalnega pomočnika UI ali lokalno nameščenega jezikovnega modela Kratka programerska vaja, primerna ravni izkušenj učencev Delovni list, ki sledi ciklu napiši → vprašaj → ovrednoti → popravi Vprašanja za refleksijo, osredotočena na pismenost na področju UI in kritično vrednotenje Neobvezni primeri kode, ki ponazarjajo dobre in slabe programerske prakse 2.10 Likovna umetnost: prstni odtisi sloga Čigav čopič, čigav glas? Prepoznavanje značilnosti umetnikov z UI Predmet: likovna umetnost in književnost  ·  Razred: 9. razred (14–15 let)  ·  Trajanje: ena dvojna ura  ·  UI: učenje Z UI Kompetence, povezane z UI (okvir DUAL.AI.TEACHer) – raven učitelja Predmetno specifični učni cilji – raven učenca AF-TL-2b (Temelji UI in njihova uporaba × Poučevanje in učenje, raven 2 – reflektirano izvajanje): »Učitelji lahko organizirajo elemente učne ure, ki vključujejo uporabo UI z jasnimi pedagoškimi vlogami in strategijami za preverjanje elementov izhoda.« AF-FC-2b (Temelji UI in njihova uporaba × Spodbujanje digitalne kompetence učencev na področju UI, raven 2 – reflektirano izvajanje): »Učitelji lahko izvajajo usmeritve, ki učencem pomagajo razvijati praktične veščine UI, pri čemer naloge prilagajajo predznanju učencev in razpoložljivim orodjem UI.« Ob koncu ure učenci znajo: prepoznati opazne slogovne lastnosti slik in pesmi (npr. barva, poteza čopiča, kompozicija; izbor besed, podobje, ritem); razlikovati med opaženo lastnostjo, ponavljajočim se slogovnim vzorcem in špekulativnim pripisovanjem; razložiti značilne prvine sloga posameznih slikarjev ali pesnikov; povezati dokaze iz več del v »slogovni profil« ustvarjalca; oblikovati pozive, ki od UI zahtevajo, da svojo slogovno analizo utemelji s sklicevanjem na konkretna dela; analizirati opise sloga, ki jih ustvari UI, da razumejo tveganje pretiranega posploševanja in napačnega pripisovanja. Ključno sporočilo: Prepoznati »slog« ni isto kot ga razumeti. UI lahko v številnih delih zazna površinske vzorce, vendar je za razlikovanje med pristnim slogovnim podpisom, naključno lastnostjo ali izmišljeno razlago še vedno potrebna človeška presoja, ki temelji na resničnih delih. Vsebina Umetnostni zgodovinarji in literarni znanstveniki le redko neposredno poznajo umetnikove namene. Umetnikov »slog« zato rekonstruirajo s primerjavo številnih del: poteze čopiča, barve in kompozicije pri slikarstvu ali izbora besed, podobja in ritma v poeziji. Ena sama slika ali pesem lahko nakaže neko nagnjenje, šele vzorec, ki se ponavlja v več delih, pa to nagnjenje spremeni v pristno značilnost. Vincent van Gogh je uporaben študijski primer. V približno desetletju intenzivnega ustvarjanja je razvil takoj prepoznavne značilnosti: debel impasto, kratke usmerjene poteze čopiča ter drzna, pogosto komplementarna barvna nasprotja. Ker se te lastnosti ponavljajo na stotinah slik, jih lahko strokovnjaki opišejo kot resničen slogovni podpis in ne kot enkratno odločitev. Orodja UI za ustvarjanje slik lahko danes v nekaj sekundah ustvarijo prepričljive slike »v slogu Van Gogha«. Te slike pogosto posnemajo prepoznavne površinske oznake – vrtinčaste poteze čopiča, rumeno-modre palete –, lahko pa tudi pretiravajo ali si izmislijo podrobnosti, ki za njegov dejanski opus nikoli niso bile značilne, ali vanje vmešajo lastnosti, prevzete od povsem drugih umetnikov. Enaka težava se pojavi pri besedilih. Orodja UI za pisanje lahko posnemajo pesnico, kot je Emily Dickinson, tako da reproducirajo površinske oznake – pomišljaje, nepopolno rimo, kratke verze –, ne da bi nujno zajela tematske in zgradbene lastnosti, ki jih strokovnjaki štejejo za resnično značilne za njeno delo. Učenci morajo zato razlikovati med tremi stopnjami gotovosti: Lastnost – kar je neposredno opazno v enem konkretnem delu. Vzorec – lastnost, ki se ponavlja v več potrjenih delih in jo lahko upravičeno imenujemo značilna. Pripisovanje – trditev o pomenu, vplivu ali avtorstvu, ki presega to, kar lahko podprejo dela sama. Potek učne ure Faza Čas Dejavnost Uvodni motiv 10 min Pokažite dve sliki »v slogu Van Gogha«, ustvarjeni z UI – eno, ki je bližje njegovi dejanski tehniki, in eno pretirano. Učenci ugibajo, katera je bolj zvesta izvirniku, in razpravljajo, zakaj. Uvodna razlaga 10 min Predstavitev pojmov lastnost – vzorec – pripisovanje in vaja razlikovanja med njimi na podrobnosti pristne slike. Raziskovanje 15 min Učenci brez UI preučijo 3–4 pristna dela enega slikarja/pesnika in zabeležijo, katere lastnosti se dejansko ponavljajo. Prilagajanje 1 20 min UI na podlagi enega samega dela ali omejenega poziva napiše opis sloga. Učenci prepoznajo, kje si izmišlja nepodprte značilnosti. Prilagajanje 2 20 min Dodajo se nova dela in strožji poziv, ki zahteva navajanje virov. Učenci primerjajo oba opisa sloga. Refleksija 25 min Učenci enak okvir kritičnega mišljenja prenesejo na sporen primer preverjanja pristnosti ali pripisovanja umetniškega dela. Vodilna vprašanja: od izpisa UI do dejavnosti, pripravljene za razred Uvodni motiv – pokažite dve sliki »v slogu Van Gogha«, ustvarjeni z UI (eno, ki je bližje njegovi resnični tehniki, in eno pretirano/stereotipno): Razpravljalno vprašanje: »Zaradi česa je to videti kot pravi Van Gogh?« Uvedite problem: »Kako vemo, katere slogovne podrobnosti so za tega umetnika res značilne?« Ključno načelo te učne ure (primerjava več pristnih del). Opazna lastnost → ponavljajoč se vzorec → pripisovanje/razlaga Uvodna razlaga – natančen pogled na pristno delo (npr. podrobnost slike Zvezdnata noč ali kitica pesmi Emily Dickinson): Podajte trditve o delu, ki jih je treba razvrstiti v kategorije lastnost, vzorec, pripisovanje. Primer: Na tej sliki so vidne kratke, sunkovite poteze čopiča – lastnost Van Gogh je v svojih poznih delih redno uporabljal kratke, usmerjene poteze čopiča – vzorec S temi potezami je izražal svoj notranji čustveni nemir – pripisovanje Raziskovanje – skupinsko delo. Analiza pristnih del: 3–4 dela istega slikarja/pesnika, npr.: A) Dve ali tri reprodukcije slik iz istega obdobja umetnikove ustvarjalne poti. B) Povečave/podrobnosti, ki prikazujejo poteze čopiča ali pisavo. C) Kratki zapiski o tehniki ali življenjepisu iz muzejskega ali literarnega vira. D) Kontrastno delo drugega slikarja ali pesnika za primerjavo. Učenci za vsako delo izpolnijo delovni list z odgovori na vprašanja: Katere lastnosti opazimo? Kateri vzorci se ponavljajo v več delih? Kaj je še vedno zgolj naša razlaga? UI napiše opis sloga: Poziv, ki ga uporabijo učenci: Samo na podlagi te ene slike/pesmi v približno 150 besedah opiši značilni slog ustvarjalca. Omeni samo lastnosti, ki so v delu dejansko vidne ali prisotne. Učenci označijo odgovor UI: Lastnost Utemeljen vzorec Nepodprto / pripisovanje UI popravi svoje delo z uporabo več dokazov: Izboljšan poziv: Popravi opis sloga z uporabo virov A–D. Za vsako slogovno trditev navedi konkretno delo, ki jo podpira, na primer [Delo B]. Če je trditev širši vzorec, sklepan iz več del, zapiši [Vzorec]. Odstrani vsako trditev, ki je ni mogoče podpreti. Primerjava: Različica 1 → Različica 2 Poiščite: eno podrobnost, ki je postala natančnejša; eno podrobnost, ki jo je UI odstranila; eno novo lastnost, podprto z dokazi; eno trditev, ki še vedno zahteva preverjanje. Refleksija/prenos znanja Prikažite kratek, za razred primeren primer spornega preverjanja pristnosti umetniškega dela ali pripisovanja avtorstva pesmi. Razpravljalno vprašanje: Na podlagi ključnih načel te učne ure: kaj izstopa kot lastnost, kaj kot vzorec in kaj kot pripisovanje? Če pastiš, ki ga ustvari UI, uspešno posnema površino nekega sloga, ali to pomeni, da je zajel dejanske značilnosti umetnika? Zaključna individualna refleksija: Učenci dopolnijo: Slogovna lastnost postane resnična »značilnost«, kadar … Preden zaupam opisu umetnikovega sloga, ki ga poda UI, moram … UI lahko posnema površino sloga, vendar … Gradiva Projektor / interaktivna tabla z zvočniki. Dve sliki »v slogu …«, ustvarjeni z UI, za uvodni motiv. Podrobnost ali odlomek pristnega dela izbranega slikarja/pesnika. Mini delovni list lastnost–vzorec–pripisovanje. Paket virov: 3–4 pristna dela (slike/besedila pesmi) ter kratki zapiski o tehniki ali življenjepisu. Delovni list za analizo virov. Naprave učencev z dostopom do odobrenega orodja generativne UI (za besedilo in/ali slike). Delovna lista za pozive UI in primerjavo za 1. in 2. krog. Primer spornega preverjanja pristnosti/pripisovanja za refleksijo. 2.11 Tehnika: zaupaj, a preveri vezje Ali res deluje? Preverjanje razlag vezij, ki jih poda UI, z resničnimi meritvami Predmet: fizika / tehnika in tehnologija (osnove inženirstva)  ·  Razred: 8. razred (13–14 let)  ·  Trajanje: ena dvojna ura  ·  UI: učenje Z UI Kompetence, povezane z UI (okvir DUAL.AI.TEACHer) – raven učitelja Predmetno specifični učni cilji – raven učenca AF-TL-2b (Temelji UI in njihova uporaba × Poučevanje in učenje, raven 2 – reflektirano izvajanje): »Učitelji lahko organizirajo elemente učne ure, ki vključujejo uporabo UI z jasnimi pedagoškimi vlogami in strategijami za preverjanje elementov izhoda.« AF-FC-2b (Temelji UI in njihova uporaba × Spodbujanje digitalne kompetence učencev na področju UI, raven 2 – reflektirano izvajanje): »Učitelji lahko izvajajo usmeritve, ki učencem pomagajo razvijati praktične veščine UI, pri čemer naloge prilagajajo predznanju učencev in razpoložljivim orodjem UI.« Ob koncu ure učenci znajo: po shemi sestaviti preprosto zaporedno ali vzporedno vezje na prototipni ploščici; z multimetrom izmeriti napetost, tok in upor; z Ohmovim zakonom izračunati pričakovane vrednosti in jih primerjati z resničnimi meritvami; razlikovati med izmerjeno vrednostjo, izračunano/napovedano vrednostjo in razlago, ki jo ustvari UI; prepoznati napake v shemi vezja ali razlagi, ki jo ustvari UI, tako da jo preverijo z resničnimi meritvami; oblikovati pozive, ki od UI zahtevajo, da prikaže korake izračuna, da jih je mogoče preveriti. Ključno sporočilo: Razlaga vezja, ki jo poda UI, lahko zveni povsem samozavestno in je kljub temu napačna. Edini način, da ugotovimo, ali se vezje res obnaša tako, kot je trjeno, je, da ga izmerimo in številke preverimo glede na fizikalne zakonitosti – ne da zaupamo samozavestno zvenečemu besedilu. Vsebina Inženirji in fiziki nikoli preprosto ne zaupajo shemi vezja ali pisni razlagi, kako vezje deluje. Namesto tega ga sestavijo, izmerijo in pričakovane vrednosti izračunajo iz temeljnih načel – Ohmovega zakona in Kirchhoffovih zakonov. Shema je lahko na papirju videti povsem pravilna, vendar šele resnična meritev potrdi, ali tok res teče tako, kot je trjeno. Preprosto zaporedno vezje – baterija, upor in svetleča dioda (LED) – je uporaben študijski primer. Ohmov zakon (U = I × R) natančno napove, kolikšen tok bi moral teči pri dani napetosti in uporu. Ker se resnično obnašanje elementov lahko nekoliko razlikuje (toleranca, notranji upor, temperatura), je izmerjeni tok običajno blizu izračunani napovedi, a ni vedno enak – kar je že samo po sebi koristna lekcija o razliki med modelom in resničnostjo. Orodja UI lahko danes v nekaj sekundah ustvarijo sheme vezij in razlage njihovega delovanja. Te razlage pogosto zvenijo tekoče in samozavestno ter lahko celo vključujejo celoten izračun z Ohmovim zakonom – vendar lahko vsebujejo tudi prave napake: napačno vrednost upora, prekinjen ali nesklenjen tokokrog, element, priključen z napačno polariteto, ali verjetno zvenečo, a fizikalno nemogočo trditev o toku. To je dobro dokumentirana šibka točka: jezikovni modeli niso kalkulatorji in lahko ustvarijo tehnično zveneče razlage, ki ne zdržijo, ko vezje dejansko sestavimo in preizkusimo. Samozavesten ton ni dokaz, da je tehnična trditev pravilna. Učenci morajo zato razlikovati med tremi stopnjami gotovosti: Meritev – vrednost, ki jo multimeter dejansko pokaže na resničnem, sestavljenem vezju. Izračun – vrednost, napovedana z Ohmovim/Kirchhoffovima zakonoma na podlagi znanih vrednosti elementov. Trditev – kar orodje UI navaja o obnašanju vezja in kar je treba, preden ji zaupamo, preveriti glede na prvi dve stopnji. Potek učne ure Faza Čas Dejavnost Uvodni motiv 10 min Pokažite razlago preprostega vezja z LED, ki jo je ustvarila UI in vsebuje skrito napako (npr. napačno vrednost upora). Učenci ugibajo, ali je pravilna, in pojasnijo zakaj. Uvodna razlaga 10 min Predstavitev pojmov meritev – izračun – trditev in vaja uporabe Ohmovega zakona na preprostem rešenem primeru. Raziskovanje 15 min Učenci na prototipni ploščici sestavijo preprosto zaporedno vezje ter brez UI izmerijo napetost, tok in upor. Prilagajanje 1 20 min UI zgolj na podlagi sheme ali opisa napove/razloži obnašanje vezja. Učenci njene trditve primerjajo s svojimi meritvami in izračuni. Prilagajanje 2 20 min Učenci UI podajo natančne vrednosti elementov in zahtevajo izračun z Ohmovim zakonom po korakih. Primerjajo oba odgovora UI. Refleksija 25 min Učenci enako navado preverjanja prenesejo na drugo področje, na primer na kalkulator UI za telesno pripravljenost ali zdravje. Vodilna vprašanja: od izpisa UI do dejavnosti, pripravljene za razred Uvodni motiv – pokažite razlago preprostega vezja z LED, ki jo je ustvarila UI in vsebuje skrito napako (npr. vrednost upora, ki je prenizka, da bi zaščitila LED): Razpravljalno vprašanje: »Ali se ta razlaga sliši pravilna? Kako bi jo dejansko preverili?« Uvedite problem: »Razlaga lahko zveni samozavestno in je kljub temu napačna – kaj bi dokazalo, da je pravilna ali napačna?« Ključno načelo te učne ure (meritev pred samozavestnim besedilom). Meritev → izračun → trditev (ki jo je treba preveriti) Uvodna razlaga – rešen primer s preprostim zaporednim vezjem (baterija, upor, LED): Podajte trditve o vezju, ki jih je treba razvrstiti v kategorije meritev, izračun, trditev. Primer: Multimeter pokaže, da skozi vezje teče tok 9 mA – meritev Ohmov zakon za te vrednosti elementov napove 9,1 mA – izračun UI trdi, da bo to vezje »zanesljivo delovalo v kateri koli postavitvi« – trditev (preveriti) Raziskovanje – skupinsko delo. Sestavljanje in merjenje resničnega vezja: Gradiva in koraki za vsako skupino, npr.: A) Shema vezja z baterijo, enim uporom in eno LED, vezanimi zaporedno. B) Prototipna ploščica, povezovalne žice in navedeni elementi. C) Multimeter in kratek list z navodili, kako izmeriti napetost, tok in upor. D) Preglednica barvnih kod uporov in podatek o napetosti LED v prevodni smeri. Učenci izpolnijo delovni list z odgovori na vprašanja: Kaj izmerimo? Kaj napove Ohmov zakon? Kje se vrednosti razlikujeta in za koliko? UI napove/razloži vezje: Poziv, ki ga uporabijo učenci: Imamo vezje z 9-voltno baterijo, uporom 470 Ω in rdečo LED, vezanimi zaporedno. Pojasni, kolikšen tok bo tekel in zakaj. Prikaži svoje sklepanje. Učenci označijo odgovor UI: Se ujema z našo meritvijo Se ujema z našim izračunom Nepodprto / treba preveriti UI popravi svoje delo ob strožjih zahtevah: Izboljšan poziv: Tok ponovno izračunaj po korakih z Ohmovim zakonom ter prikaži formulo in vsako vstavljeno vrednost. Navedi vse predpostavke o padcu napetosti na LED v prevodni smeri in označi vse, kar bi bilo treba za potrditev izmeriti. Primerjava: Različica 1 → Različica 2 Poiščite: eno številko, ki je postala natančnejša; eno predpostavko, ki jo je UI izrecno navedla; eno vrednost, ki se zdaj ujema z vašo meritvijo; eno trditev, ki jo je še vedno treba neodvisno preveriti. Refleksija/prenos znanja Prikažite kratek, za razred primeren primer izračuna o telesni pripravljenosti, prehrani ali zdravju, ki ga je ustvarila UI (npr. »vaš priporočeni dnevni vnos kalorij je …«). Razpravljalno vprašanje: Na podlagi ključnih načel te učne ure: kaj je tukaj meritev, kaj izračun in kaj trditev? Če odgovor UI zveni samozavestno in uporablja na videz pravilne formule, ali to pomeni, da je rezultat zanesljiv? Zaključna individualna refleksija: Učenci dopolnijo: Tehnična trditev postane zanesljiva, kadar … Preden zaupam razlagi UI o tem, kako nekaj deluje, moram … UI lahko o tehničnem postopku zveni samozavestno, vendar … Gradiva Projektor / interaktivna tabla. Prototipne ploščice, povezovalne žice, upori, LED in baterijski paketi (en komplet na skupino). Multimetri (eden na skupino). Preglednica barvnih kod uporov in list s podatki o napetosti LED v prevodni smeri. Mini delovni list meritev–izračun–trditev. Delovni list s shemo vezja in delovni list za analizo virov. Razlaga vezja, ustvarjena z UI, z namerno napako za uvodni motiv. Naprave učencev z dostopom do odobrenega orodja generativne UI. Delovna lista za pozive UI in primerjavo za 1. in 2. krog. Primer izračuna o telesni pripravljenosti/zdravju, ustvarjenega z UI, za refleksijo. 3. Pedagoški okvir kompetenc UI Okvir kompetenc DUAL.AI.TEACHer je rezultat navzkrižne analize okvirov DigCompEdu, AI Pioneers in okvira UNESCO AI Framework for Teachers. Namesto ustvarjanja povsem novih struktur so bili izbrani obstoječi okviri, ki že obravnavajo dopolnjujoče se razsežnosti strokovnih kompetenc učiteljev v dobi UI. Okvir UNESCO AI Competency Framework for Teachers opredeljuje temeljna načela, vrednote, znanje in kritične spretnosti, ki naj bi jih učitelji razvili, da bi razumeli vlogo UI v izobraževanju in jo uporabljali za izboljšanje poučevanja in učenja na etičen, učinkovit, varen in odgovoren način.DigCompEdu, ki zagotavlja jasno pedagoško strukturo za strokovne dejavnosti učiteljev, je koristen za povezovanje kompetenc, povezanih z UI, z vsakdanjo učno prakso.AI Pioneers razširja DigCompEdu s kompetencami, specifičnimi za UI, kar je dragoceno za premostitev digitalno-pedagoške kompetence s konkretnimi učnimi praksami, povezanimi z UI.UDL in EntreComp sta prispevala dopolnjujoča vidika, ki krepita vključujočo, na učenca osredotočeno razsežnost ter prispevata k vidikom ustvarjalnosti in inovativnosti. 3.1 Dimenzije Okvir DUAL.AI.TEACHer je zasnovan kot celovita dvodimenzionalna matrika, ki opredeljuje skupno 18 temeljnih kompetenc, od katerih vsaka izhaja iz presečišča dveh glavnih dimenzij, po katerih je okvir organiziran. Vodoravna dimenzija opredeljuje glavna področja, ki opredeljujejo prakse poučevanja in učenja, ter zajema pedagoško razsežnost okvira. Navpična dimenzija zajema ključne vidike UI in odraža tehnološke in etične vidike, povezane z njeno vključitvijo v izobraževalne kontekste. Ta struktura omogoča, da okvir sistematično povezuje pedagoške kompetence z znanjem in veščinami, povezanimi z UI, s čimer zagotavlja, da vsaka opredeljena kompetenca odraža tako izobraževalni cilj kot specifično razsežnost razumevanja ali uporabe UI. Vodoravna dimenzija DUAL.AI.TEACHer Vodoravna dimenzija okvira izhaja iz okvira DigCompEdu, ki opredeljuje ključna področja, značilna za prakse poučevanja in učenja v digitalnih okoljih. Ta področja zajemajo temeljne pedagoške dejavnosti, ki jih izvajajo učitelji, od strokovnega delovanja in upravljanja digitalnih virov do oblikovanja in izvajanja učnih izkušenj, izvajanja strategij ocenjevanja ter spodbujanja aktivnega sodelovanja in digitalnih kompetenc učencev. Ob upoštevanju okvira AI Pioneers okvir DUAL.AI.TEACHer prevzame to dimenzijo, da kompetence, povezane z UI, utemelji v širših pedagoških praksah, ki so že prepoznane kot ključne za učinkovito poučevanje, in jih uskladi s temi praksami. Vodoravna dimenzija je organizirana v naslednjih šest področij: Strokovno delovanje: To področje se osredotoča na uporabo virov, ki jih poganja UI, za strokovno interakcijo, kot so komunikacija, sodelovanje in razvoj, v odnosu z različnimi deležniki znotraj institucionalnih kontekstov. Digitalni viri: To področje se osredotoča na odgovorno izbiro, ustvarjanje, prilagajanje, uporabo, vrednotenje in izmenjavo virov za učenje, ki jih poganja UI. Poučevanje in učenje: To področje se osredotoča na možno vključevanje in posledično upravljanje virov, ki jih poganja UI, v procese poučevanja in učenja. Ocenjevanje: To področje se osredotoča na možno vključevanje virov, ki jih poganja UI, v procese izobraževalnega ocenjevanja. Opolnomočenje učencev: To področje se osredotoča na uporabo virov, ki jih poganja UI, za podporo in krepitev strategij poučevanja in učenja, osredotočenih na učenca. Spodbujanje digitalne kompetence učencev na področju UI: To področje se osredotoča na pedagoške kompetence, potrebne za podporo in usmerjanje učencev pri razvijanju lastne digitalne kompetence na področju UI. Navpična dimenzija DUAL.AI.TEACHer Navpična dimenzija okvira izhaja iz okvira kompetenc UNESCO za UI za učitelje (UNESCO AI Competency Framework for Teachers), ki prvotno opredeljuje pet ključnih vidikov kompetence na področju UI, pomembnih za pedagoško prakso: na človeka osredotočeno miselnost, etiko UI, temelje UI in njihovo uporabo, pedagogiko UI ter strokovni razvoj na področju UI. Za namene okvira DUAL.AI.TEACHer je bilo teh pet vidikov skrčenih na tri. Dve prvotni področji, in sicer pedagogika UI ter strokovni razvoj na področju UI, sta bili odstranjeni, saj je vodoravna dimenzija ti področji že vsebovala, čeprav v nekoliko drugačni obliki. Poleg tega je presečišče med navpično in vodoravno dimenzijo ustvarjalo odvečne kompetence. Zato je bilo sklenjeno, da se ju izloči iz navpične osi, da bi se izognili prekrivanjem in zagotovili pojmovno skladnost v celotni matriki. Navpična dimenzija je razčlenjena v naslednje tri vidike: Na človeka osredotočena miselnost: Ta vidik se nanaša na sklop vrednot in odnosov, ki jih morajo učitelji upoštevati pri obravnavanju interakcij med človekom in UI, da bi dali prednost potrebam, presoji in dobrobiti ljudi. Etika UI: Ta vidik opisuje temeljna etična načela, predpise, institucionalne politike in praktične smernice, ki urejajo uporabo UI in ki jih morajo učitelji razumeti, uporabljati v vsakdanji praksi ter pomagati prilagoditi specifičnim potrebam in izobraževalnim kontekstom. Temelji UI in njihova uporaba: Ta vidik opredeljuje pojmovno znanje in prenosljive veščine, ki jih učitelji potrebujejo za razumevanje delovanja UI ter za izbiro, uporabo in ustvarjalno prilagajanje pri oblikovanju učnih okolij, ki jih učinkovito podpirajo prakse poučevanja in učenja z UI. Od treh ohranjenih vidikov veljata dva za medpodročna vidika UI (na človeka osredotočena miselnost in etika UI), saj ne pripadata specifičnemu predmetnemu področju, temveč predstavljata prečni razsežnosti, ki vplivata na celoten spekter pedagoških praks, vrednot in strokovnega ravnanja, povezanega z UI, in ju prežemata. Tretji vidik (temelji UI in njihova uporaba) velja za vsebinsko specifičen vidik UI, saj se nanaša na pojmovno znanje in specifične tehnične veščine, ki jih morajo učitelji pridobiti, da razumejo, izberejo in uporabljajo orodja UI v svoji pedagoški praksi. Slika 1: »Dimenzije okvira DUAL.AI.TEACHer« (diagram, ustvarjen z UI, OpenAI Codex) 3.2 Okvir kompetenc DUAL.AI.TEACHer Presečišče vodoravne in navpične dimenzije matrike ustvari nabor osemnajstih kompetenc, od katerih vsaka predstavlja specifično točko stičišča med pedagoškim področjem in vidikom UI. Te kompetence opredeljujejo, kaj morajo učitelji vedeti, razumeti in znati narediti, da bi UI učinkovito in odgovorno vključili v svojo pedagoško prakso, pri čemer združujejo pedagoške kompetence z vrednotami, etično ozaveščenostjo in tehničnim znanjem, ki jih zahteva izobraževalno okolje, podprto z UI. DUAL.AI Strokovno delovanje Digitalni viri Poučevanje in učenje Ocenjevanje Opolnomočenje učencev Spodbujanje digitalne kompetence učencev na področju UI Na človeka osredotočena miselnost Učitelji lahko ohranjajo na človeka osredotočeno perspektivo pri uporabi UI v strokovni komunikaciji, mreženju ter institucionalnem in strokovnem razvoju. Učitelji lahko zagotovijo človeški nadzor in avtonomijo učencev v procesih izbire, ustvarjanja in vrednotenja digitalnih virov, podprtih z UI. Učitelji lahko avtonomijo učencev, medčloveške odnose in strokovno presojo učitelja ohranjajo v središču poučevanja in učenja, podprtega z UI. Učitelji lahko zagotovijo človeško odgovornost in pravičnost v procesih ocenjevanja, podprtih z UI. Učitelji lahko uporabljajo UI za obravnavo raznolikih učnih potreb in stilov učenja, pri čemer v središče vsake vključujoče prakse postavljajo človekovo dostojanstvo, pravičnost in pravico do izobraževanja. Učitelji lahko z zgledom spodbujajo na človeka osredotočen odnos do UI kot del razvoja refleksivne digitalne kompetence učencev na področju UI. Etika UI Učitelji lahko pri lastni uporabi UI v strokovni praksi in institucionalnih kontekstih uporabljajo etična načela in zavedanje o predpisih. Učitelji lahko prepoznajo in omilijo etična tveganja pri učnih virih, ustvarjenih ali izboljšanih z UI. Učitelji lahko etično presojanje vključijo v odločitve o tem, ali in kako uporabiti UI pri učnih strategijah in dejavnostih učenja. Učitelji lahko zagotovijo, da prakse ocenjevanja, podprte z UI, izpolnjujejo standarde pravičnosti, preglednosti in zakonske skladnosti, kar jim omogoča razmislek o povratnih informacijah in izboljšanje lastnih praks ocenjevanja. Učitelji lahko obravnavajo etične razsežnosti personalizacije z UI, vključno s tveganji neenakosti, zlorabe podatkov in izključenosti. Učitelji lahko učence učijo odgovorne, kritične in etično ozaveščene uporabe tehnologij UI. Temelji UI in njihova uporaba Učitelji lahko uporabljajo temeljno znanje o UI za sprejemanje strokovnih odločitev, kritično sodelovanje z orodji UI in vodenje strokovnega učenja, povezanega z UI, v institucionalnih kontekstih. Učitelji lahko na podlagi tehničnega razumevanja sistemov UI kritično izbirajo in uporabljajo orodja UI za ustvarjanje, prilagajanje in izboljševanje digitalnih izobraževalnih virov. Učitelji lahko na podlagi razumevanja delovanja sistemov UI sprejemajo informirane in kritične odločitve o vključevanju UI v poučevanje in učenje ter tako izboljšujejo lastne pedagoške prakse in pristope k oblikovanju pouka. Učitelji lahko znanje o UI uporabijo za oblikovanje, izvajanje in vrednotenje učinkovitih in pravičnih praks ocenjevanja, izboljšanih z UI, ter sistematično izboljšujejo svoje prakse ocenjevanja. Učitelji lahko na podlagi informiranega razumevanja njihovega delovanja izbirajo pedagoške strategije in orodja UI, ki podpirajo personalizacijo in vključenost. Učitelji lahko pri učencih gradijo razumevanje tehnologij UI in njihovih družbenih posledic kot del razvoja kompetenc na področju UI. 3.3 Ravni napredovanja in operatorji Kako narediti razvoj kompetenc sledljiv 18 temeljnih kompetenc okvira DUAL.AI.TEACHer je razmeroma abstraktnih in zagotavljajo krovno strukturo področja kompetenc. Da bi olajšali samoocenjevanje ali ocenjevanje s strani drugih ter omogočili spremljanje razvoja posamezne kompetence, je vsaka od temeljnih kompetenc operacionalizirana z opazljivimi učnimi cilji, razčlenjenimi na tri ravni napredovanja. Ravni temeljijo na enem najbolj razširjenih modelov v izobraževanju: prenovljeni Bloomovi taksonomiji (Anderson in Krathwohl, 2001; Krathwohl, 2002). Njena osrednja ideja je preprosta: kognitivni procesi se razvijajo od pomnjenja in razumevanja, prek uporabe in analize, do vrednotenja in ustvarjanja. Kar se torej spreminja od ravni do ravni, ni vsebina ali tema, temveč kognitivna globina mišljenja in delovanja, ki jo lahko učitelj izkaže. Ravni napredovanja in operatorji Ta kognitivna globina se odraža v besedilu učnih ciljev. Vsak cilj je zgrajen okoli glagola (operatorja), povzetega neposredno iz taksonomije (npr. prepoznati, izvajati, kritično ovrednotiti). Operator pove, kaj se od učitelja na tej ravni pričakuje, in učni cilj naredi konkreten in opazljiv. Raven V praksi učitelji znajo … Kognitivni procesi (operatorji) Raven 1 Usmerjeno zavedanje razviti začetno strokovno usmerjenost tako, da se naučijo, kaj je UI, kaj zmore in kaj je pri tem na kocki. Prepoznajo in se spomnijo ključnih pojmov in orodij UI, navajajo primere, jih razvrščajo ter s svojimi besedami povzemajo glavne priložnosti in tveganja. Pomnjenje (prepoznavanje, priklic) Osnovno razumevanje (interpretiranje, ponazarjanje s primeri, razvrščanje, povzemanje) Raven 2 Reflektirano izvajanje uporabljati in kritično vrednotiti prakse, povezane z UI, v lastnem poučevanju. Namensko uporabljajo orodja UI pri pouku in ocenjevanju, razlagajo in primerjajo različne pristope in izpise, izpise UI primerjajo z lastno strokovno presojo ter analizirajo prednosti, omejitve in temeljne predpostavke. Višje razumevanje (razlaganje, primerjanje) Uporaba (izvajanje, izvedba) Analiza (razločevanje, organiziranje, pripisovanje) Vrednotenje (preverjanje, kritično presojanje) Raven 3 Preobrazbeno vodenje odgovorno oblikovati in nadalje razvijati izobraževalno prakso, povezano z UI, ter pri tem prevzeti vodilno vlogo tudi zunaj lastnega razreda. Prakse UI vrednotijo glede na pedagoška in etična merila, ustvarjajo nove pristope, izboljšane z UI, ter podpirajo kolege in svojo ustanovo pri odgovorni uporabi UI. Ustvarjanje (generiranje, načrtovanje, izdelovanje) Logika ravni Ravni druga na drugi postopoma gradijo. Vsaka višja raven črpa iz kognitivnih procesov ravni pod njo. Vendar gre v skladu s Krathwohlom (2002) za hierarhijo naraščajoče kompleksnosti in ne za niz strogo ločenih stopenj. Sosednje kategorije se lahko prekrivajo, meje med ravnmi pa so pretočne in ne ostre. Medtem ko raven 1 zagotavlja potrebno osnovo, raven 3 pa predstavlja razširjeno vlogo pri inoviranju in strokovnem vodenju, je raven 2 osrednja ciljna razsežnost za učitelje. Vsi učitelji naj bi bili sposobni UI namensko vključiti v lastno prakso, njene izpise ovrednotiti s strokovno presojo ter kritično razmišljati o njenih pedagoških prednostih, omejitvah in temeljnih predpostavkah. Raven 2 zato opisuje raven kompetenc, potrebno za informirano, odgovorno in reflektirano pedagoško prakso v izobraževalnem okolju, na katero vpliva UI. 3.4 Učni cilji DUAL.AI.TEACHer Za vsako od osemnajstih opredeljenih kompetenc je bil oblikovan nabor treh specifičnih učnih ciljev (a–c), da bi kompetenco pretvorili v konkretne in praktične rezultate. Ti učni cilji opredeljujejo znanje, spretnosti in stališča, ki naj bi jih učitelji razvili za doseganje ustrezne kompetence, s čimer ponujajo podrobnejši in bolj praktičen opis tega, kaj obvladovanje te kompetence pomeni v praksi. Slika 1: »Kako se znajti med učnimi cilji« (diagram, ustvarjen z UI, OpenAI Codex) S tem, ko vsako kompetenco razčleni na jasno opredeljene učne cilje na različnih ravneh, okvir DUAL.AI.TEACHer olajša njegovo praktično uporabo pri strokovnem razvoju, oblikovanju usposabljanj in samoevalvaciji ter učiteljem ponuja konkreten načrt za postopno gradnjo in izkazovanje njihovih kompetenc na področju UI. Raven 1 – Usmerjeno zavedanje RAVEN 1 Strokovno delovanje Digitalni viri Poučevanje in učenje Ocenjevanje Opolnomočenje učencev Spodbujanje digitalne kompetence učencev na področju UI Na človeka osredotočena miselnost HM-PE-1a Učitelji prepoznajo pogoste primere uporabe UI v strokovni komunikaciji in mreženju ter situacije, v katerih morajo imeti prednost človeška presoja, prisotnost ali grajenje odnosov. HM-PE-1b Učitelji prepoznajo lastne učne potrebe, povezane z UI, in orodja, ki podpirajo njihov nenehni strokovni razvoj. HM-PE-1c Učitelji povzamejo, kako se UI v njihovi ustanovi uporablja za vključevanje deležnikov in organizacijski razvoj, vključno s priložnostmi in tveganji, ki jih to ustvarja za človeško delovanje, vključenost in izobraževalne vrednote. HM-DR-1a Učitelji povzamejo, kako lahko orodja UI podpirajo izbiro, ustvarjanje, prilagajanje in upravljanje digitalnih virov, vključno s tem, kateri koraki zahtevajo človeški nadzor in pedagoško presojo. HM-DR-1b Učitelji prepoznajo tipična merila kakovosti za učna gradiva, ustvarjena ali izboljšana z UI, vključno s pokazatelji, da vir potrebuje človeški pregled. HM-DR-1c Učitelji razložijo, kako je mogoče avtonomijo in delovanje učencev ohraniti ali ogroziti z viri, ustvarjenimi ali personaliziranimi z UI, vključno s tem, kdaj naj bodo učenci vključeni v odločitve o uporabi virov. HM-TL-1a Učitelji med različnimi načini uporabe UI pri pouku prepoznajo, katere pedagoške odločitve morajo ostati v rokah človeka. HM-TL-1b Učitelji prepoznajo situacije pri urah, podprtih z UI, v katerih se lahko okrepi ali oslabi delovanje učencev, medčloveška interakcija ali odnos med učiteljem in učencem, ter pokazatelje smiselne pedagoške rabe UI. HM-TL-1c Učitelji razvrstijo uporabo UI pri poučevanju kot podporo pedagoškemu odločanju ali kot njegovo nadomestitev ter opredelijo posledice tega za odgovornost in kakovost učenja. HM-A-1a Učitelji med rabami UI pri ocenjevanju prepoznajo, katere ocenjevalne odločitve morajo ostati odgovornost človeka. HM-A-1b Učitelji prepoznajo tipična tveganja pri ocenjevanju, podprtem z UI, za pravičnost, preglednost in dobrobit učencev, vključno z znaki, da je potreben človeški pregled rezultatov, ustvarjenih z UI. HM-A-1c Učitelji razvrstijo UI pri ocenjevanju kot podporo presoji učitelja ali kot njeno nadomestitev ter opredelijo posledice tega za odgovornost in zaupanje učencev. HM-EL-1a Učitelji prepoznajo, na katere načine lahko orodja UI podpirajo raznolike učence in katerim učnim potrebam lahko ali ne morejo ustrezati. HM-EL-1b Učitelji navedejo tipična tveganja diferenciacije, podprte z UI, za vključenost in pravičnost, vključno z znaki, da orodje UI učenčeve priložnosti omejuje namesto da bi jih širilo. HM-EL-1c Učitelji razložijo, kako se človekovo dostojanstvo, pravičnost in pravica do izobraževanja nanašajo na uporabo UI v vključujočih razredih, vključno s tem, kdaj morata delovanje in pripadnost učenca imeti prednost pred učinkovitostjo ali standardizacijo. HM-FC-1a Učitelji prepoznajo, kaj pomeni pred učenci z zgledom kazati na človeka osredotočen in kritično ozaveščen odnos do UI, vključno s tem, kako lastne prakse in izjave sporočajo stališča o UI. HM-FC-1b Učitelji razvrstijo naravnanosti, ki podpirajo refleksivno kompetenco učencev na področju UI, ter razredne situacije, v katerih je te naravnanosti mogoče gojiti. HM-FC-1c Učitelji prepoznajo razliko v lastnem poučevanju o UI med prenašanjem znanja in gojenjem na človeka osredotočenih stališč ter posledice tega za svojo vlogo učitelja. Etika UI EI-PE-1a Učitelji navedejo ključna etična načela, ki veljajo za njihovo lastno strokovno uporabo UI, ter pomen posameznega načela v strokovnem kontekstu. EI-PE-1b Učitelji prepoznajo pravne in regulativne okvire, ki urejajo uporabo UI pri strokovni komunikaciji, sodelovanju in razvoju. EI-PE-1c Učitelji v svoji strokovni praksi prepoznajo situacije, v katerih je na preizkušnji etično načelo ali regulativna zahteva. EI-DR-1a Učitelji navedejo tipična etična tveganja pri učnih virih, ustvarjenih ali izboljšanih z UI, ter njihove učinke na učence. EI-DR-1b Učitelji prepoznajo pravne in regulativne okvire, pomembne za vire, ustvarjene z UI, in kdaj se uporabljajo. EI-DR-1c Učitelji razvrstijo vire etičnih tveganj, ki izhajajo iz pristranskosti, netočnosti ali neustreznega avtorstva UI pri danem učnem viru. EI-TL-1a Učitelji navedejo etična načela, pomembna za uporabo UI pri poučevanju in učenju, vključno z njihovimi posledicami za izbiro pedagoških pristopov. EI-TL-1b Učitelji prepoznajo etična vprašanja, značilna za UI v razredu, in kdaj se pojavijo v učni situaciji. EI-TL-1c Učitelji povzamejo korake procesa etičnega presojanja pri odločanju, ali in kako uporabiti UI pri učni uri (načelne odločitve v primerjavi z nekritičnim sprejemanjem ali samodejnim zavračanjem). EI-A-1a Učitelji navedejo glavna tveganja za pravičnost pri ocenjevanju, podprtem z UI, in kako lahko posamezno tveganje vpliva na učence. EI-A-1b Učitelji prepoznajo obveznosti glede preglednosti pri ocenjevanju, podprtem z UI, kot so razkritje vključenosti UI, razlaga rezultatov in možnost učencev, da odločitve izpodbijajo ali zahtevajo človeški pregled. EI-A-1c Učitelji razložijo, zakaj se izobraževalno ocenjevanje obravnava kot visoko tvegano v okviru pravnih in regulativnih okvirov, ki veljajo za UI pri ocenjevanju. EI-EL-1a Učitelji navedejo glavna etična tveganja personalizacije, ki temelji na UI, in kako lahko posamezno tveganje vpliva na učence. EI-EL-1b Učitelji razvrstijo vrste podatkov o učencih, ki jih uporablja personalizacija z UI, in stopnjo njihove občutljivosti. EI-EL-1c Učitelji razložijo, zakaj se personalizirana izobraževalna UI obravnava kot visoko tvegana v okviru pravnih in na pravicah temelječih okvirov. EI-FC-1a Učitelji navedejo ključna etična vprašanja, ki jih UI odpira in so pomembna za učence, vključno z okoljskimi posledicami in posledicami za zasebnost. EI-FC-1b Učitelji razvrstijo, katera etična vprašanja sodijo v katero stopnjo izobraževanja, na starosti in kontekstu primeren način. EI-FC-1c Učitelji razložijo etično problematično uporabo UI s strani učencev in zakaj gre pri vsakem primeru za etično vprašanje in ne le za kršitev pravila. Temelji UI in njihova uporaba AF-PE-1a Učitelji povzamejo temeljne pojme delovanja sodobnih sistemov UI in katera pogosta orodja UI se uporabljajo v strokovni izobraževalni praksi. AF-PE-1b Učitelji ponazorijo s primeri ustrezna merila za vrednotenje orodja UI za strokovno nalogo. AF-PE-1c Učitelji razložijo, zakaj omejitve orodja UI v tipičnih situacijah pri njihovem strokovnem delu pomenijo napačno izbiro. AF-DR-1a Učitelji povzamejo temeljne pojme delovanja glavnih vrst orodij UI, ki se uporabljajo za ustvarjanje virov, in navedejo ustrezne primere. AF-DR-1b Učitelji razvrstijo zanesljivost rezultata izbrane vrste orodja za ustrezne naloge, vključno z napakami, ki se jim je mogoče izogniti. AF-DR-1c Učitelji navedejo tehnična merila za izbiro orodja UI za vire in kaj posamezno merilo pomeni. AF-TL-1a Učitelji povzamejo temeljne pojme delovanja glavnih vrst sistemov UI, ki se uporabljajo pri poučevanju, in navedejo ustrezne primere. AF-TL-1b Učitelji razvrstijo zanesljivost rezultata izbrane vrste orodja za svoj razredni kontekst, vključno z napakami, ki se jim je mogoče izogniti. AF-TL-1c Učitelji razložijo, kako tehnično razumevanje omogoča realistične odločitve o tem, ali, kdaj in kako vključiti UI v učno uro. AF-A-1a Učitelji povzamejo temeljne pojme delovanja glavnih vrst sistemov UI, ki se uporabljajo pri ocenjevanju, in za vsako navedejo tipične primere. AF-A-1b Učitelji razvrstijo, kaj posamezna vrsta orodja za ocenjevanje dejansko meri, česa ne more meriti in v katerih situacijah je nagnjena k napakam. AF-A-1c Učitelji s primeri ponazorijo, zakaj je vredno zastaviti določena tehnična vprašanja o orodju UI za ocenjevanje. AF-EL-1a Učitelji povzamejo temeljne pojme delovanja glavnih vrst UI, ki se uporablja za personalizacijo in vključenost, vključno s tipičnimi primeri. AF-EL-1b Učitelji razvrstijo, kaj posamezna vrsta orodja zanesljivo zmore in česa ne, ter področja, kjer njegova zmogljivost pri specifičnih skupinah učencev verjetno odpove. AF-EL-1c Učitelji razvrstijo, kaj orodje UI trdi, da meri ali počne, v primerjavi s tem, kaj dejansko meri ali počne, vključno s tem, zakaj je ta razlika pomembna za vključenost. AF-FC-1a Učitelji povzamejo temeljne pojme UI, ki naj bi jih razumeli učenci, vključno s starosti primernimi primeri. AF-FC-1b Učitelji prepoznajo tehnične omejitve sedanjih sistemov UI, ki jih morajo dojeti učenci. AF-FC-1c Učitelji razložijo praktične veščine UI, ki naj bi jih razvili učenci, in kako je videti obvladovanje posamezne veščine na dani stopnji izobraževanja. Raven 2 – Reflektirano izvajanje RAVEN 2 Strokovno delovanje Digitalni viri Poučevanje in učenje Ocenjevanje Opolnomočenje učencev Spodbujanje digitalne kompetence učencev na področju UI Na človeka osredotočena miselnost HM-PE-2a Učitelji v konkretnih situacijah komunikacije in mreženja, posredovanih z UI, v lastni praksi razločijo, kdaj UI uporabiti, prilagoditi ali se ji izogniti na podlagi na človeka osredotočenih meril. HM-PE-2b Učitelji organizirajo osebni načrt strokovnega razvoja, podprt z UI, ki orodja UI vključi v njihove učne rutine, hkrati pa varuje njihovo rast, avtonomijo in sodelovanje s kolegi. HM-PE-2c Učitelji v institucionalnih razpravah ali delovnih skupinah o UI razložijo na človeka osredotočena načela ter predlagajo prilagoditve postopkov, politik ali komunikacijskih praks, povezanih z UI. HM-DR-2a Učitelji v svoj pedagoški kontekst vpeljejo vire, ustvarjene ali izboljšane z UI, v skladu s pedagoškimi in na človeka osredotočenimi merili. HM-DR-2b Učitelji primerjajo orodja, ki temeljijo na UI, za ustvarjanje in izbiro digitalnih virov, da izberejo tisto, ki najbolj ustreza specifičnemu pedagoškemu namenu. HM-DR-2c Učitelji vpeljejo načine vključevanja učencev v vrednotenje in uporabo virov, izboljšanih z UI, ki krepijo delovanje učencev in pedagoško kakovost. HM-TL-2a Učitelji izvajajo učne ure, podprte z UI, pri katerih njihova lastna pedagoška presoja usmerja, kdaj, kako in zakaj se UI uporabi, pri čemer ohranjajo delovanje učencev in medčloveško interakcijo. HM-TL-2b Učitelji razložijo vpliv uporabe UI na interakcijo v razredu, sodelovanje in učne procese, pri čemer s pedagoškimi strategijami varujejo smiselno interakcijo med učiteljem in učenci ter medvrstniške odnose. HM-TL-2c Učitelji vpeljejo načine oblikovanja rabe UI pri urah in kako to krepi delovanje učencev in pedagoško kakovost. HM-A-2a Učitelji v lastni praksi uporabljajo orodja za ocenjevanje, podprta z UI, pri čemer končno ocenjevalno odločitev utemeljijo na kritičnem branju izpisov orodij ter na pedagoških in na človeka osredotočenih merilih. HM-A-2b Učitelji preverijo, ali so ocene, analitika ali povratne informacije, ustvarjene z UI, pravične, točne in usklajene z učnimi cilji, ter prakse ocenjevanja prilagodijo tako, da varujejo pravičnost in smiselno podporo učencem. HM-A-2c Učitelji učencem in drugim deležnikom razložijo, kako je bila UI uporabljena v procesu ocenjevanja in kakšna je vloga človeške presoje pri končnem rezultatu, na način, ki ohranja zaupanje in delovanje učencev. HM-EL-2a Učitelji uporabljajo orodja UI za podporo učencem z različnimi sposobnostmi, ozadji in preferencami, pri čemer izbire utemeljijo na pravičnosti, dostojanstvu in vključujoči pedagogiki. HM-EL-2b Učitelji razložijo, kako diferenciacija, podprta z UI, v njihovi lastni praksi vpliva na sodelovanje, avtonomijo in občutek pripadnosti učencev, ter tako varujejo vključenost in smiselno učenje za vsakega učenca. HM-EL-2c Učitelji vpeljejo načine vključevanja učencev ter po potrebi družin ali podpornega osebja v odločitve o personalizaciji, podprti z UI, s čimer krepijo delovanje učencev, zaupanje in izobraževalno pravičnost. HM-FC-2a Učitelji v lastni, vidni praksi izvajajo na človeka osredotočene prakse UI, pri čemer izbire utemeljijo na izobraževalnih ciljih in ciljih državljanske vzgoje. HM-FC-2b Učitelji vpeljejo učne situacije, ki učence spodbudijo k razmisleku o lastnih stališčih, delovanju in odgovornostih v odnosu do UI, s čimer krepijo njihovo kritično angažiranost. HM-FC-2c Učitelji organizirajo dialoge z učenci o vlogi UI v njihovem življenju, šoli in družbi, ki prispevajo k informiranemu delovanju in odgovornemu sodelovanju v svetu, prežetem z UI. Etika UI EI-PE-2a Učitelji etična načela in regulativne zahteve uporabijo pri konkretnih odločitvah o lastni strokovni rabi UI, utemeljenih glede na integriteto, preglednost, odgovornost in trajnost. EI-PE-2b Učitelji izpeljejo načelne odgovore na etične dileme, ki se pojavijo pri strokovnem delovanju, posredovanem z UI. EI-PE-2c Učitelji razložijo institucionalne norme glede UI, etično utemeljene prakse ter kako lastno ravnanje prispeva k zaupanja vredni strokovni kulturi. EI-DR-2a Učitelji s strukturiranimi merili razločijo, katera etična tveganja so prisotna pri virih, ustvarjenih ali izboljšanih z UI, v lastni praksi, in kako resno je posamezno tveganje. EI-DR-2b Učitelji izvajajo konkretne strategije za omilitev tveganj, ki izhajajo iz virov, ustvarjenih z UI. EI-DR-2c Učitelji učencem in kolegom pregledno razložijo vključenost UI in preostala tveganja pri viru, na način, ki krepi zaupanje in podpira učenje. EI-TL-2a Učitelji etična načela uporabijo pri konkretnih odločitvah o rabi UI v lastnem poučevanju, utemeljenih glede na pedagoško korist in etično tveganje. EI-TL-2b Učitelji izpeljejo načelne in utemeljene odgovore na etične dileme, povezane z UI, pri pouku. EI-TL-2c Učitelji učencem in kolegom razložijo etično presojanje, ki stoji za njihovimi pedagoškimi izbirami, povezanimi z UI, na način, ki oblikuje razredno kulturo in zaupanje. EI-A-2a Učitelji pri orodjih in izpisih za ocenjevanje, podprtih z UI, v lastni praksi kritično presojajo standarde pravičnosti, preglednosti in zakonske skladnosti ter temu ustrezno prilagajajo svojo prakso. EI-A-2b Učitelji v lastnem ocenjevanju izvajajo prakse preglednosti ter tako krepijo zaupanje in razumevanje učencev. EI-A-2c Učitelji na podlagi povratnih informacij, podprtih z UI, izpeljejo spremembe, potrebne v njihovi praksi ocenjevanja, da zagotovijo pravičnost. EI-EL-2a Učitelji v lastnem kontekstu kritično presojajo orodja in prakse personalizacije, ki temeljijo na UI, glede tveganj zlorabe podatkov, diskriminacije in omejevanja učnega načrta. EI-EL-2b Učitelji v lastni praksi personalizacije izvajajo konkretne zaščitne ukrepe, ki varujejo učence. EI-EL-2c Učitelji učencem in družinam pregledno razložijo, kako UI personalizira učenje, kateri podatki se uporabljajo in katere pravice imajo učenci, s čimer krepijo zaupanje in pravičnost. EI-FC-2a Učitelji izvajajo učne dejavnosti, ki razvijajo etično presojanje učencev o UI, utemeljeno z metodološkimi izbirami. EI-FC-2b Učitelji na podlagi predpostavk, ki izhajajo iz etičnega presojanja, ki ga učenci izkazujejo pri rabi UI, izpeljejo zasnove, ki učencem pomagajo tehtati nasprotujoče si vrednote. EI-FC-2c Učitelji v etično vprašljivi rabi UI s strani učencev prepoznajo priložnosti za učenje. Temelji UI in njihova uporaba AF-PE-2a Učitelji s pomočjo temeljnega znanja o UI primerjajo orodja UI za lastne strokovne naloge ter jih izbirajo glede na njihove tehnične zmožnosti in omejitve. AF-PE-2b Učitelji vpeljejo prilagoditve pri rabi orodij UI, ki odražajo dejansko delovanje temeljnega sistema in izboljšujejo kakovost rezultatov. AF-PE-2c Učitelji kolegom v razumljivem jeziku razložijo tehnične pojme o orodjih UI, s čimer prispevajo k informiranemu kolegialnemu dialogu o UI v strokovni praksi. AF-DR-2a Učitelji v lastni praksi primerjajo orodja UI za specifične naloge ustvarjanja virov ter jih izbirajo glede na njihove tehnične zmožnosti in omejitve. AF-DR-2b Učitelji izvajajo strategije oblikovanja pozivov, ponavljanja in izpopolnjevanja za pridobitev uporabnih virov, ustvarjenih z UI. AF-DR-2c Učitelji kolegom razložijo, kdaj je treba orodje nadomestiti z drugim orodjem, pristopom ali virom, ki ne temelji na UI. AF-TL-2a Učitelji v lastni praksi primerjajo orodja UI za specifične namene poučevanja in učenja ter jih izbirajo glede na njihove tehnične zmožnosti in omejitve. AF-TL-2b Učitelji organizirajo elemente učne ure, ki vključujejo uporabo UI z jasnimi pedagoškimi vlogami in strategijami za preverjanje elementov izhoda. AF-TL-2c Učitelji vpeljejo prilagoditve pristopov k oblikovanju pouka in rabi orodij UI na podlagi njihove tehnične zmogljivosti. AF-A-2a Učitelji v lastni praksi primerjajo orodja UI za specifične naloge ocenjevanja glede na tehnične zmožnosti, omejitve in zanesljivost orodja. AF-A-2b Učitelji vpeljejo delovne procese ocenjevanja, ki izpise UI združujejo s strukturiranim človeškim pregledom, ter prepoznajo, kdaj je izpis UI premalo zanesljiv. AF-A-2c Učitelji vpeljejo izpopolnitve pri rabi orodij UI za ocenjevanje na podlagi njihove tehnične zmogljivosti. AF-EL-2a Učitelji primerjajo orodja UI glede na njihove tehnične zmožnosti in zmogljivost za personalizacijo, dostopnost in vključenost konkretnih vpletenih učencev. AF-EL-2b Učitelji vpeljejo prilagojene nastavitve orodij UI za vključujočo rabo, osredotočeno na učence, ki jo najbolj potrebujejo. AF-EL-2c Učitelji v lastni praksi razločijo, kako se orodja UI dejansko obnesejo pri različnih učencih, ter po potrebi zamenjajo orodja ali UI kombinirajo z alternativami, ki ne temeljijo na UI. AF-FC-2a Učitelji organizirajo učne dejavnosti, ki pri učencih gradijo pojmovno razumevanje delovanja UI. AF-FC-2b Učitelji izvajajo usmeritve, ki učencem pomagajo razvijati praktične veščine UI, pri čemer naloge prilagajajo predznanju učencev in razpoložljivim orodjem UI. AF-FC-2c Učitelji s tehničnega vidika razložijo družbene posledice UI in načine, kako lahko učenci k temu pristopijo. Raven 3 – Preobrazbeno vodenje RAVEN 3 Strokovno delovanje Digitalni viri Poučevanje in učenje Ocenjevanje Opolnomočenje učencev Spodbujanje digitalne kompetence učencev na področju UI Na človeka osredotočena miselnost HM-PE-3a Učitelji lahko načrtujejo nove, na človeka osredotočene prakse za UI-podprto strokovno komuniciranje in mreženje znotraj svojega tima ali institucije ter jih modelirajo in pri njihovi uporabi mentorirajo sodelavce. HM-PE-3b Učitelji lahko ustvarjajo inovativne oblike UI-podprtega strokovnega učenja, ki krepijo samostojnost in skupno strokovno rast v širši izobraževalni skupnosti. HM-PE-3c Učitelji lahko načrtujejo institucionalne procese sprememb, ki na človeka osredotočeno uporabo UI vgradijo v strokovno delovanje in vplivajo na kulturo svoje organizacije. HM-DR-3a Učitelji lahko načrtujejo delovne procese za UI-podprto ustvarjanje in kuriranje digitalnih virov, ki kot standardno prakso vključujejo človeški nadzor, glas učencev in pedagoško odgovornost, ter jih delijo s sodelavci. HM-DR-3b Učitelji lahko ustvarjajo merila kakovosti, protokole pregleda ali smernice za UI-izboljšane vire ter jih razširjajo znotraj svojega tima, šole ali širše strokovne skupnosti. HM-DR-3c Učitelji lahko načrtujejo skupne prakse, ki preoblikujejo način, kako se UI-izboljšani digitalni viri ustvarjajo, delijo in izboljšujejo v izobraževalni skupnosti. HM-TL-3a Učitelji lahko ustvarjajo inovativne UI-podprte pristope k poučevanju, ki izrecno postavljajo v ospredje avtonomijo učencev, medčloveške odnose in presojo učitelja, jih preizkušajo v praksi ter rezultate delijo s sodelavci. HM-TL-3b Učitelji lahko ustvarjajo pedagoška načela ter pripravijo ustrezne oblike učnih ur ali razredne protokole za na človeka osredotočeno uporabo UI pri poučevanju in učenju ter jih razširjajo znotraj svojega tima ali strokovne skupnosti. HM-TL-3c Učitelji lahko načrtujejo razvoj skupnih praks, ki preoblikuje način uporabe UI pri poučevanju in učenju v njihovi šoli ali širšem izobraževalnem okolju. HM-A-3a Učitelji lahko načrtujejo UI-podprte prakse ocenjevanja, ki izrecno varujejo človeško odgovornost, pravičnost in pedagoški namen, ter te zasnove delijo s sodelavci. HM-A-3b Učitelji lahko ustvarjajo načela, protokole pregleda ali smernice za odgovorno uporabo UI pri ocenjevanju znotraj svojega tima, šole ali širše strokovne skupnosti. HM-A-3c Učitelji lahko načrtujejo skupni razvoj UI-podprtih praks ocenjevanja, ki preoblikuje način izvajanja ocenjevanja v njihovem izobraževalnem okolju. HM-EL-3a Učitelji lahko ustvarjajo vključujoča UI-podprta učna okolja, ki izrecno postavljajo v ospredje dostojanstvo, enakost in avtonomijo učencev iz raznolikih skupin, ter te zasnove delijo s sodelavci. HM-EL-3b Učitelji lahko ustvarjajo načela vključujoče prakse, sezname za preverjanje dostopnosti ali protokole diferenciacije za uporabo UI znotraj svojega tima, šole ali širše strokovne skupnosti. HM-EL-3c Učitelji lahko načrtujejo skupne pobude, ki preoblikujejo način uporabe UI za spodbujanje enakosti in pravice do izobraževanja v njihovem okolju. HM-FC-3a Učitelji lahko ustvarjajo razredne pristope, ki izrecno modelirajo in gojijo na človeka osredotočena stališča do UI med predmeti ali starostnimi skupinami, jih preizkušajo v praksi ter jih delijo s sodelavci. HM-FC-3b Učitelji lahko ustvarjajo načela, razredne rituale ali pedagoške oblike za gojenje kritičnega državljanstva na področju UI pri učencih ter jih razširjajo znotraj svojega tima ali strokovne skupnosti. HM-FC-3c Učitelji lahko načrtujejo skupne pobude, ki preoblikujejo način, kako se pri učencih goji na človeka osredotočen odnos do UI v njihovem izobraževalnem okolju. Etika UI EI-PE-3a Učitelji lahko ustvarjajo etične smernice, pripomočke za odločanje ali kodekse ravnanja za uporabo UI pri strokovnem delovanju ter jih delijo znotraj svojega tima ali institucije. EI-PE-3b Učitelji lahko načrtujejo institucionalne mehanizme pregleda ali odgovornosti, ki krepijo etično in regulativno skladnost pri strokovni uporabi UI. EI-PE-3c Učitelji lahko načrtujejo razvoj skupnih etičnih norm in odgovornih praks uporabe UI znotraj svoje izobraževalne organizacije ter tako oblikujejo kulturo, v kateri je uporaba UI premišljena, pregledna in odgovorna. EI-DR-3a Učitelji lahko pripravijo protokole pregleda, sezname tveganj ali načrte za blažitev tveganj pri UI-ustvarjenih učnih virih ter jih delijo s sodelavci. EI-DR-3b Učitelji lahko načrtujejo timske ali oddelčne prakse, ki prepoznavanje in blažitev tveganj spremenijo v redni del razvoja in kuriranja virov. EI-DR-3c Učitelji lahko načrtujejo skupne pobude, ki preoblikujejo način obravnavanja etičnih tveganj pri UI-ustvarjenih virih v njihovem izobraževalnem okolju. EI-TL-3a Učitelji lahko ustvarjajo strukturirane etične pripomočke za odločanje pri uporabi UI v poučevanju in učenju ter jih delijo s sodelavci. EI-TL-3b Učitelji lahko načrtujejo razredne ali oddelčne prakse, ki etično presojanje o UI spremenijo v redni del načrtovanja pouka, ter jih razširjajo znotraj svoje strokovne skupnosti. EI-TL-3c Učitelji lahko načrtujejo skupno delo, ki preoblikuje način vključevanja etičnega presojanja v UI-podprto poučevanje v njihovem izobraževalnem okolju. EI-A-3a Učitelji lahko pripravijo protokole za preverjanje pravičnosti, preglednosti in skladnosti pri UI-podprtem ocenjevanju v svojem okolju ter jih delijo s sodelavci. EI-A-3b Učitelji lahko načrtujejo strukturirane rutine refleksije, ki povratne informacije pri ocenjevanju spremenijo v sistematično izboljševanje prakse. EI-A-3c Učitelji lahko načrtujejo skupne pobude, ki preoblikujejo način zagotavljanja pravičnosti, preglednosti in pravne skladnosti pri UI-podprtem ocenjevanju v njihovem izobraževalnem okolju. EI-EL-3a Učitelji lahko pripravijo protokole etičnega pregleda, sezname za preverjanje podatkov ali okvire zaščitnih ukrepov za UI-podprto personalizacijo v svojem okolju ter jih delijo s sodelavci. EI-EL-3b Učitelji lahko načrtujejo timske ali šolske prakse, ki prepoznavanje tveganj, minimizacijo podatkov in človeški pregled spremenijo v redne elemente personalizirane uporabe UI. EI-EL-3c Učitelji lahko načrtujejo skupne pobude, ki preoblikujejo način obravnavanja etičnih tveganj UI-personalizacije v njihovem izobraževalnem okolju. EI-FC-3a Učitelji lahko načrtujejo daljša učna zaporedja, oblike projektov ali medpredmetne enote, ki sistematično razvijajo etično presojanje učencev na področju UI in njihovo okoljsko odgovornost. EI-FC-3b Učitelji lahko ustvarjajo starosti primerne okvire, besedišča ali rutine za gojenje etične UI-avtonomije pri učencih. EI-FC-3c Učitelji lahko načrtujejo skupne pobude, ki preoblikujejo način razvijanja etične UI-avtonomije učencev v njihovem izobraževalnem okolju. Temelji UI in njihova uporaba AF-PE-3a Učitelji lahko načrtujejo postopke evalvacije, okvire za izbiro orodij ali uvajalna gradiva, ki sodelavcem pomagajo uporabiti temeljno znanje o UI pri strokovnih odločitvah, ter jih delijo znotraj institucije. AF-PE-3b Učitelji lahko ustvarjajo oblike strokovnega učenja, povezane z UI, ki krepijo UI-pismenost znotraj svojega tima ali šole. AF-PE-3c Učitelji lahko ustvarjajo institucionalno krepitev zmogljivosti na področju UI, ki preoblikuje način, kako temeljno znanje o UI oblikuje prakso v njihovem izobraževalnem okolju. AF-DR-3a Učitelji lahko načrtujejo tehnične delovne procese ali smernice za UI-podprto ustvarjanje virov ter jih delijo s sodelavci. AF-DR-3b Učitelji lahko ustvarjajo nove načine uporabe orodij UI za vire, ki izkoriščajo njihove dejanske zmožnosti in ne zgolj novost, jih preizkušajo v praksi ter rezultate razširjajo znotraj svoje strokovne skupnosti. AF-DR-3c Učitelji lahko načrtujejo krepitev zmogljivosti na področju orodij UI za oblikovanje virov, ki preoblikuje način uporabe UI za izobraževalne vire v njihovem okolju. AF-TL-3a Učitelji lahko ustvarjajo tehnično utemeljene učne oblike ali pripravijo predloge učnih ur za UI-integrirano poučevanje ter jih delijo s sodelavci. AF-TL-3b Učitelji lahko ustvarjajo nove UI-podprte pristope k poučevanju, ki izkoriščajo dejanske zmožnosti trenutnih sistemov UI, jih preizkušajo v praksi ter rezultate razširjajo znotraj svoje strokovne skupnosti. AF-TL-3c Učitelji lahko načrtujejo krepitev zmogljivosti na področju UI pri poučevanju in učenju, ki preoblikuje način, kako temeljno znanje o UI oblikuje načrtovanje pouka v njihovem izobraževalnem okolju. AF-A-3a Učitelji lahko načrtujejo tehnične protokole evalvacije, rutine za validacijo orodij ali predloge delovnih procesov za UI-izboljšano ocenjevanje v svojem okolju ter jih delijo s sodelavci. AF-A-3b Učitelji lahko načrtujejo sistematične prakse za spremljanje in izboljševanje tehnične učinkovitosti orodij UI za ocenjevanje ter jih razširjajo znotraj svojega tima ali šole. AF-A-3c Učitelji lahko načrtujejo krepitev zmogljivosti na področju UI pri ocenjevanju, ki preoblikuje način, kako temeljno znanje o UI oblikuje prakso ocenjevanja v njihovem izobraževalnem okolju. AF-EL-3a Učitelji lahko ustvarjajo tehnične smernice, okvire za izbiro orodij ali predloge nastavitev za vključujočo uporabo UI v svojem okolju ter jih delijo s sodelavci. AF-EL-3b Učitelji lahko ustvarjajo nove načine uporabe orodij UI za personalizacijo in dostopnost, utemeljene na realističnem razumevanju zmožnosti in omejitev trenutnih sistemov, jih preizkušajo v praksi ter rezultate razširjajo znotraj svoje strokovne skupnosti. AF-EL-3c Učitelji lahko načrtujejo krepitev zmogljivosti na področju UI za vključevanje, ki preoblikuje način, kako temeljno znanje o UI oblikuje vključujočo prakso v njihovem izobraževalnem okolju. AF-FC-3a Učitelji lahko načrtujejo daljša učna zaporedja, oblike projektov ali medpredmetne enote, ki sistematično gradijo tehnično UI-pismenost učencev, ter jih delijo s sodelavci. AF-FC-3b Učitelji lahko pripravijo starosti primerna pedagoška gradiva, analogije ali oblike dejavnosti za poučevanje temeljev UI in praktičnih spretnosti UI ter jih razširjajo znotraj svojega tima ali strokovne skupnosti. AF-FC-3c Učitelji lahko načrtujejo skupne pobude, ki preoblikujejo način razvijanja tehnične UI-kompetence učencev v njihovem izobraževalnem okolju. 4. Certificiranje in mikrodokazila 4.1 Certifikacijska pot Kaj je certificiranje? Certifikacijska pot DUAL.AI.TEACHer učiteljem ponuja strukturiran način za izkazovanje njihovih kompetenc na dveh dopolnjujočih se področjih: poučevanje, podprto z UI (AI-Enhanced Teaching) in pismenost na področju UI (AI Literacy). Učitelji lahko izberejo eno certifikacijsko smer ali obe, odvisno od predznanja, strokovne vloge in razvojnih potreb. Certifikacijska pot združuje samoevalvacijo, učne in pripravljalne dejavnosti, formalno preverjanje znanja ter digitalno certificiranje. Izberite svojo smer Certificiranje DUAL.AI.TEACHer sestavljata dve dopolnjujoči se smeri: Smer A: poučevanje, podprto z UI (WITH AI) – osredotočena na pedagoško uporabo UI pri poučevanju in učenju. Smer B: pismenost na področju UI (ABOUT AI) – osredotočena na razumevanje konceptov UI, priložnosti, omejitev in odgovorne uporabe UI pri učiteljih. Udeleženci lahko izberejo eno smer certificiranja ali obe, odvisno od predznanja, strokovne vloge in razvojnih potreb. Predhodna samoevalvacija bo kandidatom pomagala prepoznati najprimernejšo pot. Kako poteka certificiranje? Postopek certificiranja poteka po skupnem zaporedju za obe smeri: Učitelj se seznani s certificiranjem DUAL.AI.TEACHer. Kandidat se registrira na platformi ICEP. Kandidat opravi predhodno samoevalvacijo in izbere smer A ali smer B. Kandidat se uči in pripravlja z uporabo zagotovljenih vsebin, vključno z zbiranjem značk v okviru MOOC-a. Kandidat rezervira termin izpita. Kandidat opravlja izpit. Po uspešno opravljenem izpitu se izda certifikat. Certifikat je mogoče deliti prek platforme Europass, kjer lahko tretje institucije preverijo njegovo veljavnost. Certifikat preneha veljati po petih letih. Slika 1: Postopek registracije, samoevalvacije in izbire certifikacijske poti Učenje in priprava Po izbiri certifikacijske smeri kandidati vstopijo v fazo učenja in priprave. Uporabljajo zagotovljene učne vsebine in lahko v okviru priprave na certifikacijsko preverjanje znanja zbirajo značke prek MOOC-a. Postopek priprave vključuje dostop do učnih gradiv, podpornih dejavnosti, samoevalvacije, praktičnih nalog in spremljanja napredka. Kandidat lahko nadaljuje z učenjem, po potrebi ponovi dejavnosti ali, ko je dovolj pripravljen, nadaljuje proti certifikacijskemu preverjanju znanja. Slika 2: Postopek učenja in priprave Preverjanje znanja in certificiranje Certifikacijsko preverjanje znanja poteka prek spletnega izpita za vsako certifikacijsko smer. Načrtovana oblika preverjanja znanja vključuje: Oblika: spletni izpit Vsebina: 30 vprašanj izbirnega tipa Platforma: certifikacijska platforma ICEP Jezik: angleščina in nacionalni jeziki Poskusi: do 2 poskusa na kandidata Nadzor: oddaljeni nadzor izpita (proctoring) Kandidati opravijo preverjanje znanja za izbrano smer po fazi priprave in samoevalvaciji pripravljenosti. Uspešno opravljen izpit vodi do izdaje ustreznega certifikata. Preverjanje znanja lahko vključuje naslednje vrste vprašanj: Izbira enega najboljšega odgovora Izbirni tip vprašanj Drži/ne drži Te oblike vprašanj z izbirnimi odgovori omogočajo objektivno, dosledno in razširljivo preverjanje znanja ter hkrati omogočajo učinkovito avtomatizirano ocenjevanje. Slika 3: Postopek izpita in certificiranja med kandidatom in ICEP Katera smer je prava zame? Obe certifikacijski smeri obravnavata različne strokovne potrebe in interese. Smer A – poučevanje, podprto z UI (WITH AI) je namenjena učiteljem, ki želijo UI uporabljati pri poučevanju in učenju na pedagoško smiseln, varen in strokovno odgovoren način. V dokumentu Zasnova certifikacijske poti je to ponazorjeno na primeru Maje Novak, profesorice na srednji šoli, ki že eksperimentira z generativno UI za pripravo učnih ur, diferencirana gradiva, razredne dejavnosti in formativne povratne informacije. Njen glavni cilj je preiti od eksperimentalne uporabe UI k bolj informirani in reflektirani strokovni praksi. Slika 4: Pot kandidata – smer A: poučevanje, podprto z UI Smer B – pismenost na področju UI (ABOUT AI) je namenjena učiteljem, ki želijo okrepiti lastno razumevanje in razumevanje svojih učencev o konceptih UI, omejitvah, tveganjih in odgovorni uporabi UI. To je ponazorjeno na primeru Luke Horvata, profesorja na gimnaziji, ki želi učencem pomagati postati kritični, informirani in odgovorni uporabniki UI, s posebno pozornostjo na vprašanja, kot so dezinformacije, pristranskost, zasebnost, preglednost, uporaba podatkov, človeška avtonomija in družbeni vpliv UI. Slika 5: Pot kandidata – smer B: pismenost na področju UI Kandidati lahko izberejo eno smer ali obe, odvisno od predznanja, strokovne vloge in razvojnih potreb. Predhodna samoevalvacija podpira izbiro najprimernejše poti. Podeljevanje certifikatov in priznavanje Po uspešno opravljenem preverjanju znanja kandidati prejmejo digitalni certifikat za dokončano certifikacijsko smer. Certifikacijski model vključuje: Izdaja: digitalni certifikat po uspešno opravljenem preverjanju znanja Veljavnost: 5 let od datuma izdaje Evidence certificiranja: vodi jih ICEP v centralni podatkovni bazi Obseg: ločeno certificiranje za smer A in smer B; kandidati, ki dokončajo obe smeri, prejmejo oba certifikata Namen certificiranja je podpreti priznavanje kompetenc učiteljev na področju UI ter njihov nadaljnji strokovni razvoj. Namenjeno je tudi podpori priznavanja in prenosljivosti teh kompetenc v evropskem prostoru. Več informacij Podrobnejše informacije o strukturi certificiranja, poti kandidata, merilih preverjanja znanja, postopku izpita, vlogah in odgovornostih, pilotni validaciji ter trajnosti so na voljo v celotnem dokumentu Zasnova certifikacijske poti DUAL.AI.TEACHer. 4.2 Mikrodokazila Mikrodokazila Mikrodokazila so dokazila o specifičnih učnih izidih in spretnostih, pridobljenih s krajšim usposabljanjem ali tečaji. Značilnosti: Kratkotrajno učenje – zaključi se v nekaj urah, dneh ali tednih in ne v letih. Usmerjenost v kompetence – osredotočena so na en sam, jasno opredeljen sklop veščin ali vsebinsko področje (npr. analiza podatkov ali projektno vodenje). Preverljivo dokazilo – izdajo se v obliki varnih digitalnih značk ali potrdil, ki vsebujejo metapodatke o tem, kaj se je posameznik naučil. Ključne prednosti: Prožnost – omogočajo hitro izpopolnjevanje ali prekvalifikacijo brez dolgoročnih finančnih obveznosti. Zaposljivost – delodajalcem zagotavljajo pregledno in enostavno preverljivo dokazilo o praktičnih kompetencah. Možnost nadgrajevanja – pogosto jih je mogoče sčasoma združevati oziroma »nalagati« in jih upoštevati pri pridobivanju obsežnejših kvalifikacij ali diplom. Arhitektura mikrodokazil in certificiranja Strategija certificiranja v projektu DUAL.AI.TEACHer vzpostavlja formalen, vseevropski mehanizem za potrjevanje kompetenc učiteljev na področju UI. Dvojna certifikacijska pot: Pot A – pedagogika, podprta z UI: potrjuje kompetence za uporabo orodij UI pri načrtovanju učnih ur, prilagodljivem poučevanju, avtomatiziranem ocenjevanju in optimizaciji delovnih procesov. Pot B – pismenost na področju UI in državljanska vzgoja: potrjuje kompetence za poučevanje učencev o računalniškem mišljenju, algoritemski pristranskosti, varstvu podatkov in etičnem državljanstvu v dobi UI. Strukturni okvir in usklajenost: Upravljavec: vodi ga ICEP (Institute of European Certification of Personnel), akreditiran certifikacijski in kvalifikacijski organ po SNAS / ISO 17024. Usklajenost s standardi: povezano z okviri DigCompEdu (za digitalno pedagoško kompetenco), EntreComp (za inovativnost), univerzalnim oblikovanjem učenja (UDL), ESCO, EQF in smernicami za digitalna dokazila EUROPASS. Ciljna skupina: v času trajanja projekta doseže več kot 400 bodočih učiteljev in učiteljev v praksi. Tehnična arhitektura in postopek podeljevanja dokazil: Digitalne značke: z zaključkom modula v MOOC-u (WP3) se samodejno izdajo odprte digitalne značke za posamezne mikrokompetence (npr. Etična uporaba UI, Oblikovanje pozivov (prompt engineering), Prilagodljivo ocenjevanje). Značke je mogoče enostavno deliti v strokovnih omrežjih, kot je LinkedIn, kjer služijo kot preverljivo dokazilo o veščinah. Varno preverjanje znanja in potrjevanje: kandidati opravijo standardiziran digitalni izpit z oddaljenim nadzorom (30 vprašanj izbirnega tipa) na varni digitalni platformi ICEP ( competenceinstitute.com). Kandidati imajo na voljo največ dva poskusa. Spletno certificiranje bo na voljo ob koncu celotnega izobraževanja kot orodje za preverjanje vsega znanja in veščin, ki so jih udeleženci pridobili in izboljšali v vseh učnih modulih, poglavjih in poteh; to znanje in veščine nato potrdi mednarodni certifikacijski izpit. Prenosljiv certifikat EU: uspešen zaključek prinese formalne digitalne certifikate in mikrodokazila, ki veljajo 5 let po vsej EU. Dokazila je mogoče neposredno izvoziti v portfelj profila EUROPASS in na LinkedIn. 5. Časovni načrt uvajanja UI 5.1 Kako uporabljati časovni načrt To poglavje predstavlja časovni načrt uvajanja DUAL.AI.TEACHer. Časovni načrt opisuje devet faz, ki izobraževanje učiteljev vodijo od prvega strateškega pogovora o UI do trajne strukture zanjo. Zajema začetno izobraževanje učiteljev na univerzah ter šole in strokovno izpopolnjevanje. To poglavje je namenjeno vodjem študijskih programov za izobraževanje učiteljev na univerzah, osebam, odgovornim za strokovni razvoj učiteljev, in ravnateljem šol. Namenoma ni enotno besedilo, ki bi ga brali od začetka do konca. Preberite tisti del, ki ustreza vaši vlogi. Faza Začnite z Nato Kdor koli 5.2 Vzame dve minuti in vam da celoten model Vodstvo šole ali oseba, odgovorna za strokovni razvoj v šoli 5.2 5.3, napisano za šole Delo v ustanovi za izobraževanje učiteljev (vodenje študijskih programov, izobraževalci učiteljev, zagotavljanje kakovosti) 5.2 5.4, celotna različica, brana po vrsti Učiteljice in učitelji, ki iščejo prakso za pouk 5.2 Tu lahko končate. Poglavji 5.2 in 5.3 sta napisani za vas Branje celotne različice Razdelek 5.4 v celoti opisuje vsako od devetih faz: kaj faza obsega, zakaj je zasnovana tako, kot je, in kako lahko ugotovite, da ste jo zaključili. To je referenčna različica časovnega načrta in napisana je tako, da se uporabi dvakrat. Preberite jo enkrat po vrsti, da vidite, zakaj so faze razvrščene tako, kot so, in katere med njimi so odvisne druga od druge. Nato se k posameznim fazam vračajte, ko se z njimi ukvarjate, kar je način, kako jo bo v praksi uporabljala večina ustanov. Bralci, ki prihajajo iz razdelka 5.3, za delovanje ne potrebujejo razdelka 5.4, vendar je vsaka faza, ki je tam opisana na kratko, v razdelku 5.4 predstavljena obširno. Razdelka se srečata v fazi 6, Vključitev UI v nadaljnje strokovno izobraževanje: tu ustanove za izobraževanje učiteljev organizirajo nadaljnje strokovno izobraževanje, ki ga prevzamejo šole. 5.2 Časovni načrt (povzeta kratka različica) Naše izhodišče Cilj projekta DUAL.AI.TEACHer je razviti jasen in prilagodljiv časovni načrt s sedmimi do desetimi fazami, ki ustanovam za izobraževanje učiteljev pomaga vključiti UI tako v začetno izobraževanje učiteljev kot v nadaljnje strokovno izobraževanje. Časovni načrt se osredotoča na institucionalne spremembe in ne na posamezne pobude, razvit pa je bil skupaj z izobraževalci učiteljev. Posebej pomembno izhodišče sta predstavljala dva obstoječa modela. Prvi je šestfazni model za visoko šolstvo, povzet z besedno zvezo »ponovno se naučiti učiti se«. Vodi od preokvirjanja institucionalnih pogovorov o UI prek zaupanja in upravljanja, usposobljenosti zaposlenih, spremembe študijskega programa ter prenove poučevanja in ocenjevanja do okrepitve na ravni celotne ustanove (Black, 2025). Njegova glavna prednost je, da UI obravnava kot gonilo institucionalne preobrazbe in ne zgolj kot vprašanje orodij. Drugi je štirifazni časovni načrt uvajanja generativne UI za šole in šolska okrožja: vzpostavitev temeljev, razvoj zaposlenih, posodobitev učnih vsebin ter vrednotenje in napredovanje. Njegova prednost je operativna usmerjenost in poudarek na konkretnem izvajanju. Oba modela dosegata, kar si zastavljata: eden obravnava univerze kot celoto, drugi šole in šolska okrožja. Ustanove za izobraževanje učiteljev so umeščene med obe okolji in prav tu smo videli priložnost za nadgradnjo obstoječega dela. Te ustanove preobražajo svoje lastno poučevanje in hkrati pripravljajo prihodnje učitelje na okolja, ki jih ne morejo neposredno nadzorovati. Če bi se posvečali le notranji preobrazbi, bi študijske vsebine o UI izvajali zaposleni z omejenimi praktičnimi izkušnjami; če bi se posvečali le prihodnji praksi v razredu, bi posodobili program, ne da bi spremenili ustanovo, ki ga izvaja. Časovni načrt DUAL.AI.TEACHer gradi na obeh modelih in povezuje obe razsežnosti. Slika 1: »Časovni načrt uvajanja DUAL.AI.TEACHer: devet faz za institucionalno uvajanje UI v izobraževanje učiteljev« Dve osi v ozadju faz Namesto da bi oba referenčna modela združevali korak za korakom, je časovni načrt zgrajen okoli dveh vzporednih osi. Prva je institucionalna preobrazba: strukture, upravljanje, študijski program in formalni pogoji, ki uporabo UI omogočajo ali omejujejo. Ta os sledi logiki modela za visoko šolstvo od preokvirjanja do okrepitve in temelji na uveljavljenih raziskavah. Teorija širjenja inovacij (Diffusion of Innovations) kot lastnosti, ki olajšujejo sprejemanje inovacij, navaja možnost preizkušanja in opaznost, kar utemeljuje poudarek na vidnem pilotnem izvajanju v fazi 7 (Neal et al., 2018). Druga je človeška usposobljenost, ki je os kakovosti časovnega načrta. Usposabljanja ni mogoče skrčiti na posamezne delavnice. Raziskave o učinkovitem strokovnem razvoju učiteljev poudarjajo daljše trajanje, vsebinsko osredotočenost, vadbo, refleksijo, povratne informacije in mentorstvo (Lipowsky & Rzejak, 2021). Ta načela zato usmerjajo zasnovo dejavnosti usposabljanja v celotnem časovnem načrtu, od izobraževalcev učiteljev v fazi 3 do učiteljev v praksi v fazi 6. Enkratna delavnica sama po sebi ne pomeni, da je faza zaključena. Časovni načrt na kratko Faza Naloga Zaključeno, ko Strateška uskladitev Ocenite, kje ustanova dejansko stoji, in se dogovorite, kaj želi doseči, ob sodelovanju vodstva in z vzpostavljeno medoddelčno skupino. Izhodiščno stanje in cilj sta zapisana. Spodbudno upravljanje Vzpostavite smernice za celotno ustanovo glede uporabe UI, varstva podatkov, integritete, razkritja in preverjanja orodij, oblikovane okoli tega, kaj je mogoče, in ne tega, kaj je prepovedano. Zaposleni lahko na vprašanje »Ali mi je to dovoljeno?« odgovorijo, ne da bi koga vprašali. Usposobljenost izobraževalcev učiteljev Krepite usposobljenost tistih, ki poučujejo, s trajnim, vsebinsko usmerjenim in v prakso vpetim strokovnim učenjem z mentorstvom in refleksijo. Razvoj poteka neprekinjeno, ne le v obliki ene same delavnice. Sooblikovanje študijskega programa UI vključite v formalni program s prenovo učnih načrtov in učnih izidov, zasidrano v predmetni didaktiki in ne v samostojnem modulu. Učni izidi, povezani z UI, so navedeni v redni dokumentaciji modulov več predmetov. Pedagogika in ocenjevanje Prenovite učne naloge in ocenjevanje, da bodo avtentični in bodo upoštevali UI, ter bodite zgled poučevanja z vključeno UI, da ga študenti izkusijo kot učeči se. Oblike ocenjevanja so prenovljene, ne le dopolnjene z izjavo o uporabi UI. Vključitev UI v nadaljnje strokovno izobraževanje Nadaljnje strokovno izobraževanje preoblikujte v strukturirano ponudbo z mikrodokazili, ki jih je mogoče nadgrajevati, in tako zagotovite vejo za učitelje v praksi. Ponudba ima objavljeno strukturo in priznano dokazilo. Pilotno izvajanje v avtentičnih okoliščinah Prenovljene module, nadaljnje strokovno izobraževanje in ocenjevanje preizkusite z resničnimi skupinami in sistematično zbirajte povratne informacije. Obstajajo dokumentirane povratne informacije, ki so privedle do prepoznavnih popravkov. Evalvacija, učenje in prilagajanje Preglejte pridobljene kompetence, udeležbo, izvedljivost, pravičnost in učinek ter dokaze uporabite za prenovo. Dokazi so nekaj spremenili, ne le napolnili poročila. Institucionalizacija in širjenje Pobudo pretvorite v trajno strukturo: lastništvo, vloge, viri, zagotavljanje kakovosti, prenova. Delo se nadaljuje tudi potem, ko so tisti, ki so ga začeli, odšli naprej. AI for Education. (n.d.). AI adoption roadmap for education institutions. Black, A. (2025, December 3). Learning to learn again: A roadmap for higher education institutions in the age of AI. enablinginsights. Lipowsky, F., & Rzejak, D. (2021). Fortbildungen für Lehrpersonen wirksam gestalten: Ein praxisorientierter und forschungsgestützter Leitfaden. Bertelsmann Stiftung. Neal, J. W., Neal, Z. P., Lawlor, J. A., Mills, K. J., & McAlindon, K. (2018). What makes research useful for public school educators? Administration and Policy in Mental Health and Mental Health Services Research, 45(3), 432–446. 5.3 Časovni načrt za šole Komu je ta razdelek namenjen Vodstvom šol, pomočnikom in pomočnicam ravnateljev ter osebam, odgovornim za strokovni razvoj v šoli. Prejšnjih razdelkov vam ni treba prebrati v celoti. Če ste prebrali devet faz v poglavju 5.2, vam ta razdelek pove, kako se nanašajo na šolo; če jih niste, lahko začnete tukaj. Kje se šole vključijo v časovni načrt. Ta časovni načrt je bil razvit za ustanove za izobraževanje učiteljev, vendar njegova logika spremembe ni vezana zgolj nanje, ena faza pa se neposredno nanaša na šole. Faza 6, Vključitev UI v nadaljnje strokovno izobraževanje, je veja, namenjena učiteljem v praksi: tu ustanove za izobraževanje učiteljev organizirajo nadaljnje strokovno izobraževanje, ki se ga udeležujejo vaši zaposleni. To je vaša vstopna točka. Kar vaša ustanova ponuja kot fazo 6, v vašo šolo pride kot strokovno izobraževanje, ali bo kaj spremenilo v vaših razredih, pa je odvisno od pogojev v tej šoli.  Zakaj tam ne morete začeti in tudi končati. Pošiljanje zaposlenih na enkratno usposabljanje je najpogostejši pristop in hkrati malo verjetno spremeni prakso samo po sebi. Deluje trajno vključevanje z jasno vsebinsko osredotočenostjo, priložnost za vadbo in nadaljnja podpora v obliki mentorstva ali sodelovanja (Lipowsky & Rzejak, 2021). To ima za vodstvo šole neposredno posledico. Redek vir ni usposabljanje; redek vir je zaščiteni čas po njem, v katerem učitelji nekaj preizkusijo, se o tem pogovorijo s kolegi in prilagodijo.  Slika 1. Časovni načrt uvajanja DUAL.AI.TEACHer: devet faz za institucionalno uvajanje UI v izobraževanje učiteljev. Tri faze, ki jim je na ravni šole treba dati prednost Faza 6 je vaša povezovalna točka, toda faze od 1 do 3 ustvarijo pogoje, ki omogočijo njeno delovanje.  Faza 1, strateška uskladitev. Ugotovite, kje vaša šola dejansko stoji. Nekateri vaši zaposleni UI že uporabljajo, drugi se ji izogibajo, šole pa morda nimajo jasne slike o trenutni praksi. Kratek in iskren popis stanja je vreden več kot strateški dokument. Poimenujte, kaj želite doseči, in bodite pripravljeni na odgovor, da UI trenutno ni najbolj pereč problem vaše šole; to je legitimen rezultat te faze. Faza 2, spodbudno upravljanje. To je na ravni šole še posebej pomembno in hkrati zlahka spregledano. Zaposleni in učenci morajo vedeti, kaj je dovoljeno, kako je treba uporabo UI razkriti, katera orodja so bila preverjena z vidika varstva podatkov in kaj se šteje za akademsko nepoštenost. Kjer to ni jasno, se zgodita dve stvari hkrati: previdni učitelji se UI povsem izogibajo, samozavestni pa jo uporabljajo brez dogovorjenih omejitev. Jasne in spodbudne smernice pomagajo nasloviti oboje. Ni treba, da so dolge. Faza 3, usposobljenost zaposlenih. V izvirnem časovnem načrtu se ta faza nanaša na izobraževalce učiteljev; v vaši šoli se nanaša na vaše učitelje. Veljajo enaki pogoji kakovosti. Razmislite o tem, da začnete z majhno skupino pripravljenih kolegov pri enem ali dveh predmetih namesto z uvedbo za celoten kolektiv in da njihove rezultate naredite vidne preostalim zaposlenim. Novosti se širijo takrat, ko kolegi vidijo, da delujejo v njihovem lastnem okolju (Neal in sod., 2018). Kaj je v šoli drugače Tri omejitve ločujejo vaš položaj od položaja ustanove za izobraževanje učiteljev in časovni načrt je treba brati z mislijo nanje. Imate manj avtonomije pri učnem načrtu. Faze 4 in 5 predpostavljajo ustanovo, ki lahko sama prenavlja vsebino svojih predmetov. Velik del vašega učnega načrta je morda določen v nacionalnih ali zakonskih okvirih, vaš manevrski prostor pa je v tem, kako se predmeti poučujejo in kako se znanje ocenjuje, ne pa v tem, kaj je predpisano. Ti dve fazi berite kot fazi o oblikovanju nalog in praksi ocenjevanja. Vaši zaposleni imajo manj razpoložljivega časa. Ustanova za izobraževanje učiteljev lahko razvojno delo dodeli akademskim zaposlenim kot del njihove vloge. V šoli vsaka ura razvojnega dela neposredno tekmuje s poučevanjem. Zato je faza 2 nesorazmerno dragocena: smernice terjajo malo časa in odpravijo veliko trenja. Posledice so vam bližje. Šole še posebej neposredno doživljajo praktične posledice vprašanj o pravičnosti, podatkih o učencih in dostopu. Prav zato faza 8 izrecno sprašuje o pravičnosti. Lipowsky, F., & Rzejak, D. (2021). Fortbildungen für Lehrpersonen wirksam gestalten: Ein praxisorientierter und forschungsgestützter Leitfaden. Bertelsmann Stiftung. Neal, J. W., Neal, Z. P., Lawlor, J. A., Mills, K. J., & McAlindon, K. (2018). What makes research useful for public school educators? Administration and Policy in Mental Health and Mental Health Services Research, 45(3), 432–446. 5.4 Celoten časovni načrt za ustanove za izobraževanje učiteljev Komu je ta razdelek namenjen Dekanom in dekanjam, vodjem študijskih programov, izobraževalcem in izobraževalkam učiteljev ter osebam, odgovornim za zagotavljanje kakovosti v ustanovah, ki izobražujejo učitelje. Ta časovni načrt je bil napisan predvsem za vas, ta razdelek pa predvideva, da ste že prebrali devet faz v poglavju 5.2. Drugače kot bralci iz šol morajo ustanove za izobraževanje učiteljev časovni načrt obravnavati kot celoto, saj se faze nanašajo na različne dele institucionalne spremembe, ki so med seboj odvisni. Slika 1. Časovni načrt uvajanja DUAL.AI.TEACHer: devet faz za institucionalno uvajanje UI v izobraževanje učiteljev. 1. Strateška uskladitev Od odzivanja k strategiji Večina ustanov ne začenja iz nič. Začenjajo z mozaikom posameznih pobud, neformalne uporabe orodij in nerešenih pomislekov. Prva faza to izhodiščno stanje naredi vidno in ga pretvori v skupno strateško usmeritev. Vodstvo proces odpre, namesto da bi ga preneslo na druge, saj kasnejše faze zahtevajo odločitve o kadrih, virih in študijskem programu, ki potrebujejo institucionalno podporo. Ustanova oceni svojo pripravljenost, potrebe in prioritete ter vzpostavi medoddelčno usmerjevalno skupino, v kateri so izobraževalci učiteljev, služba za IT, študenti in zagotavljanje kakovosti. Vključevanje študentov ni simbolno: študijski program doživljajo neposredno, v izobraževanju učiteljev pa so tudi člani prihodnjega poklica. Faza je zaključena, ko lahko ustanova pisno opredeli, kje stoji, kaj želi doseči in kdo je odgovoren za nadaljevanje dela. 2. Spodbudno upravljanje Smernice pridejo zgodaj, ker lahko negotovost postane velika ovira za uvajanje. Zaposleni, ki ne vedo, kaj je dovoljeno, se lahko UI bodisi povsem izogibajo bodisi jo uporabljajo brez skupnih pričakovanj. Ustanova oblikuje smernice za celotno ustanovo, ki zajemajo uporabo UI, varstvo podatkov, akademsko integriteto, pričakovanja glede razkritja ter postopek za pregled in odobritev orodij. Odločilna oblikovalska izbira je način uokvirjanja: smernice naj pojasnjujejo, kaj je mogoče in pod katerimi pogoji, namesto da bi bile v glavnem sestavljene iz prepovedi. Osnutek smernic se pred sprejetjem posreduje v komentiranje, kar izboljša tako njihovo praktično uporabnost kot njihovo legitimnost. Faza je zaključena, ko zaposleni brez težav najdejo jasen odgovor na vprašanje »Ali mi je to dovoljeno?« in vedo, kam se obrniti, kadar primer ni zajet v smernicah. 3. Usposobljenost izobraževalcev učiteljev Izobraževalci učiteljev ne morejo biti zgled za prakse, ki jih sami niso imeli priložnosti raziskati. Ta faza krepi njihovo usposobljenost s strokovnim učenjem, ki je trajno in ne enkratno, povezano z vsebino in predmetno didaktiko namesto osredotočeno predvsem na orodja ter vpeto v prakso prek sodelovanja, mentorstva in strukturirane refleksije. To so značilnosti, ki so dosledno povezane z učinkovitim strokovnim razvojem učiteljev (Lipowsky & Rzejak, 2021). Kompetence se umestijo v kompetenčni okvir DUAL.AI.TEACHer in UNESCO-jev kompetenčni okvir UI za učitelje, tako da ima razvoj hkrati usmeritev in referenčno točko. Uvajanje UI naj se opira na obstoječe strokovno znanje izobraževalcev učiteljev, namesto da bi UI obravnavalo kot ločeno tehnično kompetenco. Ena delavnica te faze ne zaključi. Faza je zaključena, ko imajo izobraževalci učiteljev trajne priložnosti, da prakso, povezano z UI, razvijajo, uporabljajo in o njej razmišljajo v lastnih kontekstih poučevanja. 4. Sooblikovanje študijskega programa Tu se UI premakne iz obštudijske dejavnosti v formalni program. Dokumentacija predmetov in modulov se pregleda, učni izidi pa se uskladijo s kompetenčnim okvirom, tako da to, kar se poučuje, vadi in ocenjuje, kaže v isto smer. Osrednje oblikovalsko načelo tega časovnega načrta je, da naj bosta pismenost na področju UI in pedagogika, podprta z UI, vpeti v predmetno didaktiko, ne pa omejeni na samostojen modul. Namenski predmet o UI je lahko koristen kot prehodni korak, vendar obstaja tveganje, da sporoča, da je UI ločena tema in ne del vsakodnevnega predmetnega poučevanja. Sooblikovanje z izobraževalci učiteljev je pomembno, ker morajo tisti, ki bodo prenovljeni program izvajali, sodelovati pri njegovem oblikovanju. Faza je zaključena, ko so učni izidi, povezani z UI, vidni v redni dokumentaciji več predmetov ali modulov in povezani s širšim programom, ne pa osamljeni v enem samem predmetu. 5. Pedagogika in ocenjevanje Sprememba študijskega programa na papirju ne zadošča, če poučevanje in ocenjevanje ostaneta nespremenjena. Ta faza prenovi učne naloge in oblike ocenjevanja, tako da so avtentične, večmodalne in upoštevajo UI ter da se ocenjevanje osredotoča na to, kaj prihodnji učitelji zmorejo razumeti, utemeljiti, ustvariti in uporabiti, in ne na izdelke, ki jih generativni sistem lahko ustvari na zahtevo. Enako pomemben je učinek zgleda: bodoči učitelji naj premišljeno poučevanje z vključeno UI izkusijo kot učeči se, preden se od njih pričakuje, da ga bodo uporabljali kot strokovnjaki. Izobraževanje učiteljev ima tu posebno priložnost, saj študenti doživljajo prakse poučevanja in hkrati razvijajo svojo lastno strokovno prakso. Faza je zaključena, ko se učni izidi, povezani z UI, odražajo v dejanski praksi poučevanja in ocenjevanja, ne pa le dodani v opise modulov ali zahteve glede razkritja. 6. Vključitev UI v nadaljnje strokovno izobraževanje Ustanove za izobraževanje učiteljev ne pripravljajo le prihodnjih učiteljev; podpirajo tudi tiste, ki že delajo v šolah. Ta faza razvije nadaljnje strokovno izobraževanje v strukturirano ponudbo in ne v niz osamljenih dogodkov. Veljajo enaki pogoji kakovosti kot v fazi 3: trajno vključevanje, jasna vsebinska osredotočenost, priložnosti za vadbo in nadaljnja podpora prek sodelovanja, povratnih informacij ali mentorstva. V modelu DUAL.AI.TEACHer je to delo mogoče povezati s certifikacijsko potjo, razvito v okviru T2.6, kar omogoča, da se strokovno učenje nadgrajuje skozi čas. Faza 6 ustvari tudi dvosmerno povezavo s šolami: ustanove prispevajo strokovno učenje, učitelji iz prakse pa v izobraževanje učiteljev vračajo aktualne izkušnje iz razreda. Faza je zaključena, ko nadaljnje strokovno učenje tvori povezano in trajno ponudbo z jasnim napredovanjem, ne pa koledarja nepovezanih posameznih dogodkov. 7. Pilotno izvajanje v avtentičnih okoliščinah Prenovljeni moduli, ponudba nadaljnjega strokovnega izobraževanja in oblike ocenjevanja se preizkusijo z resničnimi skupinami v realnih razmerah, povratne informacije izobraževalcev učiteljev, študentov in drugih udeležencev pa se zbirajo sistematično. Pilotno izvajanje zmanjša tveganje, da bi pristop razširili, preden je bil preizkušen v praksi. Poleg tega naredi izvajanje vidno: kolegi lahko vidijo, kako pristop deluje v okolju, podobnem njihovemu, o rezultatih razpravljajo in ga pred širšo uvedbo prilagodijo. Namen pilotnega izvajanja torej ni pokazati, da je bila zasnova pravilna, temveč odkriti, kaj je treba spremeniti. Faza je zaključena, ko so dokumentirane povratne informacije iz avtentičnega izvajanja privedle do prepoznavnih popravkov. 8. Evalvacija, učenje in prilagajanje Evalvacija sprašuje, ali so spremembe dosegle to, kar naj bi dosegle. Odvisno od ukrepa lahko to vključuje razvoj kompetenc, udeležbo, izvedljivost, pravičnost, izkušnje zaposlenih in študentov ter širše učinke na program. Pravičnost se obravnava izrecno, saj lahko uvajanje UI nekatere neenakosti zmanjša, druge pa ustvari ali okrepi, na primer med predmeti, skupinami zaposlenih ali študenti z različno ravnjo dostopa in podpore. Dokazi se nato uporabijo za prenovo študijskega programa, strokovnega razvoja, ocenjevanja in izvajanja. Ta faza vzpostavi tudi redni cikel pregledovanja smernic, oblikovanih v fazi 2, ki se bodo morale razvijati, ko se bodo spreminjale tehnologije, prakse in regulativne razmere. 9. Institucionalizacija in širjenje Zadnja faza uspešno delo premakne iz projektnega statusa v redne strukture ustanove. To pomeni jasno lastništvo, opredeljene odgovornosti, ustrezne vire in vključitev v obstoječe procese, kot sta razvoj študijskih programov in zagotavljanje kakovosti. Širjenje naj sledi lastnemu kontekstu, zmogljivostim in profilu ustanove in ne enotnemu splošnemu modelu. Institucionalizacija pomeni tudi vzpostavitev mehanizmov za prenovo: tehnologije UI, izobraževalne prakse in potrebe ustanov se bodo še naprej spreminjale, zato tudi model sam ne more ostati nespremenjen. Faza je zaključena, ko se delo nadaljuje tudi potem, ko so tisti, ki so ga začeli, odšli naprej. Vaš posebni položaj Ustanove za izobraževanje učiteljev nosijo dva mandata hkrati. Preobražate svoje lastno poučevanje in hkrati pripravljate prihodnje učitelje na razrede, ki jih ne nadzirate, v razmerah, ki jih ne morete v celoti predvideti, z uporabo tehnologije, ki se bo morda spremenila, preden bodo vaši diplomanti tja prispeli. Mandata sta tesno povezana. Osredotočanje zgolj na notranjo preobrazbo tvega, da nastanejo študijske vsebine o UI brez zadostne povezave s prihodnjo prakso v razredu. Osredotočanje zgolj na prihodnjo prakso v razredu tvega posodobitev programa brez spremembe ustanove, ki ga izvaja. Časovni načrt zato obe razsežnosti obravnava skupaj. Faza 3 omogoča vse nadaljnje. Velik del kasnejšega dela je odvisen od usposobljenosti izobraževalcev učiteljev. Njihova strokovnost je v njihovih disciplinah in predmetnih didaktikah, zato uvajanje UI ni preprosto dodajanje še enega orodja. Strokovni razvoj mora uporabo UI povezati s predmetno specifičnim poučevanjem, učenjem in ocenjevanjem, namesto da bi jo obravnaval kot splošno tehnično kompetenco. Zato faza 3 zasluži posebno pozornost, kadar so viri omejeni. Kje faza 4 postane zahtevna. Načelo, da naj bo pismenost na področju UI vpeta v predmetno didaktiko in ne obravnavana le v samostojnem modulu, je enostavno izreči, precej težje pa izvesti. Samostojen modul je mogoče dodeliti eni osebi, porazdeljeno uvajanje pa zahteva, da mnogi kolegi premislijo o delih svojega poučevanja. Kjer je samostojen modul koristen kot prehodni korak, naj bo v idealnem primeru povezan z dolgoročnejšim načrtom uvajanja po celotnem programu. Vaš poseben vzvod v fazi 5. Faza 5 izpostavi posebno značilnost izobraževanja učiteljev: vaši študenti so zdaj učeči se, pozneje pa učitelji. Način, kako jih poučujete, zato postane del tega, kar se naučijo o poučevanju. Če bodoči učitelji premišljeno poučevanje z vključeno UI izkusijo kot učeči se, spoznajo konkretne modele, o katerih lahko pozneje razmišljajo in jih prilagodijo v svoji praksi. Poučevanje o UI brez zgleda njene pedagoške uporabe ponuja povsem drugačno izkušnjo. Zato faza 5 presega zgolj prenovo ocenjevanja. Faza 6 je vaš stik s šolami. Vaša ponudba nadaljnjega strokovnega izobraževanja je vstopna točka. Doseg vaše ustanove razširja preko prihodnjih učiteljev na tiste, ki že delajo v razredih. Hkrati lahko sodelovanje z učitelji iz prakse v izobraževanje učiteljev vrne aktualne izkušnje iz razreda. Nadaljnje strokovno izobraževanje lahko zato deluje ne le kot storitev za šole, temveč tudi kot kanal za vzajemno učenje med šolami in ustanovami za izobraževanje učiteljev. Kaj lahko storite vi, česar šole ne morejo Ustanove za izobraževanje učiteljev imajo pogosto več možnosti za prenovo programov in ocenjevanja, dostop do raziskovalnih zmogljivosti in mandat za delo z več šolami. To daje fazama 7 in 8 posebno vrednost: kar se naučite s pilotnimi izvedbami in evalvacijo, lahko usmerja ne le vašo ustanovo, temveč tudi partnerske šole in širši sistem. Vidnost teh izkušenj lahko podpre tudi prevzemanje novih praks drugod.  Kje začeti, če je vse nujno. Začnite s fazo 2 in fazo 3. Upravljanje zmanjša negotovost, usposobljenost zaposlenih pa ustvari pogoje za smiselno delo v fazah od 4 do 6. Če začnete s prenovo študijskega programa, preden imajo zaposleni zmožnost za njeno izvedbo, tvegate spremembe na papirju, ki jih je v praksi težko uresničiti. 6. Viri in slovar 6.1 Viri Recenzirani članki Ali, R., Tang, O. Y., Connolly, I. D., Abdulrazeq, H. F., Mirza, F. N., Lim, R. K., Johnston, B. R., Groff, M. W., Williamson, T., Svokos, K., Libby, T. J., Shin, J. H., Gokaslan, Z. L., Doberstein, C. E., Zou, J., & Asaad, W. F. (2024). Demographic representation in 3 leading artificial intelligence text-to-image generators. JAMA Surgery, 159(1), 87–95. https://doi.org/10.1001/jamasurg.2023.5695 Anderson, L. W., & Krathwohl, D. R. (Eds.). (2001). A taxonomy for learning, teaching, and assessing: A revision of Bloom’s taxonomy of educational objectives. Longman. Autenrieth, D., & Schluchter, J.-R. (2026). Künstliche Intelligenz und inklusive Bildung: Empirische Perspektiven auf Einstellungen und Nutzungsmuster von Lehrkräften [Artificial intelligence and inclusive education: Empirical perspectives on teachers' attitudes and usage patterns]. Medienimpulse, 64(1). https://doi.org/10.21243/mi-01-26-24  Barnes, M., & Tour, E. (2026). Teachers' use of generative AI: A 'dirty little secret'? Language and Education, 40(1), 24–39. https://doi.org/10.1080/09500782.2025.2485935 Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26), Article e2422633122. https://doi.org/10.1073/pnas.2422633122 BEKIARIDIS, G. (author) and ATTWELL, G. (ed.), Supplement to the DigCompEDU Framework: Outlining the Skills and Competences of Educators Related to AI in Education, AI Pioneers – Work Package 3, Erasmus+ Programme, European Union, 2024. Available at: https://aipioneers.org/wp-content/uploads/2024/01/WP3_Supplement_to_the_DigCompEDU_English.pdf  BLOOM, B.S. (ed.), ENGELHART, M.D., FURST, E.J., HILL, W.H. and KRATHWOHL, D.R., Taxonomy of Educational Objectives: The Classification of Educational Goals. Handbook I: Cognitive Domain, David McKay Company, New York, 1956. Buçinca, Z., Malaya, M. B., & Gajos, K. Z. (2021). To trust or to think: Cognitive forcing functions can reduce overreliance on AI in AI-assisted decision-making. Proceedings of the ACM on Human-Computer Interaction, 5(CSCW1), Article 188. https://doi.org/10.1145/3449287 Dier, M. (2025). KI-Kompetenzprofile von Lehrkräften an beruflichen Schulen: Vom Wissen zum didaktischen Handeln [AI competence profiles of vocational school teachers: From knowledge to didactic action]. Journal of Technical Education, 13(2), 66–85. https://doi.org/10.48513/joted.v13i2.328 Dong, Y. (2026). Generative AI technologies and educational outcomes: A comprehensive meta-analysis comparing traditional and AI-driven approaches. Humanities and Social Sciences Communications, 13(1), Article 559. https://doi.org/10.1057/s41599-026-06903-y Farrokhnia, M., Latifi, S., Papadopoulos, P. M., Hogenkamp, L., Gijlers, H., Khosravi, H., & Noroozi, O. (2026). Generative AI offers more, but students revise less: Comparing the effects of teacher and AI feedback on student essay revisions. International Journal of Educational Technology in Higher Education, 23(1), Article 6. https://doi.org/10.1186/s41239-026-00579-9 Fleckenstein, J., Liebenow, L. W., & Meyer, J. (2023). Automated feedback and writing: A multi-level meta-analysis of effects on students' performance. Frontiers in Artificial Intelligence, 6, Article 1162454. https://doi.org/10.3389/frai.2023.1162454 Jaggy, A.-K., Jansen, T., Fütterer, T., & Trautwein, U. (2026). Almighty ChatGPT? Development of gifted secondary school students' AI (mis)conceptions. Journal of Educational Psychology. Advance online publication. https://doi.org/10.1037/edu0001063 Kestin, G., Miller, K., Klales, A., Milbourne, T., & Ponti, G. (2025). AI tutoring outperforms in-class active learning: An RCT introducing a novel research-based design in an authentic educational setting. Scientific Reports, 15(1), Article 17458. https://doi.org/10.1038/s41598-025-97652-6  Krathwohl, D. R. (2002). A revision of Bloom’s taxonomy: An overview. Theory Into Practice, 41(4), 212–218. Lee, V. R., Pope, D., Miles, S., & Zárate, R. C. (2024). Cheating in the age of generative AI: A high school survey study of cheating behaviors before and after the release of ChatGPT. Computers and Education: Artificial Intelligence, 7, Article 100253. https://doi.org/10.1016/j.caeai.2024.100253 Liang, W., Yuksekgonul, M., Mao, Y., Wu, E., & Zou, J. (2023). GPT detectors are biased against non-native English writers. Patterns, 4(7), Article 100779. https://doi.org/10.1016/j.patter.2023.100779 Liu, B., Zhang, W., & Wang, F. (2026). Can generative artificial intelligence effectively enhance students' mathematics learning outcomes? A meta-analysis of empirical studies from 2023 to 2025. Education Sciences, 16(1), Article 140. https://doi.org/10.3390/educsci16010140 Maršálek, R., & Teplá, M. (2026). "Is AI inevitable?" Development of attitudes and practices of Czech teachers between 2023 and 2025. Education Sciences, 16(2), Article 335. https://doi.org/10.3390/educsci16020335 MIAO, F. and CUKUROVA, M., AI Competency Framework for Teachers, UNESCO, 2024. ISBN 978-92-3-100707-1. DOI: https://doi.org/10.54675/ZJTE2084  REDECKER, C., European Framework for the Digital Competence of Educators: DigCompEdu, PUNIE, Y. (ed.), EUR 28775 EN, Publications Office of the European Union, Luxembourg, 2017. ISBN 978-92-79-73494-6 (pdf). DOI: https://doi.org/10.2760/159770. JRC107466. Rind, I. A. (2026). Conceptualizing the impact of AI on teacher knowledge and expertise: A cognitive load perspective. Education Sciences, 16(1), Article 57. https://doi.org/10.3390/educsci16010057 Romeo, G., & Conti, D. (2026). Exploring automation bias in human–AI collaboration: A review and implications for explainable AI. AI & Society, 41, 259–278. https://doi.org/10.1007/s00146-025-02422-7 Rowe, J., Klimaszewski, M., Guillou, L., Vallor, S., & Birch, A. (2025). EuroGEST: Investigating gender stereotypes in multilingual language models. In Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing (pp. 32074–32096). Association for Computational Linguistics. https://doi.org/10.18653/v1/2025.emnlp-main.1632 Scarfe, P., Watcham, K., Clarke, A., & Roesch, E. (2024). A real-world test of artificial intelligence infiltration of a university examinations system: A "Turing Test" case study. PLOS ONE, 19(6), Article e0305354. https://doi.org/10.1371/journal.pone.0305354 Schemmer, M., Kühl, N., Benz, C., Bartos, A., & Satzger, G. (2023). Appropriate reliance on AI advice: Conceptualization and the effect of explanations. In Proceedings of the 28th International Conference on Intelligent User Interfaces (pp. 410–422). Association for Computing Machinery. https://doi.org/10.1145/3581641.3584066 Tian, Z., Liu, A., Esbenshade, L., Sarkar, S., Zhang, Z., He, K., & Sun, M. (2025). Implementation considerations for automated AI grading of student work. In J. Wilson, C. Ormerod, & M. Beiting Parrish (Eds.), Proceedings of the Artificial Intelligence in Measurement and Education Conference (AIME-Con): Full papers (pp. 9–20). National Council on Measurement in Education. https://aclanthology.org/2025.aimecon-main.2/  Vartiainen, H., Kahila, J., Tedre, M., López-Pernas, S., & Pope, N. (2025). Enhancing children's understanding of algorithmic biases in and with text-to-image generative AI. New Media & Society, 27(9), 5342–5368. https://doi.org/10.1177/14614448241252820 Wang, J., & Fan, W. (2025). RETRACTED ARTICLE: The effect of ChatGPT on students' learning performance, learning perception, and higher-order thinking: Insights from a meta-analysis. Humanities and Social Sciences Communications, 12(1), Article 621. https://doi.org/10.1057/s41599-025-04787-y  Wang, J., & Fan, W. (2026). Retraction note: The effect of ChatGPT on students' learning performance, learning perception, and higher-order thinking: Insights from a meta-analysis. Humanities and Social Sciences Communications, 13(1), Article 528. https://doi.org/10.1057/s41599-026-07310-z Weinmann, H., Messingschlager, T. V., & Appel, M. (2026). Gender bias in text-to-image generative artificial intelligence: Neglect and stereotypical presentations across three popular platforms. New Media & Society. Advance online publication. https://doi.org/10.1177/14614448261435197 Wu, X., Zhu, P., Zhang, J., Yin, M., & Wang, Y. (2026). ChatGPT's impact on student learning outcomes: A meta-analysis of 35 experimental studies. Humanities and Social Sciences Communications, 13(1), Article 684. https://doi.org/10.1057/s41599-026-07019-z Yan, D., & Zhang, S. (2024). L2 writer engagement with automated written corrective feedback provided by ChatGPT. Humanities and Social Sciences Communications, 11, Article 1086. https://doi.org/10.1057/s41599-024-03543-y Yeo, G. H., & Lansford, J. E. (2025). Effects of artificial intelligence on educational functioning: A review and meta-analysis. Educational Psychology Review, 37(4), Article 110. https://doi.org/10.1007/s10648-025-10085-5  Yi, L., Liu, D., Jiang, T., & Xian, Y. (2025). The effectiveness of AI on K-12 students' mathematics learning: A systematic review and meta-analysis. International Journal of Science and Mathematics Education, 23(4), 1105–1126. https://doi.org/10.1007/s10763-024-10499-7 Yu, H., & Xie, Q. (2025). Generative AI vs. teachers: Feedback quality, feedback uptake, and revision. Language Teaching Research Quarterly, 47, 113–137. https://doi.org/10.32038/ltrq.2025.47.07 Zhang, L., Carter, R. A., Jr., Liu, Y., & Peng, P. (2026). Let's CHAT about artificial intelligence for students with disabilities: A systematic literature review and meta-analysis. Review of Educational Research, 96(1), 215–257. https://doi.org/10.3102/00346543241293424 Prednatisi, delovni dokumenti in raziskovalna poročila Campos, C., & Singleton, J. D. (2026). AI diffusion gaps: Unequal integration of AI across K-12 schools (NBER Working Paper No. 35347). National Bureau of Economic Research. https://doi.org/10.3386/w35347  Cruces, G., Fernández Meijide, D., Galiani, S., Gálvez, R. H., & Lombardi, M. (2026). Does generative AI narrow education-based productivity gaps? Evidence from a randomized experiment (NBER Working Paper No. 34851; rev. October 2026). National Bureau of Economic Research. https://doi.org/10.3386/w34851  Kalai, A. T., Nachum, O., Vempala, S. S., & Zhang, E. (2025). Why language models hallucinate (arXiv:2509.04664v1) [Preprint]. arXiv. https://arxiv.org/abs/2509.04664  Lehmann, M., Cornelius, P. B., & Sting, F. J. (2025). AI meets the classroom: When do large language models harm learning? (arXiv:2409.09047v2) [Preprint]. arXiv. https://arxiv.org/abs/2409.09047  Lodge, J. M., & Loble, L. (2026). Artificial intelligence, cognitive offloading and implications for education [Report]. Australian Network for Quality Digital Education; University of Technology Sydney. https://doi.org/10.71741/4pyxmbnjaq.31302475 Maier, S., Gunzenhäuser, M., Schweisthal, J., Schneider, M., & Feuerriegel, S. (2026). A meta-analysis of the effect of generative AI on productivity and learning in programming (arXiv:2605.04779v1) [Preprint]. arXiv. https://arxiv.org/abs/2605.04779  Shao, J., Wu, Q., Zhang, H., Sun, S., & Zhuang, J. (2026). Mitigating scaffolding collapse in Socratic tutors via representation alignment (arXiv:2607.19371v1) [Preprint]. arXiv. https://arxiv.org/abs/2607.19371 Paris, A., Labetoulle, A., Bezjak, S., Butler, D., Cardoso-Leite, P., Chesné, J.-F., Kirsch, C., Mori, S., Nardi, A., Nencioni, P., Niewint, J., Rossi, F., Storai, F., Toci, V., & Mirazchiyski, P. V. (2023). Comparative European evaluation report (AI4T – Artificial Intelligence for and by Teachers, Deliverable D3.3). Cnesco-Cnam; France Éducation international. https://cnesco.fr/wp-content/uploads/2024/05/AI4T_WP3_D3.3_Comparative-European-Evaluation-Report.pdf  Roy, P., Poet, H., Staunton, R., Aston, K., & Thomas, D. (2024). ChatGPT in lesson preparation: A Teacher Choices Trial [Evaluation report]. National Foundation for Educational Research; Education Endowment Foundation; The Hg Foundation. https://www.nfer.ac.uk/publications/chatgpt-in-lesson-preparation-a-teacher-choices-trial/ Staksrud, E., Mascheroni, G., Milosevic, T., Ní Bhroin, N., Ólafsson, K., Şengül-İnal, G., & Stoilova, M. (2026). European children's use and understanding of generative AI: EU Kids Online 2026 (EU Kids Online Reports No. 1). London School of Economics and Political Science. https://doi.org/10.21953/researchonline.lse.ac.uk.00137132 Statistike in poročila organizacij Miao, F., & Cukurova, M. (2024). AI competency framework for teachers. UNESCO. https://doi.org/10.54675/ZJTE2084 OECD. (2025). Results from TALIS 2024: The state of teaching. OECD Publishing. https://doi.org/10.1787/90df6235-en OECD. (2026). OECD digital education outlook 2026: Exploring effective uses of generative AI in education. OECD Publishing. https://doi.org/10.1787/062a7394-en UNESCO. (2023). Global education monitoring report 2023: Technology in education – A tool on whose terms? https://doi.org/10.54676/UZQV8501 Raziskave in poročila fundacij, nevladnih organizacij ... Bellio, N., & Kayser-Bril, N. (2024, March 4). Wie Bildgeneratoren die Welt zeigen: Stereotypen statt Vielfalt [How image generators show the world: Stereotypes instead of diversity]. AlgorithmWatch. https://algorithmwatch.org/de/bildgeneratoren-stereotypen/ Human Rights Watch. (2022, May 25). "How dare they peep into my private life?": Children's rights violations by governments that endorsed online learning during the Covid-19 pandemic. https://www.hrw.org/report/2022/05/25/how-dare-they-peep-my-private-life/childrens-rights-violations-governments Latham, K., & Montacute, R. (2025, July). Artificial advantage? AI in the classroom and the inequality gap. The Sutton Trust. https://www.suttontrust.com/wp-content/uploads/2025/07/Artificial-advantage.pdf Medienpädagogischer Forschungsverbund Südwest. (2024). JIM-Studie 2024. Jugend, Information, Medien: Basisuntersuchung zum Medienumgang 12- bis 19-Jähriger [JIM study 2024: Youth, information, media]. https://mpfs.de/studie/jim-studie-2024/ Michel, L. P., & Goertz, L. (2025). mmb-Trendmonitor 2024/2025. Weiterbildung und digitales Lernen heute und in drei Jahren [mmb trend monitor 2024/2025: Continuing education and digital learning today and in three years] (Results of the 19th mmb Learning Delphi). mmb Institut. https://www.mmb-institut.de/wp-content/uploads/mmb-Trendmonitor_2024-2025.pdf Robert Bosch Stiftung. (2026). Deutsches Schulbarometer 2026: Befragung Lehrkräfte [German School Barometer 2026: Teacher survey] (Survey conducted by forsa). https://www.bosch-stiftung.de/sites/default/files/documents/2026-06/RBSG_Deutsches_Schulbarometer_Lehrkr%C3%A4fte_2026.pdf Trucano, M. (2023, July 10). AI and the next digital divide in education. Brookings Institution. https://www.brookings.edu/articles/ai-and-the-next-digital-divide-in-education/ Vodafone Stiftung Deutschland. (2024, March). Pioniere des Wandels: Wie Schüler:innen KI im Unterricht nutzen möchten [Pioneers of change: How students want to use AI in the classroom] (Survey conducted by infratest dimap). https://www.vodafone-stiftung.de/pioniere-des-wandels/ Walton Family Foundation, & Gallup. (2025, June). Teaching for tomorrow: Unlocking six weeks a year with AI. https://news.gallup.com/poll/691967/three-teachers-weekly-saving-six-weeks-year.aspx Institucionalni dokumenti Børne- og Undervisningsministeriet, Styrelsen for Undervisning og Kvalitet. (2025, August 22). Forsøg med prøverne i engelsk A (stx) [Trial of the English A examinations (stx)] (Case 25/23313). https://www.uvm.dk/-/media/filer/uvm/udd/gym/pdf25/aug/250822-forsoeg-med-proeverne-i-engelsk-a--stx-.pdf  Commission nationale de l'informatique et des libertés. (2025, June 20). Enseignant : comment utiliser un système d'IA dans le respect du RGPD ? [Teachers: How to use an AI system in compliance with the GDPR]. https://www.cnil.fr/fr/enseignant-usage-systeme-ia  Department of Education Northern Ireland. (2026, May 6). Givan announces roll-out of AI tools and training for Northern Ireland teachers [Press release]. https://www.education-ni.gov.uk/news/givan-announces-roll-out-ai-tools-and-training-northern-ireland-teachers  Der Hamburgische Beauftragte für Datenschutz und Informationsfreiheit. (2023, November 13). Checkliste zum Einsatz LLM-basierter Chatbots [Checklist for the use of LLM-based chatbots]. https://datenschutz-hamburg.de/fileadmin/user_upload/HmbBfDI/Datenschutz/Informationen/20231113_Checkliste_LLM_Chatbots_DE.pdf  European Commission. (2026, September 7). Market surveillance authorities under the AI Act. https://digital-strategy.ec.europa.eu/en/policies/market-surveillance-authorities-under-ai-act  FWU Institut für Film und Bild in Wissenschaft und Unterricht. (n.d.). AIS.chat (vormals telli). Retrieved October 16, 2026, from https://fwu.de/ais-chat/  Haridus- ja Teadusministeerium. (2026, March 8). Europe's top PISA performer showcases AI Leap programme as global summit opens in Tallinn [Press release]. https://www.hm.ee/en/news/europes-top-pisa-performer-showcases-ai-leap-programme-global-summit-opens-tallinn  Joint Council for Qualifications. (2025). AI use in assessments: Protecting the integrity of qualifications (Effective from 30 April 2025). https://www.jcq.org.uk/exams-office/malpractice/artificial-intelligence/ Kennisnet. (2026, January 15). Toetsing en generatieve AI in het voortgezet onderwijs [Assessment and generative AI in secondary education] (updated April 28, 2026). https://www.kennisnet.nl/  Konferenz der unabhängigen Datenschutzaufsichtsbehörden des Bundes und der Länder. (2024, May 6). Orientierungshilfe: Künstliche Intelligenz und Datenschutz [Guidance: Artificial intelligence and data protection] (Version 1.0). https://www.datenschutzkonferenz-online.de/media/oh/20240506_DSK_Orientierungshilfe_KI_und_Datenschutz.pdf  Kultusministerkonferenz. (2024, October 10). Handlungsempfehlung für die Bildungsverwaltung zum Umgang mit Künstlicher Intelligenz in schulischen Bildungsprozessen [Recommendation for education administrations on artificial intelligence in school education] (Resolution of the Bildungsministerkonferenz; rev. ed. March 2025). https://www.kmk.org/fileadmin/Dateien/veroeffentlichungen_beschluesse/2024/2024_10_10-Handlungsempfehlung-KI.pdf Ministère de l'Éducation nationale. (2025, June 13). Cadre d'usage de l'IA en éducation [Framework for the use of AI in education]. https://www.education.gouv.fr/cadre-d-usage-de-l-ia-en-education-450647  Ministère de l'Éducation nationale. (2026, February). M.I.A. Seconde, une approche personnalisée de la remédiation en français et en mathématiques [M.I.A. Seconde: A personalised approach to remediation in French and mathematics]. Éduscol. https://eduscol.education.gouv.fr/6693/mia-seconde-une-approche-personnalisee-de-la-remediation-en-francais-et-en-mathematiques  Ministerstvo školstva, výskumu, vývoja a mládeže Slovenskej republiky. (2026, January 15). 20-tisíc licencií ChatGPT Edu podporí rozvoj digitálnych zručností budúcich učiteľov [20,000 ChatGPT Edu licences will support future teachers' digital skills] [Press release]. https://www.minedu.sk/20-tisic-licencii-chatgpt-edu-podpori-rozvoj-digitalnych-zrucnosti-buducich-ucitelov/  Ministerstvo školstva, výskumu, vývoja a mládeže Slovenskej republiky. (2026, May 12). Ministerstvo chce do konca roka sprístupniť AI nástroje pre všetkých učiteľov na Slovensku [The ministry wants to make AI tools available to all teachers in Slovakia by the end of the year] [Press release]. https://www.minedu.sk/ministerstvo-chce-do-konca-roka-spristupnit-ai-nastroje-pre-vsetkych-ucitelov-na-slovensku/  Ministerium für Schule und Bildung des Landes Nordrhein-Westfalen. (n.d.). Dienstanweisung für die automatisierte Verarbeitung von personenbezogenen Daten in der Schule (BASS 10-41 Nr. 4). Retrieved October 16, 2026, from https://bass.schule.nrw/17585.htm  Bayerisches Staatsministerium für Unterricht und Kultus. (n.d.). Private Endgeräte im Dienstgebrauch [Private devices for official use]. Retrieved October 16, 2026, from https://www.km.bayern.de/gestalten/digitalisierung/datensicherheit/private-endgeraete-im-dienstgebrauch  Office of Qualifications and Examinations Regulation. (2026, March). SLT briefing pack: AI and coursework integrity (Version 2.5). https://www.gov.uk/government/organisations/ofqual  Scheiter, K., Bauer, E., Omarchevska, Y., Schumacher, C., & Sailer, M. (2025). Künstliche Intelligenz in der Schule: Eine Handreichung zum Stand in Wissenschaft und Praxis [Artificial intelligence in schools: A guide to the state of research and practice]. Bundesministerium für Bildung, Familie, Senioren, Frauen und Jugend. https://www.empirische-bildungsforschung-bmbfsfj.de/img/KI_Review.pdf  Statsministerens kontor, & Kunnskapsdepartementet. (2026, June 19). Ny nasjonal anbefaling: Kunstig intelligens skal i all hovedsak ikke brukes i barneskolen [New national recommendation: AI should as a rule not be used in primary school] [Press release]. https://www.regjeringen.no/no/aktuelt/kunstig-intelligens-skal-i-all-hovedsak-ikke-brukes-i-barneskolen/id3166807/  SURF. (2026, May 27). Privacy risks Microsoft 365 Copilot remain 'orange' despite improvements. https://www.surf.nl/en/news/privacy-risks-microsoft-365-copilot-remain-orange-despite-improvements  Transport for London. (2022, March). The Knowledge of London: An introduction to learning the Knowledge of London and the examination process. https://foi.tfl.gov.uk/FOI-0355-2425/Introduction%20to%20Knowledge%20Booklet%20(March%202022).pdf  Vanderbilt University, Brightspace Support. (2023, August 16). Guidance on AI detection and why we're disabling Turnitin's AI detector. https://www.vanderbilt.edu/brightspace/2023/08/16/guidance-on-ai-detection-and-why-were-disabling-turnitins-ai-detector/  Verband Bildungsmedien. (n.d.). Urheberrecht und KI [Copyright and AI]. Schulbuchkopie.de. Retrieved October 16, 2026, from https://www.schulbuchkopie.de/index.php/urheberrecht-und-ki  ZHAW Zürcher Hochschule für Angewandte Wissenschaften. (2026). Verwendung generativer KI-Systeme bei Leistungsnachweisen [Use of generative AI systems in assessments] (Richtlinie Z-RL, Version 4.0.0). https://gpmpublic.zhaw.ch/GPMDocProdDPublic/Vorgabedokumente_ZHAW/Z_RL_Richtlinie_KI_bei_Leistungsnachweisen.pdf  Medijski viri AI Leap Foundation. (n.d.). AI Leap (TI-Hüpe). Retrieved October 16, 2026, from https://tihupe.ee/en  Depue, W. (2023, November 6). What's new with DALL·E 3? OpenAI Cookbook. https://developers.openai.com/cookbook/articles/what_is_new_with_dalle_3  EvidenceB. (2022, November 30). EvidenceB et Docaposte remportent le marché public pour offrir un service de remédiation en français et en mathématiques pour tous les nouveaux lycéens de France [Press release]. https://evidenceb.fr/evidenceb-et-docaposte-remportent-le-marche-public/  OpenAI. (2022, July 18). Reducing bias and improving safety in DALL·E 2. https://openai.com/index/reducing-bias-and-improving-safety-in-dall-e-2  Raghavan, P. (2024, February 23). Gemini image generation got it wrong. We'll do better. The Keyword (Google). https://blog.google/products/gemini/gemini-image-generation-issue/ Zakonodaja Regulation (EU) 2016/679 of the European Parliament and of the Council of 27 April 2016 on the protection of natural persons with regard to the processing of personal data and on the free movement of such data, and repealing Directive 95/46/EC (General Data Protection Regulation), OJ L 119, 4.5.2016, p. 1. https://eur-lex.europa.eu/eli/reg/2016/679/oj/eng Regulation (EU) 2024/1689 of the European Parliament and of the Council of 13 June 2024 laying down harmonised rules on artificial intelligence (Artificial Intelligence Act), OJ L, 2024/1689, 12.7.2024. https://eur-lex.europa.eu/eli/reg/2024/1689/oj/eng — consolidated version of 27 July 2026: https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX%3A02024R1689-20260727  Regulation (EU) 2026/1744 of the European Parliament and of the Council of 8 July 2026 amending Regulations (EU) 2024/1689, (EU) 2018/1139 and (EU) 2023/1230 as regards the simplification of the implementation of harmonised rules on artificial intelligence (Digital Omnibus on AI), OJ L, 2026/1744, 24.7.2026 (in force 27 July 2026; corrigendum 29 September 2026). https://eur-lex.europa.eu/eli/reg/2026/1744/oj/eng  Gesetz über Urheberrecht und verwandte Schutzrechte (Urheberrechtsgesetz – UrhG) [German Copyright Act], §§ 2, 16, 44a, 44b, 60a, 97. https://www.gesetze-im-internet.de/urhg/  Schulgesetz für Baden-Württemberg (SchG), § 115b. https://www.landesrecht-bw.de/  Bayerisches Hochschulinnovationsgesetz (BayHIG), as amended by the Act of 8 May 2026 (GVBl. p. 208). https://www.gesetze-bayern.de/  Sodne odločbe Verwaltungsgericht Hamburg, Beschluss vom 15. Dezember 2025, 2 E 8786/25 (interim relief, § 123 VwGO; not final). https://justiz.hamburg.de/resource/blob/1128534/4a02d061e1d2a47e4ff1449241831117/2-e-8786-25-beschluss-vom-15-12-25-data.pdf  Verwaltungsgericht Kassel, Urteile vom 25. Februar 2026, 7 K 2134/24.KS und 7 K 2515/25.KS (appeal admitted; not final). Press release No. 1/2026 of 26 February 2026. https://verwaltungsgerichtsbarkeit.hessen.de/presse/unzulaessige-nutzung-kuenstlicher-intelligenz-bei-studentischen-pruefungsleistungen  Landgericht München I, Urteil vom 11. November 2025, 42 O 14139/24 (GEMA v. OpenAI; appeal pending before the OLG München).  Raad van State (Afdeling bestuursrechtspraak), uitspraak van 30 juli 2025, 202501708/1/A2, ECLI:NL:RVS:2025:3585. https://uitspraken.rechtspraak.nl/details?id=ECLI:NL:RVS:2025:3585  Tribunal administratif de Paris, ordonnance du 12 février 2026, n° 2600972 (référé).  Kammarrätten i Göteborg, dom den 14 juli 2023, mål nr 4285-23. Reported in Processrätt (2023, November 4), https://processratt.se/kammarratten-i-goteborg-upphaver-disciplinnamndens-beslut-om-fusk-med-ai-verktyg/ 6.2 Slovar in ključni pojmi Izraz Sopomenke Opredelitev A AI Pioneers   Okvir, ki DigCompEdu dopolnjuje s kompetencami učiteljev, specifičnimi za UI. Akt EU o UI Akt o UI, Uredba (EU) 2024/1689 (EU AI Act, AI Act) Enotna pravila EU za UI, ki temeljijo na tveganju. Sisteme UI razvršča glede na tveganje, ki ga predstavljajo, od prepovedanih praks prek visokotvegane uporabe do vsakdanjih orodij brez posebnih pravil, in velja za javne in zasebne organizacije, tudi za šole. V veljavi od 1. avgusta 2024, uvaja se postopoma do leta 2027. Algoritmična preglednost (Algorithmic transparency) Obseg, v katerem je mogoče razumeti, kako sistem UI pride do svojih izpisov in kdo je odločil, kako se sistem vede. Anonimizacija (Anonymisation) Spreminjanje podatkov tako, da osebe ni več mogoče prepoznati, niti iz konteksta. Brisanje imen ni anonimizacija, zlasti pri esejih in učnih dnevnikih, ki avtorja razkrivajo s slogom pisanja. Asistent UI (AI Assistant) Orodje UI, ki opravlja delo v imenu uporabnika. Lahko zmanjša razlike v rezultatih med uporabniki, ne pa tudi razlik v njihovih sposobnostih. Avtomatizirano ocenjevanje samodejno točkovanje, avtomatizirano preverjanje znanja (Automated grading) Uporaba programske opreme za točkovanje ali ocenjevanje izdelkov. Pri certifikacijskem izpitu se to nanaša na vprašanja izbirnega tipa. Avtomatizirano odločanje (Automated decision-making) Odločitev, ki temelji izključno na avtomatizirani obdelavi in pomembno vpliva na posameznika. Ocena je takšna odločitev; zgolj formalno potrjevanje predloga UI ne šteje za človeško odločitev. Avtonomija učencev (Learner agency) Sposobnost učencev, da sami odločajo o svojem učenju, tudi o uporabi virov, ustvarjenih z UI. Učitelji naj jo v procesih s podporo UI ohranjajo. Avtorska pravica (Copyright) Pravno varstvo avtorskih del. Pri UI so izpisi običajno prosti avtorskih pravic, nalaganje zaščitenih del v sistem UI pa ni zajeto v izjemi za poučevanje. B Biometrična kategorizacija (Biometric categorisation) Uporaba biometričnih podatkov za razvrščanje ljudi z namenom sklepanja o zaščitenih lastnostih, kot so rasa, politično prepričanje, vera ali spolna usmerjenost. Po Aktu o UI prepovedana. Biometrični podatki (Biometric data) Podatki o telesnih značilnostih, kot sta obraz ali glas. Po GDPR spadajo med posebne vrste osebnih podatkov, več načinov uporabe UI, ki temeljijo na njih, pa je v šolah prepovedanih. C Certifikacijska pot (Certification Pathway) Pot, prek katere se kompetence preverjajo in formalno priznajo, tukaj zasnovana kot dvojna pot (smer A in smer B). Certifikacijska smer smer A, smer B (Certification track) Ena od dveh dopolnjujočih se certifikacij: smer A, poučevanje, podprto z UI (WITH AI), in smer B, pismenost na področju UI (ABOUT AI). Učitelji lahko opravijo eno ali obe. Certifikat (Certificate) Uradni dokument, ki potrjuje pridobljene kompetence. Č Časovni načrt uvajanja (Integration Roadmap) Postopna pot, po kateri učitelj ali institucija napreduje od prvega stika z UI do ustaljene prakse; v DUAL.AI.TEACHer obsega devet faz. Človeški nadzor (Human oversight) Zahteva, da visokotvegani sistem UI nadzorujejo usposobljeni, izurjeni in pooblaščeni ljudje, ki razumejo njegove omejitve in lahko njegov izpis prezrejo ali preglasijo. Nadzor brez strokovnega znanja ni nadzor. D Dejavnost preverjanja znanja (Assessment Activity) Dejavnost, s katero se ugotavlja, ali so bili učni izidi doseženi. Determinističen (Deterministic) Ki iz enakih začetnih vrednosti vedno da natanko enak rezultat. Diagnostični podatki telemetrija (Diagnostic data, Telemetry) Tehnični podatki, ki jih ponudnik zbira o uporabi svoje storitve. Kako dolgo se hranijo, je vprašanje varstva podatkov. DigCompEdu   Evropski okvir digitalnih kompetenc izobraževalcev. Zagotavlja pedagoško strukturo (vodoravno dimenzijo) okvira DUAL.AI.TEACHer. Digitalna suverenost (Digital sovereignty) Nadzor nad lastnimi podatki, infrastrukturo in tehnološkimi odločitvami. Lastna izdelava platforme samodejno ne zagotavlja večjega nadzora, zato priročnik svetuje previdno rabo tega izraza. Digitalna značka odprta digitalna značka (Digital Badge) Deljiva digitalna oblika certifikata ali mikrodokazila. Digitalno središče (Digital Hub) Osrednja spletna platforma, ki združuje vire, tečaje in izmenjavo v skupnosti projekta. Dimenzija (Dimension) Eno od širših področij, na katera je okvir razdeljen, pri čemer vsako združuje kompetence, ki v praksi sodijo skupaj. Dimenzija vključevanja (Inclusion Dimension) Dimenzija, ki se osredotoča na dostopnost, pravičnost in vključevanje pri poučevanju in učenju s podporo UI. Dnevniški zapisi (Logs) Zapisi, ki jih sistem UI ustvarja samodejno. Uvajalci visokotveganih sistemov jih morajo hraniti najmanj šest mesecev, kadar so dnevniški zapisi pod njihovim nadzorom. E Enkratni poziv posamični poziv (One-shot prompt, Single prompt) Poziv, poslan enkrat, brez izboljševanja ali nadaljnjih vprašanj. (V tehnični rabi lahko izraz pomeni tudi poziv, ki vsebuje en rešen primer.) EntreComp   Evropski okvir podjetnostne kompetence. Okviru je prispeval ustvarjalnost in inovativnost. ESCO   Evropska klasifikacija spretnosti, kompetenc, kvalifikacij in poklicev. Certificiranje je usklajeno z njo. Etična dimenzija (Ethical Dimension) Dimenzija, ki obravnava etične vidike, povezane z uporabo UI pri poučevanju in učenju. Etika UI (Ethics of AI) Etična načela, predpisi, institucionalne politike in praktične smernice za uporabo UI, ki jih morajo učitelji razumeti in uporabljati. Presečni vidik navpične dimenzije. Europass   Platforma EU, prek katere je mogoče deliti digitalne certifikate, tretje institucije pa lahko preverijo njihovo veljavnost. Evropski okvir (European Framework) Referenčni okvir, ki zagotavlja standardizirane opredelitve kompetenc na evropski ravni. Evropsko ogrodje kvalifikacij EOK (European Qualifications Framework, EQF) Referenčni okvir EU, ki omogoča primerljivost kvalifikacij med državami. Certificiranje je usklajeno z njim. F Faktografsko znanje (Factual knowledge) Znanje o dejstvih in pojmih. Tutorji UI lahko podpirajo njegovo usvajanje. Filter vsebin (Content filter) Samodejni mehanizem, ki blokira ali spremeni vsebine, ki jih ponudnik ocenjuje kot neprimerne. Njegova merila pogosto niso razkrita. G GDPR Splošna uredba o varstvu podatkov, Uredba (EU) 2016/679 (General Data Protection Regulation) Zakonodaja EU o varstvu podatkov. Medtem ko se Akt o UI sprašuje, ali in kako se sistem UI sme uporabljati, GDPR sprašuje, ali se določeni podatki o določeni osebi smejo obdelovati na določen način. Generativna UI GenAI (Generative AI) UI, ki na podlagi poziva ustvarja novo besedilo, slike ali druge vsebine. Generator slik iz besedila generator slik (Text-to-image generator) Generativna UI, ki ustvarja slike na podlagi pisnega poziva. Kaj prikaže, je odvisno od učnih podatkov in od prilagoditev, ki jih je izvedel ponudnik. Generiranje kode (Code generation) Prepuščanje pisanja programske kode UI. Začetniki naj se mu izogibajo, ker še ne znajo presoditi, ali je koda pravilna. Globoki ponaredek (Deepfake) Slikovna, zvočna ali video vsebina, ustvarjena ali spremenjena z UI, ki deluje verodostojno. Pri uporabi pri pouku jo je treba razkriti (člen 50(4) Akta o UI). Gostovanje podatkov (Data hosting) Kraj, kjer se podatki hranijo in obdelujejo, npr. na evropskih strežnikih ali zunaj EU. Za podatke, ki zapustijo EU, je potreben zaščitni ukrep. H Halucinacija (Hallucination) Tekoče, samozavestno, napačno. Ni napaka, ki čaka na popravek, temveč posledica načina, kako sistemi ustvarjajo besedilo. I ICEP Institute of European Certification of Personnel Akreditiran certifikacijski organ (ISO 17024), ki upravlja certifikacijsko platformo in izpit ter vodi evidenco certifikatov. Igrifikacija (Gamification) Uporaba elementov iger pri pouku. Uporaba UI za igrifikacijo je prinesla premajhen učinek, da bi ga lahko šteli za dokazanega. Inteligentni tutorski sistem ITS (Intelligent tutoring system) Uveljavljena učna programska oprema, ki učence vodi s prilagojenimi nalogami in povratnimi informacijami. Iterativno pozivanje izboljševanje pozivov (Iterative prompting, Prompt refinement) Izboljševanje izpisa UI v več krogih, namesto da bi se zanašali na en sam poziv: opredelite cilj, napišite poziv, ovrednotite izpis, ga izboljšajte in preverite. Izguba spretnosti (Deskilling) Postopno upadanje strokovnega znanja, kadar orodje prevzame delo, s katerim se to znanje ohranja. Izjema za poučevanje (Teaching exception) Izjema v avtorskem pravu, ki učiteljem dovoljuje, da za svoj razred kopirajo omejen del dela. Ne zajema nalaganja zaščitenih del v sistem UI, izključeno pa je tudi gradivo, namenjeno šolskemu pouku, predvsem učbeniki. Izmišljen navedek izmišljen vir (Fabricated citation) Sklic na vir, ki ga je ustvarila UI in ne obstaja. Prepoznavanje takih virov je temeljna veščina preverjanja in eden od značilnih znakov nerazkrite uporabe UI. Izobraževalec učiteljev (Teacher educator) Akademsko osebje, ki poučuje v začetnem izobraževanju učiteljev. Krepitev njihove usposobljenosti je faza 3 časovnega načrta uvajanja. Izvedba tečaja (Course Run) Posamezna izvedba tečaja z vpisanimi udeleženci in določenim časovnim okvirom. J Javno naročanje odločitev o nakupu (Procurement) Postopek, s katerim šola ali šolski organ izbere in kupi orodja UI. Prav tu se zagotovijo zanesljive omejitve in pogodbena zaščita, zato je odgovornost pri naročniku in ne pri posameznem učitelju. K Kiborško pisanje (Cyborg writing) Pisanje, pri katerem UI mišljenje pisca razširja, ne nadomešča, učenci pa označijo, kateri deli so njihovi lastni. Klepetalni robot UI klepetalnik (AI Chatbot, Chatbot) Program, ki se pogovarja v naravnem jeziku, danes običajno na podlagi velikega jezikovnega modela. Klepetalni vmesnik LLM klepetalni asistent UI (LLM chat interface) Klepetalno okno v brskalniku, prek katerega uporabniki delajo z velikim jezikovnim modelom. Kognitivno razbremenjevanje (Cognitive Offloading) Prenašanje miselnega dela na nekaj zunaj lastne glave. Koristno je, kadar je znanje že usvojeno, škodljivo pa, kadar se še oblikuje. Kompetenca (Competence, Competency) Kar učitelj zna, zmore in je pripravljen storiti, opisano tako, da se lahko poučuje in preverja. Kompetenca učiteljev na področju UI (Teacher AI Competence) Znanje, spretnosti in stališča učiteljev za poučevanje z UI in o UI, kot jih strukturira okvir DUAL.AI.TEACHer. L Lažno pozitiven rezultat (False Positive) Pravilno, pošteno opravljeno delo, ki je napačno označeno. Napaka, ki škoduje učencem. Licenca (Licence)   Lokalno nameščen model lokalno gostovan model (Locally installed model) Jezikovni model, ki deluje na šolski napravi ali strežniku. Je alternativa, kadar je dostop do interneta v šoli omejen. M Matejev učinek (Matthew effect) Največ pridobijo tisti, ki že imajo prednosti: »vsakemu, ki ima, se bo dalo«. Merilo ocenjevanja (Assessment Criterion) Pravilo ali merilo, s katerim se ugotavlja, ali je bil učni izid dosežen. Metaanaliza pregled (Meta-analysis, Review) Študija, ki združuje rezultate številnih posameznih študij o istem vprašanju. Mikrodokazilo (Micro-credential) Manjša oblika certificiranja, ki zajema en osredotočen sklop kompetenc namesto celotne poti; mikrodokazila je mogoče nadgrajevati v večje kvalifikacije. Model poučevanja (Teaching Model) Pedagoški pristop, ki opredeljuje, kako sta strukturirana poučevanje in učenje, vključno z vlogo UI. Model UI (AI model) Naučeno jedro sistema UI, ki iz vhodnih podatkov ustvarja izpise. Modul usposabljanja (Training Module) Strukturirana enota usposabljanja, ki z učnimi dejavnostmi in gradivi razvija kompetence. N Na človeka osredotočena miselnost (Human-centred mindset) Vrednote in stališča, ki jih učitelji potrebujejo pri interakciji med človekom in UI, da dajejo prednost potrebam, presoji in dobrobiti ljudi. Presečni vidik navpične dimenzije. Nadaljnje strokovno izobraževanje in usposabljanje stalni strokovni razvoj (Continuing professional development, CPD, in-service training) Strokovno učenje za učitelje, ki že poučujejo v šolah. Faza 6 časovnega načrta uvajanja ga preoblikuje v strukturirano ponudbo z nadgradljivimi mikrodokazili. Nadgradljivost nadgradljiv (Stackability, Stackable) Možnost, da se mikrodokazila sčasoma združujejo, tako da se upoštevajo pri večjih kvalifikacijah. Nadzor izpita oddaljeni nadzor izpita (Proctoring, remote proctoring) Nadzor izpitov s programsko opremo, npr. prek spletne kamere. UI, ki zaznava prepovedano vedenje pri izpitih, šteje za visokotvegano; certifikacijski izpit poteka z oddaljenim nadzorom. Napovedovalni stroj verjetnostni izpis (Prediction engine, Probabilistic output) Jezikovni modeli ustvarjajo verjetno nadaljevanje besedila, namesto da bi dejstva iskali v podatkovni zbirki. To pojasnjuje, zakaj halucinirajo in zakaj lahko podobni pozivi dajo različne odgovore. Navpična dimenzija dimenzija UI (Vertical dimension) Trije vidiki UI v okviru DUAL.AI.TEACHer, prevzeti iz UNESCO-vega okvira: na človeka osredotočena miselnost, etika UI ter temelji UI in njihova uporaba. Neciljano zajemanje strganje podatkov (Untargeted scraping, Scraping) Avtomatizirano množično zbiranje slik z interneta ali posnetkov videonadzora brez določenega namena ali določene osebe. O Obdelovalec obdelovalec podatkov (Processor, Data processor) Po GDPR organ, ki obdeluje osebne podatke v imenu upravljavca in strogo po njegovih navodilih, npr. ponudnik UI. Oblikovanje pozivov pozivanje (Prompt engineering, Prompting) Pisanje učinkovitih pozivov kot veščina, ki se je je mogoče naučiti, npr. za načrtovanje pouka, diferenciacijo in ocenjevanje. Obveznost preglednosti obveznost označevanja, dolžnost razkritja (Transparency obligation) Dolžnost po členu 50 Akta o UI, da se ljudi obvesti, kadar so v stiku z UI, ter da se razkrijejo globoki ponaredki in besedila, ustvarjena z UI, o zadevah javnega interesa. Izvzete so vsebine, ki so bile predmet človeškega pregleda in uredniškega nadzora, zato učni list, ki ga je pregledal učitelj, ne potrebuje oznake. Ocena učinka na temeljne pravice FRIA (Fundamental rights impact assessment) Ocena, ki jo morajo javni organi in organizacije, ki zagotavljajo javne storitve, morda opraviti pred uporabo visokotvegane UI (člen 27 Akta o UI). Odgovornost (Accountability) Odgovarjanje za odločitve o uporabi UI in njihove posledice. Odgovornost vedno ostane pri ljudeh in institucijah, nikoli pri sistemu. Odločba o ustreznosti (Adequacy decision) Odločitev EU, da država zunaj EU ustrezno varuje osebne podatke, tako da se podatki lahko prenašajo vanjo. Odprti izobraževalni vir (OIV) OIV (Open Educational Resource, OER) Učno gradivo, objavljeno pod odprto licenco, ki omogoča prosto uporabo, prilagajanje in deljenje. Odprti model odprti model UI (Open model) Model UI, katerega sestavine so prosto dostopne, v nasprotju z lastniškimi modeli podjetij. Priporočen kot del javno financiranega, pravičnega dostopa do UI. Operator   Glagol, okoli katerega je zgrajen učni cilj (npr. prepoznati, izvajati, kritično ovrednotiti). Pove, kaj se od učitelja na tej ravni pričakuje, in naredi cilj opazljiv. Organ za nadzor trga (Market surveillance authority) Nacionalni organ, ki izvršuje Akt o UI. Pritožbo pri njem lahko vloži kdor koli, tudi učitelji, učenci in starši (člen 85 Akta o UI). Orodje UI (AI Tool) Vsaka aplikacija, ki uporablja UI za podporo pri neki nalogi. Osebni podatki (Personal data) Vsaka informacija o osebi, ki jo je mogoče prepoznati, npr. imena, šolski e-naslovi, izdelki učencev, zvočni posnetki, fotografije, ocene, podatki o prisotnosti in učnem napredku. Podatki ostanejo osebni, če je osebo mogoče prepoznati iz konteksta. Oznaka kompetence oznaka učnega cilja (Competence code) Oznaka učnega cilja, npr. AF-TL-2b: vidik UI (HM, EI, AF) – pedagoško področje (PE, DR, TL, A, EL, FC) – raven napredovanja (1–3) in cilj (a–c). P Pedagoški okvir (Pedagogical Framework) Strukturiran sklop pedagoških načel in pristopov, ki usmerja oblikovanje poučevanja in učenja. Pedagoški okvir kompetenc UI okvir kompetenc DUAL.AI.TEACHer (AI Pedagogical Competency Framework) Struktura, ki razvršča kompetence poučevanja, povezane z UI, v dimenzije in ravni ter jih povezuje z izidi in ocenjevanjem, pri čemer usklajuje pedagoške, etične in tehnične vidike. Personalizacija personalizacija z UI (Personalisation) Prilagajanje virov, nalog ali podpore posameznim učencem z UI. Lahko podpira vključevanje, prinaša pa tudi tveganja neenakosti, zlorabe podatkov in izključevanja. Pismenost na področju UI (AI literacy) Razumevanje konceptov UI, njenih priložnosti, omejitev in odgovorne uporabe. V skladu s členom 4 Akta o UI morajo šole podpirati njen razvoj pri zaposlenih, ki uporabljajo UI (zavezujoče od 2. februarja 2025); posebna raven, certifikat ali oblika ni predpisana. Tudi ime certifikacijske smeri B. Platforma MOOC (MOOC Platform) Digitalna platforma za izvajanje tečajev, upravljanje udeležencev in gostovanje učnih vsebin. Podatkovna zbirka EU (EU database) Register EU, v katerega morajo javni organi morda vpisati visokotvegane sisteme UI, ki jih uporabljajo (člen 49 Akta o UI). Področje kompetenc (Competence Domain, Competence area) Skupina povezanih kompetenc znotraj okvira. Pogodba o obdelavi podatkov DPA (Data processing agreement) Pisna pogodba med šolo in ponudnikom, ki določa, kako sme ponudnik ravnati z osebnimi podatki (člen 28 GDPR). Praktični preizkus: ali izključuje učenje (training) na vaših vnosih? Ponudnik ponudnik UI (Provider, AI provider) Podjetje, ki razvija in ponuja sistem UI. Običajno je odgovorno za to, da uporabnike obvesti, da so v stiku z UI; kadar za šolo obdeluje podatke, ima po GDPR vlogo obdelovalca. Posebne vrste osebnih podatkov (Special category data) Osebni podatki, ki potrebujejo dodatno zaščito, npr. podatki o zdravju, invalidnosti, biometrični podatki ali podatki, ki razkrivajo etnično poreklo ali vero (člen 9 GDPR). Načeloma nedotakljivi brez posebne izjeme. Postopna podpora (Scaffolding) Strukturirano vodenje s strani učitelja, ki učence podpira pri uporabi orodja ali reševanju naloge, ki je sami še ne bi zmogli. Poučevanje o UI učenje O UI (Teaching about AI, Learning ABOUT AI) Ko UI sama postane predmet učne ure, tako da učenci razumejo, kako deluje in kje odpove. Poučevanje z UI učenje Z UI (Teaching with AI, Learning WITH AI) Uporaba UI kot orodja pri lastnem poučevalnem delu, od načrtovanja do povratnih informacij. Poziv (Prompt) Navodilo, ki ga uporabnik da sistemu UI. Njegovo ubesedenje, kontekst in omejitve oblikujejo izpis. Pravičnost nediskriminacija (Fairness) Načelo, da UI in njena uporaba ne smeta sistematično postavljati ljudi v slabši položaj, npr. ko zaznavalniki UI napačno označijo besedila piscev, ki jim jezik ni materni. Predvidljivost (Predictability) Kako pričakovano je ubesedenje besedila. Zaznavalniki UI merijo predvidljivost, ne strojnega avtorstva, zato napačno označijo preprosto pisana besedila ali besedila v drugem jeziku. Pregled kode pregled kode s pomočjo UI (Code review) Učenci najprej sami napišejo kodo, nato pa UI prosijo za predloge izboljšav, namesto da bi ji prepustili pisanje rešitve. Predloge je treba kritično ovrednotiti. Prenovljena Bloomova taksonomija (Revised Bloom's taxonomy) Model, v katerem se kognitivni procesi razvijajo od pomnjenja in razumevanja prek uporabe in analize do vrednotenja in ustvarjanja (Anderson in Krathwohl, 2001). Osnova ravni napredovanja. Preoblikovanje pozivov (Prompt rewriting) Ponudnik samodejno spremeni uporabnikov poziv, preden ga prejme model, npr. da doda podrobnosti ali raznolikost. Uporabnik spremembe ne vidi, zato to, kar je vtipkal, ni tisto, kar je bil stroj dejansko vprašan. Prepovedane prakse UI (Prohibited AI practices) Osem načinov uporabe UI, ki jih Akt o UI (člen 5) od 2. februarja 2025 v celoti prepoveduje. Štirje zadevajo šole: prepoznavanje čustev, izkoriščanje ranljivosti, neciljane podatkovne zbirke za prepoznavanje obrazov in biometrična kategorizacija. Prepoznavanje čustev (Emotion recognition) UI, ki trdi, da iz biometričnih podatkov sklepa o čustvih ali namerah, npr. zaznavanje pozornosti, analiza razpoloženja ali točkovanje »angažiranosti« prek spletne kamere. V šolah prepovedano od 2. februarja 2025, z ozkimi izjemami iz zdravstvenih ali varnostnih razlogov. Prepoznavanje govora (Speech recognition) Oblika UI, pri kateri program poskuša prepoznati izgovorjene besede ali števila. Kako dobro deluje, je odvisno od mikrofona, razločnosti govora in tišine v prostoru. Prepoznavanje obrazov (Facial recognition) UI, ki ljudi prepoznava po obrazu, npr. za beleženje prisotnosti ali nadzor izpitov. Izdelava ali širjenje podatkovnih zbirk za prepoznavanje obrazov z neciljanim zajemanjem je prepovedano. Pretirano zanašanje pretirano zaupanje (Overreliance, Over-trust) Zaupanje izpisom UI bolj, kot si ga zaslužijo, npr. sprejemanje napačnih ocen ali povratnih informacij. Učitelji, ki uporabljajo visokotvegano UI, morajo nanj dejavno paziti. Prilagodljiva programska oprema za utrjevanje (Adaptive practice software) Programska oprema za utrjevanje, ki se v šolah že uporablja in vaje prilagaja odgovorom učenca. Klepetalni roboti z generativno UI so pokazali večje učinke na znanje in razumevanje. Prilagodljiva učna platforma (Adaptive learning platform) Platforma, ki vsebino, tempo ali učno pot prilagaja posameznemu učencu. Primer uporabe (Use Case) Konkreten scenarij, ki opisuje, kako se UI uporablja v pedagoški praksi. Priročnik (Playbook) Strukturiran vodnik, ki kompetence na področju UI s primeri uporabe, pedagoškimi modeli in viri za usposabljanje prenaša v pedagoško prakso. Pristranskost (Bias) Nagnjenja, podedovana iz gradiva, na katerem se je sistem učil, ki jih ni mogoče zanesljivo zmanjšati zgolj s povečanjem sistema. Pristranskost do avtomatizacije pretirano zaupanje (Automation Bias) Sprejemanje predloga stroja brez samostojnega preverjanja. Profiliranje (Profiling) Avtomatizirano vrednotenje posameznikov z namenom analiziranja ali napovedovanja njihovih značilnosti ali vedenja. Izobraževalni sistem UI, ki profilira posameznike, vedno šteje za visokotveganega. R Računalniško mišljenje algoritmično mišljenje (Computational thinking) Reševanje problemov na način, ki bi ga lahko izvedel računalnik, npr. z razčlenjevanjem na korake in prepoznavanjem vzorcev. Randomizirana kontrolirana študija RCT, kontrolirana študija (Randomised controlled trial) Študija, v kateri so udeleženci naključno razporejeni v skupine, tako da je razlike v rezultatih mogoče pripisati intervenciji. Raven napredovanja raven (Progression level) Ena od treh ravni, na katerih je opisana vsaka temeljna kompetenca: raven 1 Usmerjeno zavedanje, raven 2 Reflektirano izvajanje (glavni cilj za učitelje) in raven 3 Preobrazbeno vodenje. Razložljivost razlaga UI (Explainability, AI explanation) Sistem UI pokaže, kako je prišel do izpisa. Razlage pretiranega zaupanja ne preprečujejo zanesljivo; preveč tehnične ali preveč poenostavljene razlage lahko neupravičeno zaupanje celo povečajo. Razvrščanje slik razvrščevalnik slik (Image classification, Image classifier) Naloga UI, pri kateri model po učenju s primeri razvršča slike v kategorije (npr. papir, plastika, drugo), nato pa ga preizkusimo z novimi predmeti. S Shema (Schema) Osebno organizirano znanje. Skladnost uporabe UI skladna uporaba UI (AI Compliance) Uporaba UI v skladu z zakonodajo o varstvu podatkov, Aktom o UI, avtorskim pravom in pravili o preverjanju znanja. Skladnost uporabo omogoča in je ne ovira. Sokratski tutor (Socratic tutor) Klepetalni robot, ki je dobil navodilo, naj namesto dajanja odgovorov zastavlja vodilna vprašanja. Če je nastavljen samo s pozivom, v daljših pogovorih rad zdrsne nazaj k dajanju odgovorov, zato je treba zanesljive omejitve vgraditi v sistem. Spletni izpit (Online Exam) Formalno, strukturirano preverjanje znanja, ki poteka na spletu kot del postopka vrednotenja. Sprejemanje povratnih informacij (Feedback uptake, Uptake) Ali učenec povratno informacijo prebere, razume, jo upošteva in jo razume dovolj dobro, da bi naslednjič brez pomoči nalogo rešil pravilno. Ozko grlo ni kakovost, temveč sprejemanje. Standardne pogodbene klavzule SCC (Standard contractual clauses) Pogodbena določila, ki jih je odobrila EU in ki varujejo osebne podatke, prenesene zunaj EU, kadar ni odločbe o ustreznosti. Stohastičen naključen (Stochastic, Randomised) Odvisen od naključja, tako da lahko enake nastavitve vodijo do različnih rezultatov. Strežnik (Server) Računalnik, ki prek omrežja hrani in obdeluje podatke za druge. Kje so strežniki orodja UI (npr. v EU), vpliva na to, katera pravila o varstvu podatkov veljajo. Strojno učenje SU (Machine learning, ML) Pristop, pri katerem se sistem UI uči vzorcev iz primerov, ki jih prejme, namesto da bi sledil ročno napisanim pravilom. Če so primeri preveč podobni, nepopolni ali slabo izbrani, model daje nepričakovane rezultate. Strukturiran poziv (Structured prompt) Poziv, ki določa več kot le temo, npr. ciljno skupino, namen, kontekst, jezikovno raven, ton, starost učencev, učni cilj, trajanje in pričakovani izpis. Omogoča večji nadzor nad rezultatom, vendar dobrega rezultata ne zagotavlja. Š Širjenje inovacij (Diffusion of innovations) Teorija o tem, kako se inovacije širijo: lažje so sprejete, kadar jih je mogoče preizkusiti (preizkusljivost) in videti, kako delujejo (opazljivost). Šolsko okolje UI preverjena platforma (School AI environment, Vetted platform) Preverjena platforma UI za šole, ki jo zagotavlja država in ima izpogajane pogodbe, namesto da bi bili učitelji prepuščeni prijavljanju v brezplačna orodja. T Tečaj (Course) Strukturiran sklop modulov usposabljanja, zasnovan za celovito učno izkušnjo. Tehnična varnost (Technical safety) Zanesljivost in robustnost sistema UI, tako da deluje, kot je predvideno, in ne povzroča škode. Temelji UI in njihova uporaba (AI foundations and applications) Konceptualno znanje in prenosljive veščine za razumevanje delovanja UI ter za izbiro, uporabo in prilagajanje orodij UI. Vsebinsko specifični vidik navpične dimenzije. Temeljna kompetenca (Core competency) Ena od 18 kompetenc okvira DUAL.AI.TEACHer, od katerih vsaka leži na presečišču pedagoškega področja in vidika UI. Trajnostna UI (Sustainable AI) Razvoj in uporaba UI na način, ki upošteva njene dolgoročne okoljske, družbene in gospodarske učinke. Tretja oseba (Third party) Podjetje, ki ni niti šola niti razvijalec aplikacije, običajno oglaševalsko ali analitično podjetje, ki prejema podatke, medtem ko učenec dela. Tutor UI (AI Tutor) Sistem UI, zasnovan za razlaganje vsebin in vodenje učencev. Lahko podpira usvajanje faktografskega znanja. U Učenec udeleženec (Learner) Posameznik, ki sodeluje v učnih dejavnostih, da bi pridobil znanje, spretnosti ali kompetence. Učenje na uporabniških vnosih (Training on user inputs) Ko ponudnik to, kar uporabniki vtipkajo ali naložijo, uporabi za lastne namene, zlasti za učenje svojih modelov. Osebne podatke je dovoljeno vnašati le, če pisni dogovor to izključuje. Učinek novosti (Novelty effect) Začasen pozitiven učinek zgolj zato, ker je nekaj novo. Lahko napihne rezultate kratkotrajnih študij. Učinek ojačitve ojačitev proti izenačevanju (Amplification effect) UI običajno povečuje obstoječe razlike. Izenačuje jih le, kadar so hkrati izpolnjeni trije pogoji: zanesljiv dostop, orodje, zasnovano za učenje in ne za dajanje odgovorov, ter učitelj, ki uporabo orodja podpira z ustreznim vodenjem. Učitelj (Teacher) Posameznik, odgovoren za načrtovanje in izvajanje dejavnosti poučevanja in učenja. Učna enota (Learning Unit) Konkretna učna dejavnost, ki jo učenec izvede v okviru modula. Učna priprava (Lesson Plan) Podroben načrt učne ure, ki vključuje cilje, dejavnosti in vključevanje orodij UI. Učni izid (Learning Outcome) Merljiva izjava, ki opisuje, kaj naj bi učenec znal ali zmogel. Učni podatki učno gradivo, učni primeri (Training data) Primeri, iz katerih se sistem UI uči, npr. milijoni slik, ki so jih označili ljudje. Nagnjenja v tem gradivu se prenesejo v izpise sistema in ne izginejo zgolj zato, ker so modeli večji. Uglaševanje uglaševanje modela, varnostno učenje (Tuning, Model tuning, safety training) Prilagoditve, ki jih ponudnik izvede po začetnem učenju, da usmeri, kaj sistem prikazuje ali govori, npr. da bi bil varnejši, pravičnejši ali bolj raznolik. Uglaševanje v izpisu ni vidno, lahko zgreši in se lahko spremeni brez obvestila. UI umetna inteligenca (AI, Artificial Intelligence) Računalniški sistemi, ki opravljajo naloge, povezane s človeškim mišljenjem, kot so prepoznavanje vzorcev, obdelava jezika ali ustvarjanje vsebin, večinoma tako, da se učijo iz podatkov. Umik članka (Retraction) Uradni umik objavljenega članka s strani revije. Članek ostane viden z oznako »RETRACTED«, da lahko vsi, ki so ga navajali, to prepoznajo. UNESCO-v okvir kompetenc UI za učitelje (UNESCO AI Competency Framework for Teachers) UNESCO-v okvir (2024), ki opredeljuje načela, vrednote, znanje in spretnosti, ki jih učitelji potrebujejo za etično, učinkovito in varno uporabo UI. Vir navpične dimenzije. Univerzalno oblikovanje učenja UDL (Universal Design for Learning) Okvir za vključujoče, na učenca osredotočeno oblikovanje pouka. Uporabljen za krepitev vključujoče dimenzije okvira. Upravljavec upravljavec podatkov (Controller, Data controller) Po GDPR organ, odgovoren za obdelavo osebnih podatkov. V šolah je to običajno šola. Usmeritveni dokument (Policy Guideline) Dokument na ravni politik, ki usmerja razvoj kompetenc in pedagoških praks. Uvajalec (Deployer) Organizacija, ki sistem UI uvede in ga nadzoruje, običajno šola ali šolski organ. Učitelj, ki orodje uporablja po navodilih šole, običajno ni ločen uvajalec. V Varstvo podatkov (Data protection) Pravno varstvo osebnih podatkov. Nosilni temelj prava na področju UI, ki velja že ves čas; v EU predvsem GDPR. Veliki jezikovni model (LLM) LLM (Large Language Model) Model UI, naučen na velikih količinah besedila, ki ustvarja verjetna nadaljevanja besedila; osnova klepetalnih robotov. Deluje kot napovedovalni stroj, ne kot podatkovna zbirka. Vibe coding   Ustvarjanje ali razširjanje programske opreme tako, da v naravnem jeziku opišemo, kaj naj počne, kodo pa napiše UI. V priročniku učenci s pozivi razširijo obstoječo simulacijo, namesto da bi programirali od začetka. Visokošolski učitelji (University Faculty) Univerzitetno osebje, vključeno v izobraževanje učiteljev, ena od ciljnih skupin priročnika. Visokotvegani sistem UI visokotvegana UI (High-risk AI system) Sistem UI, za katerega zaradi njegovega predvidenega namena veljajo stroge obveznosti. V izobraževanju: odločanje o sprejemu, vrednotenje učnih izidov ali usmerjanje učenja, ocenjevanje dostopa do ravni izobraževanja in zaznavanje prepovedanega vedenja pri izpitih; pri zaposlenih: zaposlovanje, napredovanje, dodeljevanje nalog in ocenjevanje delovne uspešnosti. Obveznosti veljajo od 2. decembra 2027. Vodoravna dimenzija pedagoška dimenzija (Horizontal dimension) Šest področij pedagoške prakse v okviru DUAL.AI.TEACHer, prevzetih iz DigCompEdu: strokovno delovanje, digitalni viri, poučevanje in učenje, ocenjevanje, opolnomočenje učencev ter spodbujanje digitalne kompetence učencev na področju UI. Vodstvo šole ravnatelj, pomočnik ravnatelja (School Administrator, school leader, head teacher) Oseba, odgovorna za vodenje šole, na primer ravnatelj ali pomočnik ravnatelja. Poglavje 5.3 jih nagovarja neposredno. Vrzel med znanjem in ravnanjem (Knowledge-Action Gap) Izmerjena razdalja med poznavanjem UI in dejanskim spreminjanjem poučevanja zaradi tega poznavanja. Vsebinska enota (Content Unit) Najmanjša ponovno uporabna učna sestavina, ki se uporablja v učnih pripravah in modulih. Z Začetno izobraževanje učiteljev študijski programi za bodoče učitelje (Initial teacher education, ITE, pre-service teacher education) Univerzitetno izobraževanje bodočih učiteljev. Zaščitni mehanizmi (Guardrails) Omejitve, vgrajene v sistem, da podpira mišljenje, namesto da bi ga nadomeščal. Zaznavalnik UI (AI Detector) Programska oprema, ki trdi, da prepozna besedilo, ki ga je napisal stroj. V resnici meri predvidljivost besedila.