Rokasgrāmata LV

0. Par DUAL.AI.TEACHer rokasgrāmatu

Rokasgrāmatas mērķi

Šī rokasgrāmata ir paredzēta skolotājiem, skolu direktoriem un augstskolu mācībspēkiem, kuri vēlas apgūt nepieciešamās zināšanas par mākslīgā intelekta (MI) izmantošanu skolās un par savu iestāžu pārveidi (labākai) MI izmantošanai. MI skolā un skolotāju izglītībā var izmantot dažādiem mērķiem. Attiecībā uz mācīšanu mēs nošķiram "mācīšanu par MI" un "mācīšanu ar MI", lai pielāgotu priekšmetam specifiskas zināšanas.

Mākslīgā intelekta attīstība norit ārkārtīgi strauji, un tas mūsu sabiedrībā tiek izmantots arvien vairāk, ieņemot vietu gan ikdienas dzīvē, gan izglītībā. Šī MI visaptverošā izplatība ievieš daudzas, bieži savstarpēji saistītas sekas, kas aptver ētiskas, sociālas, ekonomiskas, tiesiskas un kultūras dimensijas, skarot tādus jautājumus kā datu aizsardzība, taisnīgums un nediskriminācija, algoritmu caurspīdīgums, tehniskā drošība un atbildība. Tieši šīs izplatības ātruma un tās seku mēroga dēļ pieaug nepieciešamība pēc kopīgām vadlīnijām, regulatīviem ietvariem un pārvaldības instrumentiem, kas spēj virzīt tehnoloģiju attīstību atbildīgā un ilgtspējīgā virzienā.

Rokasgrāmatas struktūra

Lai aptvertu visus šos aspektus, mēs esam strukturējuši rokasgrāmatu šādi:

Kā orientēties rokasgrāmatā

Latvian MI Roadmap for Educators.png

1. att.: "Ceļi uz meistarību" (MI ģenerēts attēls, Google Gemini)

Skolotājiem

Rokasgrāmatu var izmantot dažādos veidos.

1. iespēja: Jūs meklējat idejas nākamajai skolas dienai, lai mācītu skolēniem par MI vai izmantotu MI priekšmeta satura mācīšanā.

Šādā gadījumā dodieties tieši uz 2. nodaļu, kurā mēs pastāvīgi pievienojam jaunus labās prakses piemērus. Ceram, ka atradīsiet meklēto. Ja nē, lūdzu, rakstiet mums e-pastu, lai mēs varētu izstrādāt jaunu materiālu, kas aizpildītu jūsu konstatēto trūkumu.

2. iespēja: Jūs vēlaties uzzināt par tiesisko regulējumu, kas nosaka MI izmantošanu.

Šādā gadījumā dodieties uz 1.1. nodaļu.

3. iespēja: Jūs vēlaties iegūt kvalifikāciju, kas nepieciešama, lai efektīvi mācītu par MI un iekļautu MI sava priekšmeta mācīšanā.

Šādā gadījumā aicinām jūs veikt mūsu sākotnējo testu un pēc tam apgūt mūsu kvalifikācijas moduļus. Iegūstot mikrokvalifikācijas, jūs varat īstenot visaptverošu, savām zināšanām un pieredzei pielāgotu profesionālo pilnveidi.

Skolu vadītājiem

Vai esat gatavi kopā ar savu skolu doties aizraujošā ceļojumā, lai ieviestu MI savā profesionālajā pasaulē? 5. nodaļā mēs iezīmējam skaidru ceļvedi, kas jūs vadīs katrā solī. Mūsu kvalifikācijas programma palīdz jums sagatavot kolēģus gaidāmajam piedzīvojumam.

Augstskolu mācībspēkiem

MI atstāj savas pēdas skolotāju izglītībā – dažkārt spilgtiem triepieniem, dažkārt nemanāmi. Raugoties uz skolotāju izglītību kā uz ceļu, kas sākas augstskolā un turpinās visu profesionālo dzīvi, 5. nodaļa piedāvā jums ceļvedi, lai iedvesmotu un atbalstītu topošos skolotājus, kad viņi izzina mainīgo MI ainavu.

1. MI izglītībā

1. MI izglītībā

1.1 Iespējas un riski

Ja no šīs lappuses atceraties tikai vienu teikumu: MI ir ienācis skolās kā medikaments, kuram nav pievienota lietošanas instrukcija. Kā pedagogs jūs nezināt, kad izmantot MI, jums trūkst norādījumu par devām un nav informācijas par blakusparādībām. Šī nodaļa kalpo kā Rokasgrāmatas lietošanas instrukcija. 

Vai MI būtu jāpiedāvā lietošanas instrukcija līdzīgi kā medikamentiem?

Vai zināt to papīra lapiņu, kas ievietota katrā zāļu iepakojumā? To, kuru, visticamāk, atmetat malā pat nepaskatoties? Tā var šķist neievērojama, taču šī nelielā lapiņa ir pagājušā gadsimta klusais triumfs. Šajā instrukcijā norādīti četri būtiski elementi: ko zāles ārstē, kāda ir deva, kādas blakusparādības var rasties un kam no tām jāizvairās.

Aiz katras šīs instrukcijas rindiņas stāv veselas sistēmas darbs: klīniskie izmēģinājumi, regulatori un pienākums atklāt kļūdas. Neviens netic, ka pati instrukcija dziedē. Tās patiesā vērtība ir padarīt zāles drošas ikvienam. Tieši šīs "maģijas" mums trūkst, ļaujot MI mācīt bez vadlīnijām.

MI rīki, kas šobrīd klusi ienāk jūsu skolā, ir mantojuši problēmu, kas ir vecāka par pašu MI: izglītības tehnoloģijām reti kad ir bijusi pievienota lietošanas instrukcija. Apvienotajā Karalistē veikts pārskats atklāja, ka tikai 7 no 100 izglītības tehnoloģiju uzņēmumiem savus produktus ir pakļāvuši randomizētam izmēģinājumam, un tikai 12 no 100 ir meklējuši ārēju sertifikāciju. Arī skolas reti prasa vairāk. Aptaujā 17 ASV štatos tikai 11 no 100 pedagogiem un skolu administrācijas pārstāvjiem pirms jauna rīka ieviešanas bija pieprasījuši recenzētus pierādījumus.

Rezultātā daudzos gadījumos nauda tiek izšķērdēta. ASV vidēji divas trešdaļas izglītības programmatūras licenču palika neizmantotas, un 98 no 100 nekad netika izmantotas intensīvi. EdTech Genome Project, arī ASV, analizēja aptuveni 7000 mācību rīku 13 miljardu dolāru vērtībā un konstatēja, ka 85 no 100 bija vai nu slikti piemēroti, vai nepareizi ieviesti.

Šī nodaļa var šķist sausa, taču tā ir nepieciešama, jo tā atklāj slēptos stāstus aiz noteikumiem. Tā stāsta, kas patiesībā notika, kurus tas skāra, un izgaismo blakusparādības — pat tās, kas klusi skāra bērnus, kuri tam nekad nebija piekrituši.

MI iespējas

Lielākā daļa pētījumu par MI potenciālu koncentrējas uz universitāšu studentiem. Skolēni šajos pētījumos līdz šim ir bijuši samērā reti pārstāvēti. Turklāt lielākā daļa pētījumu attiecas uz īstermiņa intervencēm, kas ilgst no dažām stundām līdz dažām nedēļām. Tāpēc rezultātus, iespējams, pozitīvi ietekmējis tā dēvētais novitātes efekts. Plašs pārskats par 68 eksperimentiem atklāja tieši šādu likumsakarību: jo īsāks pētījums un jo mazāks dalībnieku skaits, jo lielāks bija ziņotais MI izmantošanas ieguvums.

(1) Ļaujiet MI izskaidrot jaunu tēmu un saglabājiet praksi savai stundai

Iedomājieties šādu situāciju. Rīt, kad skolēns ir palaidis garām kādu tēmu vai atkal ir nepieciešams izskaidrot sarežģītu jēdzienu, ļaujiet MI pedagogam veikt pirmo skaidrojumu. Praksi paturiet savai stundai, kur notiek reālā mācīšanās.

Kāpēc tas ir svarīgi. Labi kontrolētā izmēģinājumā MI pedagogs jauno materiālu iemācīja gandrīz tikpat labi kā labi izstrādāta mācību stunda. Hārvardas pētījumā 194 fizikas studenti apguva divas tēmas. Vienā tēmā viņi izmantoja šim nolūkam izstrādātu MI pedagogu. Otrā tēmā viņi mācījās labi vadītā aktīvās mācīšanās nodarbībā – ar diskusijām un problēmu risināšanu pāros, nevis lekcijā. Katrs students izmēģināja abas pieejas, tāpēc neviens nevar apgalvot, ka spēcīgākā grupa saņēma labāku pieeju. Testā, kas tika veikts uzreiz pēc tam, skolēni, kurus mācīja MI, sasniedza ievērojami augstākus rezultātus. Pētnieki reģistrēja vidējo uzdevuma izpildes laiku - 49 minūtes, salīdzinot ar stundu sarakstā nodarbībai atvēlētajām 60 minūtēm. Autori ir piesardzīgi šo rezultātu interpretācijā: materiāls studentiem bija jauns, un liela daļa uzdevuma vienkārši prasīja to labi izskaidrot. Viņi skaidri atturas attiecināt savu rezultātu uz uzdevumiem, kuros jāapvieno vairākas idejas. Turklāt tie bija universitātes studenti, nevis astotās klases skolēni.

Plašs pārskats, kurā apkopoti 228 pētījumu rezultāti, liecina par to pašu, taču ar vienu būtisku ierobežojumu. Ģeneratīvais MI zināšanu un izpratnes jomā deva lielākus ieguvumus nekā vecākas MI formas, piemēram, intelektuālās apmācības sistēmas un adaptīvā prakses programmatūra. Taču tas bija vienīgais no četriem pārskatā mērītajiem rezultātiem, kurā ģeneratīvajam MI bija pārsvars.

Uzziniet vairāk. 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, Article 17458. Brīvpieejas raksts, DOI 10.1038/s41598-025-97652-6. Rakstā aprakstīts, kā tika izstrādāts un kontrolēts pedagogs. Tas noderēs ikvienam, kurš vēlas izstrādāt savu MI pedagogu.

(2) Efektīvāka stundu plānošanas laika izmantošana

Iedomājieties šādu situāciju. Ietaupiet daļu no stundu plānošanai nepieciešamā laika, izmantojot MI, lai izveidotu pirmo stundas plāna melnrakstu, un pēc tam to rūpīgi pārskatiet.

Kāpēc tas ir svarīgi. Neviens neapstrīd, ka pedagogu darba slodze ir liela. Tāpēc viens no iespējamajiem MI ieguvumiem ir efektīvāka darba laika izmantošana. Anglijā veiktā izmēģinājumā tika pētīts, vai mērķtiecīga MI izmantošana stundu plānošanā var samazināt skolotāju darba slodzi. Pētnieki nejauši sadalīja 259 dabaszinātņu skolotājus 68 skolās divās grupās — vienā, kas izmantoja ChatGPT kopā ar tiešsaistes ceļvedi par tā lietpratīgu izmantošanu, un otrā, kurai tika lūgts ģeneratīvo MI neizmantot vispār. ChatGPT grupas pedagogi 7. un 8. klases (11–13 gadus vecu skolēnu) dabaszinātņu stundu plānošanai patērēja aptuveni 56 minūtes nedēļā, salīdzinot ar aptuveni 81 minūti salīdzinājuma grupā. Priekšmeta ekspertu grupa novērtēja stundu plānu kvalitāti, nezinot, vai plāni tika izveidoti ar MI palīdzību vai bez tās. Eksperti neatrada pierādījumus, ka stundu plānu kvalitāte atšķirtos. Tomēr jāizceļ divi aspekti. (1) Nedēļu gaitā pedagogi rīku izmantoja arvien mazāk. Izvērtētāji to skaidroja kā pedagogu pāreju no apguves posma uz rutīnu; tas var arī nozīmēt, ka bez atbalsta ietaupījums nesaglabājas. (2) Izmēģinājumā tika mērīts pedagogu stundu plānošanai patērētais laiks, nevis skolēnu mācīšanās rezultāti.

"Viss atgriežas pie laika. Pat tiem pedagogiem, kuri saskata MI vērtību, reti ir laiks, lai iemācītos to izmantot."

Uzziniet vairāk. Roy, P., Poet, H., Staunton, R., Aston, K., & Thomas, D. (2024, 12 December). ChatGPT in lesson preparation: A Teacher Choices Trial. NFER, commissioned by the Education Endowment Foundation and the Hg Foundation. Brīvpieejas raksts educationendowmentfoundation.org.uk.

(3) Labāks atbalsts skolēniem, kuri pilnvērtīgi negūst labumu no standarta nodarbībām

Iedomājieties šādu situāciju. Jūsu skola izlemj, kā tērēt savus līdzekļus. Tā vēlas iegādāties MI sarunbotu. Cik liela, jūsuprāt, ir varbūtība, ka sarunbota nodrošinātāji jums sniegs pierādījumus par sarunbota izmantošanas ieguvumiem dažādos mācību priekšmetos?

Kāpēc tas ir svarīgi. Nodrošinātājs varētu atsaukties uz pētījumiem par skolēniem ar invaliditāti – vienu no visilgāk pētītajām MI jomām izglītībā, ko, sadalot līdzekļus, viegli var aizmirst. Izanalizējot 29 pētījumus, kuros iesaistīta 41 skolēnu ar invaliditāti grupa, pētnieki konstatēja mērenus ieguvumus dažādos apstākļos. Taču izlasiet sīko drukāto tekstu. Septiņos no desmit šiem pētījumiem "MI" nozīmēja robotu, parasti humanoīdu, ko bieži vadīja pētnieks bērnam neredzamā vietā. Tikai vienā no pieciem pētījumiem tika izmantota programmatūra. Tātad tas nav pierādījums, ka sarunbots palīdzēs autistiskam skolēnam jūsu klasē. Pārskata autori arī nevarēja pateikt, kas padara šīs intervences efektīvas. Balstoties uz savu pētījumu, viņi nevarēja noteikt, kāpēc pētījumi, kas darbojās, atšķīrās no tiem, kas nedarbojās.

Uzziniet vairāk. 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. Brīvpieejas raksts, DOI 10.3102/00346543241293424. Šī raksta īstā vērtība ir iekļauto pētījumu tabula — tā uzreiz atklāj, cik neliela daļa šīs jomas patiešām pievēršas rīkiem, kas šobrīd tiek tirgoti skolām.

(4) Māciet skolēniem, kā MI kļūdās

Iedomājieties šādu situāciju. Lūdziet savai klasei izveidot desmit attēlus ar "ārstu" un desmit ar "medmāsu". Saskaitiet, kurš parādās katrā kopā, un pēc tam ierosiniet diskusiju: no kurienes radušies šie modeļi un kurš pieņēma šos lēmumus?

Gemini_Generated_Image_mfaur1mfaur1mfau.jpg

1. att.: "Viena mēģinājuma uzvedne: ārsts, medmāsa" (MI ģenerēts attēls, NanoBanana 2)

Kāpēc tas ir svarīgi. Šīs nodarbības klasiskā versija šķiet novecojusi, un tieši tāpēc tā ir uzmanības vērta. Gadiem ilgi demonstrācija bija paredzama: pieprasot ārstu, parādījās vīrietis. Bezpeļņas organizācijas AlgorithmWatch veiktā testā Midjourney gandrīz vienmēr attēloja ārstus kā baltādainus vīriešus, savukārt Adobe Firefly redzami, kaut arī nepilnīgi, centās dažādot rezultātus. Recenzētā pētījumā par 2400 MI ģenerētiem ķirurgu attēliem atklājās tāda pati atšķirība: divi no trim populāriem ģeneratoriem gandrīz nerādīja sievietes, savukārt trešais bija tuvu reālajai sieviešu skaita proporcijai ķirurģijā.

Izmēģinot to pašu uzvedni šodien, iespējams, redzēsiet parādāmies ārsti-sievieti vai medbrāli (1. att.). Taču nemaldiniet sevi domājot, ka aizspriedumi ir izzuduši. 2026. gada analīze par 1344 attēliem no trim populāriem ģeneratoriem atklāja pretējo: pieprasot attēlot "kompetentu personu", viena sistēma sievietes nerādīja vispār.

Mainījušies ir nevis aizspriedumi, bet gan slānis, kurā tie mīt — un šī ir svarīgākā mācība! Aiz katra no šiem attēliem ir cilvēku pieņemti lēmumi: uz kā sistēma tika apmācīta un ko tās veidotāji vēlāk nolēma tai rādīt. Otro no šiem slāņiem var pielāgot, tas ir neredzams un to nosaka uzņēmums. 

Pirmais cilvēku pieņemto lēmumu slānis ir tas, ko sistēma ir absorbējusi. Miljoniem attēlu, ko cilvēki izveidojuši un marķējuši, katrs no tiem atspoguļojot pasauli tādu, kāda tā jau bija. Šo slāni atklāj klasiska aizspriedumos balstīta nodarbība, un skolēni to viegli uztver: mehānisms kļuva par atspulgu tam, kas tam tika ieprogrammēts.
Otro slāni veido tas, ko uzņēmums izvēlas rādīt jums nākamreiz, taču šī ietekme pašā attēlā nekādas pēdas neatstāj. Šeit notiek trīs lietas, katru no tām paši veidotāji aprakstījuši saviem vārdiem.
Tātad, kad skolēns ieraksta "ārsts" un parādās sieviete, attēls nesniedz nekādu norādi par to, kurš slānis šo izvēli radījis. Šī nenoteiktība nav nodarbības trūkums. Tā ir pati nodarbības būtība.
Vecais stāsts apgalvoja, ka mašīna vienkārši atkārtoja sabiedrības aizspriedumus. Jaunais stāsts sniedzas dziļāk un paliek spēkā ilgāk: uzņēmums pieņēma izvēli! Šo izvēli nevar pamanīt rezultātā, un tā var mainīties kaut vai otrdien, klusi, bez brīdinājuma. Šī patiesība saglabājas katrā jaunā modelī. Stereotipu nodarbība zaudē aktualitāti.

Šī ir mācība, kas ir skolēna uzmanības vērta un kas paliks aktuāla arī pēc nākamā modeļa atjauninājuma: attēls nav vienkāršs realitātes atspoguļojums, un tas nav nejaušs. Kāds pieņēma izvēli.

Latvian AI prompt transformation flowchart.png

2. att.: "Kāpēc attēls, kas veidots pēc tādas uzvednes kā 'uzzīmē ārstu', izskatās tā, kā tas izskatās, un kāpēc pats attēls to jums nepateiks" (MI ģenerēts attēls, NanoBanana 2)

Šo mācību var sākt jau agri. Kad 209 somu skolēni 12 klasēs, 6. un 7. klasē, izpētīja šo tēmu, to skolēnu īpatsvars, kuri spēja izskaidrot aizspriedumus, izmantojot datus, pieauga no aptuveni 7 līdz 44 no 100. Godīgs ierobežojums: pētījums mērīja to, ko bērni spēja izskaidrot, nevis to, kā viņi rīkotos vēlāk.

"Aizspriedumi nav raksturīgi tikai MI. Tie var būt pat mācību grāmatās. Svarīgi ir zināt par nejaušību, par datiem, kas slēpjas aiz atbildes, un par iespējamajiem izkropļojumiem."

Uzziniet vairāk. 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. Brīvpieejas raksts, DOI 10.1177/14614448241252820. Pētījumā nebija salīdzinājuma grupas – uztveriet to kā daudzsološu mācību stundas modeli, nevis kā pierādījumu.

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. Brīvpieejas raksts, 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.

Pašu piegādātāju paziņojumi: 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.

Cik pamatoti ir šā brīža pētījumu rezultāti par MI potenciālu?

Vissvarīgākais. Ja kāds jums min pētījumu, pirms piekrišanas uzdodiet divus jautājumus: "Kas bija pētījuma dalībnieki un kāds bija pētījuma ilgums?"

Kāpēc tas ir svarīgi. 2025. gadā veiktā metaanalīze, kas apkopoja 51 pētījumu, ziņoja par lielu ChatGPT izmantošanas ieguvumu skolēnu akadēmisko sasniegumu uzlabošanai. Raksts tika izlasīts simtiem tūkstošu reižu, un tas kalpoja par pamatu daudziem pārliecinātiem apgalvojumiem skolotāju istabās. 2026. gada 22. aprīlī žurnāls atsauca šo rakstu. *Atsaukšana* nozīmē, ka žurnāls oficiāli atsauc publicēto rakstu; raksts joprojām ir redzams, taču ar atzīmi 'ATSAUKTS', lai ikviens, kas to citējis, to varētu atpazīt. Divi pētnieki, kuri nebija iesaistīti pētījumā, bija atklājuši neatbilstības analīzē. Žurnāla redaktors rakstīja, ka problēmas "mazina redaktora pārliecību par analīzes derīgumu". Autori uz saraksti par šo jautājumu nereaģēja.

Tas nenozīmē, ka MI nekādi neietekmē mācīšanos. Pastāv arī uzticami pētījumi, kas apliecina mērenus ieguvumus. Šī pētniecības joma vēl nav labi definēta, jo tā ir samērā jauna un ļoti dinamiska. Tas nozīmē, ka bieži citētais rādītājs nebija pareizs un ka bija vajadzīgs gads un divu ārējo ekspertu piesaiste, lai to atklātu.

Vēl viens vērā ņemams ierobežojums. Vismaz matemātikā – jo tuvāk pierādījumi ir saistīti ar skolu, jo mazāks ir efekts. Dažādos mācību priekšmetos aina ir nevienviedīga: daži jaunāki pārskati konstatē lielāku efektu skolās nekā universitātēs, taču pētījumu skolās joprojām ir maz, un tie ir nelieli.

Uzziniet vairāk.  Pati atsaukšana aizņem vienu lappusi, ir brīvi pieejama un to ir vērts izlasīt tieši tāpēc, ka tā ir īsa: 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.

Atsauktais oriģināls bija HSSC 12, 621 (2025). Joprojām spēkā: 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. Brīvpieejas raksts, DOI 10.1057/s41599-026-07019-z.

Rādītājs tikai par skolām matemātikas mācību priekšmetā: 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.

Plašāka, jaunāka apkopojoša analīze: 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.

MI riski

(1) Kaut ko darīt nav tas pats, kas mācīties

Iedomājieties šādu situāciju. Pirms uzdodat mājasdarbu, ko var izpildīt sarunbots, padomājiet, kāds ir uzdevuma mērķis. Varbūt ir vērts uzdevumu mainīt?

Kāpēc tas ir svarīgi. Vai ar sarunbotu jūs mācāties ātrāk? Aptuveni tūkstotis skolēnu no 9. līdz 11. klasei apguva matemātiku trīs grupās: viena izmantoja standarta sarunbotu, otra — versiju, kas ieprogrammēta atbildi neatklāt un uzdot papildu jautājumu, bet trešā strādāja bez sarunbota. Izmantojot sarunbotu, grupa ar standarta sarunbotu izpildīja par 48 procentiem vairāk prakses uzdevumu nekā grupa bez tā. Pēc tam visi kārtoja vienu un to pašu eksāmenu bez sarunbota. Rezultāts, kas sākotnēji šķita pārsteidzošs, bija tāds, ka grupa, kas izmantoja standarta sarunbotu, uzrādīja par 17 procentiem sliktākus rezultātus nekā skolēni, kas sarunbotu nebija izmantojuši. Grupai, kas strādāja ar sarunbotu, kurš atbildi neatklāja, salīdzinot ar grupu bez sarunbota, testā rezultāti nepasliktinājās, taču tā skolēni vairāk vingrinājās. Skolēni, kas izmantoja standarta sarunbotu, nebija ne slinki, ne arī krāpās. Viņi strādāja vairāk, bet iemācījās mazāk, jo rīks novērsa nevis piepūli, bet gan kognitīvo izaicinājumu, kas veido mācīšanos. 

"Ar MI ir ļoti viegli iegūt risinājumu, to neizprotot."

Uzziniet vairāk. 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) MI detektori soda nepareizos skolēnus

Iedomājieties šādu situāciju. Jūs saņemat vērtēšanai skolēna eseju. Šaubīdamies par tās autentiskumu, ievadāt to MI detektorā. Rezultāts parāda: eseja gandrīz droši ir uzrakstīta ar MI palīdzību.

Kāpēc tas ir svarīgi. Jūs izmantojat MI detektoru, lai nodrošinātu taisnīgumu, taču kādai konkrētai grupai detektoriem ir tieši pretēja iedarbība. Detektors neatpazīst mašīnas ģenerētu tekstu. Tas mēra, cik prognozējams ir formulējums. Un tieši šeit slēpjas problēma — piemēram, kad skolēns raksta svešvalodā, nav pieredzējis rakstīšanā vai viņam ir ierobežots ikdienas vārdu krājums. Viņu rakstītie teksti ir prognozējami. Kad septiņi plaši izmantoti detektori analizēja 91 eseju, ko angļu valodas TOEFL testam bija rakstījuši runātāji, kuriem angļu valoda nav dzimtā (esejas tika savāktas kādā ķīniešu tiešsaistes forumā), aptuveni sešos no desmit gadījumiem tie šīs esejas kļūdaini atzīmēja kā mašīnas radītas. Turpretī esejas, ko savā dzimtajā angļu valodā rakstījuši amerikāņu astotās klases skolēni, gandrīz visas tika klasificētas pareizi.  Rīks, kas kļūdaini iezīmē tieši vienu konkrētu grupu, nav neitrāls. Turklāt šī grupa ir vismazāk spējīga sevi aizstāvēt.

Uzziniet vairāk. Liang, W., Yuksekgonul, M., Mao, Y., Wu, E., & Zou, J. (2023). GPT detectors are biased against non-native English writers. Patterns, 4(7), 100779. Brīvpieejas raksts, DOI 10.1016/j.patter.2023.100779.

(3) Kur tad galu galā nonāk skolēnu dati?

Iedomājieties šādu situāciju. Jūs izmantojat MI rīku, ko piedāvā jūsu skola. Mēģiniet noskaidrot, kur nonāk skolēnu dati.

Kāpēc tas ir svarīgi. Vai jūsu skola var nodrošināt, ka dati netiek nodoti trešajai pusei? Trešā puse ir uzņēmums, kas nav ne jūsu skola, ne lietotnes izstrādātājs. Parasti tie ir reklāmas vai analītikas uzņēmumi, kas saņem datus, kamēr skolēns strādā. Šo uzņēmumu skola nav izvēlējusies. Kad pētnieki veica tehnisku analīzi par 163 mācību produktiem, ko valdības ieteica pandēmijas laikā slēgto skolu apstākļos, 145 no tiem apstrādāja bērnu datus tā, ka tas apdraudēja vai pārkāpa viņu tiesības, nododot datus 196 trešajām pusēm vai piešķirot tām piekļuvi — pārsvarā reklāmas nozarei. No 42 valdībām, kas izstrādāja savus produktus, nevis tos iegādājās, 39 bija izstrādājušas produktus ar tādu pašu problēmu. Pētījums aptver 2021. gada produktus, un daži no tiem kopš tā laika, iespējams, ir mainījušies. Tomēr nevaram izslēgt, ka tas pats attiecas arī uz MI lietotnēm. 

Uzziniet vairāk. 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. Brīvpieejas raksts hrw.org. Pielikumos par katru valsti var uzzināt, kas kurā valstī tika atbalstīts.

(4) Mākslīgais intelekts visvēlāk nonāk tur, kur tas ir visvairāk nepieciešams.

Iedomājieties šādu situāciju. Cik daudz apmācību jūs jau esat saņēmis par MI mācīšanos vai priekšmetam specifisku mācīšanu ar MI?

Kāpēc tas ir svarīgi. Vienā eksperimentā pieaugušie ar augstāko izglītību un bez tās risināja darba videi raksturīgu biznesa uzdevumu. Pateicoties MI asistenta palīdzībai, aptuveni trīs ceturtdaļas atšķirības starp abām grupām izzuda. Kad pētnieki pēc tam asistentu atņēma, ievērojama daļa atšķirības atjaunojās. Autori secina, ka lielu daļu darba paveica MI un ka pēc tā atņemšanas saglabājās tikai daļa ieguvuma.

Aptauja starp Amerikas skolu direktoriem papildina ainas otru pusi: jo nelabvēlīgākā situācijā bija skolas skolēni, jo mazāk skola bija darījusi MI integrēšanai – mazāk noteikumu, mazāk pedagogu apmācību, mazāk norādījumu par MI izmantošanu skolēniem. Tā ir sakarība, nevis cēloņsakarības pierādījums.

Kopumā: labs rīks var mazināt atšķirības, kamēr tas ir skolēna rokās. Taču tas parasti sasniedz tās skolas, kurām tas vajadzīgs vismazāk, un, to atņemot, saglabājas tikai daļa no tā izmantošanas ieguvuma.

Vācijas dati liecina par tādu pašu tendenci. No 1590 jauniešiem vecumā no 14 līdz 20 gadiem, 80 procenti no turīgākām ģimenēm, bet tikai 55 procenti no mazāk turīgām uzskatīja MI par iespēju skolai. Arī MI izmantošanā redzama tā pati tendence: starp jauniešiem, kuri izmanto MI rīkus, 70 procenti ģimnāziju skolēnu tos izmanto skolas uzdevumu un mājasdarbu izpildei, salīdzinot ar 58 procentiem citās vidējās izglītības skolās.

Kā ir ar pedagogu profesionālo pilnveidi? Aptauja starp vairāk nekā desmit tūkstošiem pedagogu Anglijā atklāja, ka 45 procenti privāto skolu pedagogu jau bija saņēmuši formālu apmācību par MI, salīdzinot ar 21 procentu valsts skolās. Valsts skolu sistēmā šis rādītājs svārstījās no 26 procentiem skolās ar turīgākiem skolēniem līdz 18 procentiem skolās ar vismazāk turīgiem skolēniem.

Uzziniet vairāk. 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). Darba dokuments, vēl nav recenzēts. 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. Brīvi pieejams suttontrust.com. Vodafone Stiftung Deutschland (2024), Pioniere des Wandels; mpfs (2024), JIM-Studie 2024. Abi brīvi pieejami vācu valodā.

(5) Tas, kas uzlabojas, mācoties ar MI, ne vienmēr ir tas, ko redzat

Iedomājieties šādu situāciju. Jūs savā mācīšanā ieviešat jaunu sarunbotu, un skolēni ir sajūsmā par jaunā rīka izmantošanu.

Kāpēc tas ir svarīgi. Plašā pārskatā par 228 pētījumiem tika aplūkotas četras dažādas jomas, ko MI varētu uzlabot: zināšanas un izpratne; zināšanu pielietošana; afektīvā puse, piemēram, motivācija un iesaiste; kā arī spēja plānot, uzraudzīt un labot savu mācīšanos. Trīs no četrām uzlabojās. Pēdējā, cik vien pētījumi spēja noteikt, neuzlabojās.

Tikai neliela daļa rezultātu tika iegūti randomizētos izmēģinājumos, un sajūsmu, ko redzat pirmajās nedēļās, īsie pētījumi atspoguļo vislabāk.

Neliela papildu piebilde: šajā pārskatā vislielākie ieguvumi tika konstatēti mākslā un humanitārajās zinātnēs.

Uzziniet vairāk. 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. DOI 10.1007/s10648-025-10085-5. 

1. MI izglītībā

1.2 Mācīt par MI pretstatā mācīt ar MI

Galvenā doma

Ja no šī teksta atceraties tikai vienu teikumu: MI ir kā navigācijas ierīce. Tā glābj vadītāju, kuram galvā jau ir karte, un klusi neļauj vadītājam, kuram tās nav, to jebkad izveidot.

Navigācijas ierīces problēma

Lai vadītu Londonas taksometru, vispirms jānokārto zināšanu pārbaudījums: 320 noteikti maršruti 113 kvadrātjūdžu teritorijā sešu jūdžu rādiusā ap Charing Cross, kuram Transport for London pirms eksāmena sākuma atvēl līdz pat diviem gadiem.

Arī eksāmenu nokārtojušie vadītāji izmanto navigācijas ierīci, un neviens to neuzskata par sliktu. Zināšanu pārbaudījums nekļuva bezvērtīgs, kad parādījās ierīce. Navigācijas ierīce ir rīks, kas braucienu padara drošu. Vadītāja, kura ir iegaumējusi pilsētas karti, izmanto navigācijas ierīci tam, ko viņa nevar zināt: negadījumam uz tilta vai šī vakara sastrēgumiem. Un viņa pamana, kad ierīce virza viņu pa ielu, kas kopš aprīļa ir uzrakta.

Tagad iedomājieties iesācēju tajā pašā taksometrā ar to pašu navigācijas ierīci. Viņa nokļūst uz katru adresi. Kādu laiku viņu nevar atšķirt no pieredzējuša vadītāja. Taču, sekojot navigācijas ierīces norādēm, viņa neveido neko. Pēc gada, kad viņa pēc norādēm ir griezusies pa kreisi, viņa joprojām nespēj šķērsot pilsētu bez ierīces, un viņa nespēj noteikt, kad ierīce kļūdās.

C1_2_Fig_1.png

1. att.: "Rezultāts ir atkarīgs no vadītāja" (MI ģenerēts attēls, Google Gemini)

Kreisajā pusē brauciens sākas ar karti prātā. Navigācijas ierīce papildina to, ko vadītājs nevar zināt. To sauc par "labvēlīgu atslogošanu". Labajā pusē vadītājam kartes prātā nav. Ierīce ir vadītāja vienīgais orientieris. To sauc par "kaitīgu atslogošanu".

Viena un tā pati navigācijas ierīce, divi autovadītāji, pretēji rezultāti. Atšķirība nekad nav bijusi pašā ierīcē. Runa ir par ko vairāk nekā tikai attēlu. Pētījumi ar autovadītājiem liecina, ka cilvēki, kuri lielā mērā paļaujas uz navigācijas ierīci, izveido sliktāku savas apkārtnes mentālo karti. Trīs gadu ilgs pētījums parādīja, ka intensīvāka navigācijas ierīces lietošana ir saistīta ar straujāku telpiskās atmiņas pasliktināšanos. Un psihologi jau divus gadu desmitus zina, ka tas pats atbalsts, kas palīdz iesācējam, var traucēt tam, kurš priekšmetu jau pārzina. Tas pats notiek arī otrādi. MI rīka efekts ir daudz vairāk atkarīgs no tā, ko lietotājs jau zina, nevis no paša rīka.

Pētnieki to dēvē par shēmu — cilvēka sakārtotajām priekšzināšanām. Ja tā jau ir izveidota, darba deleģēšana rīkam jūs atbrīvo. Pētnieki to dēvē par labvēlīgu kognitīvo atslogošanu. Taču, ja zināšanas vēl ir jāattīsta, tas pats process var kavēt to izveidi. To dēvē par kaitīgu kognitīvo atslogošanu.

Pētījums ar aptuveni tūkstoš vidusskolēnu dalībnieku skaidri parāda, kā tas notiek matemātikas stundā. Viena grupa vingrinājās, izmantojot neierobežotu sarunbotu, otra — bez tā. Kamēr sarunbota grupa to izmantoja, tā prakses uzdevumos uzrādīja par 48% labākus rezultātus! Tad sekoja eksāmens bez sarunbota. Tagad tie paši skolēni, kuri tik labi risināja vingrinājumus, uzrādīja par 17% sliktākus rezultātus nekā grupa, kas sarunbotu nebija izmantojusi vispār. Trešā grupa izmantoja MI versiju, kas izveidota tā, lai atbildes netiktu atklātas un to vietā tiktu uzdoti jautājumi. Šī grupa nezaudēja neko.

Šī trešā grupa ir viss dizaina jautājums kopumā. Navigācijas ierīce, kas nosauc galamērķi un palīdz jums atrast maršrutu, iemāca jums pilsētu. Navigācijas ierīce, kas saka "pēc 200 metriem grieziet pa kreisi", to neiemāca — lai cik precīzi arī nebūtu tās dati. Pētnieki šo atšķirību dēvē par drošības ierobežojumiem, un tieši dizains izlemj, vai jūs palīdzat saviem skolēniem apgūt pilsētas karti vai vienkārši nonākt galamērķī.

Lūdzu, atcerieties: jums šīs zināšanas ir. Jūsu skolēniem — mācību priekšmetā, ko jūs mācār — to vēl nav. Šī asimetrija ir visas nodaļas būtība.

"Pašlaik tie rīki, kurus skolēni tiecas izmantot, ir veidoti problēmu risināšanai, nevis mācīšanai, un tā šobrīd ir galvenā grūtība manā darbā."

Divi stāvi, nevis divas tēmas

Akadēmiskajā literatūrā šīs divas jomas tiek uzskatītas par atsevišķām jomām. Varat iedomāties tās kā divus stāvus vienā ēkā, kur lielākā daļa pedagogu atrodas pirmajā stāvā, un uz otro stāvu nav kāpņu.

Pētījumā ar 90 Bavārijas profesionālo skolu pedagogiem, kuri bija pieteikušies MI apmācībai, pedagogi savas zināšanas par MI vidēji novērtēja ar 3,4 punktiem no 5, taču savu spēju to izmantot mācīšanā — daudz zemāk, ar 2,6 punktiem. Zināšanas un rīcība bija atrautas viena no otras. Pēc tam pētījums piecās Eiropas valstīs pārbaudīja, vai apmācība var novērst šo plaisu. Tajā piedalījās 736 pedagogi no Francijas, Īrijas, Itālijas, Luksemburgas un Slovēnijas. Pedagogi tika sadalīti divās grupās. Viena grupa apguva tiešsaistes kursu un saņēma atbalstu izmēģinājuma laikā, otra – to pašu tiešsaistes kursu apguva pēc izmēģinājuma beigām. Rezultāti liecināja, ka zināšanas un spējas novērtēt, ko rīks var paveikt, palielinājās. Taču vairumā valstu regulāra MI izmantošana stundās nemainījās: pedagogi izmēģināja rīkus un tad atgriezās pie tā, ko darīja iepriekš.

Tā ir zināšanu un rīcības plaisa. Kursi rada zināšanas, taču, lai mainītu praksi, ir nepieciešams atbalsts, izmēģināšana un kolēģi, ar kuriem kopā domāt. Zināšanu pārnese ir jāplāno, nevis jācer, ka tā notiks pati par sevi.

"Vienīgais šī vebināra trūkums ir tas, ka to nevaram uzreiz izmēģināt."

Ko skolotāji patiesībā dara

Visstabilākais atklājums dažādās valstīs ir pārsteidzošs: pedagogi intensīvi izmanto MI paši savām vajadzībām un gandrīz nemaz — kopā ar saviem skolēniem. Vācijā 52% pedagogu izmanto MI rīkus vairākas reizes mēnesī vai biežāk. Taču no tiem, kuri MI izmanto, tikai 29% ļauj saviem skolēniem ar to strādāt mācību stundu laikā. Tātad publiskā diskusija par "MI klasē" lielā mērā ir diskusija par kaut ko tādu, kas vēl plašā mērogā nenotiek.

AI in education iceberg infographic.png

2. att.: "Atšķirība MI izmantošanā sagatavošanās procesā salīdzinājumā ar izmantošanu klasē" (MI ģenerēts attēls, Google Gemini)

Tas, kas patiešām notiek, ir darba slodzes atvieglošana, un šajā sakarā ziņas ir labas. Anglijā veiktajā izmēģinājumā 259 skolotājiem 68 skolās tika nodrošināts ChatGPT un ceļvedis dabaszinātņu stundu plānošanai 11 līdz 13 gadus veciem skolēniem. Viņi plānošanai patērēja aptuveni 56 minūtes nedēļā, salīdzinot ar 81 minūti salīdzinājuma grupā. Neatkarīgi vērtētāji, kuri nezināja, no kuras grupas nāk stundas plāns, neatrada pierādījumus kvalitātes atšķirībai. Plašā ASV aptaujā pedagogi, kuri MI izmanto vismaz reizi nedēļā, lēsa, ka ietaupa gandrīz sešas stundas nedēļā – tas ir viņu pašu vērtējums, nevis mērījums.

Pie viena modeļa ir vērts pakavēties. Tajā pašā ASV aptaujā skolās ar MI politiku bija vairāk pedagogu, kas izmanto MI – septiņi no desmit pret sešiem no desmit –, un tāpēc kopumā tika ietaupīts aptuveni par ceturtdaļu vairāk pedagogu laika. Atsevišķam skolotājam, kurš MI izmanto katru nedēļu, atšķirība bija neliela. Tas ir pedagogu pašu sniegtais vērtējums, nevis mērījums, un aptauja nevar parādīt, kurš faktors ietekmē kuru: labi organizētas skolas, iespējams, vienkārši labi paveic abas lietas. Taču tas ir pretējs tam, ko vairums cilvēku sagaidītu – skaidri noteikumi un intensīva izmantošana parādās kopā, nevis viens otram par spīti. → 1.4 Tiesību aktiem atbilstoša MI izmantošana

"Ir svarīgi ChatGPT izmantot kā papildinājumu, bet noteikti neļaut tam vadīt visu stundu."

Kāpēc rīks nav galvenais

Ja vēlaties atrast labāko MI rīku sarakstu, pētījumi jūs vispirms pievils, bet pēc pārlasīšanas atbrīvos. Kad pētnieki apkopo daudzus atsevišķus pētījumus un jautā, kas atšķir mācību klases, kurās MI palīdzēja ļoti labi, no tām, kurās tas palīdzēja tikai nedaudz, atbilde nekad nav programmatūras zīmols. Tas ir tas, ko skolēniem tika lūgts ar to darīt. Turpmākie punkti apkopo svarīgus pētījumu rezultātus. Taču visi rezultāti balstās tikai uz nedaudziem pētījumiem.

Pedagoģija ir svarīgāka par izmantoto tehnoloģiju. Ja pētnieki sakārtoja pētījumus pēc tā, ko skolēni patiesībā darīja, darbībai bija lielāka nozīme nekā rīkam. Interesanti, ka tāda pati likumsakarība tika konstatēta arī iepriekšējās paaudzes digitālajiem rīkiem vidusskolās. Rezultāti lielā mērā ir atkarīgi no tā, vai skolotāji bija apmācīti tos izmantot.

Laba atgriezeniskā saite nav tas pats, kas atgriezeniskā saite, kas darbojas. Vienā eksperimentā 70 universitātes studenti uzrakstīja argumentētu eseju un pēc nedēļas to pārstrādāja. Viņi nejauši tika sadalīti trīs grupās: viena saņēma atgriezenisko saiti no pieredzējuša pedagoga, otra — no sarunbota ar vienkāršu instrukciju, trešā — no tā paša sarunbota, kam bija dots uzdevums eseju izvērtēt soli pa solim. Vērtējot pēc vienas un tās pašas vērtēšanas skalas, soli-pa-solim sarunbots sniedza vislabāko atgriezenisko. Tā bija labāka gan par vienkāršā sarunbota, gan skolotāja sniegto atgriezenisko saiti. Tad sekoja pārstrādes, un visu trīs grupu rezultāti uzlabojās aptuveni vienādi. Pētījumā labākā atgriezeniskā saite nedeva lielāku uzlabojumu kā viszemāk novērtētā. Labāki komentāri nenodrošināja labākas esejas uzrakstīšanu.

Šis rezultāts apstrīd izplatīto pieņēmumu, ka labāka atgriezeniskā saite nodrošina labāku mācīšanos. Pati par sevi atgriezeniskā saite to negarantē. Atgriezeniskā saite dod rezultātu tikai tad, ja tā tiek izmantota: izlasīta, saprasta, ņemta vērā un saprasta pietiekami labi, lai skolēns nākamreiz varētu veikt uzdevumu bez palīdzības. Izšķirošais faktors ir izmantošana, nevis kvalitāte.

Vairāk ne vienmēr nozīmē labāk. Otrā pētījumā ar 60 11. klases skolēniem un 240 rakstu darbiem MI sniedza daudz vairāk ar saturu saistītu komentāru nekā skolotāji. Tomēr tieši skolotāju komentārus skolēni izmantoja biežāk. Saskaroties ar trīsdesmit precīziem labojumiem, skolēns varētu vai nu pārstāt diagnosticēt un sākt šķirot pēc svarīguma, vai vienkārši pakļauties. Ja skolēns seko visiem norādījumiem, viņš faktiski apgalvo, ka pārbaude nebija vajadzīga. Tā atkal ir navigācijas ierīce, tikai citā līmenī. Tā jums sniedz ļoti detalizētu atgriezenisko saiti, tāpat kā "pēc 200 metriem grieziet pa kreisi" — jūsu paša rakstītajam tekstam.

Svarīgi, kas to saka. Mēs īsti nezinām, kāpēc skolotāju komentāri tiek izmantoti biežāk. Tas ir interpretācijas, nevis mērījuma jautājums, taču visticamākais skaidrojums ir tāds, ka atgriezeniskā saite tiek uztverta kā mijiedarbība starp cilvēkiem. Tas, ko saka kāds, kurš zina, ko jūs darījāt pagājušajā semestrī un redzēs, ko jūs darāt ar viņa teikto, atšķiras no tā paša teikuma, kas radīts pēc pieprasījuma.

Ko tas nozīmē praksē. Apkopojošā analīze par pētījumiem par automatizētu atgriezenisko saiti rakstu darbiem, kas veikti vēl pirms mūsdienu sarunbotu parādīšanās, nonāca pie līdzīgiem rezultātiem. Atgriezeniskā saite deva vairāk, ja skolēniem tā bija jāpielieto jaunā rakstu darbā, nevis tikai jāpārstrādā priekšā esošais teksts, un vairāk, ja to izmantoja vairākās nodarbībās, nevis vienreiz. Un godīgi jāpiebilst vēl kas: salīdzinājumā ar atgriezeniskās saites neesamību MI atgriezeniskā saite tomēr palīdz. Vācu pētnieku komandas pētījumā ar 459 vidusskolas vecāko klašu skolēniem MI ģenerēta atgriezeniskā saite nedaudz uzlaboja viņu ieviestos labojumus un motivāciju.

Tāds pats iedalījums parādās arī plašākā mērogā. Viena pētnieku komanda apkopoja 228 pētījumus: MI skaidri un konsekventi uzlaboja to, ko skolēni spēja radīt, savukārt jebkāds uzlabojums viņu spējā plānot, uzraudzīt un labot savu mācīšanos bija pietiekami neliels, lai to varētu uzskatīt par nejaušību. Vispilnīgāk to parāda programmēšana. Skolēni ar MI asistentu bija izmērāmi ātrāki, taču rezultātā nebija labāki par tiem, kas strādāja bez asistenta. Vairāk paveikt un kļūt labākam nav viens un tas pats, un MI šīs abas lietas nošķir.

Eiropa kā spogulis

Eiropā aptaujas par to, kā pedagogi izmanto MI uzrāda rādītājus no aptuveni deviņiem no desmit Čehijas izlasē līdz aptuveni vienam no septiņiem Francijā. Aptaujas atšķiras pēc izmantotās metodes un norises laika: Čehijas rādītājs iegūts nelielā 2025. gada aptaujā ar 317 pedagogiem un ietver jebkādu MI izmantošanas pieredzi, savukārt Francijas rādītājs iegūts ESAO starptautiskajā pedagogu aptaujā TALIS 2024, kurā nedaudz mazāk nekā puse Čehijas pedagogu norādīja, ka izmanto MI sava mācību priekšmeta mācīšanā.

Francija tika izveidota viena no lielākajām valsts MI programmām kontinentā: adaptīvu vingrināšanās programmatūru matemātikā un franču valodā, kas bez maksas pieejama ikvienam vidusskolas pirmā gada skolēnam. Tomēr Francijas pedagogi MI izmanto reti, un apmācību MI jomā ir saņēmuši tikai 9% Francijas pedagogu, salīdzinot ar vidēji 38% ESAO valstīs.

Norvēģijā navigācijas ierīces problēma ir iestrādāta valsts politikā (vismaz kā ieteikums) tā, kā to darītu taksometru vadītāju skola: vispirms mācies ar karti un tikai pēc tam pievieno ierīci. 2026. gada jūnijā Norvēģija ieteica, ka 1.–7. klases skolēniem nevajadzētu nodrošināt piekļuvi MI. 8.–10. klasē MI var ieviest pakāpeniski un piesardzīgi, ja pedagogiem ir kompetence to izmantot. Vidusskolā skolēniem jāmācās MI izmantot mērķtiecīgi.

Aklā zona

Viens no MI riskiem tiek pieminēts reti, un to izgaismo arī šis attēls: zināšanas par Londonas pilsētas karti nav mūžīgas. Autovadītājs, kurš piecus gadus seko bultiņām, pilsētas karti prātā nesaglabā. Tās zināšanas izgaist, un viņš vairs nepamana uzrakto ielu. Jūsu ekspertīzi uztur tieši tas, ko MI vislabāk prot pārņemt: uzdevuma formulēšana, iespējamo pārpratumu paredzēšana un skaidrojuma sagatavošana. Tur, kur darbu pārņem MI, ar kura palīdzību veidojas spriestspēja, atvieglojums pārvēršas prasmju zaudēšanā. Vācijas e-mācību ekspertu grupā 65 no 100 sagaidīja, ka ģeneratīvā MI dēļ cilvēki zaudēs svarīgas prasmes, – gadu iepriekš tādu bija 44. Medicīnā šis efekts jau ir izmērīts: kad MI atbalsts kolonoskopijā kļuva par ikdienu, ārsti, strādājot bez tā, atklāja mazāk pirmsvēža veidojumu nekā iepriekš.

Izmantojiet navigācijas ierīci. Bet saglabājiet karti.

1. MI izglītībā

1.3 Atbildīga MI izmantošana

Galvenā doma

Ja no šī teksta atcerēsieties tikai vienu teikumu: Dambji grūst. Iemāciet peldēt.

Lasīšanas dienasgrāmata, cits skatpunkts

Atgriezīsimies pie mūsu devītās klases skolēna un viņa aizdomīgi slīpētās lasīšanas dienasgrāmatas. Instinkts ir gandrīz universāls, un tas ir laba pedagoga instinkts: noskaidrot, vai skolēns ir izmantojis MI. Uzbūvējiet labāku "dambi".

Šī nodaļa ir par to, kāpēc šis instinkts pats par sevi neko nenozīmē. Izpētīsism to, kas patiešām darbojas.

Sāksim ar neērtāko daļu. Pedagogi nespēj uzticami atšķirt MI radītu tekstu no skolēna rakstīta teksta. Divos vācu pētnieku komandas pētījumos 89 topošajiem skolotājiem un 200 pieredzējušiem pedagogiem tika dota skolēnu un sarunbota rakstītu eseju kopa un lūgts tās sašķirot. Nevienai grupai tas neizdevās, taču abas grupas sākotnēji bija pārliecinātas, ka spēj to izdarīt. Pieredze palīdzēja tikai nedaudz: arī pieredzējušie pedagogi nespēaj atpazīt lielāko daļu MI radīto tekstu. Kādā britu universitātē pētnieki caur parastajiem kanāliem iesniedza sarunbota ģenerētas atbildes reālos, neuzraudzītos tiešsaistes eksāmenos, nebrīdinot vērtētājus.

"Jūs drīkstat to izmantot, taču jums jāspēj saviem vārdiem izskaidrot rezultātu."

Detektors, kas kļūdaini soda skolēnus

Pētnieki pārbaudīja septiņus no visplašāk izmantotajiem MI detektoriem, pārbaudot TOEFL esejas, ko rakstījuši cilvēki, kas apgūst angļu valodu kā svešvalodu (esejas tika savāktas kādā ķīniešu tiešsaistes forumā). Līdzās tām viņi izmantoja esejas, ko rakstījuši angliski runājoši astotās klases amerikāņu skolēni. Dzimtās valodas runātāju darbi gandrīz vienmēr tika klasificēti pareizi. No svešvalodā rakstītajām esejām vairāk nekā sešas no desmit tika kļūdaini atzīmētas kā mašīnas rakstītas esejas.

Mehānisms nav noslēpumains. Daudzi no šiem rīkiem neatklāj lielo valodas modeļu darbu. Rīki mēra paredzamību. Teksts, kurā izmantoti ierasti vārdi paredzamā secībā, tiek novērtēts kā mākslīgs. Tie, kas raksta otrajā valodā, ar mazāku vārdu krājumu un stingrākām teikumu konstrukcijām, var radīt tieši šādu signālu. Tikmēr detektori, kas apmācīti vienam konkrētam testam, kā arī pētījumi citās valodās uzrāda mazākas atšķirības. Pašlaik tirgū nav neviena detektora, kas būtu pietiekami uzticams, lai kādu apsūdzētu apzinātā maldināšanā.

Rīka kļūdas sistemātiski skar tos skolēnus, kuriem jau tāpat ir visgrūtāk. Iestādes to ir izrēķinājušas. Vanderbilta universitāte norādīja, ka pat tad, ja šāds rīks kļūdītos tikai 1% gadījumu, tas joprojām nozīmētu aptuveni 750 kļūdaini atzīmētus darbus gadā no 75 000 iesniegtajiem darbiem. Tāpēc tā šo rīku izslēdza. Vācijas federālajai izglītības ministrijai pētnieku sagatavotais ceļvedis ir viennozīmīgs: tehnoloģija "nav pietiekami uzticama, lai nodrošinātu juridiski drošu pierādījumu". Neatkarīgs Eiropas tests ar četrpadsmit detektoriem nonāca pie tāda paša secinājuma: "ne precīzi, ne uzticami".

Liela daļa mācibu iestāžu Eiropā par šo vairs nediskutē. Francijas izglītības ministrija un tās datu aizsardzības iestāde iesaka skolām detektorus neizmantot, Nīderlandes IKT aģentūra Kennisnet tos uzskata par ļoti neuzticamiem. Augstākajā izglītībā atsevišķas universitātes, piemēram, ZHAW Cīrihē, aizliedz tos izmantot vērtēšanā. Anglijā eksāmenu padomes atļauj izmantot atklāšanas programmatūru tikai kā vienu no elementiem spriedumā, ko pieņem pedagogs, kurš "vislabāk pazīst savus skolēnus". Vērts atcerēties arī datu aizsardzības aspektu: skolēna darba ievietošana tiešsaistes rīkā nozīmē viņa personas datu apstrādi. Šim nolūkam ir nepieciešams tiesisks pamats un līgums ar pakalpojuma sniedzēju. → 1.4 Tiesību aktiem atbilstoša MI izmantošana

Šķiet, ka krāpšanās panika ir trauslāka nekā ap to valdošais troksnis. Pētnieki aptaujāja skolēnus trijās ASV vidusskolās pirms un pēc ChatGPT parādīšanās. Krāpšanās apjoms kopumā palika nemainīgs. Turpmākā aptauja ar vairāk kā 4000 skolēniem sešās citās ASV vidusskolās gadu vēlāk atklāja to pašu.

Patiesais jautājums nekad nav bijis "Kā es viņu pieķeršu?". Tas ir: ko mājasdarba uzdevums joprojām mēra, ja tā rezultātu var uzģenerēt pēc pieprasījuma?

"Sākumā es to uzskatīju par krāpšanos. Tagad es to redzu kā signālu, ka jāmaina ir pats uzdevums."

Divas lietas, ko nevar izlabot, tāpēc tās jāmāca

Pārliecinoša izdomāšana ir šo sistēmu iebūvēta īpašība. Tās rada ticamu teksta turpinājumu, taču ticams nav tas pats, kas patiess. Pētījumu pārskati ir vienisprātis, ka neviena metode šo problēmu vēl nav novērsusi, lai gan to var mazināt un daļēji atklāt. Iemesls ir tāds, ka standarta testi, ko izmanto lielo valodas modeļu vērtēšanai, vairāk uzteic pārliecinošu minējumu nekā atzīst nenoteiktību, tāpēc, kamēr tie tiek šādi vērtēti, saglabāsies noteikts raiti izteiktu, labi noformulētu nepatiesību īpatsvars.

Arī apmācības materiālos ir iestrādāti aizspriedumi. Turklāt, modeļiem uzlabojoties., tie nesamazinās.  Eiropas pētījums par dzimumu stereotipiem dažādās valodās atklāja, ka lielāki modeļi — pat pēc papildu apmācības, kas paredzēta, lai tos padarītu drošākus un taisnīgākus — dažkārt stereotipizē vairāk, nevis mazāk. Ja kādu īpašību nevar tehniski novērst, tā kļūst par mācību vielu. Un to var iemācīt: vienā Somijas programmā to skolēnu īpatsvars, kuri spēja izskaidrot, no kurienes radušies attēlu ģeneratora aizspriedumi, pieauga no 7% līdz 44%. Secinājums mācīšanai ir tāds, ka jāmāca ir kļūdu analīze, nevis kļūdu novēršana. Citiem vārdiem — mašīnas kļūdas kļūst par mācību stundu.

"Ļaujiet skolēnam pārbaudīt sarunbota risinājumu tā, it kā viņš būtu skolotājs. Meklējot kļūdas, viņš galu galā apgūst metodi."

Kas darbojas: dizains, nevis kontrole

Pierādījumi norāda uz vienu vienkāršu un viegli iegaumējamu principu: vispirms padomā, un tikai tad izmanto MI.

Dānijā šis princips tiek izmēģināts: iesaistītajās skolās skolēni drīkst izmantot MI, gatavojoties angļu valodas mutiskajam eksāmenam, savukārt rakstiskajā eksāmenā iekļauta ar roku rakstīta, bez palīglīdzekļiem pildāma daļa.

Pirms paļauties uz šo pieeju, it vērts apzināties divus ierobežojumus.

Pirmais: populārais ieteikums, ka pedagogiem vienkārši jāuzdod sarunbotam darboties kā Sokrāta metodes pedagogam, ilgākā sarunā var neattaisnoties. Pirmie pierādījumi no pētījuma ar simulētiem skolēniem, kas vēl nav recenzēts (2026. gada oktobris), liecina, ka pastāvīga spiediena apstākļos šādi pasniedzēji atkal sāk sniegt gatavas atbildes. Uzticami ierobežojumi ir jāiebūvē sistēmā, kas padara tos par iegādes lēmumu, nevis uzvednes veidošanas prasmi.

Otrais: šķiet acīmredzami, ka MI, kas izskaidro savu spriešanu, ir drošības garants, taču skaidrojumi neuzticami novērš pārmērīgu uzticēšanos. Vienā pētījumā tie nemainīja cilvēku gatavību pieņemt nepareizu padomu, un pārāk tehniski vai pārāk vienkāršoti skaidrojumi var pat palielināt nepamatotu pārliecību. Skaidrojums ir tikai mācīšanās priekšnoteikums.

Attieksme: divi neveiksmes veidi, nevis viens

Mēs uztraucamies, ka pedagogi pārāk uzticas MI. Taču mums vienlīdz jāraizējas arī par pretējo. Pat pieredzējušus cilvēkus var pievilt pārmērīga uzticēšanās. Nelielā izmēģinājumā ASV skolās četri no desmit aptaujātajiem skolotājiem atzina MI vērtēšanas rīka atgriezenisko saiti par nelietderīgu, neskaidru vai pat nepareizu. Pētījumi par automatizācijas aizspriedumu liecina, ka cilvēki mēdz piekrist mašīnas ieteikumam pat tad, ja viņiem ir iemesls par to šaubīties. Kļūdas pamanīšana un tās labošana ir divi atšķirīgi soļi.

Cita galējība ir slēpšana. Skolotāji slēpj to, ka izmanto MI no kolēģiem un skolēniem, aizliedzot tiem darīt to, ko viņi paši dara: 77% privāti izmanto MI, kamēr 57% saka, ka skolēniem nekad nevajadzētu to izmantot ideju radīšanai. Tikmēr pētījums par akadēmiski spējīgiem 6. līdz 8. klases skolēniem atklāja, ka no trešdaļas līdz divām piektdaļām jau uzskata, ka MI zina vairāk nekā viņu skolotāji. Profesija, kas slēpj savu praksi, nevar būt paraugs atbildīgai praksei, un caurskatāmība nav tikai pieklājības jautājums. Tas ir mehānisms, ar kura palīdzību darbojas piemēros balstita mācīšana.

Vai MI izlīdzina vai sagrauj spēles laukumu?

Ar darbu saistītos uzdevumos MI izlīdzina atšķirības. Vienā eksperimentā dalībnieki ar augstāku izglītības līmeni uzrādīja ievērojami labākus rezultātus nekā dalībnieki ar zemāku izglītības līmeni. Ar MI asistenta palīdzību aptuveni trīs ceturtdaļas šīs atšķirības izzuda. Kad asistentu atkal atņēma, ievērojama daļa atšķirības atgriezās. MI novērsa atšķirību rezultātā, nevis atšķirību spējās.

Mācīšanās uzdevumos notiek pretējais. Vienā pētījumā vidējā ieguvuma nebija vispār, taču palielinājās plaisa starp skolēniem, kuri jau daudz zināja, un tiem, kuri nezināja. Citā pētījumā tika aplūkoti skolēni, kuri rakstīja svešvalodā: vājākie rakstītāji no MI saņēma vairāk labojumu un veiksmīgi izmantoja mazāk no tiem, un vairāki uzskatīja atgriezeniskās saites ieteikumus par nomācošiem. Atgriezeniskā saite bez spējas to sakārtot nepalīdz — tā apgrūtina.

Šī plaisa pastāv arī pirms jebkura rīka izmantošanas. Vācijā 80% skolēnu no vislabvēlīgākajām mājsaimniecībām uzskata MI par iespēju, salīdzinot ar 55% skolēnu no vismazāk labvēlīgajām ģimenēm. Lielbritānijā šī plaisa redzama skolotāju istabā, nevis ierīču izvēlē: 45% privāto skolu pedagogu ir saņēmuši formālu apmācību MI izmantošanā, salīdzinot ar 21% pedagogiem valsts skolās. Valsts skolu sektorā turīgākas skolas atkal apsteidz nabadzīgākās. 2026. gada aptauja ar vairāk nekā 25 000 bērniem 17 Eiropas valstīs atklāj to pašu sociālo šķelšanos — tas attiecināms gan uz to, cik daudz, gan cik daudzveidīgi viņi izmanto MI. Kāda komentētāja atziņa aptver visu problēmu labāk nekā jebkurš skaitlis: "turīgajiem ir pieejama gan tehnoloģija, gan cilvēki, kas palīdz to izmantot, savukārt nabadzīgajiem ir pieejama tikai tehnoloģija."

Tātad izšķirošais faktors ir tas, vai skolēnam ir apmācīts pedagogs. MI kompensē atšķirības tad, kad kopā pastāv trīs lietas: droša piekļuve, mācīšanās vajadzībām (nevis vienkārši atbilžu sniegšanai) veidots rīks, un pedagogs, kas atbalsta tā izmantošanu. Ja kāda no šīm trim lietām izpaliek, MI atšķirības nevis mazina, bet pastiprina. Tā kā visas trīs lietas parasti ir sastopamas vienās un tajās pašās skolās un iztrūkst tajās pašās skolās, pastiprināšana ir noklusējuma stāvoklis, un izlīdzināšana ir āizveido apzināti.

1. MI izglītībā

1.4 Tiesību aktiem atbilstoša MI izmantošana

Atruna: Mēs esam rūpīgi izpētījuši šīs nodaļas saturu, taču MI tiesības ir strauji mainīga joma. Kopš publicēšanas noteikumi var būt mainījušies, tāpēc vienmēr pārbaudiet aktuālo tiesisko situāciju un, ja nepieciešams, ņemiet vērā savas valsts tiesību aktus. Šī nodaļa nav juridiska konsultācija.

Galvenā doma

Ja no šī teksta atcerēsieties tikai vienu teikumu: Atbilstība ir māja, nevis siena.

Ko man ir atļauts darīt?

Paturiet prātā šos četrus soļus, pirms kaut ko ierakstāt, ielīmējat vai augšupielādējat. Lūdzu, izmantojiet turpmāko pārskatu kā vispārīgu orientieri. Prasības jūsu valstī var atšķirties no šeit minētajām. Tāpēc vienmēr pārbaudiet savai valstij un skolai specifiskos noteikumus.

School AI Data Upload Decision Flowchart.png

1. att.: "..." (MI ģenerēts attēls, ...)

"Mēs pat īsti nezinām, ko mums ir atļauts darīt, it īpaši, kad runa ir par datu aizsardzību."

Lasīšanas dienasgrāmata, trešais skatiens

Mūsu devītās klases skolēns, viņa lasīšanas dienasgrāmata, viņa skolotāja aizdomas. 1.2. nodaļā tas bija jautājums par mācīšanos; 1.3. nodaļā — par profesionālu spriedumu. Šeit tā ir tiesas lieta.

2025. gada decembrī Hamburgas (Vācija) Administratīvā tiesa pieņēma lēmumu par steidzamu pieteikumu šajā lietā. Angļu valodas skolotājs bija pamanījis, ka lasīšanas dienasgrāmata pareizrakstības, gramatikas un vārdu krājuma ziņā bija uzrakstīta daudz augstākā līmenī nekā zēna pārbaudes darbs par to pašu grāmatu. Vēlāk zēns atzina, ka izmantojis ChatGPT, un skola dienasgrāmatu novērtēja kā maldināšanas mēģinājumu. Viņa tēvs vērsās tiesā ar steidzamu pieteikumu; tiesa to noraidīja. Tiesas argumentācija sniedzas tālāk par šo lietu: skolēniem jāpieņem, ka darbs jāveic pilnīgi patstāvīgi, ja vien kāds palīglīdzeklis nav skaidri atļauts, – tāpēc neatklāta MI izmantošana tiek uzskatīta par maldināšanu pat tad, ja nav rakstiska noteikuma pret MI izmantošanu. (Šajā gadījumā skolotājs patiesībā bija klasei pateicis, ka ChatGPT izmantot nav atļauts.) Viena atruna, ko jāatceras jau no paša sākuma: tas ir vienas tiesas lēmums steidzamā tiesvedībā, un tas nav galīgs.

Šis ir piemērots brīdis, lai runātu par visizplatītāko maldīgo priekšstatu šajā jomā. Nepastāv tiesisks vakuums. Tas nekad nav pastāvējis.

Namam ir trīs stāvi

Lielākā daļa pedagogu iztēlojas MI tiesības kā vienu vienīgu sienu, ko kaut kur Briselē turpina būvēt. Taču noderīgāk ir iztēloties māju, kurā jūs jau dzīvojat. Pamats ir datu aizsardzība. Tas ir nesošais elements. Tas tika ielikts jau pirms vairākiem gadiem. Tas nosaka jūsu nākamās dienas rītu. Augšējais stāvs ir ES MI akts — Eiropas MI tiesības, kas klasificē sistēmas pēc to potenciālā kaitējuma un, jo augstāks ir risks., jo stingrāk noteikti pienākumi.  Māja ir daļēji apdzīvota un joprojām tiek būvēta, un tās pabeigšanas datums nesen tika pārcelts uz vēlāku laiku. Durvis un logi ir autortiesības un eksāmenu tiesības — nelieli un specifiski elementi, ar kuriem jūs saskaraties ik dienu, to nemaz nepamanot.

A house of school AI rules.png

2. att.: "Atbilstība ir māja" (MI ģenerēts attēls, ...)

Pirmais stāvs: datu aizsardzība, kas ir skaidrāka, nekā daudzi domā

Kāda cilvēka personas datu apstrādei vienmēr nepieciešams juridisks pamats. Skola kā publiska iestāde savu pamatojumu būtībā gūst no saviem likumā noteiktajiem pienākumiem izglītības jomā. Nepastāv vispārējas licences, kas nāktu līdzi skolotāja statusam.

No tā izriet trīs sekas, kas veido šīs nodaļas praktisko kodolu.

Piekrišana neatrisina jautājumu. Viens acīmredzams risinājums būtu vienkārši pajautāt vecākiem. Taču šai pieejai ir divi trūkumi. Pirmkārt, piekrišanai jābūt brīvi dotai. Skolas kontekstā, kur atzīmes ir ietekmējošs faktors, pedagoga lūgums nav brīva izvēle. Otrkārt, piekrišanai jābūt informētai, ko ir grūti panākt, ja neviens nezina, kur dati galu galā nonāks. Pilnvarojumam jānāk no izglītības tiesību aktiem, nevis no paraksta, jo tas pārceļ atbildību augstāk — prom no jums.

Vārdu dzēšana nepadara datus anonīmus. 2024. gadā Vācijas datu aizsardzības iestādes kopīgi paziņoja, ka gadījumā, ja personu joprojām var identificēt pēc konteksta, dati joprojām ir personas dati. Skolās tas ir īpaši problemātiski, jo tieši tie teksta veidi, kuros pedagogi visvairāk vēlas palīdzību — esejas, brīva rakstīšana un mācību dienasgrāmatas — identificē autoru pēc rakstības stila.

Robežlīnija ir līgums: pakalpojumu sniedzējs drīkst apstrādāt jūsu datus, ja tas to dara stingri saskaņā ar jūsu norādījumiem un ja par to ir noslēgta rakstiska vienošanās. Taču brīdī, kad tas izmanto jūsu ievadīto informāciju savām vajadzībām, vienošanās sabrūk, jo līgums vairs nedarbojas jūsu uzdevumā. Praktiskais tests tātad ir šāds: vai šāda vienošanās pastāv, un vai tā izslēdz apmācību ar jūsu ievadītajiem datiem? Ja nē, personas dati vispār nedrīkst tikt ievadīti.

Vēl divas piezīmes, kuras ir vērts atcerēties: dati par veselību un invaliditāti ES tiesību aktos ir pakļauti vēl stingrākai aizsardzībai. Tiem nav vietas MI rīkā. Un gadījumos, kad pedagogi izmanto privātas ierīces, vismaz divas Vācijas federālās zemes (Ziemeļreina-Vestfālene un Bavārija) skaidri nosaka, ka atbildība par datu aizsardzību gulstas uz skolu un tās direktoru, kuram šāda izmantošana jāapstiprina.

Otrais stāvs: ko MI akts jau pieprasa un ko vēl nenepieprasa

Lūk labojums, kas padara novecojušu lielāko daļu esošo norādījumu. 2026. gada jūlijā ar grozījumu regulu, kas pazīstama kā "Digitālais omnibuss", ES atlika smagāko MI akta pienākumu kopumu izglītībai — to, kas attiecas uz sistēmām, kas klasificētas kā augsta riska, tas ir, sistēmām, ko izmanto, lai lemtu par uzņemšanu, novērtētu skolēnu apgūto vai uzraudzītu viņus eksāmenu laikā — no 2026. gada augusta uz 2027. gada 2. decembri. Ļoti daudzi 2025. gadā un 2026. gada sākumā izveidotie izdales materiāli joprojām uzrāda veco datumu. Ja kādā jūsu skolas dokumentā norādīts šis datums, tad tam nepieciešama zemsvītras piezīme.

Noderīgāks labojums ir pretējā virzienā: tas, kas jau ir spēkā, tiek nenovērtēts par zemu, bet tas, par ko bezgalīgi diskutē, vēl nav spēkā.

Divas lietas ir saistošas jau kopš 2025. gada 2. februāra.

No 2026. gada 2. decembra ir aizliegts MI, kas rada identificējamu cilvēku sesualizētus dziļviltojumus.

Lasot šo otro pienākumu, ņemot vēra to, kas rakstīts 1.3. nodaļā, daudz kas kļūst skaidrāks. Plaisa starp zināšanām par MI un spēju ar to mācīt vairs nav tikai profesionāla problēma. Kopš 2025. gada februāra skolām pie tā strādāt ir juridisks pienākums.

Kopš 2026. gada 2. augusta sarunbotiem jāinformē lietotāji, ka tie ir MI, un pakalpojumu sniedzējiem MI ģenerēts saturs jāmarķē mašīnlasāmā veidā; skolām pašām jāmarķē dziļviltojumi un MI rakstīti teksti, ko tās publicē sabiedrības informēšanai. Darba lapai, ko pedagogs ir pārbaudījis, marķējums nav vajadzīgs. No 2027. gada 2. decembra tiks piemēroti pienākumi augsta riska sistēmām – sistēmām, ko izmanto, lai lemtu, kurš tiek uzņemts, novērtētu skolēnu apgūto vai uzraudzītu viņus eksāmenu laikā. Tam, kas šādu sistēmu izmanto, tad rodas savi pienākumi, tostarp uzticēt pārraudzību personām, kurām, akta vārdiem izsakoties, ir "nepieciešamā kompetence, apmācība un pilnvaras".

Durvis un logi: autortiesības un eksāmeni

Diezgan pretintuitīvi, bet tas, ko dod MI, ir vieglākā daļa. MI radītam tekstam vai attēlam nav cilvēka autora tādā nozīmē, kāda nepieciešama autortiesībām, tāpēc parasti tas pats par sevi ir brīvs no autortiesībām; ja cilvēks to veido ar savām radošajām izvēlēm, rezultāts var būt aizsargāts. Tas gan negarantē, ka tas ir "tīrs": plaši apspriestā spriedumā Minhenes tiesa konstatēja, ka sarunbots bija iegaumējis dziesmu vārdus un tos gandrīz burtiski reproducējis. Tiesa atbildību uzlika pakalpojuma sniedzējam, nevis personai, kas ierakstīja pieprasījumu. Spriedums nav galīgs.

Izņēmums, kas atļauj pedagogiem kopēt materiālu savām stundām, attiecas tieši uz to: neliela darba daļas kopēšanu konkrētai stundai. Aizsargāta darba augšupielāde komerciālā MI sistēmā ir cita darbība, un šis izņēmums to neaptver. Materiāli, kas radīti tieši skolas mācību vajadzībām, piemēram, mācību grāmatas un darba burtnīcas, principā ir izslēgti no šī izņēmuma, ja vien licences tiem ir viegli pieejamas.

Cik ļoti jums par to būtu jāraizējas? Mazāk, nekā šī nesakritība liek domāt, un vairāk nekā nemaz. Jautājums patiešām ir neatrisināts: neviena augstākā tiesa par to nav lēmusi, un speciālajā literatūrā pastāv uzskats, ka esošie izņēmumi šajā situācijā nav piemēroti. Ja tiesību turētājs iebilst, prasība būtu civiltiesiska, un praksē tas ir skolas politikas un iepirkuma jautājums, nevis tas, ko var atrisināt atsevišķs pedagogs. kas ir skaidrs praksē skaidrs ir šaurāks gadījums. Tā ir robeža, ko nosaka izglītības izdevēji, un tieši to ir vērts atcerēties: skolas mācību grāmatu un izdevēju materiāliem MI rīkos vispār nevajadzētu nonākt — ne ieskenētiem, ne pārrakstītiem, pat ne darba lapas izveidei.

Tiesu prakse šajā jomā pašlaik ir nekonsekventa visā Eiropā. 2026. gada februārī Kaseles (Vācija) Administratīvā tiesa divas universitāšu lietas izlēma vienādi un asi: lai gan universitātei nebija skaidra MI aizlieguma, robeža tika pārkāpta "jau ar vienu vienīgu neatklātu ģeneratīvā MI izmantošanas gadījumu". Spriedumi nav galīgi. Tajā pašā mēnesī Parīzes administratīvā tiesa steidzamā tiesvedībā aizliedza universitātei sodīt studentu, jo tā iepriekš nebija noteikusi nekādus noteikumus par MI izmantošanu. Zviedrijas apelācijas tiesa jau agrāk bija nonākusi pie līdzīga rezultāta: students bija iesniedzis trīs izdomātus citātus, taču kursa noteikumi mājasdarbos atļāva "visus palīglīdzekļus", tāpēc nebija noteikuma, ko pārkāpt. Turpretī Nīderlandē valsts augstākā administratīvā tiesa 2025. gada jūlijā apstiprināja sodu tiesību zinātņu studentam, kurš bija iesniedzis četrus neeksistējošus avotus: krāpšana bija neapšaubāmi pierādīta , un tam, vai viņš bija gribējis maldināt, nebija nozīmes.

Tātad modelis dažādās jurisdikcijās nav atkarīgs no valsts. Tas ir saistīts ar to, vai noteikums pastāvēja jau iepriekš un vai maldināšana tika faktiski pierādīta.

No tā izriet trīs noteikumi praksei.

  1. Detektori nekalpo par pierādījumu. Maldināšana jāpierāda skolai. Tiesas ir atzinušas secinājumus no konkrētiem faktiem: avoti, kas izrādās neeksistējoši, skaidra atšķirība starp to, ko skolēns uzraksta, un to, ko viņš spēj izskaidrot mutiski, pēkšņi līmeņa lēcieni viena teksta ietvaros, atzīšanās. Skolēns tad var sniegt skaidrojumu. Rakstības stils vien ir vājš pamats – vadošie Vācijas tiesību komentētāji apšauba, vai ar to vien vispār pietiek konstatējumam. Detektora rezultāts labākajā gadījumā ir iemesls ieskatīties rūpīgāk. 1.3. nodaļā minētais kļūdu īpatsvars padara to nelietojamu kā pierādījumu.
  2. Noteikumiem jābūt skaidriem pirms vērtēšanas, nevis pēc tās. Ne pilnīgs aizliegums, ne pilnīga atļauja nav noturīgi risinājumi. Tas, kas darbojas, ir patstāvīga darba deklarācija ar klauzulu par MI, kā arī pienākums norādīt, kas tika izmantots. Atklātība aizliegšanas vietā.
  3. Atzīmes paliek cilvēka ziņā. Cilvēkiem ir tiesības nebūt pakļautiem lēmumiem ar juridiskām sekām, ko pieņem vienīgi mašīna, un skolām nav juridiska pamata šādus lēmumus pieņemt ar programmatūras palīdzību; atzīme ir viens no tiem. Vācijas Izglītības un kultūras ministru pastāvīgā konference to formulē vēl stingrāk: vērtēšana ir uzdevums, ko var veikt vienīgi pedagogi. Būtiski, ka formāla MI ieteikuma automātiska apstiprināšana netiek uzskatīta par cilvēka lēmumu. Tātad atziņa, ka cilvēki bieži piekrīt kļūdainai MI atgriezeniskajai saitei, ir ne tikai pedagoģiska, bet arī juridiska problēma.

"Katrs eksperimentē pats, tāpēc noteikumi mainās no vienas mācību stundas uz nākamo."

Tiesības, ētika un didaktika tādējādi nonāk pie viena un tā paša secinājuma: vērtējiet procesu, nevis tikai gala rezultātu.

Patiesā atbildība

Reaģējot uz to, Vācija ir ieviesusi valsts nodrošinātas skolu MI vides. Tās ir pārbaudītas platformas ar apspriestiem līgumiem, nevis pedagogu ziņā atstāta iespēja reģistrēties jebkuram bezmaksas resursam. Lai gan šīs platformas atrisina problēmas, ko atsevišķi pedagogi paši atrisināt nevar, tās joprojām tiek kritizētas par to, kā tās tiek pārvaldītas, vai pedagogi tās patiešām pieņem un vai to atbalstītie vērtējumi ir pamatoti. Tā kā ieviešana katrā federālajā zemē atšķiras, būs vajadzīgs laiks, lai redzētu, kā pedagogiem veicas ar šīm platformām.

Tas, kas ir savdabīgs, ir šaurāks, nekā sākotnēji varētu šķist, un to ir vērts precīzi formulēt. Vācijā pastāv vienīgā mūsu pētījumā atrastā sistēma, kurā valsts iestāde – federālajām zemēm piederošais FWU – pati izstrādā un uztur platformu, piesaistot tehniskos darbuzņēmējus. Francija nodrošina adaptīvu vingrināšanās programmatūru veselam gadagājumam, taču to ir pasūtījusi: viens privāts uzņēmums uzrakstīja programmatūru, otrs mitina datus. Vairākas citas valstis ir iegādājušās piekļuvi komerciāliem sarunbotiem; lielākā daļa citu valstu tikai piedāvā norādījumus.

Platformas izveide pašu spēkiem jums automātiski nedod vairāk kontroles. Vācijas platforma, kā norādījusi nozares asociācija, darbojas, pamatojoties uz tiem pašiem komerciālajiem valodas modeļiem Eiropas serveros, kā visas pārējās. Turpretī Francijas sistēma tiek mitināta Francijā ar valsts izdoto augstāko drošības sertifikāciju. Viena valsts uzbūvēja pamatus un nomā dzinēju, bet otra iegādājās programmatūru un patur atslēgas no ēkas. Nav skaidrs, kura izvēle ir suverēnāka — to ir vērts atcerēties pirms sākt lietot šo terminu.

Nīderlande izvēlējās citu pieeju, un to ir vērts zināt, jo tā piedāvā godīgāku atbildi uz to pašu jautājumu. Nevis būvējot vai pērkot, Nīderlandes skolas un universitātes apvienoja spēkus un lika lielākajiem pakalpojumu sniedzējiem oficiāli sevi izvērtēt. Pārbaudot Microsoft MI asistentu, tās konstatēja divas neatrisināmas problēmas: automātiskā satura filtra kritērijus, kurus pakalpojuma sniedzējs atteicās atklāt, un nepamatotu, astoņpadsmit mēnešu ilgu diagnostikas datu glabāšanu. Risināja sarunas. Taču 2026. gada martā pakalpojumu sniedzējs atteicās jebko mainīt. Tāpēc novērtējums joprojām ir "dzeltens", un Nīderlandes skolām tiek ieteikts ievērot piesardzību un katrā gadījumā spriest pēc saviem ieskatiem, nevis piešķirt vispārēju atļauju. Viena valsts novērsa risku; otra to rūpīgi izvērtēja un nolēma, ka tā vēl nav gatava to pieņemt. Abas pieejas piedāvā problēmas risinājumus šīs nodaļas sākumā aprakstītajai problēmai.

Šis salīdzinājums sniedz skaidrojumu vēl vienam jautājumam. Sūdzība, ka pedagogi dod priekšroku bezmaksas, nevis oficiālajam sarunbotam, Vācijā nav ieviešanas kļūdas rezultāts. Igaunijā, kur valsts vidusskolas skolēniem nodrošināja piekļuvi sarunbotam, septiņus mēnešus pēc programmas sākuma tikai nedaudz vairāk par trešdaļu izmantoja oficiālo sarunbotu ik nedēļu. Izrādījās, ka lielākā daļa no viņiem bija izmantojuši bezmaksas rīkus jau pirms programmas sākuma. Pārbaudītā vide vienmēr un visur konkurē ar ērtāko variantu. Oficiālā rīka nodrošināšana ir nepieciešama. Taču ar to vien nepietiek.

Tomēr strukturālais secinājums ir šāds: atbilstība ir priekšnoteikums, kas paver iespējas, nevis šķērslis. Atceraties, kas tika teikts 1.2. nodaļā? Skolās ar skaidriem noteikumiem bija vairāk skolotāju, kas izmanto MI, – un kopumā tika ietaupīts vairāk laika. Noteikumi izmantošanu nepalēnināja.

1. MI izglītībā

1.5 MI pašreizējais stāvoklis izglītībā

Galvenā atziņa

Ja no šī teksta atcerēsieties tikai vienu teikumu: MI jau ir klātesošs izglītības kontekstā, taču tas nav regulēts. Nepieciešami strukturēti ietvari, kas atbalstītu pedagogu profesionālo pilnveidi, uzlabojot viņu zināšanas un ļaujot viņiem mācīt gan ar MI, gan par MI.

Pašreizējais MI izmantojums izglītības kontekstā

Mūsdienās mākslīgais intelekts (MI) ir ienācis ikdienas izglītības praksē, sniedzoties tālu pāri pilotprojektiem. Bieži sastopami pielietojumi ir adaptīvās mācību platformas, intelektuālās apmācības sistēmas, automatizēta vērtēšana un MI atbalstīta stundu plānošana skolotājiem (OECD, 2026). Tomēr visredzamākās pārmaiņas ir saistītas ar vispārējas nozīmes rīku tiešu izmantošanu gan skolēnu, gan pedagogu vidū.

Mācīšana ar MI

Pedagogi arvien vairāk izmanto MI kā atbalsta rīku dažādos sava darba posmos — no nodarbību plānošanas līdz vērtēšanai. Saskaņā ar OECD TALIS aptaujas datiem, 37% pamatskolas augstāko klašu skolotāju 2024. gadā norādīja, ka izmanto MI, un 57% no viņiem atzina, ka tas palīdz sagatavot vai uzlabot stundu plānus (OECD, 2026). Papildus stundu plānošanai pedagogi izmanto MI, lai pielāgotu mācību saturu dažādiem prasmju līmeņiem, sagatavotu vingrinājumu materiālus un atbalstītu vērtēšanas procesu. Taču šī pieņemšana nenotiek bez pretrunām — 72% skolotāju pauda bažas, ka MI varētu ļaut skolēniem uzdot MI radītu darbu par savu, kas atspoguļo plašāku spriedzi starp MI praktiskajiem ieguvumiem mācīšanā un tā ietekmi uz akadēmisko godīgumu (OECD, 2026).

Mācīšana par MI

Līdztekus MI izmantošanai kā mācību palīglīdzeklim, arvien vairāk nepieciešams mācīt skolēniem arī par pašu MI — kā tas darbojas, kādi ir tā ierobežojumi un kā to izmantot atbildīgi. Tas ietver pamatizpratnes veidošanu par valodas modeļiem kā prognozēšanas dzinējiem, nevis datubāzēm, kas izskaidro to tendenci "halucinēt", kā arī praktiskas prasmes, piemēram, MI radītā satura faktu pārbaudi un izdomātu citātu atpazīšanu (UNESCO, 2024). Tas ietver arī kritiskās domāšanas attīstīšanu saistībā ar uzvedņu veidošanu, virzot skolēnus no vienkāršas instrukciju izpildes uz to formulēšanu, kā arī izpratnes veidošanu par MI izmantošanas ētiskajiem un tiesiskajiem aspektiem, tostarp datu aizsardzību un ES Mākslīgā intelekta aktu. UNESCO AI Competency Framework for Teachers (2024) to raksturo kā vienu no pamata profesionālajām kompetencēm, uzsverot, ka pašiem pedagogiem vispirms jāapgūst zināšanas šajās jomās, lai tās varētu efektīvi mācīt skolēniem.

Kas trūkst?

Līdztekus institucionālajiem ietvariem un ieviešanas datiem ir svarīgi izprast, kā šie procesi izpaužas praksē. DUAL.AI.TEACHer projekta ietvaros tika organizēta virkne darbnīcu. Tajās tika aicināti daudzi izglītības jomas pārstāvji, lai iegūtu tiešu ieskatu par MI pašreizējo izmantošanu mācību procesā. Šīs darbnīcas atklāja virkni konkrētu vajadzību un bažu, ko pauda pedagogi, aptverot praktiskus, pedagoģiskus un ar apmācību saistītus aspektus. Turpmākajās sadaļās šīs vajadzības aplūkotas detalizētāk.

"Ikvienam, kurš māca ar MI, jāspēj pārbaudīt katra tā sniegtā atbilde, jo kļūdas gadās. Bez stabilām priekšmeta zināšanām jūs tās nepamanīsiet."

1. MI izglītībā

1.6 Tiesiskais regulējums

Atruna: Mēs esam rūpīgi izpētījuši šīs nodaļas saturu, taču MI tiesības ir strauji mainīga joma. Kopš publicēšanas noteikumi var būt mainījušies, tāpēc vienmēr pārbaudiet aktuālo tiesisko situāciju un, ja nepieciešams, ņemiet vērā savas valsts tiesību aktus. Šī nodaļa nav juridiska konsultācija.

Galvenā atziņa

Ja no šī teksta atcerēsieties tikai vienu teikumu: izmantojiet MI, lai atbalstītu, nevis aizstātu savu profesionālo spriedumu — stingrāki noteikumi stājas spēkā, tiklīdz MI palīdz pieņemt lēmumus par atzīmēm, izglītības virzienu vai cilvēkiem.

ES Mākslīgā intelekta akts

ES Mākslīgā intelekta akts (Regula (ES) 2024/1689) ir ES vienotais, uz risku balstītais mākslīgā intelekta regulējums. Tā vietā, lai regulētu konkrētus produktus, tas klasificē MI sistēmas pēc to radītā riska un attiecīgi nosaka pienākumus — sākot no pilnīga aizlieguma nelielai daļai prakšu, caur papildu pienākumiem "augsta riska" izmantošanas gadījumiem, līdz pat īpašu noteikumu neesamībai ikdienas rīkiem. Tas ir tieši piemērojams visās dalībvalstīs, gan publiskajām, gan privātajām organizācijām.

Akts tiek ieviests pakāpeniski. Tas ir piemērojams kopš 2024. gada 1. augusta; kopš 2025. gada 2. februāra jau ir saistoši turpmāk minētie aizliegtie darbību veidi un pienākums attīstīt MI pratību (Art. 4); no 2026. gada 2. augusta piemērojama lielākā daļa atlikušo noteikumu.

AI Act education compliance timeline.png

1. att.: "MI ceļvedis" (MI ģenerēts attēls, ...)

Kas ir atbildīgs par MI izmantošanu?

Ja skola ievieš un kontrolē MI sistēmu, skola vai izglītības iestādes pārvaldes institūcija parasti ir uzturētājs (Art. 3(4)). Pedagogs, izmantojot rīku saskaņā ar skolas norādījumiem, parasti netiek uzskatīts par atsevišķu uzturētāju, tomēr viņam tik un tā jāievēro šie norādījumi un visi attiecīgie skolas un datu aizsardzības noteikumi.

Skolotājiem jāzina, ko viņi izmanto

Skolām un izglītības iestāžu pārvaldes institūcijām jāveic atbilstoši pasākumi, lai atbalstītu MI pratības attīstību tiem, kas to vārdā izmanto MI sistēmas (Art. 4). MI akts nenosaka konkrētu kompetences līmeni, sertifikātu vai apmācības formātu. Tie drīzāk ir atkarīgi no izmantotās MI sistēmas, tās izmantošanas veida un no tā, kurus tā var ietekmēt.

MI prakses, kas skolām ir pilnībā aizliegtas

MI akts pilnībā aizliedz astoņas MI prakses (Art. 5); četras no tām ir tieši saistītas ar skolām:

Vai MI radītajam saturam vienmēr nepieciešama marķēšana?

Ja skolēni tieši mijiedarbojas ar MI sistēmu, piemēram, sarunbotu, viņi ir jāinformē, ka viņi mijiedarbojas ar MI. Parasti par šīs informācijas skaidru sniegšanu ir atbildīgs sistēmas nodrošinātājs (Art. 50(1)).

Skolām un pedagogiem jāatklāj dziļviltojumi (deepfakes) vai MI radīts teksts, kas publicēts par sabiedrības interesēm nozīmīgiem jautājumiem, ja tie tiek izmantoti mācību procesā (Art. 50(4)). Šī prasība neattiecas uz gadījumiem, kad MI radītais saturs ir izgājis efektīvu cilvēka veiktu pārskatīšanu vai redakcionālo kontroli un persona vai iestāde uzņemas redakcionālo atbildību par tā publicēšanu. Tāpēc pedagoga pārskatīta ar MI izveidota darblapa nav automātiski jāmarķē.

Kad MI izglītībā kļūst par augsta riska rīku

Parasti rakstīšanas, tulkošanas, izpētes un stundu plānošanas rīki nav augsta riska rīki tikai tāpēc, ka tie tiek izmantoti darbā. Klasifikācija ir atkarīga no sistēmas paredzētā mērķa, nevis vienkārši no tā, kurš produkts tiek izmantots (Art. 6 · Annex III).

MI sistēmas var tikt klasificētas kā augsta riska sistēmas, ja tās ir paredzētas, lai:

Skolotājiem Skolām
  • lemtu par skolēnu piekļuvi, uzņemšanu vai iedalīšanu izglītības vai profesionālās izglītības iestādēs un programmās;
  • vērtētu skolēnu mācīšanās rezultātus vai virzītu viņu mācību procesus;
  • noteiktu skolēnam atbilstošu izglītības līmeni, ko viņš saņems vai kuram varēs piekļūt; vai
  • atklātu skolēnu aizliegtu uzvedību eksāmenu laikā.

(Annex III, 3. punkts)

  • pieņemtu darbā vai atlasītu pedagogus, tostarp izvērtētu pieteikumus;
  • lemtu par darba līguma noteikumiem, pedagoga paaugstināšanu amatā vai darba attiecību izbeigšanu;
  • sadalītu uzdevumus, pamatojoties uz pedagoga uzvedību vai personiskajām īpašībām; vai
  • vērtētu pedagoga sniegumu.

(Annex III, 4. punkts)

Ierobežotas pārbaudes vai sagatavošanās rīks var arī neietilpt augsta riska kategorijā, ja tas būtiski neietekmē lēmumu. Tomēr izglītības sistēma, kas veido personu profilus, vienmēr tiek uzskatīta par augsta riska sistēmu.

Ko augsta riska MI nozīmē skolām un pedagogiem

MI sistēmas klasificēšana kā augsta riska sistēma automātiski neizslēdz tās izmantošanu skolās. Tomēr augsta riska sistēmām ir noteikti pienākumi (Art. 26):

Šie pienākumi attiecībā uz augsta riska MI izglītībā ir piemērojami no 2027. gada 2. decembra — taču iepriekš minētie aizliegumi un MI pratības pienākums jau ir spēkā šodien.

Skolotājiem Skolām
  • izmantot to tikai tā apstiprinātajam mērķim un ievērot tā lietošanas instrukcijas;
  • neuzskatīt tā sniegto rezultātu par galīgo lēmumu;
  • izprast tā galvenos ierobežojumus un iespējamos kļūdu avotus;
  • sekot līdzi, lai pārmērīgi nepaļautos uz šķietami pārliecinošiem rezultātiem; un
  • būt gatavam neievērot vai atcelt tā sniegto rezultātu.
  • nodrošināt kompetentu un pilnvarotu cilvēka veiktu uzraudzību;
  • nodrošināt, ka jebkādi tās kontrolē esošie ievaddati ir atbilstoši un pietiekami reprezentatīvi;
  • uzraudzīt sistēmu un reaģēt uz riskiem vai nopietniem incidentiem;
  • glabāt automātiski ģenerētos žurnālierakstus vismaz sešus mēnešus, ja tie ir tās kontrolē; un
  • iepriekš informēt skolēnus, pedagogus vai citas iesaistītās personas, ja sistēma palīdz pieņemt ar viņiem saistītus lēmumus.

Publiskām struktūrām un privātām organizācijām, kas sniedz sabiedriskus pakalpojumus, pirms augsta riska MI izmantošanas var būt jāveic arī pamattiesību ietekmes novērtējums (Art. 27). Publiskajām iestādēm un to vārdā rīkojošamies organizācijām papildus iepējams būtu jāreģistrē sistēma ES datubāzē (Art. 49). Vai tas ir skolas vai tās pārvaldes institūcijas pienākums, ir atkarīgs no attiecīgās valsts izglītības sistēmas.

MI akts nav vienīgais nozīmīgais tiesību akts

MI akts neaizstāj Eiropas vai valstu tiesisko regulējumu datu aizsardzības, izglītības, nodarbinātības un darbinieku līdzdalības, bērnu aizsardzības vai autortiesību jomā (Art. 2(7)). Piemēram, tas, ka rīks nav augsta riska rīks, nenozīmē, ka tajā drīkst augšupielādēt skolēnu darbus vai personas datus.

Rīks var būt pieļaujams saskaņā ar MI aktu, bet joprojām aizliegts saskaņā ar datu aizsardzības tiesību aktiem vai jūsu skolas noteikumiem.

VDAR

VDAR (Regula (ES) 2016/679) ir ES datu aizsardzības tiesību akts. Tam ir papildinoša loma līdzās MI aktam: kamēr MI akts jautā, vai un kā MI sistēmu vispār drīkst izmantot, VDAR jautā, vai konkrētus datus par konkrētu personu drīkst šādā veidā apstrādāt. Vienas prasības izpilde automātiski nenozīmē, ka ir izpildīta arī otra.

Praksē: pirms reālu skolēnu vai darbinieku datu ievadīšanas MI rīkā pārliecinieties, ka jūsu skola to ir apstiprinājusi, nekopīgojiet vairāk personas datu, nekā nepieciešams uzdevumam, un, rīku tikai izmēģinot, dodiet priekšroku anonimizētiem vai izdomātiem piemēriem.

Kur meklēt palīdzību

Izpilde katrā ES valstī ir organizēta atšķirīgi. Tā kā valstu atbildīgās institūcijas var mainīties, izmantojiet Eiropas Komisijas aktuālo tirgus uzraudzības iestāžu sarakstu. Ikviens (pedagogs, skolēns, vecāks), kas uzskata, ka Akts ir pārkāpts, var iesniegt sūdzību attiecīgajai iestādei (Art. 85). Ja augsta riska sistēma, piemēram, uzņemšanas vai eksāmenu uzraudzības rīks, ir novedusi pie lēmuma, kas būtiski ietekmē skolēnu, viņš (vai viņa vecāki) var arī pieprasīt paskaidrojumu par šo individuālo lēmumu (Art. 86).

Valsts noteikumi jūsu valstij

MI akts ir spēkā visā ES, taču izpildiestādes, skolu tiesības un datu aizsardzības prakse dažādās valstīs atšķiras. Šeit tiks pievienotas valstīm specifiskas piezīmes par Rokasgrāmatas partnervalstīm:

2. Labā prakse un klases piemēri

2. Labā prakse un klases piemēri

2.1 Ievads

1. nodaļā tika paskaidrots, kad MI palīdz, kur tas kaitē un kādi noteikumi ir spēkā. Šī nodaļa parāda, kā tas izskatās parastā skolas dienā.

Piemēri ir izstrādāti dažādos mācību priekšmetos, sākot ar bioloģiju, angļu valodu kā svešvalodu, vēsturi un matemātiku. Projekta gaitā tiks pievienoti vēl citi mācību priekšmeti. Katrs piemērs ataino mācību darba ikdienas situāciju un parāda, kā var izmantot MI, ko dara pedagogs un kur var rasties problēmas. Piemēros tiek izmantotas trīs idejas no 1. nodaļas: MI atbalsta mācīšanos tikai tad, ja skolēni vispirms domā paši; pirms mācīt ar MI, jums nedaudz jāzina par MI; un noteikumiem jābūt skaidriem, pirms uzdevums sākas.

Lūdzu, uztveriet "labo praksi" ar piesardzību. Prakses, par kurām ziņo skolotāji visā Eiropā, ir daudzsološas pieejas, nevis pārbaudītas receptes, un neviena no tām vēl nav izvērtēta. Uztveriet katru piemēru kā sākumpunktu: izmēģiniet to, pielāgojiet savai klasei un pārbaudiet, vai tas atbilst jūsu skolas noteikumiem. Kontrolsarakstā apkopoti jautājumi, kas jāuzdod, pirms MI tiek ieviests jūsu stundā.

Izmantojot iebūvēto birku sistēmu augšējā kreisajā stūrī, varat meklēt dažādus mācību priekšmetus un kārtot materiālus pēc kategorijām "stundas" un "profesionālā pilnveide".

Turquoise UI header with Latvian labels.png

1. att.: "Birku sistēmas piemērs"

2. Labā prakse un klases piemēri

2.2 Bioloģija: Vibe Coding simulācijas klasē

Plēsēju un laupījuma dinamika (Lotkas–Volterras modelis)

Priekšmets: Bioloģija  ·  Klase: 9. (14–15 gadi)  ·  Ilgums: 1 dubultstunda (90 min) ·  MI: Mācīšanās AR MI 

Ar MI saistītās kompetences (DUAL.AI.TEACHer ietvars) – skolotāja līmenis Priekšmetam specifiski mācīšanās mērķi – skolēna/apguvēja līmenis

 

AF-TL-2b

(MI pamati un pielietojumi × Mācīšana un mācīšanās, 2. līmenis – Refleksīva ieviešana):

 

"Skolotāji var organizēt nodarbības elementus, kas ietver MI izmantošanu ar skaidrām pedagoģiskām lomām un stratēģijām rezultāta elementu pārbaudei."


 

AF-FC-2b

(MI pamati un pielietojumi × Apguvēju (MI) digitālās kompetences veicināšana, 2. līmenis – Refleksīva ieviešana):

 

"Skolotāji var īstenot norādes, kas palīdz apguvējiem attīstīt praktiskas MI izmantošanas prasmes, pielāgojot uzdevumus apguvēju iepriekšējām zināšanām un pieejamajiem MI rīkiem."

 

Stundas beigās skolēni spēj:

  • aprakstīt Lotkas–Volterras modeļa galvenos mainīgos (laupījuma populācija, plēsēju populācija) un parametrus (pieauguma temps, predācijas ātrums, konversijas efektivitāte, mirstības rādītājs);
  • izvirzīt un pārbaudīt hipotēzes par populāciju dinamiku, izmantojot interaktīvu simulāciju;
  • paplašināt esošo simulāciju ar papildu ekoloģiskās sarežģītības līmeņiem (piemēram, vides ietilpību, otru sugu, sezonālu faktoru), rakstot strukturētas uzvednes MI valodas modelim;
  • kritiski izvērtēt modeļa pieņēmumus un ierobežojumus (zinātnes būtība), tostarp to, kāpēc nejaušības vai papildu faktora ieviešana var to destabilizēt.

Galvenā atziņa: Skolēniem nav jāraksta kods no nulles. Esošas simulācijas lasīšana un pārbaude, pēc tam izmantojot LLM, lai reizē pievienotu vienu ekoloģiskā reālisma līmeni, ir pietiekami, lai izveidotu patiesu izpratni par dinamisku bioloģisko modeli — un, lai paši atklātu (agrāk vai vēlāk), kur tieši šis modelis sasniedz savas robežas.

Gemini_Generated_Image_rc1c5arc1c5arc1c.jpg

1. att.: "Plēsēju un laupījuma dinamika (Lotkas–Volterras modelis)" (MI ģenerēts attēls, Google Gemini)

Saturs

Matemātiskie modeļi un datorsimulācijas ir īpaši vērtīgi rīki ekoloģijā, jo tie ļauj izteikt ļoti sarežģītas sistēmas ar matemātisku vienādojumu palīdzību. Tas ļauj veikt eksperimentus in silico un pārbaudīt hipotēzes modelī tādās situācijās, kurās reāls eksperiments būtu pārāk dārgs, pārāk lēns, ētiski sarežģīts vai tiešā veidā bīstams. Piemēram, reālas plēsēju populācijas manipulēšana reti ir iespējama. Vienlaikus katrs modelis noteikti ir realitātes vienkāršojums, un tieši tajā slēpjas tā vājās puses: reālas ekosistēmas ir daudz sarežģītākas, nekā jebkurš modelis spēj tās pilnībā atspoguļot.

Lotkas–Volterras modelis ir klasisks šāda vienkāršojuma piemērs, kas pielietots plēsēju un laupījuma dinamikas izpētei. Tas attēlo sistēmu, izmantojot divus stāvokļa mainīgos (laupījuma un plēsēju populācijas lielumu) un četrus parametrus (laupījuma iekšējo pieauguma tempu, predācijas ātruma koeficientu, plēsēju vairošanās tempu uz katru apēsto laupījuma vienību un plēsēju mirstības rādītāju). Saskaņā ar tā idealizētajiem pieņēmumiem modelis paredz noturīgas, periodiskas svārstības, kurās izmaiņas plēsēju populācijā seko ar nobīdi pēc izmaiņām laupījuma populācijā. Šī likumsakarība rodas no atgriezeniskās saites cikla: pieaugot laupījuma populācijai, plēsējiem kļūst pieejams vairāk barības, kas ļauj pieaugt plēsēju populācijai. Pieaugusī predācija pēc tam izraisa laupījuma populācijas samazināšanos, kas mazina plēsēju barības apjomu un izraisa plēsēju populācijas samazināšanos. Kad plēsēju kļūst mazāk, laupījuma populācija var atjaunoties, un cikls sākas no jauna.

Lai producētu šo tīro ciklu, modelis izvirza vairākus stingrus pieņēmumus. Tas ir deterministisks (vienādas sākuma vērtības vienmēr rada tieši tādu pašu līkni); tā ir slēgta divu sugu sistēma, kas izslēdz visus abiotiskos faktorus (temperatūru, nokrišņus, sezonu) un visus citus biotiskos faktorus (laupījuma barības augus, trešo sugu, slimības); un tā padara katras populācijas pieaugumu atkarīgu vienīgi no otras populācijas lieluma.

Reālas populācijas šiem pieņēmumiem atbilst reti. Dzimšana, nāve un sastapšanās notiek nejauši, un stohastiskā (nejaušinātā) šī paša modeļa versija mēdz novirzīties no tīrā cikla un pat sabrukt (piemēram, plēsēju populācijai izmirstot) gadījumos, kad deterministiskā versija paredz stabilas svārstības. Tāpat, pievienojot tikai vienu trūkstošu faktoru (piemēram, no temperatūras atkarīgu pieauguma tempu vai laupījuma barības apjoma ierobežojumu), bieži pietiek, lai izjauktu tīro divu mainīgo ciklu. Tas nav trūkums, kas jāslēpj no skolēniem — tā ir aktivitātes centrālā zinātnes būtības (Nature of Science) mācība. Modelis var būt patiesi noderīgs, vienlaikus paliekot šaurs realitātes tuvinājums, un tā pareizas izmantošanas priekšnosacījums ir precīzi zināt, kurus faktorus tas neietver. Šīs stundas galvenajā aktivitātē skolēni to atklāj paši, mēģinot pievienot tieši šāda veida faktorus.

Stundas plāns

Fāze Laiks Darbība
Ievads 8 min Skolotājs parāda nemarķētu reālas plēsēju–laupījuma datu rindas grafiku (piemēram, lūsis/zaķis); skolēni apraksta modeli un izvirza sākotnējās hipotēzes.
Ievade 12 min Skolotājs iepazīstina ar modeļa mainīgajiem un parametriem, izmantojot vienkāršu shēmu (diferenciālvienādojumi nav nepieciešami).
Izpēte 15 min Skolēni pāros pārbauda savas hipotēzes, izmantojot gatavu HTML simulāciju, un pieraksta savus novērojumus.
Pielāgošana 35 min Pāros skolēni izstrādā 2–3 kārtas pēc principa prognozēt → veidot uzvedni → pārbaudīt → diagnosticēt (vadošie jautājumi tālāk), katru reizi lūdzot LLM simulācijai pievienot vēl vienu ekoloģiskā reālisma līmeni (laupījuma barības apjoma ierobežojumu, otru sugu, sezonālu/abiotisku faktoru), līdz tīrais divu mainīgo cikls redzami sabrūk.
Refleksija 20 min Diskusija ar visu klasi, kuru virza tādi jautājumi kā: kurā kārtā simulācija pārstāja radīt tīru, atkārtotu ciklu? Ko oriģinālais modelis apzināti neietver un kāpēc? Kas padara to par noderīgu vienkāršojumu, nevis vienkārši par kļūdainu modeli?

Vadošie jautājumi: sarežģītības slāņošana

Pāri 35 minūšu laikā izstrādā tik daudz no turpmāk minētajām kārtām, cik atļauj laiks (lielākā daļa paspēj divas; trešā ir papildu uzdevums tiem, kas pabeidz ātrāk). Katra kārta seko vienam un tam pašam četru soļu ciklam:

  1. 1. kārta — laupījuma barības apjoma ierobežošana (vides ietilpība):
    • Prognozēt: Pirms sākat veidot uzvedni, pajautājiet sev: ko jūs sagaidāt  - kas notiks ar ciklu, ja laupījuma pieaugums palēninās, tiklīdz populācija kļūst liela, nevis turpina neierobežoti augt? Uzzīmējiet gaidāmo līkni.
    • Uzvedne: Lūdziet MI simulācijai pievienot maksimālo ilgtspējīgo laupījuma populāciju un saviem vārdiem paskaidrot, kā tas šim nolūkam mainīja pieauguma vienādojumu.
    • Pārbaudīt un salīdzināt: Pārskatiet jauno simulāciju ar tādām pašām sākuma vērtībām kā iepriekš. Salīdziniet iepriekšējo simulāciju ar jauno: kā mainījās mainīgie? Kāpēc tā notika?
    • Diagnosticēt: Kuru oriģinālā modeļa pieņēmumu (neierobežotu barību laupījumam) jūs tikko noņēmāt? Vai šis faktors ir biotisks vai abiotisks?
  2. 2. kārta — vēl viena (biotiska vai abiotiska) faktora pievienošana:
    • Prognozēt: Ja trešā suga tagad konkurē ar laupījumu par barību, vai arī to medī, vai ja laupījuma pieaugums tagad ir atkarīgs no temperatūras — ko jūs sagaidāt, ka tas darīs ar sākotnējo divu sugu ciklu?
    • Uzvedne: Izvēlieties citu faktoru un uzrakstiet uzvedni, lūdzot MI pievienot to kā jaunu mainīgo, kas saistīts ar esošajiem — precīzi norādiet, kā tam jāmijiedarbojas ar laupījuma vai plēsēju populāciju.
    • Pārbaudīt un salīdzināt: Novērojiet simulāciju vairāku ciklu garumā. Vai sākotnējais divu sugu ritms saglabājas, tiek mainīts vai izzūd?
    • Diagnosticēt: Oriģinālais modelis pieņēma, ka katra populācija ir atkarīga vienīgi no otras. Vai tas joprojām ir spēkā pēc šīs kārtas? Kādas reālas ekoloģiskas attiecības pārstāv jūsu jaunais faktors?
  3. Papildu 3. kārta — nejaušības ieviešana:
    • Prognozēt: Ja viens parametrs (piemēram, predācijas ātrums) vairs nav fiksēts, bet katrā laika posmā tiek izvēlēts nejauši noteiktā diapazonā, ko jūs sagaidāt attiecībā uz populāciju ilgtermiņa stabilitāti?
    • Uzvedne: Lūdziet MI aizstāt vienu konstantu parametru ar nejaušinātu vērtību un sekot līdzi tam, vai kāda no populācijām sasniedz nulli.
    • Pārbaudīt un salīdzināt: Izmantojiet simulāciju vairākas reizes ar tiem pašiem iestatījumiem. Vai katru reizi iegūstat vienu un to pašu rezultātu? Vai kāda no populācijām jebkad "sabrūk"?
    • Diagnosticēt: Kāpēc tās pašas "vidējās" parametru vērtības dažkārt var novest pie izmiršanas, lai gan deterministiskais modelis to nekad nebija paredzējis?

Noslēguma jautājums (refleksijas fāzei): Kurā kārtā simulācija pārstāja radīt tīru, atkārtotu ciklu — un ko tas liecina par to, cik daudz reālās pasaules faktoru oriģinālajam Lotkas–Volterras modelim nav jāņem vērā, lai tas paliktu atrisināms un viegli interpretējams?

Materiāli

2. Labā prakse un klases piemēri

2.3 Angļu valoda kā svešvaloda

Komunikatīvā atbilstība angļu valodā

Priekšmets: Angļu valoda kā svešvaloda  ·  Klase: 9. (14–15 gadi)  ·  Ilgums: 1 dubultstunda (90 min)  ·  MI: Mācīšanās AR MI 

Ar MI saistītās kompetences (DUAL.AI.TEACHer ietvars) – skolotāja līmenis Priekšmetam specifiski mācīšanās mērķi – skolēna/apguvēja līmenis

 

AF-TL-2b

(MI pamati un pielietojumi × Mācīšana un mācīšanās, 2. līmenis – Refleksīva ieviešana):

 

"Skolotāji var organizēt nodarbības elementus, kas ietver MI izmantošanu ar skaidrām pedagoģiskām lomām un stratēģijām rezultāta elementu pārbaudei."


 

AF-FC-2b

(MI pamati un pielietojumi × Apguvēju MI digitālās kompetences veicināšana, 2. līmenis – Refleksīva ieviešana):

 

"Skolotāji var ieviest norādes, kas palīdz apguvējiem attīstīt praktiskas MI prasmes, pielāgojot uzdevumus apguvēju iepriekšējām zināšanām un pieejamajiem MI rīkiem."

 

Stundas beigās skolēni spēj:

  • atšķirt gramatiski pareizu un konteksta ziņā atbilstošu angļu valodas lietojumu;
  • noteikt atšķirības vārdu krājumā, tonī un reģistrā dažādās komunikatīvās situācijās;
  • formulēt strukturētas uzvednes, kas norāda auditoriju, mērķi, kontekstu, valodas līmeni un toni;
  • salīdzināt MI ģenerētu valodu un atpazīt neatbilstošus vai nedabiskus formulējumus;
  • pārstrādāt MI ģenerētu valodu, izmantojot savu valodas izpratni;
  • pārbaudīt, vai MI ģenerētā atbilde atbilst uzvednē noteiktajām prasībām.

Galvenā atziņa: MI var ģenerēt plūstošu un gramatiski pareizu angļu valodu, taču tas automātiski nepadara valodu dabisku vai atbilstošu konkrētai situācijai. Mainot MI ģenerēta dialoga auditoriju, mērķi un kontekstu, skolēni mācās izvērtēt MI ieteikumus un izmantot savas valodas zināšanas, lai pieņemtu galīgo lēmumu.

ChatGPT Image Sep 1, 2026 at 03_17_43 PM.png

1. att.: "Komunikatīvā atbilstība angļu valodā" (MI ģenerēts attēls, ChatGPT GPT Image 2)

Saturs

Veiksmīga saziņa svešvalodā prasa vairāk nekā gramatiski pareizu teikumu veidošanu. Runātāji pastāvīgi pielāgo vārdu krājumu, teikuma uzbūvi, pieklājību un toni atbilstoši auditorijai, saziņas mērķim un kontekstam. Tāpēc vienu un to pašu domu var izteikt ļoti dažādos veidos atkarībā no tā, kurš ar ko runā. Lūgums, kas adresēts tuvam draugam, var būt īss un neformāls, savukārt tas pats lūgums, adresēts skolotājam, darba devējam vai svešiniekam, parasti prasa citu vārdu krājumu, pieklājīgākas struktūras un citu formalitātes pakāpi. Šīs atšķirības ir daļa no reģistra, kas apraksta, kā valoda mainās atbilstoši sociālajai un komunikatīvajai situācijai.

Valodu apguvējiem reģistru var būt grūti atpazīt, jo teikums var būt gramatiski pareizs, taču konkrētajā kontekstā izklausīties nedabisks vai neatbilstošs. Mācību grāmatu piemēri bieži sniedz skaidru nošķīrumu starp formālu un neformālu valodu, taču reālā saziņa ir daudz elastīgāka. Vecums, runātāju savstarpējās attiecības, kultūras gaidas, saziņas veids un komunikatīvais mērķis – tas viss var ietekmēt izmantoto valodu. Piemēram, ziņa, kas izklausās dabiski sarunā starp pusaudžiem, e-pastā skolotājam var šķist pārāk neformāla, savukārt izteiciens, kas piemērots formālai vēstulei, ikdienas sarunā var izklausīties nevajadzīgi distancēts.

Ģeneratīvais MI spēj ļoti ātri veidot un pielāgot dialogus, kas tos padara noderīgus šo atšķirību izpētei. Mainot atsevišķus uzvednes elementus, piemēram, runātāju savstarpējās attiecības, valodas līmeni, mērķi vai formalitātes pakāpi, skolēni var ģenerēt vairākas vienas un tās pašas komunikatīvās situācijas versijas un salīdzināt, kā mainās valoda. Tajā pašā laikā MI ģenerēta valoda nav automātiski uzticama tikai tāpēc, ka tā izklausās plūstoša. Modelis var radīt valodu, kas ir pārāk formāla, satur daudz atkārtojumu, kultūras ziņā neveikla, neatbilst pieprasītajam līmenim vai pilnībā neatbilst uzvednē dotajām instrukcijām. Ģeneratīvais MI darbojas arī varbūtiski, kas nozīmē, ka līdzīgas uzvednes var radīt atšķirīgus formulējumus.

Šis ierobežojums ir aktivitātes centrālā daļa, nevis kaut kas, kas jāslēpj no skolēniem. MI ir visnoderīgāks tad, kad skolēni tā rezultātu uztver kā analizējamu valodas materiālu, nevis kā pieņemamu atbildi. Šajā nodarbībā skolēni vispirms izpēta, kā reģistrs mainās dažādos saziņas kontekstos, un pēc tam izmanto LLM, lai mainītu vienu komunikatīvo mainīgo lielumu vienlaikus. Viņi salīdzina iegūtos dialogus, nosaka, kuras valodas izvēles darbojas un kuras nē, un paši pārstrādā daļu no rezultāta. Tādējādi skolēni vienlaikus apgūst gan komunikatīvo kompetenci angļu valodā, gan praktisku MI izmantošanas pratību: skaidru instrukciju sniegšanu, pārbaudi, vai šīs instrukcijas ir ievērotas, un savas valodas izpratnes izmantošanu, lemjot, vai gala rezultāts ir atbilstošs.

Stundas plāns

Fāze Laiks Darbība
Ievads 10 min Skolotājs parāda divus īsus ziņojumus, kas pauž vienu un to pašu lūgumu, piemēram, vienu, kas adresēts draugam, un otru – skolotājam. Skolēni nosaka atšķirības vārdu krājumā, pieklājībā un tonī un izsaka pieņēmumus par to, kas varētu būt katra ziņojuma autors.
Ievade 10 min Skolotājs iepazīstina ar jēdzieniem "auditorija, mērķis, konteksts un reģistrs". Kopā ar skolēniem nosaka formālas un neformālas angļu valodas iezīmes un pārrunā, kāpēc gramatiski pareiza valoda ne vienmēr ir atbilstoša valoda.
Izpēte 15 min Pāros skolēni analizē īsu MI ģenerētu dialogu par ikdienas situāciju. Viņi izceļ noderīgus izteicienus un atzīmē visu, kas izklausās nedabiski, pārāk formāli, pārāk neformāli vai neatbilstoši viņu angļu valodas līmenim.
Pielāgošana 35 min Skolēni izstrādā 2–3 kārtas pēc principa prognozē → veido uzvedni → salīdzini → diagnosticē. Katrā kārtā viņi maina vienu saziņas konteksta aspektu un lūdz MI pielāgot dialogu.
Refleksija 20 min Skolēni salīdzina savas versijas un pārrunā, kuras izmaiņas visvairāk ietekmēja valodu. Viņi nosaka, kur MI labi ievēroja instrukcijas, kur nē, un kurus izteicienus viņi paši mainītu.

Virzošie jautājumi: sarežģītības pakāpeniska palielināšana

Pāri 35 minūšu pielāgošanas fāzes laikā izstrādā tik daudz no šīm kārtām, cik atļauj laiks. Lielākajai daļai pāru vajadzētu pabeigt divas kārtas, savukārt trešo var izmantot kā papildu uzdevumu:

  1. 1. kārta — Maini runātāju savstarpējās attiecības:

    Prognozē: Iedomājies, ka tas pats lūgums tiek izteikts tuvam draugam un skolotājam. Kādas izmaiņas tu sagaidi? Padomā par vārdu krājumu, sveicieniem, teikuma uzbūvi un pieklājību.

    Veido uzvedni: Lūdz MI pārrakstīt dialogu citām runātāju savstarpējām attiecībām.

    Piemēram:

    Pārraksti šo sarunu starp diviem draugiem kā sarunu starp skolēnu un skolotāju. Saglabā to pašu nozīmi, bet izmanto pieklājīgu, dabisku angļu valodu, kas piemērota B1 līmeņa apguvējam.

    Salīdzini: Salīdzini oriģinālo un jauno dialogu. Nosaki vismaz trīs valodas izmaiņas.

    Diagnosticē: Vai MI mainīja tikai atsevišķus vārdus, vai arī mainīja teikuma uzbūvi, sveicienus, lūgumus un noslēguma izteicienus? Kuras izmaiņas ir piemērotas? Vai ir kaut kas, ko tu pats mainītu?

  2. 2. kārta — Maini komunikatīvo mērķi:

    Tagad skolēni maina to, ko viens no runātājiem vēlas panākt. Piemēram:

    informācijas pieprasīšana → sūdzības izteikšana

    ielūguma pieņemšana → pieklājīga atteikšanās

    palīdzības lūgšana → atļaujas pieprasīšana

    neformāla saruna → formāls lūgums

    Prognozē: Kādu valodu tu sagaidi; kas mainīsies, ja mainās sarunas mērķis?

    Veido uzvedni: Izveido detalizētāku uzvedni, kas ietver: runātājs + situācija + mērķis + valodas līmenis + tonis.

    Piemēram:

    Izveido īsu B1 līmeņa dialogu starp klientu un kafejnīcas darbinieku. Klients saņēma nepareizu pasūtījumu un vēlas pieklājīgi atrisināt problēmu. Izmanto dabisku ikdienas angļu valodu un saglabā dialogu astoņu rindiņu garumā.

    Salīdzini: Pārbaudi, vai ģenerētais dialogs atbilst katrai instrukcijas daļai.

    Diagnosticē: Izvēlies vienu izteicienu, kas darbojas labi, un vienu, kuru tu pārrakstītu. Paskaidro, kāpēc.

  3. Papildu 3. kārta — Pievieno ierobežojumus un izaicini MI:

    Skolēni konkretizē savas instrukcijas.

    Piemēram:

    Pārraksti sarunu diviem 15 gadus veciem pusaudžiem. Saglabā angļu valodu B1 līmenī. Padari to draudzīgu un dabisku, taču izvairies no slenga. Saglabā to pašu komunikatīvo mērķi.

    Prognozē: Kuras iepriekšējā dialoga daļas tu sagaidi, ka mainīsies?

    Veido uzvedni: Lūdz MI sagatavot pārstrādāto versiju.

    Salīdzini: Pārbaudi atbildi salīdzinājumā ar katru uzvednē doto prasību.

    Diagnosticē: Kuras instrukcijas MI veiksmīgi ievēroja? Kuras tas ignorēja vai interpretēja citādi?

Noslēguma jautājums (refleksijas fāzei): Kurā brīdī saziņas situācijas maiņa pieprasīja vairāk nekā tikai dažu vārdu aizstāšanu, un ko tas tev pasaka par efektīvu saziņu citā valodā?

Turpini ar: Ja MI ģenerēts dialogs ir gramatiski pareizs, kā tu vari noteikt, vai tas patiešām ir atbilstošs un dabisks šai konkrētajai situācijai?

Materiāli

2. Labā prakse un klases piemēri

2.4 Sociālās zinības: MI, mediji un realitāte

Vai varam ticēt visam, ko redzam?

Priekšmets: Sociālās zinības  ·  Klase: 5. (10–11 gadi)  ·  Ilgums: 1 dubultstunda (90 min)  ·  MI: Mācīšana PAR MI 

Ar MI saistītās kompetences (DUAL.AI.TEACHer ietvars) – skolotāja līmenis

Priekšmetam specifiski mācīšanās mērķi – skolēna/apguvēja līmenis

EA-FC-2a

(MI ētika × Apguvēju MI digitālās kompetences veicināšana, 2. līmenis – Refleksīva ieviešana):

 

"Skolotāji var ieviest mācīšanās aktivitātes, kas attīsta skolēnu ētisko spriešanu par MI, pamatojot to ar metodoloģiskām izvēlēm."

Stundas beigās skolēni spēj:

  • vienkāršiem vārdiem paskaidrot, ko ģeneratīvais MI spēj darīt ar tekstu un attēliem;
  • nošķirt informāciju, viedokli un mākslīgi ģenerētu saturu;
  • atpazīt pazīmes, kas var padarīt attēlu, tekstu vai apgalvojumu aizdomīgu vai neuzticamu;
  • paskaidrot, kāpēc MI ģenerēta atbilde vai attēls nav patiess;
  • noteikt veidus, kā pārbaudīt informāciju, pirms to pieņemt vai ar to dalīties;
  • pārrunāt, kā MI var ietekmēt saziņu, medijus un cilvēku ikdienas dzīvi;
  • pamatot savu viedokli par atbildīgu MI ģenerēta satura izmantošanu.

Galvenā atziņa: MI var radīt pārliecinošu tekstu un attēlus, taču pārliecinošs nenozīmē patiess. Pirms mēs kaut kam ticam vai ar to dalāmies, mums jājautā, no kurienes tas nācis, kādi pierādījumi to apstiprina un vai mēs varam to pārbaudīt citur.

Saturs

Mākslīgais intelekts arvien vairāk kļūst par ikdienas saziņas sastāvdaļu. MI sistēmas var ģenerēt tekstus, attēlus un citus satura veidus, kas var izskatīties tā, it kā tos būtu radījis cilvēks. Tas rada jaunas iespējas, taču arī jaunus izaicinājumus tam, kā cilvēki izprot un izvērtē informāciju. Šī vecuma skolēniem svarīgākais jautājums nav tas, kā MI tehniski darbojas, bet gan tas, kā MI ģenerēts saturs var ietekmēt cilvēkus un sabiedrību.

Nodarbība iepazīstina ar MI, izmantojot pazīstamu sociālu situāciju: ikdienā sastopamu informāciju. Skolotājs parāda tekstu un attēlu piemērus un lūdz skolēniem izlemt, vai saturs ir reāls, rediģēts vai MI ģenerēts. Uzsvars nav uz to, lai iemācītu skolēniem perfekti atpazīt MI. Faktiski viens no nodarbības galvenajiem secinājumiem ir tas, ka izskats vien nav uzticams veids, kā noteikt, vai kaut kas ir patiess.

Tā vietā skolēni apgūst vienkāršu pārbaudes procesu:

APSTĀJIES → JAUTĀ → PĀRBAUDI → SALĪDZINI → LEM

Aktivitāte saistās ar sociālo zinību mācību programmas uzsvaru uz kritiskās domāšanas attīstīšanu, pierādījumu analīzi, viedokļa veidošanu un paušanu, kā arī sociālās vides izpēti. Mācību programma īpaši iekļauj mediju lomu un ietekmi kā vienu no ieteiktajiem sociālajiem jautājumiem 5. klasei. Mācību programma arī skaidri mudina pedagogus attīstīt racionālu un kritisku domāšanu, uzdodot jautājumus, kas prasa argumentāciju, izpētot pierādījumus, analizējot datus, kas atbalsta vai apstrīd secinājumus, un apsverot dažādas interpretācijas. Svarīgi, ka skolēni nodarbības laikā tieši nesadarbojas ar MI sistēmu. Skolotājs vada MI rīku un demonstrē klasei izvēlētus rezultātus. Skolēnu uzdevums ir vērot, jautāt, salīdzināt un izvērtēt saturu.

Stundas plāns

Fāze

Laiks

Darbība

Ievads

10 min

Skolotājs parāda divus vai trīs attēlus vai īsus tekstus, kas saistīti ar pazīstamu situāciju. Skolēni individuāli izlemj: Vai tas ir īsts? Kā tu to zini?

Ievade

15 min

Skolotājs vecumam atbilstošā valodā iepazīstina ar MI: ko ģeneratīvais MI spēj darīt un kāpēc MI ģenerēts saturs var izskatīties pārliecinošs.

Demonstrācija

15 min

Skolotājs klases priekšā izmanto MI rīku, lai, balstoties uz vienkāršu uzvedni, ģenerētu attēlu vai īsu tekstu. Skolēni vēro, cik ātri var izveidot saturu, un pārrunā, ko MI faktiski rada.

Izpēte

30 min

Grupas saņem vairākus informācijas/satura piemērus. Tās izmanto pārbaudes kontrolsarakstu un izlemj, kam tās uzticētos, ko apšaubītu un ko vēl pārbaudītu.

Refleksija

20 min

Diskusija visā klasē: Vai varam uzticēties attēlam tikai tāpēc, ka tas izskatās reāls? Kā ir ar tekstu? Kurš ir atbildīgs, ja mēs radām vai izplatām nepatiesu informāciju?

Virzošie jautājumi:

Skolēni kopā ar skolotāju izstrādā tālāk aprakstītās situācijas. MI vada tikai skolotājs.

  1. 1. kārta — APSTĀJIES: Netici uzreiz

    Skolotājs parāda skolēniem MI ģenerētu attēlu par pazīstamu situāciju – piemēram, šķietami reālistisku fotogrāfiju par neparastu notikumu Slovēnijā.

    Pirms jebkas tiek atklāts, skolēni atbild:

    • Vai šis attēls izskatās reāls?
    • Kas liek tā domāt?
    • Kuras detaļas to padara ticamu?
    • Vai ir kaut kas, kas izskatās neparasti?

    Skolotājs atklāj, ka attēls tika ģenerēts ar MI, un īsi paskaidro, kā ģeneratīvais MI var radīt reālistiski izskatošos attēlus.

    • Kas mums lika noticēt, ka attēls ir reāls?
    • Vai mēs meklējām pierādījumus, vai vienkārši uzticējāmies tam, ko redzējām?
    • Vai cilvēks varētu izmantot šādu attēlu, lai maldinātu citus cilvēkus?

    Diagnosticē: Skolēni nosaka atšķirību starp "Tas izskatās reāls" un "Man ir pierādījumi, ka tas ir reāls".

    Galvenā doma: Reālistisks izskats nav pierādījums, ka kaut kas ir patiess.

  2. 2. kārta — JAUTĀ: Kas to izveidoja un kāpēc?

    Skolotājs parāda īsu MI ģenerētu ziņu stila tekstu. Piemēram, skolotājs lūdz MI sistēmai izveidot īsu rakstu par izdomātu notikumu kādā Slovēnijas skolā.

    Skolēni nesadarbojas ar MI. Tā vietā viņi analizē rezultātu.

    • Kas šo uzrakstīja vai izveidoja?
    • No kurienes it kā nāk šī informācija?
    • Vai tekstā ir norādīts avots?
    • Vai tas sniedz pierādījumus?
    • Vai mēs varam pārbaudīt šo informāciju?
    • Kāpēc kāds vēlētos publicēt šādu informāciju?
    • Vai teksts izklausās pārliecinošs, pat ja mēs nezinām, vai tas ir patiess?

    Skolēni atklāj, ka teksts var izklausīties pārliecinošs, informatīvs un ticams, tomēr tam trūkst uzticama avota vai pierādījumu.

    Galvenā doma: Pārliecinoši pausta atbilde ne vienmēr ir pareiza atbilde.

  3. 3. kārta — PĀRBAUDI un SALĪDZINI: Pārbaudīsim to

    Skolotājs izvirza izdomātu apgalvojumu: "Slovēnijā ir ieviests jauns noteikums: skolēniem sestdienās vairs nav atļauts izmantot mobilos tālruņus."

    Apgalvojums ir apzināti vienkāršs un pietiekami ticams, lai skolēni pārdomātu, kā viņi to pārbaudītu.

    Skolēniem netiek lūgts vienkārši atbildēt "patiess" vai "nepatiess". Tā vietā viņiem jāizstrādā pārbaudes stratēģija.

    • Kur tu pārbaudītu šo informāciju?
    • Kam tu varētu jautāt?
    • Vai tu uzticētos ziņai sociālajos medijos?
    • Vai tu pārbaudītu tikai vienu avotu, vai vairākus?
    • Kas būtu uzskatāms par labu pierādījumu?
    • Kuram avotam tu uzticētos vairāk?
    • Kas liktu tev mainīt domas?

    Skolotājs pēc tam demonstrē, kā apgalvojumu varētu pārbaudīt, izmantojot dažāda veida avotus.

    Skolēni saprot, ka informācijas pārbaude ir process, nevis vienkārši lēmums par to, vai kaut kas "šķiet patiess".

  4. Papildu kārta — MI pret cilvēku

    Skolotājs jautā MI sistēmai: "Kāpēc ir svarīgi saglabāt kultūras mantojumu?" – MI ģenerē īsu atbildi.

    Skolēni pēc tam patstāvīgi, bez MI, izveido savu atbildi.

    Klase salīdzina abas atbildes.

    • Ko MI atbildēja labi?
    • Kā trūkst?
    • Vai MI sniedz informāciju, viedokli, vai abus?
    • Vai MI pārzina mūsu vietējo vidi tikpat labi kā mēs?
    • Kura atbilde būtu noderīgāka, prezentējot mūsu vietējo kultūras mantojumu?
    • Vai MI ģenerēta atbilde var aizstāt mūsu pašu domāšanu?

    Tas saistās ar mācību programmas uzsvaru uz kultūras mantojumu, skolēnu izpratni par pagātni un tagadni, kā arī viņu spēju paskaidrot un pamatot savu viedokli.

Noslēguma aktivitāte: klases noteikuma izveide

Nodarbības beigās skolotājs un skolēni kopīgi izveido vienkāršu klases plakātu:

5 JAUTĀJUMI, PIRMS MĒS DALĀMIES

APSTĀJIES
Vai man šis uzreiz jātic?

JAUTĀ
Kas šo izveidoja vai publicēja?

PĀRBAUDI
Kur es varu pārbaudīt informāciju?

SALĪDZINI
Vai citi uzticami avoti apgalvo to pašu?

LEM
Vai man ir pietiekami pierādījumu, lai tam ticētu vai ar to dalītos?

Plakāts kļūst par nodarbības galveno praktisko rezultātu.

Noslēguma jautājums: Ja dators var radīt attēlu vai tekstu, kas izskatās pilnīgi reāls, ko mums vajadzētu darīt, pirms mēs tam ticam vai dalāmies ar to citiem cilvēkiem?

Materiāli

Skolotāja un skolēnu loma

Šīs nodarbības galvenais dizaina princips ir tāds, ka MI izmantošanu vada skolotājs.

Skolotājs

Skolēni

Vada MI rīku.

Vēro MI rezultātu.

Izveido izvēlētos piemērus.

Uzdod jautājumus par saturu.

Demonstrē, kā MI ģenerē tekstu/attēlus.

Nosaka iemeslus, kāpēc uzticēties informācijai vai to apšaubīt.

Sniedz piemērus un pretpiemērus.

Salīdzina dažādus avotus.

Modelē pārbaudes stratēģijas.

Izstrādā savu pārbaudes stratēģiju.

Vada diskusiju.

Paskaidro un pamato savus secinājumus.

Padara MI ierobežojumus redzamus.

Pārdomā atbildīgu informācijas apmaiņu.

Tādējādi skolēni apgūst zināšanas par MI iespējām, ierobežojumiem un sociālajām sekām, viņiem pašiem nav nepieciešama piekļuve MI sistēmai.

2. Labā prakse un klases piemēri

2.5 Starppriekšmetu mācības: MI atbalstīta stundu plānošana

MI atbalstīta stundu plānošana

Priekšmets: Skolotāju profesionālā pilnveide  ·  Mērķa grupa: Skolotāji  ·  Ilgums: 1 darbnīca (90 min) ·  MI: Mācīšana AR MI 

Ar MI saistītās kompetences (DUAL.AI.TEACHer ietvars) – skolotāja līmenis Priekšmetam specifiski mācīšanās mērķi – skolēna/audzēkņa līmenis

AF-DR-2b

(MI pamati un pielietojumi × Digitālie resursi, 2. līmenis – Reflektīva ieviešana):

 

"Skolotāji spēj pielietot uzvedņu veidošanas, iterācijas un pilnveidošanas stratēģijas, lai iegūtu lietojamus MI ģenerētus resursus."


 

AF-TL-2b

(MI pamati un pielietojumi × Mācīšana un mācīšanās, 2. līmenis – Reflektīva ieviešana):

 

"Skolotāji spēj organizēt stundas elementus, kuros MI izmantošana ir iekļauta ar skaidrām pedagoģiskām lomām un stratēģijām rezultāta elementu pārbaudei."

Stundas beigās dalībnieki spēj:

  • formulēt strukturētu uzvedni mācību aktivitātes izveidei savā mācību priekšmetā;
  • izvērtēt MI ģenerētu aktivitāti pēc pedagoģiskās nozīmības, precizitātes un piemērotības mērķa grupai;
  • identificēt MI ģenerēta materiāla elementus, kuriem nepieciešama cilvēka veikta pārbaude vai pielāgošana;
  • uzlabot sākotnējo MI rezultātu, izmantojot uzvedņu veidošanu, iterāciju un manuālu pārskatīšanu;
  • integrēt MI stundā, saglabājot skaidru pedagoģisko lomu skolotājam un skolēnam.

Galvenā doma: Ģeneratīvais MI var paātrināt stundas sagatavošanu, taču lietojama mācību aktivitāte reti rodas no vienas vienīgas uzvednes. Efektīva MI atbalstīta stundu plānošana ir iteratīvs process, kurā pedagogi definē pedagoģisko mērķi, ģenerē idejas, izvērtē rezultātu, to pilnveido un pieņem galīgos didaktiskos lēmumus.

ChatGPT Image Sep 1, 2026 at 04_27_24 PM.png

1. att.: "MI atbalstīta mācību procesa plānošana" (MI ģenerēts attēls, ChatGPT GPT Image 2)

Saturs

Ģeneratīvais MI var atbalstīt pedagogus daudzos ar stundas sagatavošanu saistītos uzdevumos, tostarp aktivitāšu ideju ģenerēšanā, materiālu pielāgošanā dažādām skolēnu grupām, piemēru un jautājumu izstrādē vai alternatīvu tēmas skaidrošanas veidu piedāvāšanā. Latvijas Datorium gadījuma izpēte demonstrē šo praktisko pieeju pedagogu MI kompetenču attīstībai: pedagogi vispirms iepazīstas ar MI un tā izglītojošajiem pielietojumiem, tad pāriet uz praktisku eksperimentēšanu, stundu plānošanu, vērtēšanu un diferencētu materiālu izstrādi. Pēc pielietošanas klasē seko refleksija un atgriezeniskā saite, padarot MI izmantošanu par daļu no iteratīva profesionālās mācīšanās procesa, nevis vienreizēju tehnisku vingrinājumu.

Ģeneratīvā MI lietderība stundu plānošanā lielā mērā ir atkarīga no pedagoga sniegtās informācijas un nosacījumiem. Tāds pieprasījums kā "Izveido stundu par klimata pārmaiņām" atstāj lielāko daļu pedagoģisko lēmumu MI sistēmas ziņā. Strukturētāka uzvedne var precizēt priekšmetu, skolēnu vecumu, esošās zināšanas, mācīšanās mērķi, ilgumu, mācīšanas metodi, pieejamos resursus un sagaidāmo rezultātu. Šo elementu pievienošana negarantē labu mācību stundu, taču dod skolotājam lielāku kontroli pār to, ko MI rada, un atvieglo iegūtā materiāla izvērtēšanu attiecībā pret paredzēto mācīšanās mērķi.

Pat detalizēta uzvedne var radīt materiālu, kas ir faktoloģiski neprecīzs, pedagoģiski vājš, nereāls pieejamajam stundas laikam vai nepiemērots konkrētai skolēnu grupai. MI var ieteikt aktivitātes, neņemot vērā klases dinamiku, pieņemt, ka ir pieejami resursi, kas patiesībā nav pieejami, ģenerēt uzdevumus, kas faktiski nemēra noteikto mācīšanās mērķi, vai sniegt saturu, kas šķiet pārliecinošs, bet prasa faktu pārbaudi. Tāpēc MI ģenerēts izglītojošais materiāls jāuzskata par melnrakstu, nevis par gatavu mācību resursu.

Šīs aktivitātes galvenais mācīšanās process tātad nav vienkārši mācīšanās, kā uzrakstīt "labu uzvedni". Skolotāji strādā, izmantojot atkārtotu ciklu definēt → veidot uzvedni → izvērtēt → pilnveidot → pārbaudīt. Viņi sāk ar reālu mācīšanās mērķi no savas mācīšanas prakses, izmanto MI, lai ierosinātu aktivitāti, izvērtē rezultātu pēc pedagoģiskiem kritērijiem, nepieciešamības gadījumā pilnveido uzvedni un visbeidzot ievieš izmaiņas, pirms aktivitāte tiek uzskatīta par gatavu izmantošanai klasē. Tas atspoguļo Datorium gadījuma izpētes uzsvaru uz praktisku eksperimentēšanu, kopveidošanu, pielietošanu klasē un refleksiju, vienlaikus saglabājot pedagoģisko atbildību un validāciju skolotāja rokās.

Stundas plāns

Fāze Laiks Aktivitāte
Ievads 10 min Dalībnieki nosaka vienu stundas sagatavošanas uzdevumu, kuram MI varētu būt noderīgs. Pedagogs iepazīstina ar MI kā asistentu/līdzradītāju, nevis autonomu stundas veidotāju.
Ievade 15 min Dalībnieki salīdzina vienkāršu uzvedni ar strukturētu izglītojošu uzvedni un pēta, kā papildu konteksts maina ģenerēto mācību aktivitāti.
Izpēte 15 min Katrs dalībnieks izvēlas reālu mācīšanās mērķi no sava priekšmeta un lūdz LLM ģenerēt īsu klases aktivitāti, kas to risina.
Pielāgošana 35 min Dalībnieki testē divas vai trīs uzvednes → izvērtēšanas → pilnveidošanas → pārbaudes cikliem, pakāpeniski pievienojot pedagoģiskus nosacījumus un pārbaudot iegūto aktivitāti.
Refleksija 25 min Dalībnieki salīdzina savu sākotnējo MI rezultātu ar galīgo, klasei gatavo versiju un nosaka, kuri uzlabojumi radās no uzvednes veidošanas un kuriem bija nepieciešams viņu pašu profesionālais vērtējums.

Virzošie jautājumi: no MI rezultāta līdz klasei gatavai aktivitātei

  1. 1. kārta — Definē pedagoģisko mērķi:

    Pirms uzvednes veidošanas MI definē:

    • Kas ir skolēni?
    • Ko viņiem vajadzētu zināt vai spēt izdarīt?
    • Kādas ir viņu priekšzināšanas?
    • Cik daudz laika ir pieejams?
    • Ko skolēniem faktiski vajadzētu darīt aktivitātes laikā?

    Ģenerē sākotnējo aktivitāti un salīdzini to ar paredzēto mācīšanās mērķi.

    • Diagnosticē: Vai aktivitāte faktiski palīdz skolēniem sasniegt mērķi, vai tā tikai attiecas uz to pašu tēmu?
  2. 2. kārta — Pievieno klases ierobežojumus:

    Pilnveido uzvedni, pievienojot reālistiskus nosacījumus, piemēram, klases lielumu, pieejamos materiālus, stundas ilgumu, skolēnu zināšanu īmeni, mācīšanas metodi vai pieejamības prasības.

    Ģenerē pārstrādāto aktivitāti un salīdzini to ar pirmo versiju.

    Salīdzini: Pārbaudi, vai ģenerētais dialogs seko katrai instrukcijas daļai.
    • Diagnosticē: Kuras izmaiņas uzlaboja aktivitāti? Kādus klases apstākļus MI joprojām nav ņēmis vērā?
  3. Papildu 3. kārta — Pārbaudi un kontrolē:

    Izvērtē galīgo MI ģenerēto aktivitāti pēc:

    • faktu precizitātes;
    • atbilstības mācīšanās mērķim;
    • piemērotības skolēnu grupai;
    • reālistiska laika;
    • instrukciju skaidrības;
    • pieejamības un iekļaušanas;
    • skolotāja un skolēna lomām.

    Pēc tam dalībnieki veic vismaz vienu manuālu izmaiņu, nelūdzot MI to pārskatīt.

    Tāpēc gala salīdzinājums nav "Kura uzvedne radīja labāko MI atbildi?", bet gan "Kas skolotājam bija jāsniedz, lai MI ģenerētu ideju pārvērstu par lietojamu mācību aktivitāti?"

Noslēguma jautājums (refleksijas fāzei): Kurā brīdī MI ģenerētajai aktivitātei bija nepieciešams vairāk kā tikai uzvednes uzlabošana, un ko tas liecina par pedagoga lomu MI atbalstītā stundu plānošanā?

Turpini ar: Ja MI ģenerēta mācību aktivitāte šķiet pabeigta un labi strukturēta, kā jūs varat izlemt, vai tā patiesībā ir pedagoģiski atbilstoša un gatava izmantošanai darbā ar skolēniem?

Materiāli

2. Labā prakse un klases piemēri

2.6 Vēsture: pagātnes rekonstrukcija

Diena viduslaiku Rīgā: ko mums patiesībā var pastāstīt

avoti?

Priekšmets: Vēsture  ·  Klase: 7 (13–14 gadi)  ·  Ilgums: 90 minūtes ·  MI: Mācīšana AR MI 

Ar MI saistītās kompetences (DUAL.AI.TEACHer ietvars) – skolotāja līmenis

Priekšmetam specifiski mācīšanās mērķi – skolēna/apguvēja līmenis

AF-TL-2b

(MI pamati un pielietojumi × Mācīšana un mācīšanās, 2. līmenis – Refleksīva ieviešana):

 

"Skolotāji var organizēt nodarbības elementus, kas ietver MI izmantošanu ar skaidrām pedagoģiskām lomām un stratēģijām rezultāta elementu pārbaudei."

 

AF-FC-2b

(MI pamati un pielietojumi × Apguvēju (MI) digitālās kompetences veicināšana, 2. līmenis – Refleksīva ieviešana):

 

"Skolotāji var īstenot norādes, kas palīdz apguvējiem attīstīt praktiskas MI prasmes, pielāgojot uzdevumus apguvēju iepriekšējām zināšanām un pieejamajiem MI rīkiem."

 

Stundas beigās skolēni spēj:

  • iegūt informāciju par viduslaiku pilsētas dzīvi no rakstītiem, vizuāliem un arheoloģiskiem avotiem;

  • nošķirt pierādījumus, pamatotus secinājumus un pieņēmumus;

  • izskaidrot tirdzniecības, amatniecības un ikdienas dzīves aspektus viduslaiku Rīgā;

  • apvienot vairāku avotu pierādījumus, lai veidotu vēsturisku rekonstrukciju;

  • formulēt uzvednes, kas liek MI strādāt, balstoties uz sniegtajiem vēsturiskajiem pierādījumiem;

  • analizēt informāciju, lai izprastu ticamu avotu nozīmi.

Galvenā atziņa: Tas, kas ir parādīts, ne vienmēr ir tas, kas patiešām noticis. Vēsturiskās rekonstrukcijas apvieno pierādījumus, pamatotus secinājumus un pieņēmumus. Pagātnes izpratne nozīmē spēju atšķirt to, ko mēs zinām no avotiem, to, ko mēs varam pamatoti secināt, un to, kas ir iztēlots, lai aizpildītu robus un radītu labāku stāstu.

ChatGPT Image Sep 2, 2026 at 01_30_35 PM.png

1. att.: "Diena viduslaiku Rīgā: ko mums patiesībā var pastāstīt avoti ?" (MI ģenerēts attēls, ChatGPT GPT Image 2)

Saturs

Vēsturnieki nevar tieši novērot ikdienas dzīvi viduslaikos. Tā vietā viņi to rekonstruē no cilvēku atdtātajām pēdām: rakstītiem dokumentiem, ēkām, priekšmetiem, attēliem, arheoloģiskiem atradumiem un citiem pierādījumiem. Dažādi avoti atbild uz dažādiem jautājumiem. Tirdzniecības uzskaite var atklāt, kādas preces ienāca pilsētā, savukārt arheoloģisks priekšmets var pastāstīt mums par to, kas cilvēkiem piederēja vai ko viņi izmantoja. Neviens avots pats par sevi nevar atjaunot veselu cilvēka dzīves dienu.

Viduslaiku Rīga ir noderīgs piemērs. Rīga strauji attīstījās pēc 13. gadsimta sākuma un kļuva par nozīmīgu centru, kas savienoja tirdzniecību starp Rietumeiropu, Livoniju un tālākām austrumu zemēm. Līdz 13. gadsimta beigām tā bija kļuvusi par nozīmīgu Hanzas tirdzniecības pilsētu. Tirdzniecība un amatniecība veicināja tirgotāju un amatnieku organizāciju, piemēram, ģilžu, izaugsmi.

Mūsdienu mediji var radīt priekšstatu, ka pagātne ir daudz pilnīgāka, nekā to patiesībā ļauj rekonstruēt saglabājušies pierādījumi. MI radīts vēstures saturs, piemēram, Chloe VS History, piedāvā spilgtas "laika ceļojuma" ainas, kurās skatītājiem šķiet, ka viņi apmeklē vēsturiskas vietas, piemēram, Londonu mēra laikā. Apģērbs, ielas, ēkas, cilvēki un ikdienas darbības tiek attēloti tā, it kā tie tiktu tieši novēroti. Taču šīs ainas ir rekonstrukcijas: dažas detaļas var būt balstītas vēsturiskos pierādījumos, dažas var būt pamatoti secinājumi, bet citas var būt pieņēmumi vai neprecīzi minējumi.

Tā pati problēma parādās vēsturiskajās filmās. A Knight's Tale rada atpazīstamu viduslaiku pasauli, izmantojot bruņas, turnīrus, apģērbu, arhitektūru un sociālās lomas, vienlaikus apzināti ieviešot mūsdienu mūziku, valodu un uzvedību.Tāpēc tā ir noderīgs atgādinājums, ka kaut kas var izskatīties pārliecinoši vēsturisks, nepārstāvot precīzi to, kas patiešām noticis.

Ģeneratīvais MI darbojas līdzīgā veidā. Tas var apvienot vēsturisku pierādījumu fragmentus saskaņotā viduslaiku Rīgas dienas rekonstrukcijā, taču tas var arī aizpildīt trūkstošo ar detaļām, kas avotos nekad nav bijušas. Dažas piebildes var būt vēsturiski ticamas; citas var piederēt citam reģionam, gadsimtam vai sociālajai grupai.

Tāpēc skolēniem jāprot nošķirt trīs noteiktības pakāpes:
Pierādījums – tas, ko vēsturiskie avoti tieši apstiprina.
Secinājums – tas, ko var pamatoti secināt no šiem pierādījumiem.
Pieņēmums – tas, kas ir iztēlots, lai aizpildītu trūkstošo.

Stundas plāns

Fāze

Laiks

Darbība

Ievilkšana

10 min

Noskatās Chloe VS History viduslaiku MI video. Skolēni nosaka, kas padara to ticamu, un pārbauda, kuras detaļas patiešām apstiprina pierādījumi.

Ievade

10 min

Iepazīstina ar jēdzieniem pierādījums – secinājums – pieņēmums un vingrinās tos nošķirt.

Izpēte

15 min

Skolēni analizē avotus par viduslaiku Rīgu bez MI un nosaka, ko patiešām var uzzināt.

Pielāgošana 1

20 min

MI rekonstruē vienu dienu viduslaiku Rīgā, balstoties uz ierobežotiem pierādījumiem. Skolēni nosaka, kur tas aizpilda trūkstošo informāciju.

Pielāgošana 2

20 min

Tiek pievienoti papildu avoti un stingrāka uzvedne. Skolēni salīdzina abas rekonstrukcijas.

Refleksija

25 min

Skolēni pārnes to pašu kritiskās domāšanas ietvaru uz vēsturisku filmu par viduslaikiem.

Virzošie jautājumi: no mākslīgā intelekta ģenerēta satura līdz gatavai mācību stundas aktivitātei 

Materiāli

2. Labā prakse un klases piemēri

2.7 Informātika / dabaszinātnes: MI reālas skolas problēmas risināšanai

Vai MI var mums palīdzēt šķirot atkritumus skolā?

Priekšmets: Informātika/dabaszinātnes  ·  Klase: 7. (13–14 gadi)  ·  Ilgums: 1 dubultstunda ·  MI: Mācīšanās AR MI 

Ar MI saistītās kompetences (DUAL.AI.TEACHer ietvars) – skolotāja līmenis Priekšmetam specifiski mācīšanās mērķi – skolēna/apguvēja līmenis

AF-TL-2b

(MI pamati un pielietojumi × Mācīšana un mācīšanās, 2. līmenis – Refleksīva ieviešana):

 

"Pedagogi izprot MI un mašīnmācīšanās pamatprincipus un spēj tos demonstrēt ar praktiskiem piemēriem."


 

AF-FC-2b

(MI pamati un pielietojumi × Apguvēju (MI) digitālās kompetences veicināšana, 2. līmenis – Refleksīva ieviešana):

 

"Pedagogi spēj vadīt skolēnus, eksperimentējot ar MI rīkiem, pārbaudot to rezultātus un kritiski reflektējot par to uzticamību."

Stundas beigās skolēni spēj:

  • vienkāršiem vārdiem paskaidrot, kā MI modelis mācās no piemēriem;
  • apmācīt un pārbaudīt vienkāršu attēlu klasifikācijas modeli;
  • atpazīt gadījumus, kuros modelis sniedz nepareizus rezultātus;
  • paskaidrot, kā piemēru kvalitāte ietekmē MI darbību;
  • uzlabot modeli, balstoties uz pārbaudes rezultātiem; • izvērtēt, vai MI risinājums būtu noderīgs un uzticams reālā skolas situācijā.

Galvenā atziņa: MI var palīdzēt risināt reālās dzīves problēmas, taču tas automātiski nesaprot, ko redz. Tas mācās no cilvēku sniegtajiem piemēriem, tāpēc tā rezultāti ir jāpārbauda un jāizvērtē.

Greener Future Classroom in Latvian.png

1. att.: "Vai MI var mums palīdzēt šķirot atkritumus skolā?" (MI ģenerēts attēls, ChatGPT GPT Image 2)

Saturs

Atkritumu šķirošana ir ikdienas jautājums daudzās skolās. Skolēni katru dienu izmanto papīru, plastmasas pudeles, pārtikas iepakojumus un citus materiālus, taču šie priekšmeti ne vienmēr nonāk pareizajā šķirošanas konteinerā.

Šī pazīstamā situācija piedāvā vienkāršu veidu, kā izpētīt, kā darbojas mākslīgais intelekts. Skolēni pēta, vai MI sistēma varētu atpazīt priekšmetu un ieteikt, kurā šķirošanas konteinerā tas jāievieto.

Aktivitātes laikā skolēni izveido vienkāršu attēlu klasifikācijas modeli ar tādām kategorijām kā papīrs, plastmasa un citi atkritumi. Viņi sniedz MI vairākus piemērus, apmāca modeli un pēc tam pārbauda to ar jauniem priekšmetiem.

Aktivitāte demonstrē svarīgu mašīnmācīšanās principu: MI apgūst modeļus (likumsakarības) no saņemtajiem piemēriem. Ja piemēri ir pārāk līdzīgi, nepilnīgi vai slikti atlasīti, modelis var sniegt negaidītus rezultātus.

Tāpēc skolēni dara vairāk nekā tikai izveido strādājošu modeli. Viņi apzināti pārbauda to ar sarežģītiem piemēriem, pēta tā kļūdas un mēģina to uzlabot. Piemēram, viņi var atklāt, ka saspiesta plastmasas pudele tiek klasificēta citādi nekā parasta pudele vai ka attēla fons ietekmē rezultātu.

Stunda saista MI pamatjēdzienu ar reālu skolas situāciju. Vienlaikus tā mudina skolēnus kritiski domāt par uzticamību un cilvēka atbildību: pat ja MI sistēma sniedz ieteikumu, cilvēkiem joprojām ir jāizlemj, vai rezultāts ir jēgpilns.

Stundas plāns

Fāze Laiks Darbība
Ievads 10 min Skolotājs parāda vairākus ikdienas atkritumu priekšmetus un jautā skolēniem, kur tie jāizmet. Klase pārrunā, vai MI varētu pieņemt to pašu lēmumu automātiski.
Ievade 10 min Skolotājs iepazīstina ar attēlu klasifikāciju un paskaidro, ka MI mācās no piemēriem. Īsi tiek demonstrēts izvēlētais MI rīks.
Izpēte 20 min Mazās grupās skolēni izveido tādas kategorijas kā papīrs, plastmasa un citi atkritumi, sagatavo piemērus un apmāca savu pirmo modeli.
Pielāgošana 1 20 min Skolēni pārbauda modeli ar jauniem priekšmetiem un pieraksta, kur tas darbojas veiksmīgi un kur kļūdās.
Pielāgošana 2 20 min Skolēni uzlabo apmācības piemērus, atkārtoti apmāca modeli un salīdzina jaunos rezultātus ar pirmo versiju.
Refleksija 10 min Skolēni pārrunā, vai viņu MI sistēma būtu pietiekami uzticama reālai lietošanai skolā un kādi ir tās ierobežojumi.

Vadošie jautājumi: no MI eksperimenta līdz reālai lietošanai

Materiāli

2. Labā prakse un klases piemēri

2.8 Matemātika: vai mašīna tiešām prot rēķināt?

Pirmā tikšanās ar MI sākumskolas matemātikas stundā – runas atpazīšana ar "Recheneule"

Priekšmets: Matemātika   ·   Klase: 2. (7–8 gadi)   ·   Ilgums: 1 mācību stunda (50 min)   ·   MI: Mācīšanās PAR MI

Reālas skolas piemērs: Šis paraugs veidots pēc dokumentētas prakses Volksschule Hagenberg im Mühlkreis (Augšaustrija) – Austrijas Federālās izglītības ministrijas oficiālā MI pilotskolā (KI-Pilotschule). Jau no otrās klases tās pedagogi rotaļīgā veidā iepazīstina bērnus ar MI, lai sagatavotu viņus tā iespējām un riskiem (direktore Martina Ketterer-Hager). Centrālais elements ir projekts digicase / DLPL, kurā bērni vingrina algoritmisko domāšanu, tostarp ar matemātikas runas atpazīšanas spēli "Die schlaue Recheneule" ("Gudrā rēķinātāja pūce"), kas izstrādāta kopā ar PH Linz. Šī stunda veido vienu mācību stundu par šo reālo rīku. Tā atbilst ministrijas MI iniciatīvai (KI-Initiative) un četru virzienu kompasam Verstehen, Anwenden, Reflektieren, Mitgestalten (saprast, lietot, reflektēt, līdzveidot).

Ar MI saistītās kompetences (DUAL.AI.TEACHer ietvars) – skolotāja līmenis Priekšmetam specifiski mācīšanās mērķi – skolēna / apguvēja līmenis

AF-FC-1a

(MI pamati un pielietojumi × Apguvēju MI digitālās kompetences veicināšana, 1. līmenis – Orientējoša izpratne):

"Skolotāji spēj apkopot MI pamatjēdzienus, kas izglītojamajiem būtu jāizprot, tostarp vecumam atbilstošus piemērus."

AF-FC-1b

(1. līmenis – Orientējoša izpratne):

"Skolotāji spēj apzināties pašreizējo MI sistēmu tehniskos ierobežojumus, kas izglītojamajiem jāizprot."

Stundas beigās skolēni spēj:

•    vienkāršiem vārdiem pateikt, ka "Recheneule" ir datorprogramma, kas mēģina sadzirdēt viņu izrunāto skaitli, un ka tā nav cilvēks un ne vienmēr saprot teikto;

•    ar rīka palīdzību skaļi risināt vienkāršus saskaitīšanas un atņemšanas uzdevumus un nolasīt, vai dators sadzirdēja pareizo skaitli;

•    pamanīt un nosaukt vismaz vienu lietu, kas palīdz MI dzirdēt labāk vai sliktāk (skaidra runa, tuvums mikrofonam, klusa telpa);

•    pārbaudīt datoru: kad pūce parāda nepareizu skaitli, pašiem aprēķināt pareizo atbildi un pateikt, vai kļūdījās bērns vai dators.

Galvenā atziņa: Bērni rīku ne tikai izmanto – viņi to vēro. Skaļi risinot uzdevumus ar "Recheneule" un redzot, kad tā sadzird pareizo skaitli un kad apjūk, otrās klases skolēni izdara savu pašu pirmo atklājumu par MI: tā ir noderīga, bet nepilnīga mašīna, un pareizo atbildi joprojām zina bērns. Tas liek pamatus visa mūža paradumam pārbaudīt, nevis tikai uzticēties.

Bright Latvian classroom with math owl.png

1. att.: "Pirmā tikšanās ar MI sākumskolas matemātikas stundā – runas atpazīšana ar 'Recheneule'" (MI ģenerēts attēls, ChatGPT GPT Image 2)

Saturs

Mazi bērni sastopas ar mākslīgo intelektu ilgi pirms tam, kad spēj to izskaidrot: balss asistenti mājās, kameras, kas atrod sejas, lietotnes, kas pabeidz viņu teikumus. Austrijas MI pamatprogramma (KI-Basiscurriculum) un ministrijas MI iniciatīva uzsver, ka MI pratība jāsāk agri un rotaļīgi un ka tai ir vieta sākumskolas klasē tikpat lielā mērā kā vecākajās klasēs. Volksschule Hagenberg im Mühlkreis, MI pilotskola, dara tieši to: jau no otrās klases tās skolotāji iepazīstina bērnus ar MI caur spēlēm, kuru centrā ir projekts digicase / DLPL, lai bērni gūtu pirmo, konkrētu priekšstatu par to, ko šīs mašīnas spēj un ko nespēj.

"Recheneule" ("gudrā rēķinātāja pūce") ir viena no šīm spēlēm, un tā lieliski iederas matemātikas stundā. Tā izmanto runas atpazīšanu – vienu no MI veidiem –, lai bērns varētu skaļi pateikt skaitli, un programma mēģina to atpazīt un izmantot aprēķinā. Rīks ir apzināti vienkāršs un, kā norāda tā veidotāji, joprojām eksperimentāls: tas, vai tas sadzird pareizi, ir atkarīgs no mikrofona, no tā, cik skaidri bērns runā, un no tā, cik klusa ir telpa. Septiņgadniekam tas nav trūkums, kas jāslēpj, bet gan visas stundas būtība. Kad pūce parāda nepareizu skaitli, bērns savām acīm redz, ka gudrā mašīna nav sapratusi — un ka viņš, bērns, joprojām zina, ka trīs plus četri ir septiņi.

Tieši tas padara rīku par vērtīgu mācīšanai PAR MI šajā vecumā. Bērniem netiek prasīts saprast, kā runas atpazīšana darbojas iekšēji; viņiem tiek lūgts to novērot, panākt, lai tā darbojas labāk, runājot skaidri un esot tuvu mikrofonam, un pamanīt, kad tā kļūdās. MI pamatprogrammas valodā tas ir pirmais solis no Verstehen (klausās mašīna, nevis cilvēks) uz Reflektieren (tā ne vienmēr saprot pareizi, un es varu to pārbaudīt). Skolotājs saglabā matemātiku priekšplānā: uzdevuma jēga joprojām ir pats uzdevums, un pūce ir rotaļīgs partneris, kura atbildes bērns mācās pārbaudīt.
Šajā stundā bērni prognozē, vai pūce viņus sadzirdēs, izmēģina, aplūko, ko tā parāda, un pārrunā, kāpēc tā dažreiz kļūdās — tā ir vienkārša, vecumam atbilstoša versija ciklam prognozēt → izmēģināt → pārbaudīt → pārrunāt, kas tiek izmantots visos šajos paraugos. Mērķis ir pirmā, priecīgā pieredze ar MI kā noderīgu palīgu, kuru tomēr joprojām ir jāpārbauda cilvēkam.

Stundas plāns

Fāze Laiks Darbība

Iesildīšanās

8 min

Sēžot uz paklāja, skolotājs jautā, kur bērni ir dzirdējuši, ka mašīna "klausās" balsi (telefons, skaļrunis, planšetdators). Kopā viņi vienojas par vienkāršu ideju: dators var mēģināt mūs sadzirdēt, taču tas nav cilvēks un var kļūdīties.

Parādīt

7 min

Skolotājs vienreiz demonstrē "Recheneule" uz lielā ekrāna, vienu skaitli pasakot skaidri, bet otru nomurminot, lai klase redzētu, ka pūce vienreiz sadzird pareizi, bet otrreiz – nepareizi. Klase min, kāpēc.

Izmēģināt (pāros)

20 min

Pāros pie planšetdatora ar austiņām bērni darbojas pēc kārtas: viens skaļi pasaka vienkārša uzdevuma atbildi (piemēram, "trīs plus četri" → saka "septiņi"), otrs vēro, kādu skaitli parāda pūce, un vienkāršā lapā atzīmē smaidiņu (sadzirdēja pareizi) vai neitrālu sejiņu (sadzirdēja nepareizi).

Pārbaudīt

8 min

Katram gadījumam "sadzirdēja nepareizi" pāris pats aprēķina pareizo atbildi un kopā izlemj: vai bērns pateica nepareizi, vai pūce nepareizi sadzirdēja? Viņi apvelk to, kurš kļūdījās.

Pārrunāt

7 min

Atpakaļ uz paklāja: Kas palīdzēja pūcei mūs sadzirdēt? (runāt skaidri, būt tuvu, ievērot klusumu). Kad pūce kļūdījās, vai mēs joprojām zinājām pareizo atbildi? Kurš ir uzdevuma noteicējs — pūce vai mēs?

Vadošie jautājumi: prognozēt → izmēģināt → pārbaudīt → pārrunāt

Fāzes "Izmēģināt" laikā pāri izpilda šīs īsās kārtas. Formulējumi ir vienkārši, lai skolotājs tos varētu pateikt skaļi; jaunāki vai ātrāki pāri var izpildīt vairāk kārtu.

1.    1. kārta – vai pūce mani sadzirdēs?

2.    2. kārta – kurš kļūdījās?

3.    3. kārta (papildu uzdevums) – apzināti sarežģīt:

Noslēguma jautājums (fāzei "Pārrunāt"): Kad pūce parādīja nepareizu skaitli, vai mēs joprojām zinājām pareizo atbildi? Tātad kam ir jāpārbauda uzdevums — datoram vai mums?

Turpinājumā: Pūce ir gudra, taču tā var sadzirdēt nepareizi. Kur vēl gudra mašīna varētu kļūdīties — un ko mēs vienmēr varētu darīt, lai to pārbaudītu?

Materiāli

2. Labā prakse un klases piemēri

2.9 Programmēšana: atbalsts izvēlētos uzdevumos

Mācīties programmēt, neizmantojot MI rakstīto kodu

Priekšmets: Programmēšana  ·  Klase: 9. (14–15 gadi)  ·  Ilgums: 1 dubultstunda (90 min) ·  MI: Atbalsts AR MI 

Ar MI saistītās kompetences (DUAL.AI.TEACHer ietvars) – skolotāja līmenis Priekšmetam specifiski mācīšanās mērķi – skolēna/apguvēja līmenis

AF-TL-2b

(MI pamati un pielietojumi × Mācīšana un mācīšanās, 2. līmenis – Refleksīva ieviešana):

 

"Skolotāji var organizēt nodarbības elementus, kas ietver MI izmantošanu ar skaidrām pedagoģiskām lomām un stratēģijām rezultāta elementu pārbaudei."


 

AF-FC-2b

(MI pamati un pielietojumi × Apguvēju (MI) digitālās kompetences veicināšana, 2. līmenis – Refleksīva ieviešana):

 

"Skolotāji var īstenot norādes, kas palīdz apguvējiem attīstīt praktiskas MI izmantošanas prasmes, pielāgojot uzdevumus apguvēju iepriekšējām zināšanām un pieejamajiem MI rīkiem."

 

Stundas beigās skolēni spēj:

  • izmantot MI atkārtotiem vai atbalsta uzdevumiem programmēšanā, piemēram, koda atkāpju sakārtošanai vai komentāru rakstīšanai;

  • lūgt MI modelim ieteikt koda uzlabojumus, nesniedzot pašu kodu, lai skolēni paši varētu izvērtēt savas zināšanas;

  • kritiski izvērtēt MI modeli, jautājot tam, kā tas optimizētu doto kodu.

Galvenā atziņa: Skolēniem ir jāzina programmēšanas pamati, ja viņi vēlas izvērtēt modeļa sniegtos rezultātus. Tāpēc skolēniem, kuri sper pirmos soļus programmēšanas apguvē, MI modeļi jāizmanto ar programmēšanu saistītiem atbalsta un atkārtotiem uzdevumiem, bet ne koda radīšanai. Viņi var arī izmantot modeli, lai jautātu par iespējamiem koda uzlabojumiem, un tādā veidā pārbaudīt savas programmēšanas prasmes.

Classroom coding with a helpful robot.png

1. att.: "Mācīties programmēt, neizmantojot MI rakstīto kodu MI rakstīto kodu" (MI ģenerēts attēls, Google Gemini 3.6 Thinking)

Saturs

Programmēšanas izglītība mainās apstākļos, kuros MI sistēmas spēj ģenerēt, skaidrot un pārskatīt kodu. Lai gan šie rīki piedāvā jaunas mācīšanās iespējas, tie rada arī būtisku izglītības izaicinājumu: skolēniem ir nepieciešamas pietiekamas programmēšanas zināšanas, lai izvērtētu, vai MI ģenerētais ieteikums ir pareizs, efektīvs vai vispār atbilstošs konkrētajam uzdevumam. Bez programmēšanas jēdzienu pamatizpratnes skolēni var pieņemt nepareizus risinājumus, nepamanīt kļūdas vai neatpazīt labākas alternatīvas. Tāpēc programmēšanas pamatu apguve joprojām ir būtiska arī tad, ja ir pieejami MI rīki.


Programmēšanas ievadkursos MI būtu jāpozicionē kā mācīšanās atbalsta rīks, nevis kā programmētāja aizstājējs. Skolēni var efektīvi izmantot MI atkārtotiem vai zema līmeņa uzdevumiem, kas nesamazina programmēšanas apguvē ieguldāmo kognitīvo piepūli. Piemēri ir koda formatēšana un atkāpju sakārtošana, dokumentācijas komentāru ģenerēšana, kļūdu paziņojumu skaidrošana, sintakses noteikumu apkopošana vai palīdzība skolēniem izprast konkrēto programmēšanas konstrukciju nozīmi. Šādi izmantojumi ļauj skolēniem koncentrēt uzmanību uz pamatā esošo loģiku, algoritmiem un problēmu risināšanas procesiem, kas ir programmēšanas kompetences kodols.


Vēl viens produktīvs MI izmantošanas veids ir koda pārskatīšana. Tā vietā, lai lūgtu MI modelim uzrakstīt risinājumu, skolēni vispirms var uzrakstīt paši savu kodu un pēc tam lūgt modelim norādīt iespējamos uzlabojumus. MI var ieteikt skaidrākus mainīgo nosaukumus, labāku koda organizāciju, mazināt liekvārdību, uzlabot lasāmību vai sniegt alternatīvas pieejas, ko skolēns var patstāvīgi izvērtēt. Tādējādi MI kļūst par atgriezeniskās saites partneri, ļaujot skolēniem salīdzināt savu spriešanu ar ārējiem ieteikumiem un novērtēt savu risinājumu stiprās un vājās puses.


Tomēr MI ģenerētu atgriezenisko saiti nevajadzētu pieņemt bez kritikas. Modeļi var ieteikt izmaiņas, kas nav vajadzīgas, ir neefektīvas vai balstītas uz nepareiziem pieņēmumiem par koda mērķi. Tāpēc šīs stundas galvenais mērķis ir attīstīt skolēnu spēju kritiski izvērtēt MI ieteikumus. Skolēni mācīsies jautāt MI modelim ne tikai to, kādus uzlabojumus tas ierosina, bet arī to, kāpēc tas uzskata šīs izmaiņas par lietderīgām. Salīdzinot modeļa spriešanu ar vispāratzītiem programmēšanas principiem, skolēni var spriest, vai ierosinātā optimizācija patiešām uzlabo kodu vai arī tā ir tikai cita dizaina izvēle.


Šajā stundā MI tiek uzskatīts par rīku, kas atbalsta refleksiju, pašnovērtējumu un koda kvalitātes uzlabošanu, nevis koda ģenerēšanu. Skolēni vingrinās rakstīt paši savas programmas, izmantot MI atbalsta uzdevumiem, lūgt atgriezenisko saiti par savu darbu un kritiski analizēt saņemto atbilžu kvalitāti. Galvenais mērķis ir palīdzēt skolēniem kļūt gan par labākiem programmētājiem, gan par informētākiem MI sistēmu lietotājiem.

Stundas plāns

Fāze Laiks Darbība
Ievads 10 min Skolotājs parāda divus īsus koda risinājumus vienai un tai pašai problēmai – vienu, ko uzrakstījis skolēns, un otru, ko ģenerējis MI modelis. Skolēni pārrunā, kurš risinājums šķiet skaidrāks, efektīvāks vai vieglāk saprotams.
Ievade 10 min Skolotājs iepazīstina ar piemērotiem MI izmantošanas veidiem programmēšanas izglītībā, uzsverot atšķirību starp atbalsta uzdevumiem, koda pārskatīšanu un koda ģenerēšanu.
Izpēte 15 min Skolēni pāros strādā pie neliela programmēšanas uzdevuma un nosaka, kurus uzdevumus varētu pamatoti uzticēt MI asistentam un kuriem jāpaliek viņu pašu atbildībā.

Uzlabošanas cikls

35 min Skolēni uzraksta paši savu risinājumu un izpilda 2–3 kārtas pēc principa rakstīt → jautāt → izvērtēt → pārstrādāt, izmantojot MI tikai atbalsta uzdevumiem un uzlabojumu ieteikumiem.
Refleksija 20 min Diskusija ar visu klasi par MI atgriezeniskās saites lietderību un ierobežojumiem, pievēršot uzmanību tam, kā skolēni noteica, vai ieteikumi bija vērtīgi vai nē.

Vadošie jautājumi: sarežģītības slāņošana

35 minūšu uzlabošanas cikla laikā skolēni izpilda tik daudz kārtu, cik atļauj laiks. Katrā kārtā tiek ievērots viens un tas pats četru soļu process: rakstīt → jautāt → izvērtēt → pārstrādāt

  1. 1. kārta — MI izmantošana atbalsta uzdevumiem
    • Rakstīt: Patstāvīgi izpildiet īsu programmēšanas uzdevumu.
    • Jautāt: Lūdziet MI atbalstu ar kodu saistītam uzdevumam, kas nav programmēšana, piemēram:
      • atkāpju uzlabošanai,
      • komentāru ģenerēšanai,
      • kļūdas paziņojuma skaidrošanai,
      • funkcijas darbības aprakstīšanai.
    • Izvērtēt: Vai MI skaidrojums precīzi apraksta kodu? Vai ģenerētie komentāri ir noderīgi un saprotami?
    • Pārstrādāt: Iekļaujiet noderīgās izmaiņas, nodrošinot, ka programmas loģika pilnībā paliek jūsu pašu darbs.
  2. 2. kārta — Uzlabojumu ieteikumu pieprasīšana
    • Rakstīt: Pārskatiet savu pabeigto programmu un nosakiet sadaļas, kuras varētu uzlabot.
    • Jautāt: Lūdziet uzlabojumu ieteikumus, neļaujot MI pārrakstīt kodu. Piemēram:

"Iesaki trīs veidus, kā uzlabot šīs programmas lasāmību un uzturamību, bet nesniedz aizstājošu kodu."

    • Izvērtēt: Kuri ieteikumi šķiet vērtīgi? Kuriem ieteikumiem būtu maza ietekme uz programmu?
    • Pārstrādāt: Ieviesiet uzlabojumus, kuriem piekrītat, un pārbaudiet, vai programma joprojām darbojas pareizi.
  1. 3. kārta — Optimizācijas ieteikumu kritiska izvērtēšana
    • Rakstīt: Izvēlieties sava koda daļu, kas veic atkārtotu uzdevumu vai izmanto ciklus.
    • Jautāt: Lūdziet optimizācijas ieteikumus un pieprasiet, lai MI pamato savus ieteikumus.

Uzvednes piemērs:

"Paskaidro, kā šo kodu varētu optimizēt un kāpēc katra ierosinātā optimizācija uzlabotu veiktspēju vai lasāmību. Nesniedz optimizēto kodu."

Refleksijas jautājumi:

Noslēguma jautājums (refleksijas fāzei):

Cik daudz programmēšanas zināšanu ir nepieciešams, lai noteiktu, vai MI ieteikums patiešām uzlabo programmu, un kādi riski rodas, ja lietotāji paļaujas uz MI ģenerētiem ieteikumiem, paši nesaprotot kodu?

Materiāli

2. Labā prakse un klases piemēri

2.10 Māksla: stila pirkstu nospiedumi

Kura ota, kura balss? Mākslinieku raksturīgo iezīmju atpazīšana ar MI

Priekšmets: Vizuālā māksla un literatūra  ·  Klase: 9. (14–15 gadi)  ·  Ilgums: 1 dubultstunda  ·  MI: Mācīšanās AR MI

Ar MI saistītās kompetences (DUAL.AI.TEACHer ietvars) – skolotāja līmenis Priekšmetam specifiski mācīšanās mērķi – skolēna/apguvēja līmenis

AF-TL-2b

(MI pamati un pielietojumi × Mācīšana un mācīšanās, 2. līmenis – Refleksīva ieviešana):

"Skolotāji var organizēt nodarbības elementus, kas ietver MI izmantošanu ar skaidrām pedagoģiskām lomām un stratēģijām rezultāta elementu pārbaudei."

AF-FC-2b

(MI pamati un pielietojumi × Apguvēju (MI) digitālās kompetences veicināšana, 2. līmenis – Refleksīva ieviešana):

"Skolotāji var īstenot norādes, kas palīdz apguvējiem attīstīt praktiskas MI izmantošanas

3prasmes, pielāgojot uzdevumus apguvēju iepriekšējām zināšanām un pieejamajiem MI rīkiem."

Stundas beigās dalībnieki spēj:

  • atpazīt novērojamas stilistiskās iezīmes gleznās un dzejoļos (piemēram, krāsu, otas triepienus, kompozīciju; vārdu izvēli, tēlainību, ritmu);
  • nošķirt novērotu iezīmi, atkārtotu stilistisku likumsakarību un spekulatīvu attiecināšanu;
  • izskaidrot konkrētu mākslinieku vai dzejnieku stila raksturīgos elementus;
  • apvienot vairāku darbu pierādījumus, lai izveidotu autora "stila profilu";
  • formulēt uzvednes, kas liek MI pamatot stilistisko analīzi ar atsaucēm uz konkrētiem darbiem;
  • analizēt MI ģenerētus stila aprakstus, lai izprastu pārmērīgas vispārināšanas un kļūdainas attiecināšanas risku.

Galvenā atziņa: Atpazīt "stilu" nav tas pats, kas to saprast. MI var konstatēt virspusējas likumsakarības daudzos darbos, taču, lai atšķirtu patiesu stilistisku rokrakstu no nejaušas iezīmes vai izdomātas interpretācijas, joprojām ir nepieciešams cilvēka spriedums, kas balstīts reālos darbos.

Saturs

Mākslas vēsturniekiem un literatūrzinātniekiem reti ir tieša piekļuve mākslinieka nodomiem. Tā vietā viņi rekonstruē mākslinieka "stilu", salīdzinot daudzus darbus: otas triepienus, krāsu un kompozīciju glezniecībā vai vārdu izvēli, tēlainību un ritmu dzejā. Viena glezna vai dzejolis var liecināt par kādu elementu, kam tiek dota priekšroka, taču tikai likumsakarība, kas atkārtojas vairākos darbos, pārvērš šo elementu par patiesi raksturīgu iezīmi.

Vinsents van Gogs ir noderīgs gadījuma piemērs. Aptuveni desmit gadu intensīva darba laikā viņš izveidoja uzreiz atpazīstamas raksturīgas iezīmes: biezu impasto, īsus virzītus otas triepienus un drosmīgus, bieži papildkrāsu kontrastus. Tā kā šīs iezīmes atkārtojas simtiem gleznās, pētnieki var tās raksturot kā patiesu stilistisku rokrakstu, nevis vienreizēju izvēli.

MI attēlu rīki tagad dažu sekunžu laikā var ģenerēt pārliecinošus attēlus "Van Goga stilā". Šie attēli bieži atveido atpazīstamas virspusējas pazīmes — virpuļojošus otas triepienus, dzelteni zilu paleti, taču tie var arī pārspīlēt vai izdomāt detaļas, kas nekad nav bijušas raksturīgas viņa faktiskajai daiļradei, vai ieviest iezīmes, kas pilnībā aizgūtas no citiem māksliniekiem.

Tāda pati problēma parādās ar tekstu. MI rakstīšanas rīki var atdarināt tādu dzejnieci kā Emilija Dikinsone, atveidojot virspusējas pazīmes — domuzīmes, nepilnās atskaņas, īsas rindas —, ne vienmēr aptverot tās tematiskās un strukturālās īpašības, kuras pētnieki uzskata par patiesi raksturīgām viņas daiļradei.

Tāpēc skolēniem jāprot nošķirt trīs noteiktības līmeņus:

Iezīme – tas, kas ir tieši novērojams vienā konkrētā darbā.

Likumsakarība – iezīme, kas atkārtojas vairākos apstiprinātos darbos un ko pamatoti var saukt par raksturīgu.

Attiecināšana – apgalvojums par nozīmi, ietekmi vai autorību, kas pārsniedz to, ko paši darbi spēj apstiprināt.

Stundas plāns

Fāze Laiks Darbība

Ievads

10 min

Parādiet divus MI ģenerētus attēlus "Van Goga stilā" — vienu, kas ir tuvāks viņa patiesajai tehnikai, un otru – pārspīlētu. Skolēni min, kurš ir precīzāks, un pārrunā, kāpēc.

Ievade

10 min

Iepazīstiniet ar shēmu Iezīme – Likumsakarība – Attiecināšana un vingriniet to nošķiršanu, izmantojot īstas gleznas detaļu.

Izpēte

15 min

Skolēni bez MI izpēta 3–4 autentiskus viena mākslinieka/dzejnieka darbus un pieraksta, kuras iezīmes patiešām atkārtojas.

Pielāgošana 1

20 min

MI uzraksta stila aprakstu, balstoties uz vienu darbu vai ierobežotu uzvedni. Skolēni nosaka, kur tas izdomā nepamatotas raksturīgās iezīmes.

Pielāgošana 2

20 min

Tiek pievienoti vairāk darbu un stingrāka uzvedne ar atsaucēm uz avotiem. Skolēni salīdzina abus stila aprakstus.

Refleksija

25 min

Skolēni pārnes to pašu kritiskās domāšanas ietvaru uz strīdīgu mākslas darba autentiskuma vai autorības noteikšanas gadījumu.

Vadošie jautājumi: no MI rezultāta līdz klasē izmantojamai aktivitātei

3–4 viena un tā paša mākslinieka/dzejnieka darbi, piemēram:

A) Divas vai trīs gleznu reprodukcijas no viena un tā paša mākslinieka daiļrades perioda.

B) Tuvplāna/detaļu attēli, kuros redzami otas triepieni vai rokraksts.

C) Īsas piezīmes par tehniku vai biogrāfiju no muzeja vai literāra avota.

D) Salīdzinājumam – kontrastējošs cita mākslinieka vai dzejnieka darbs.

Skolēni katram darbam aizpilda darba lapu, atbildot uz jautājumiem: Kādas iezīmes mēs novērojam? Kādas likumsakarības atkārtojas darbos? Kas joprojām ir tikai mūsu interpretācija?

Skolēnu izmantotā uzvedne: Balstoties tikai uz šo vienu attēlu/dzejoli, apraksti mākslinieka raksturīgo stilu aptuveni 150 vārdos. Mini tikai tās iezīmes, kas darbā patiešām ir redzamas vai klātesošas.

Skolēni anotē MI atbildi:

Uzlabota uzvedne: Pārstrādā stila aprakstu, izmantojot avotus A–D. Pēc katra stilistiskā apgalvojuma norādi konkrēto darbu, kas to apstiprina, piemēram, [Darbs B]. Ja apgalvojums ir plašāka likumsakarība, kas secināta no vairākiem darbiem, raksti [Likumsakarība]. Izņem jebkuru apgalvojumu, ko nevar pamatot.

Salīdziniet:

1. versija → 2. versija

Atrodiet:

Parādiet īsu, klasei piemērotu strīdīga mākslas darba autentiskuma vai dzejoļa autorības noteikšanas gadījuma piemēru.

Diskusijas jautājums:

Noslēguma individuālā refleksija:

Skolēni pabeidz teikumus:

  1. Stilistiska iezīme kļūst par patiesu "raksturīgu iezīmi", kad…
  2. Pirms uzticēties MI sniegtajam mākslinieka stila aprakstam, man vajadzētu…
  3. MI var atdarināt stila virspusi, bet…

Materiāli

2. Labā prakse un klases piemēri

2.11 Inženierzinātnes: uzticies, bet pārbaudi elektrisko ķēdi

Vai tas tiešām darbojas? MI sniegto elektrisko ķēžu skaidrojumu salīdzinājums ar reāliem mērījumiem

Priekšmets: Fizika / tehnoloģijas (inženierzinātņu pamati)  ·  Klase: 8. (13–14 gadi)  ·  Ilgums: 1 dubultstunda  ·  MI: Mācīšanās AR MI

Ar MI saistītās kompetences (DUAL.AI.TEACHer ietvars) – skolotāja līmenis Priekšmetam specifiski mācīšanās mērķi – skolēna/apguvēja līmenis

AF-TL-2b

(MI pamati un pielietojumi × Mācīšana un mācīšanās, 2. līmenis – Refleksīva ieviešana):

"Skolotāji var organizēt nodarbības elementus, kas ietver MI izmantošanu ar skaidrām pedagoģiskām lomām un stratēģijām rezultāta elementu pārbaudei."

AF-FC-2b

(MI pamati un pielietojumi × Apguvēju (MI) digitālās kompetences veicināšana, 2. līmenis – Refleksīva ieviešana):

"Skolotāji var īstenot norādes, kas palīdz apguvējiem attīstīt praktiskas MI izmantošanas prasmes, pielāgojot uzdevumus apguvēju iepriekšējām zināšanām un pieejamajiem MI rīkiem."

Stundas beigās dalībnieki spēj:

  • pēc shēmas uz maketēšanas plates (breadboard) samontēt vienkāršu virknes vai paralēlo slēgumu;
  • ar multimetru izmērīt spriegumu, strāvas stiprumu un pretestību;
  • aprēķināt sagaidāmās vērtības, izmantojot Oma likumu, un salīdzināt tās ar reāliem mērījumiem;
  • nošķirt izmērītu vērtību, aprēķinātu/prognozētu vērtību un MI ģenerētu skaidrojumu;
  • atrast kļūdas MI ģenerētā ķēdes shēmā vai skaidrojumā, pārbaudot to ar reāliem mērījumiem;
  • formulēt uzvednes, kas liek MI parādīt aprēķina soļus, lai tos varētu pārbaudīt.

Galvenā atziņa: MI sniegts elektriskās ķēdes skaidrojums var izklausīties pilnīgi pārliecinoši un tomēr būt nepareizs. Vienīgais veids, kā uzzināt, vai ķēde patiešām darbojas tā, kā apgalvots, ir to izmērīt un pārbaudīt skaitļus, balstoties uz fizikas pamatprincipiem, — nevis uzticēties pārliecinoši skanošam tekstam.

Saturs

Inženieri un fiziķi nekad vienkārši neuzticas ķēdes shēmai vai rakstiskam skaidrojumam par to, kā ķēde darbojas. Tā vietā viņi to samontē, izmēra un aprēķina sagaidāmās vērtības, balstoties uz pamatprincipiem — Oma likumu un Kirhofa likumiem. Shēma uz papīra var izskatīties pilnīgi pareizi, taču tikai reāls mērījums apstiprina, vai strāva patiešām plūst tā, kā apgalvots.

Vienkāršs virknes slēgums — baterija, rezistors un gaismas diode (LED) — ir noderīgs gadījuma piemērs. Oma likums (U = I × R) precīzi prognozē, cik liela strāva plūdīs pie dotā sprieguma un pretestības. Tā kā komponentu reālā uzvedība var nedaudz atšķirties (pielaide, iekšējā pretestība, temperatūra), izmērītā strāva parasti ir tuva aprēķinātajai prognozei, taču ne vienmēr tai identiska, — un tā jau pati par sevi ir noderīga mācība par atšķirību starp modeli un realitāti.

MI rīki tagad dažu sekunžu laikā var ģenerēt ķēžu shēmas un ķēžu darbības skaidrojumus. Šie skaidrojumi bieži izklausās raiti un pārliecinoši un var pat ietvert pilnu aprēķinu pēc Oma likuma, — taču tajos var būt arī reālas kļūdas: nepareiza rezistora vērtība, pārrauta vai nepilnīga ķēde, komponents, kas pievienots ar nepareizu polaritāti, vai ticami skanošs, bet fizikāli neiespējams apgalvojums par strāvas plūsmu.

Tā ir labi dokumentēta vājā vieta: valodas modeļi nav kalkulatori, un tie var radīt tehniski skanošus skaidrojumus, kas neiztur pārbaudi, kad ķēde tiek reāli samontēta un pārbaudīta. Pārliecināts tonis nav pierādījums tam, ka tehnisks apgalvojums ir pareizs.

Tāpēc skolēniem jāprot nošķirt trīs noteiktības līmeņus:

Mērījums – vērtība, ko multimetrs faktiski uzrāda reālajā, samontētajā ķēdē.

Aprēķins – vērtība, kas prognozēta pēc Oma/Kirhofa likumiem, izmantojot zināmās komponentu vērtības.

Apgalvojums – tas, ko MI rīks apgalvo par ķēdes darbību; pirms tam var uzticēties, tas jāpārbauda, salīdzinot ar abiem iepriekšējiem.

Stundas plāns

Fāze Laiks Darbība

Ievads

10 min

Parādiet MI ģenerētu vienkāršas LED ķēdes skaidrojumu, kurā ir apslēpta kļūda (piemēram, nepareiza rezistora vērtība). Skolēni min, vai tas ir pareizs, un pamato, kāpēc.

Ievade

10 min

Iepazīstiniet ar shēmu Mērījums – Aprēķins – Apgalvojums un vingriniet Oma likumu ar vienkāršu atrisinātu piemēru.

Izpēte

15 min

Skolēni bez MI samontē vienkāršu virknes slēgumu uz maketēšanas plates un izmēra spriegumu, strāvas stiprumu un pretestību.

Pielāgošana 1

20 min

MI prognozē/izskaidro ķēdes darbību, balstoties tikai uz shēmu vai aprakstu. Skolēni salīdzina tā apgalvojumus ar saviem mērījumiem un aprēķiniem.

Pielāgošana 2

20 min

Skolēni sniedz MI precīzas komponentu vērtības un pieprasa soli pa solim veiktu aprēķinu pēc Oma likuma. Viņi salīdzina abas MI atbildes.

Refleksija

25 min

Skolēni pārnes to pašu pārbaudes paradumu uz citu jomu, piemēram, uz MI fitnesa vai veselības kalkulatoru.

Vadošie jautājumi: no MI rezultāta līdz klasē izmantojamai aktivitātei

Materiāli un soļi katrai grupai, piemēram:

A) Ķēdes shēma, kurā virknē slēgta baterija, viens rezistors un viena gaismas diode.

B) Maketēšanas plate, savienojuma vadi un norādītie komponenti.

C) Multimetrs un īsa uzziņu lapa par to, kā izmērīt spriegumu, strāvas stiprumu un pretestību.

D) Rezistoru krāsu koda tabula un LED tiešā sprieguma nominālvērtība.

Skolēni aizpilda darba lapu, atbildot uz jautājumiem: Ko mēs izmērām? Ko prognozē Oma likums? Kur abas vērtības atšķiras un par cik?

Skolēnu izmantotā uzvedne: Dota ķēde ar 9V bateriju, 470Ω rezistoru un sarkanu LED, kas slēgti virknē. Paskaidro, cik liela strāva plūdīs un kāpēc. Parādi savu spriešanas gaitu.

Skolēni anotē MI atbildi:

Uzlabota uzvedne: Aprēķini strāvu vēlreiz soli pa solim, izmantojot Oma likumu, parādot formulu un katru ievietoto vērtību. Norādi visus pieņēmumus, ko izdari par LED tiešā sprieguma kritumu, un atzīmē visu, kas būtu jāizmēra, lai to apstiprinātu.

Salīdziniet:

1. versija → 2. versija

Atrodiet:

Parādiet īsu, klasei piemērotu MI ģenerēta fitnesa, uztura vai veselības aprēķina piemēru (piemēram, "jūsu ieteicamais dienas kaloriju patēriņš ir…").

Diskusijas jautājums:

Noslēguma individuālā refleksija:

Skolēni pabeidz teikumus:

  1. Tehnisks apgalvojums kļūst uzticams, kad…
  2. Pirms uzticēties MI skaidrojumam par to, kā kaut kas darbojas, man vajadzētu…
  3. MI var izklausīties pārliecināts par kādu tehnisku procesu, bet…

Materiāli

3. MI pedagoģisko kompetenču ietvars

DUAL.AI.TEACHer Kompetenču ietvars ir rezultāts DigCompEdu, AI Pioneers un UNESCO Skolotāju MI kompetenču ietvara šķērsanalīzei. Tā vietā, lai no jauna veidotu struktūras, tika izvēlēti jau esošie ietvari, kas jau aptver papildinošas dimensijas skolotāju profesionālajām kompetencēm MI laikmetā.

3. MI pedagoģisko kompetenču ietvars

3.1 Dimensijas

DUAL.AI.TEACHer ietvars ir strukturēts kā visaptveroša divdimensiju matrica, kas ietver kopumā 18 pamatkompetences, no kurām katra rodas divu galveno dimensiju krustpunktā, ap kurām ietvars ir organizēts. Horizontālā dimensija definē galvenās jomas, kas raksturo mācīšanas un mācīšanās praksi, atspoguļojot ietvara pedagoģisko dimensiju. Vertikālā dimensija aptver MI galvenos aspektus, atspoguļojot tehnoloģiskos un ētiskos aspektus, kas saistīti ar tā integrāciju izglītības kontekstos.

Šī struktūra ļauj ietvaram sistemātiski saistīt pedagoģiskās kompetences ar MI saistītajām zināšanām un prasmēm, nodrošinot, ka katra identificētā kompetence atspoguļo gan izglītības mērķi, gan konkrētu MI izpratnes vai pielietojuma dimensiju.

DUAL.AI.TEACHer horizontālā dimensija

Ietvara horizontālā dimensija ir aizgūta no DigCompEdu ietvara, kas identificē galvenās jomas, kuras raksturo mācīšanas un mācīšanās praksi digitālajā vidē. Šīs jomas aptver skolotāju veiktās pedagoģiskās pamatdarbības — sākot no profesionālās iesaistes un digitālo resursu pārvaldības līdz mācīšanās pieredzes izstrādei un īstenošanai, vērtēšanas stratēģiju ieviešanai un izglītojamo aktīvas iesaistes un digitālo kompetenču veicināšanai.

Ņemot vērā AI Pioneers ietvaru, DUAL.AI.TEACHer ietvars pārņem šo dimensiju, lai balstītu ar MI saistītās kompetences plašākā pedagoģiskajā praksē, kas jau atzīta par būtisku efektīvai mācīšanai, saskaņojot tās ar šo praksi. Horizontālā dimensija ir sadalīta šādās sešās jomās:

DUAL.AI.TEACHer vertikālā dimensija

Ietvara vertikālā dimensija ir aizgūta no UNESCO MI kompetenču ietvara skolotājiem, kas sākotnēji identificē piecus galvenos MI kompetences aspektus, kuri ir būtiski mācīšanas praksei: uz cilvēku vērsta domāšana, MI ētika, MI pamati un pielietojumi, MI pedagoģija un MI profesionālajai pilnveidei.

DUAL.AI.TEACHer ietvara vajadzībām šie pieci aspekti ir samazināti līdz trim. Divas no sākotnējām jomām — MI pedagoģija un MI profesionālajai pilnveidei — tika izslēgtas, jo tās, lai gan nedaudz citā formā, bet jau ir iekļautas horizontālajā dimensijā. Turklāt vertikālās un horizontālās dimensijas krustpunkts radīja liekas kompetences. Tāpēc tika nolemts tās izslēgt no vertikālās ass, lai izvairītos no pārklāšanās un nodrošinātu konceptuālu konsekvenci visā matricā.

Vertikālā dimensija ir izklāstīta šādos trīs aspektos:

No trim saglabātajiem aspektiem divi tiek uzskatīti par MI caurviju aspektiem (uz cilvēku vērsta domāšana un MI ētika), jo tie neattiecas uz konkrētu priekšmeta jomu, bet drīzāk pārstāv caurviju dimensijas, kas ietekmē un caurstrāvo visu ar MI saistīto mācīšanas prakšu, vērtību un profesionālās rīcības spektru. Trešais aspekts (MI pamati un pielietojumi) tiek uzskatīts par saturiski specifisku MI aspektu, jo tas attiecas uz konceptuālajām zināšanām un specifiskajām tehniskajām prasmēm, kas skolotājiem jāapgūst, lai izprastu, izvēlētos un piemērotu MI rīkus savā mācīšanas praksē.

Latvian AI teacher competence matrix.png

1. att.: "DUAL.AI.TEACHer ietvara dimensijas" (MI ģenerēta diagramma, OpenAI Codex)

3. MI pedagoģisko kompetenču ietvars

3.2 DUAL.AI.TEACHer kompetenču ietvars

Matricas horizontālās un vertikālās dimensijas krustpunktā rodas astoņpadsmit kompetenču kopums, no kurām katra atspoguļo konkrētu pedagoģiskās jomas un MI aspekta saskares punktu. Šīs kompetences nosaka, kas pedagogiem ir jāzin, jāsaprot un jāspēj darīt, lai efektīvi un atbildīgi integrētu MI savā mācīšanas praksē, apvienojot pedagoģiskās kompetences ar vērtībām, ētisko izpratni un tehniskajām zināšanām, ko pieprasa MI balstīta izglītības vide.

DUAL.AI

Profesionālā iesaiste

Digitālie resursi

Mācīšana un mācīšanās

Vērtēšana

Izglītojamo pilnvarošana

Izglītojamo (MI) digitālās kompetences veicināšana

Uz cilvēku vērsta domāšana

Skolotāji spēj saglabāt uz cilvēku vērstu skatījumu, izmantojot MI profesionālajā saziņā, tīklošanā, kā arī institucionālajā un profesionālajā pilnveidē

Skolotāji spēj nodrošināt cilvēka uzraudzību un izglītojamo līdzdalību MI atbalstītos procesos, atlasot, veidojot un vērtējot digitālos resursus.

Skolotāji spēj saglabāt izglītojamo līdzdalību, cilvēku savstarpējās attiecības un skolotāja spriedumu MI atbalstītas mācīšanas un mācīšanās centrā.

Skolotāji spēj nodrošināt cilvēka atbildību un taisnīgumu MI atbalstītos vērtēšanas procesos

Skolotāji spēj izmantot MI, lai risinātu dažādas mācīšanās vajadzības un stilus, izvirzot cilvēka cieņu, taisnīgumu un tiesības uz izglītību par katras iekļaujošās prakses pamatu

Skolotāji spēj demonstrēt un veicināt uz cilvēku vērstu attieksmi pret MI kā daļu no skolēnu refleksīvās digitālās (MI) kompetences attīstības

MI ētika

Skolotāji spēj piemērot ētikas principus un normatīvo izpratni savā MI izmantošanā profesionālajā praksē un institucionālajā kontekstā

Skolotāji spēj identificēt un mazināt ētiskos riskus MI ģenerētos vai MI uzlabotos mācību resursos.

Skolotāji spēj integrēt ētisku spriešanu lēmumos par to, vai un kā izmantot MI mācīšanas stratēģijās un mācīšanās aktivitātēs

Skolotāji spēj nodrošināt, ka MI atbalstītas vērtēšanas prakses atbilst taisnīguma, pārredzamības un tiesiskās atbilstības standartiem, ļaujot viņiem izvērtēt atgriezenisko saiti un pilnveidot savu vērtēšanas praksi

Skolotāji spēj risināt MI personalizācijas ētiskos aspektus, tostarp nevienlīdzības, datu ļaunprātīgas izmantošanas un izslēgšanas riskus

Skolotāji spēj izglītot skolēnus atbildīgā, kritiskā un ētiski pamatotā MI tehnoloģiju izmantošanā

MI pamati un pielietojumi

Skolotāji spēj piemērot pamata MI zināšanas, lai pieņemtu pārdomātus profesionālus lēmumus, kritiski izvērtētu MI rīkus un vadītu ar MI saistītu profesionālo pilnveidi institucionālā kontekstā

Skolotāji spēj kritiski atlasīt un izmantot MI rīkus digitālo mācību resursu veidošanai, pielāgošanai un uzlabošanai, balstoties uz tehnisku izpratni par MI sistēmām

Skolotāji spēj pielietot izpratni par MI sistēmu darbību, lai pieņemtu pamatotus, kritiskus lēmumus par MI integrāciju mācīšanā un mācīšanās, pilnveidojot savu mācīšanas praksi un didaktiskās pieejas

Skolotāji spēj pielietot MI zināšanas, lai izstrādātu, īstenotu un izvērtētu efektīvas un taisnīgas MI uzlabotas vērtēšanas prakses, kā arī sistemātiski pilnveidotu savu vērtēšanas praksi

Skolotāji spēj izvēlēties pedagoģiskās stratēģijas un MI rīkus, kas atbalsta personalizāciju un iekļaušanu, balstoties uz pamatotu izpratni par to darbību

Skolotāji spēj veidot skolēnu izpratni par MI tehnoloģijām un to sociālo ietekmi kā daļu no MI kompetences attīstības

3. MI pedagoģisko kompetenču ietvars

3.3 Progresijas līmeņi un operatori

Kompetenču attīstības izsekojamības nodrošināšana

DUAL.AI.TEACHer ietvara 18 pamatkompetences ir samērā abstraktas un veido kompetenču jomas vispārējo struktūru. Lai atvieglotu pašnovērtējumu vai citu veiktu novērtējumu un ļautu izsekot individuālo kompetenču attīstību, katra no pamatkompetencēm ir operacionalizēta, izmantojot novērojamus mācīšanās mērķus, kas diferencēti trīs progresijas līmeņos.

Līmeņi balstās uz vienu no izglītībā visplašāk izmantotajiem modeļiem — pārskatīto Blūma taksonomiju (Anderson & Krathwohl, 2001; Krathwohl, 2002). Tās pamatideja ir vienkārša: kognitīvie procesi attīstās, pamatojoties uz atcerēšanos un izpratni, caur pielietošanu un analīzi, līdz izvērtēšanai un radīšanai. Tas, kas mainās no līmeņa uz līmeni, tātad nav saturs vai tēma, bet gan domāšanas un rīcības kognitīvais dziļums, ko pedagogs ar to spēj apliecināt.

Progresijas līmeņi un operatori

Šis kognitīvais dziļums atspoguļojas mācīšanās mērķu formulējumā. Katrs mērķis ir veidots ap darbības vārdu (operatoru), kas ņemts tieši no taksonomijas (piemēram, atpazīt, īstenot, kritiski izvērtēt). Operators norāda, kas no pedagoga tiek sagaidīts attiecīgajā līmenī, un padara mācīšanās mērķi konkrētu un novērojamu.

Līmenis

Praksē skolotāji spēj...

Kognitīvie procesi (operatori)

1. līmenis

Orientējoša izpratne

attīstīt sākotnēju profesionālo orientāciju, apgūstot, kas ir MI, ko tas spēj darīt un kas ir likts uz spēles. Viņi atpazīst un atceras galvenos MI jēdzienus un rīkus, sniedz piemērus, klasificē tos un saviem vārdiem apkopo galvenās iespējas un riskus.

Atcerēšanās (atpazīšana, atsaukšana atmiņā)

Pamata izpratne (interpretēšana, piemēru sniegšana, klasificēšana, apkopošana)

2. līmenis

Reflektīva īstenošana

pielietot un kritiski izvērtēt ar MI saistītu praksi savā mācīšanas darbā. Pedagogi mērķtiecīgi izmanto MI rīkus mācību stundās un vērtēšanā, skaidro un salīdzina dažādas pieejas un rezultātus, salīdzina MI ģenerētos rezultātus ar savu profesionālo spriedumu un analizē ieguvumus, ierobežojumus un pamatā esošos pieņēmumus.

Padziļināta izpratne
(skaidrošana, salīdzināšana)

Pielietošana
(izpildīšana, īstenošana)

Analīze
(diferencēšana, organizēšana, attiecināšana)

Izvērtēšana
(pārbaudīšana, kritiska izvērtēšana)

3. līmenis

Transformējoša līderība

atbildīgi izstrādāt un tālāk attīstīt ar MI saistītu izglītības praksi, uzņemoties līdera lomu ārpus savas klases. Pedagogi izvērtē MI praksi atbilstoši pedagoģiskiem un ētiskiem kritērijiem, rada jaunas MI uzlabotas pieejas un atbalsta kolēģus un savu iestādi atbildīgā MI izmantošanā.

Radīšana
(ģenerēšana, plānošana, veidošana)

Līmeņu iekšējā loģika

Līmeņi pakāpeniski balstās viens otrā. Katrs augstāks līmenis balstās uz zemāko līmeņu kognitīvajiem procesiem. Tomēr, sekojot Krathwohl (2002) pieejai, tā ir pieaugošas sarežģītības hierarhija, nevis stingri nodalītu posmu kopums. Blakusesošās kategorijas var pārklāties, un robežas starp līmeņiem drīzāk ir mainīgas, nevis stingri noteiktas.

Kamēr 1. līmenis nodrošina nepieciešamo pamatu un 3. līmenis pārstāv paplašinātu lomu inovācijā un profesionālajā līderībā, 2. līmenis veido pedagogiem galveno mērķa dimensiju. Visiem pedagogiem jāspēj mērķtiecīgi integrēt MI savā praksē, izvērtēt tā rezultātus, izmantojot savu profesionālo spriedumu, un kritiski pārdomāt tā pedagoģiskos ieguvumus, ierobežojumus un pamatā esošos pieņēmumus. Tādēļ 2. līmenis raksturo kompetences līmeni, kas nepieciešams pārdomātai, atbildīgai un reflektīvai mācīšanas praksei MI ietekmētā izglītības vidē.

3. MI pedagoģisko kompetenču ietvars

3.4 DUAL.AI.TEACHer mācīšanās mērķi

Katrai no astoņpadsmit identificētajām kompetencēm ir definēts trīs konkrētu mācīšanās mērķu kopums (a–c), lai kompetenci pārvērstu konkrētos un praktiskos rezultātos. Šie mācīšanās mērķi precizē zināšanas, prasmes un attieksmes, kas skolotājiem jāattīsta, lai sasniegtu atbilstošo kompetenci, sniedzot detalizētāku un praktiskāku aprakstu par to, ko nozīmē šīs kompetences apguve praksē. Latvian AI Ethics Teaching Competency Card.png

1. att.: "Mācīšanās mērķu pārskats" (MI ģenerēta diagramma, OpenAI Codex)

Sadalot katru kompetenci skaidri definētos mācīšanās mērķos dažādos līmeņos, DUAL.AI.TEACHer ietvars atvieglo tā praktisko pielietojumu profesionālajā pilnveidē, apmācību izstrādē un pašnovērtējumā, piedāvājot pedagogiem konkrētu ceļvedi savu ar MI saistīto kompetenču pakāpeniskai veidošanai un demonstrēšanai.

1. līmenis – Orientējoša izpratne

1. LĪMENIS

Profesionālā iesaiste

Digitālie resursi

Mācīšana un mācīšanās

Vērtēšana

Izglītojamo pilnvarošana

Izglītojamo (MI) digitālās kompetences veicināšana

Uz cilvēku vērsta domāšana

HM-PE-1a

Skolotāji spēj atpazīt tipiskus MI izmantošanas gadījumus profesionālajā saziņā un tīklošanā, kā arī situācijas, kurās priekšroka jādod cilvēka spriedumam, klātbūtnei vai attiecību veidošanai.

HM-PE-1b

Skolotāji spēj apzināties savas ar MI saistītās mācīšanās vajadzības un rīkus, kas atbalsta viņu nepārtrauktu profesionālo pilnveidi.

HM-PE-1c

Skolotāji spēj apkopot, kā viņu iestādē tiek izmantots MI ieinteresēto pušu iesaistei un organizācijas attīstībai, tostarp iespējas un riskus, ko tas rada cilvēka rīcībspējai, iekļaušanai un izglītības vērtībām.

HM-DR-1a

Skolotāji spēj apkopot, kā MI rīki var atbalstīt digitālo resursu atlasi, izveidi, pielāgošanu un pārvaldību, tostarp to, kuros posmos nepieciešama cilvēka uzraudzība un pedagoģisks spriedums.

HM-DR-1b

Skolotāji spēj atpazīt tipiskus kvalitātes kritērijus MI ģenerētiem vai MI uzlabotiem mācību materiāliem, tostarp pazīmes, kas norāda, ka resursam nepieciešama cilvēka pārbaude.

HM-DR-1c

Skolotāji spēj interpretēt, kā MI ģenerēti vai MI personalizēti resursi var saglabāt vai mazināt izglītojamo rīcībspēju un autonomiju, tostarp to, kad izglītojamie būtu jāiesaista lēmumos par resursu izmantošanu.

HM-TL-1a

Skolotāji spēj atpazīt starp dažādiem MI izmantošanas veidiem mācību procesā, kuri pedagoģiskie lēmumi jāpatur cilvēka ziņā.

HM-TL-1b

Skolotāji spēj atpazīt situācijas MI atbalstītās mācību stundās, kurās var tikt stiprināta vai mazināta izglītojamo rīcībspēja, cilvēku mijiedarbība vai skolotāja un izglītojamā attiecības, kā arī jēgpilnas pedagoģiskas MI izmantošanas pazīmes.

HM-TL-1c

Skolotāji spēj klasificēt MI izmantošanu mācīšanā kā tādu, kas atbalsta pedagoģisko lēmumu pieņemšanu vai to aizstāj, un izprast šā fakta ietekmi uz atbildību un mācīšanās kvalitāti.

HM-A-1a

Skolotāji spēj atpazīt starp MI izmantošanas veidiem vērtēšanā, kuriem vērtēšanas lēmumiem jāpaliek cilvēka atbildībā.

HM-A-1b

Skolotāji spēj atpazīt tipiskus MI atbalstītas vērtēšanas riskus taisnīgumam, pārredzamībai un izglītojamo labbūtībai, tostarp pazīmes, kas liecina, ka nepieciešama cilvēka veikta MI ģenerēto rezultātu pārbaude.

HM-A-1c

Skolotāji spēj klasificēt MI izmantošanu vērtēšanā kā skolotāja sprieduma atbalstu vai tā aizstājēju, un izprast šā fakta ietekmi uz atbildību un izglītojamo uzticēšanos.

HM-EL-1a

Skolotāji spēj atpazīt veidus, kā MI rīki var atbalstīt dažādus izglītojamos, un to, kuras izglītojamo vajadzības tie var un nevar apmierināt.

HM-EL-1b

Skolotāji spēj atcerēties tipiskus MI atbalstītas diferenciācijas riskus iekļaušanai un vienlīdzībai, tostarp pazīmes, kas liecina, ka MI rīks drīzāk ierobežo, nevis paplašina izglītojamā iespējas.

HM-EL-1c

Skolotāji spēj interpretēt, kā cilvēka cieņa, vienlīdzība un tiesības uz izglītību attiecas uz MI izmantošanu iekļaujošās klasēs, tostarp to, kad izglītojamo rīcībspējai un piederības sajūtai jādod priekšroka salīdzinājumā ar efektivitāti vai standartizāciju.

HM-FC-1a

Skolotāji spēj apzināties, ko nozīmē izglītojamo priekšā demonstrēt uz cilvēku vērstu, kritiski pamatotu attieksmi pret MI, tostarp to, kā viņu pašu prakse un izteikumi pauž nostāju par MI.

HM-FC-1b

Skolotāji spēj klasificēt attieksmes, kas atbalsta izglītojamo refleksīvo MI kompetenci, un klases situācijas, kurās šīs attieksmes var tikt veicinātas.

HM-FC-1c

Skolotāji spēj apzināties atšķirību savā mācīšanā par MI starp zināšanu nodošanu un uz cilvēku vērstu attieksmju veicināšanu, un izprast šā fakta ietekmi uz savu skolotāja lomu.

MI ētika

EI-PE-1a

Skolotāji spēj atcerēties galvenos ētikas principus, kas attiecas uz viņu pašu profesionālo MI izmantošanu, kā arī izprast katra principa nozīmi profesionālā kontekstā.

EI-PE-1b

Skolotāji spēj atpazīt tiesisko un normatīvo regulējumu, kas nosaka MI izmantošanu profesionālajā saziņā, sadarbībā un pilnveidē.

EI-PE-1c

Skolotāji spēj atpazīt savā profesionālajā praksē situācijas, kurās ir apdraudēts kāds ētikas princips vai normatīva prasība.

EI-DR-1a

Skolotāji spēj atcerēties tipiskus ētiskos riskus MI ģenerētos vai MI uzlabotos mācību resursos, kā arī to ietekmi uz izglītojamajiem.

EI-DR-1b

Skolotāji spēj atpazīt tiesisko un normatīvo regulējumu, kas attiecas uz MI ģenerētiem resursiem, un to, kad tas ir piemērojams.

EI-DR-1c

Skolotāji spēj klasificēt ētisko risku avotus, kas konkrētā mācību resursā rodas no aizspriedumiem, neprecizitātes vai neatbilstošas MI autorības.

EI-TL-1a

Skolotāji spēj atcerēties ētikas principus, kas attiecas uz MI izmantošanu mācīšanā un mācīšanās procesā, tostarp to ietekmi uz didaktiskajām izvēlēm.

EI-TL-1b

Skolotāji spēj atpazīt klasēm raksturīgus ar MI saistītus ētikas jautājumus un to, kad tie rodas mācīšanas situācijā.

EI-TL-1c

Skolotāji spēj apkopot ētiskas spriešanas procesa soļus, lemjot, vai un kā izmantot MI mācību stundā (principiāli lēmumi salīdzinājumā ar nekritisku pieņemšanu vai automātisku noraidīšanu).

EI-A-1a

Skolotāji spēj atcerēties galvenos taisnīguma riskus MI atbalstītā vērtēšanā un to, kā katrs no tiem var ietekmēt izglītojamos.

EI-A-1b

Skolotāji spēj atpazīt pārredzamības pienākumus MI atbalstītā vērtēšanā, piemēram, MI iesaistes atklāšanu, rezultātu skaidrojumu un izglītojamo iespēju apstrīdēt lēmumus vai pieprasīt to cilvēka veiktu pārskatīšanu.

EI-A-1c

Skolotāji spēj interpretēt, kāpēc izglītības vērtēšana tiek uzskatīta par augsta riska jomu saskaņā ar tiesisko un normatīvo regulējumu, kas attiecas uz MI izmantošanu vērtēšanā.

EI-EL-1a

Skolotāji spēj atcerēties galvenos ētiskos riskus, kas saistīti ar MI balstītu personalizāciju, un to, kā katrs no tiem var ietekmēt izglītojamos.

EI-EL-1b

Skolotāji spēj klasificēt izglītojamo datu veidus, ko izmanto MI personalizācijai, un to, cik sensitīvi tie ir.

EI-EL-1c

Skolotāji spēj interpretēt, kāpēc personalizēts izglītības MI tiek uzskatīts par augsta riska jomu saskaņā ar tiesisko un tiesībās balstīto regulējumu.

EI-FC-1a

Skolotāji spēj atcerēties galvenos ar MI saistītos ētikas jautājumus, kas ir aktuāli skolēniem, tostarp ietekmi uz vidi un privātumu.

EI-FC-1b

Skolotāji spēj klasificēt, kuri ētikas jautājumi atbilst kuram izglītības posmam, ņemot vērā vecumam un kontekstam atbilstošu pieeju.

EI-FC-1c

Skolotāji spēj interpretēt izglītojamo ētiski problemātisku MI izmantošanu un izskaidrot, kāpēc katrs gadījums ir ētikas jautājums, nevis tikai noteikumu pārkāpums.

MI pamati un pielietojumi

AF-PE-1a

Skolotāji spēj apkopot pamatjēdzienus par to, kā darbojas mūsdienu MI sistēmas, un to, kādi izplatīti MI rīki tiek izmantoti profesionālajā izglītības praksē.

AF-PE-1b

Skolotāji spēj ar piemēriem ilustrēt būtiskus kritērijus MI rīka novērtēšanai konkrētam profesionālam uzdevumam.

AF-PE-1c

Skolotāji spēj interpretēt, kāpēc MI rīka ierobežojumi padara to par nepiemērotu izvēli tipiskās situācijās viņu profesionālajā darbā.

AF-DR-1a

Skolotāji spēj apkopot pamatjēdzienus par to, kā darbojas galvenie resursu izveidei izmantoto MI rīku veidi, sniedzot atbilstošus piemērus.

AF-DR-1b

Skolotāji spēj klasificēt izvēlētā rīka veida rezultāta uzticamību attiecīgajiem uzdevumiem, tostarp novēršamas kļūdas.

AF-DR-1c

Skolotāji spēj atcerēties tehniskos kritērijus MI resursu rīka izvēlei un izprast, ko katrs no tiem nozīmē.

AF-TL-1a

Skolotāji spēj apkopot pamatjēdzienus par to, kā darbojas galvenie mācīšanā izmantoto MI sistēmu veidi, sniedzot atbilstošus piemērus.

AF-TL-1b

Skolotāji spēj klasificēt izvēlētā rīka veida rezultāta uzticamību savas klases kontekstā, tostarp novēršamas kļūdas.

AF-TL-1c

Skolotāji spēj interpretēt, kā tehniska izpratne palīdz pieņemt reālistiskus lēmumus par to, vai, kad un kā integrēt MI mācību stundā.

AF-A-1a

Skolotāji spēj apkopot pamatjēdzienus par to, kā darbojas galvenie vērtēšanā izmantoto MI sistēmu veidi, sniedzot katram tipiskus piemērus.

AF-A-1b

Skolotāji spēj klasificēt, ko katrs vērtēšanas rīka veids faktiski mēra, ko tas nespēj izmērīt, un kurās situācijās tas parasti nedarbojas pareizi.

AF-A-1c

Skolotāji spēj ar piemēriem ilustrēt, kāpēc konkrēti tehniski jautājumi par MI vērtēšanas rīku ir vērts uzdot.

AF-EL-1a

Skolotāji spēj apkopot pamatjēdzienus par to, kā darbojas galvenie personalizācijai un iekļaušanai izmantotā MI veidi, tostarp tipiskus piemērus.

AF-EL-1b

Skolotāji spēj klasificēt, ko katrs rīka veids spēj un nespēj uzticami paveikt, kā arī jomas, kurās tā veiktspēja var pasliktināties konkrētām izglītojamo grupām.

AF-EL-1c

Skolotāji spēj klasificēt, ko MI rīks apgalvo mērām vai dara, salīdzinājumā ar to, ko tas faktiski mēra vai dara, tostarp izprast, kāpēc šī atšķirība ir svarīga iekļaušanai.

AF-FC-1a

Skolotāji spēj apkopot MI pamatjēdzienus, kas izglītojamajiem būtu jāizprot, tostarp vecumam atbilstošus piemērus.

AF-FC-1b

Skolotāji spēj apzināties pašreizējo MI sistēmu tehniskos ierobežojumus, kas izglītojamajiem jāizprot.

AF-FC-1c

Skolotāji spēj interpretēt praktiskās MI prasmes, kas izglītojamajiem būtu jāattīsta, un to, kā katras prasmes apguve izpaužas noteiktā izglītības posmā.

2. līmenis – Reflektīva īstenošana

2. LĪMENIS

Profesionālā iesaiste

Digitālie resursi

Mācīšana un mācīšanās

Vērtēšana

Izglītojamo pilnvarošana

Izglītojamo (MI) digitālās kompetences veicināšana

Uz cilvēku vērsta domāšana

HM-PE-2a

Skolotāji spēj konkrētās, ar MI starpniecību notiekošās saziņas un tīklošanās situācijās savā praksē nošķirt, kad izmantot, pielāgot vai atturēties no MI izmantošanas, balstoties uz uz cilvēku vērstiem kritērijiem.

HM-PE-2b

Skolotāji spēj izveidot personisku, MI atbalstītu profesionālās pilnveides plānu, kas integrē MI rīkus viņu mācīšanās ikdienā, vienlaikus saglabājot viņu izaugsmi, autonomiju un sadarbību ar kolēģiem.

HM-PE-2c

Skolotāji spēj izskaidrot uz cilvēku vērstus principus institucionālās diskusijās vai darba grupās par MI, ierosinot izmaiņas ar MI saistītās procedūrās, politikās vai saziņas praksē.

HM-DR-2a

Skolotāji spēj savā mācīšanas kontekstā pielietot MI ģenerētus vai MI uzlabotus resursus, ievērojot pedagoģiskus un uz cilvēku vērstus kritērijus.

HM-DR-2b

Skolotāji spēj salīdzināt MI balstītus rīkus digitālo resursu izveidei un atlasei, lai izvēlētos konkrētam mācību mērķim vislabāk piemēroto.

HM-DR-2c

Skolotāji spēj pielietot veidus, kā iesaistīt izglītojamos MI uzlabotu resursu vērtēšanā un izmantošanā, kas stiprina izglītojamo rīcībspēju un pedagoģisko kvalitāti.

HM-TL-2a

Skolotāji spēj īstenot MI atbalstītas mācību stundas, kurās viņu pašu pedagoģiskais spriedums nosaka, kad, kā un kāpēc tiek izmantots MI, saglabājot izglītojamo rīcībspēju un cilvēku mijiedarbību.

HM-TL-2b

Skolotāji spēj izskaidrot MI izmantošanas ietekmi uz mijiedarbību klasē, dalību un mācīšanās procesiem, ar didaktiskām stratēģijām saglabājot jēgpilnu skolotāja un izglītojamā mijiedarbību un vienaudžu attiecības.

HM-TL-2c

Skolotāji spēj pielietot veidus, kā ietekmēt MI izmantošanu mācību stundās, un izprast, kā tas stiprina izglītojamo rīcībspēju un pedagoģisko kvalitāti.

HM-A-2a

Skolotāji spēj savā praksē pielietot MI atbalstītus vērtēšanas rīkus, galīgo vērtējuma lēmumu balstot uz kritisku rīku rezultātu izvērtējumu, kā arī uz pedagoģiskiem un uz cilvēku vērstiem kritērijiem.

HM-A-2b

Skolotāji spēj pārbaudīt, vai MI ģenerētie vērtējumi, analītika vai atgriezeniskā saite ir taisnīgi, precīzi un atbilst mācīšanās mērķiem, pielāgojot vērtēšanas praksi, lai saglabātu vienlīdzību un jēgpilnu atbalstu izglītojamajiem.

HM-A-2c

Skolotāji spēj izglītojamajiem un citām ieinteresētajām pusēm izskaidrot, kā vērtēšanas procesā tika izmantots MI un kāda loma cilvēka spriedumam bija gala rezultātā, tā, lai saglabātu uzticēšanos un izglītojamo rīcībspēju.

HM-EL-2a

Skolotāji spēj pielietot MI rīkus, lai atbalstītu izglītojamos ar dažādām spējām, izcelsmi un vēlmēm, izvēles balstot uz vienlīdzību, cieņu un iekļaujošu pedagoģiju.

HM-EL-2b

Skolotāji spēj izskaidrot, kā MI atbalstīta diferenciācija viņu praksē ietekmē izglītojamo dalību, autonomiju un piederības sajūtu, saglabājot iekļaušanu un jēgpilnu mācīšanos katram skolēnam.

HM-EL-2c

Skolotāji spēj pielietot veidus, kā iesaistīt izglītojamos un, kur atbilstoši, ģimenes vai atbalsta personālu lēmumos par MI atbalstītu personalizāciju, stiprinot izglītojamo rīcībspēju, uzticēšanos un izglītības vienlīdzību.

HM-FC-2a

Skolotāji spēj savā redzamajā praksē īstenot uz cilvēku vērstu MI praksi, izvēles balstot uz izglītības un pilsoniskuma mērķiem.

HM-FC-2b

Skolotāji spēj veidot mācīšanās situācijas, kas aicina izglītojamos pārdomāt savu attieksmi, rīcībspēju un atbildību saistībā ar MI, vienlaikus stiprinot viņu kritisko iesaisti.

HM-FC-2c

Skolotāji spēj organizēt dialogus ar izglītojamajiem par MI lomu viņu dzīvē, skolā un sabiedrībā, kas veicina apzinātu rīcībspēju un atbildīgu līdzdalību ar MI caurstrāvotā pasaulē.

MI ētika

EI-PE-2a

Skolotāji spēj piemērot ētikas principus un normatīvās prasības konkrētiem lēmumiem par savu profesionālo MI izmantošanu, tos pamatojot ar integritāti, pārredzamību, atbildību un ilgtspēju.

EI-PE-2b

Skolotāji spēj izsecināt principiālus risinājumus ētikas dilemmām, kas rodas MI starpniecībā notiekošā profesionālajā darbībā.

EI-PE-2c

Skolotāji spēj izskaidrot institucionālās MI normas, ētiski pamatotu praksi un to, kā viņu pašu rīcība veicina uzticamu profesionālo kultūru.

EI-DR-2a

Skolotāji spēj, izmantojot strukturētus kritērijus, nošķirt, kādi ētiskie riski piemīt viņu praksē izmantotiem MI ģenerētiem vai MI uzlabotiem resursiem un cik nopietns ir katrs no tiem.

EI-DR-2b

Skolotāji spēj pielietot konkrētas stratēģijas, lai mazinātu no MI ģenerētiem resursiem izrietošos riskus.

EI-DR-2c

Skolotāji spēj pārredzami izskaidrot izglītojamajiem un kolēģiem par MI iesaisti un atlikušajiem riskiem resursā, tā, lai stiprinātu uzticēšanos un atbalstītu mācīšanos.

EI-TL-2a

Skolotāji spēj piemērot ētikas principus konkrētiem lēmumiem par MI izmantošanu savā mācīšanas darbā, tos pamatojot ar pedagoģisko ieguvumu un ētisko risku.

EI-TL-2b

Skolotāji spēj izsecināt principiālus, pamatojamus risinājumus ar MI saistītām ētikas dilemmām mācību procesā.

EI-TL-2c

Skolotāji spēj izglītojamajiem un kolēģiem izskaidrot ētisko pamatojumu savām ar MI saistītajām didaktiskajām izvēlēm, tā, lai veidotu klases kultūru un uzticēšanos.

EI-A-2a

Skolotāji spēj kritiski izvērtēt savā praksē izmantotos MI atbalstītos vērtēšanas rīkus un to rezultātus attiecībā uz taisnīguma, pārredzamības un tiesiskās atbilstības standartiem, attiecīgi pielāgojot savu praksi.

EI-A-2b

Skolotāji spēj savā vērtēšanas praksē pielietot pārredzamības principus, vienlaikus stiprinot uzticēšanos un izglītojamo izpratni.

EI-A-2c

Skolotāji spēj, balstoties uz MI atbalstītu atgriezenisko saiti, izsecināt nepieciešamās izmaiņas savā vērtēšanas praksē, lai nodrošinātu taisnīgumu.

EI-EL-2a

Skolotāji spēj savā kontekstā kritiski izvērtēt MI balstītas personalizācijas rīkus un praksi attiecībā uz datu ļaunprātīgas izmantošanas, diskriminācijas un mācību satura sašaurināšanas riskiem.

EI-EL-2b

Skolotāji spēj savā personalizācijas praksē pielietot konkrētus aizsardzības pasākumus, kas aizsargā izglītojamos.

EI-EL-2c

Skolotāji spēj pārredzami izskaidrot izglītojamajiem un ģimenēm, kā MI personalizē mācīšanos, kādi dati tiek izmantoti un kādas tiesības ir izglītojamajiem, tādējādi stiprinot uzticēšanos un vienlīdzību.

EI-FC-2a

Skolotāji spēj īstenot mācību aktivitātes, kas attīsta izglītojamo ētisko spriešanu par MI, pamatojot to ar metodiskajām izvēlēm.

EI-FC-2b

Skolotāji spēj, balstoties uz izglītojamo demonstrētās ētiskās spriešanas pieņēmumiem MI izmantošanā, izsecināt risinājumus, kas palīdz izglītojamajiem izsvērt pretrunīgas vērtības.

EI-FC-2c

Skolotāji spēj saskatīt un izsecināt mācīšanās iespējas izglītojamo ētiski apšaubāmā MI izmantošanā.

MI pamati un pielietojumi

AF-PE-2a

Skolotāji spēj, izmantojot pamata MI zināšanas, salīdzināt MI rīkus saviem profesionālajiem uzdevumiem un izvēlēties tos, ņemot vērā to tehniskās iespējas un ierobežojumus.

AF-PE-2b

Skolotāji spēj pielāgot savu MI rīku izmantošanu atbilstoši tam, kā faktiski darbojas pamatā esošā sistēma, un tādējādi uzlabot rezultātu kvalitāti.

AF-PE-2c

Skolotāji spēj kolēģiem saprotamā valodā izskaidrot tehniskus jēdzienus par MI rīkiem, veicinot pamatotu kolēģu dialogu par MI izmantošanu profesionālajā praksē.

AF-DR-2a

Skolotāji spēj salīdzināt MI rīkus konkrētiem resursu izveides uzdevumiem savā praksē, izvēloties tos, ņemot vērā to tehniskās iespējas un ierobežojumus.

AF-DR-2b

Skolotāji spēj pielietot uzdevumformulēšanas (prompting), iterācijas un pilnveidošanas stratēģijas, lai iegūtu izmantojamus MI ģenerētus resursus.

AF-DR-2c

Skolotāji spēj kolēģiem izskaidrot, kad rīks būtu jāaizstāj ar citu rīku, pieeju vai resursu, kas nav balstīts uz MI.

AF-TL-2a

Skolotāji spēj salīdzināt MI rīkus konkrētiem mācīšanas un mācīšanās mērķiem savā praksē, izvēloties tos, ņemot vērā to tehniskās iespējas un ierobežojumus.

AF-TL-2b

Skolotāji spēj veidot mācību stundas elementus, kas ietver MI izmantošanu ar skaidrām pedagoģiskām lomām un stratēģijām rezultātu pārbaudei.

AF-TL-2c

Skolotāji spēj pielāgot savas didaktiskā dizaina pieejas un MI rīku izmantošanu atbilstoši to tehniskajai veiktspējai.

AF-A-2a

Skolotāji spēj salīdzināt MI rīkus konkrētiem vērtēšanas uzdevumiem savā praksē, ņemot vērā rīka tehniskās iespējas, ierobežojumus un uzticamību.

AF-A-2b

Skolotāji spēj īstenot vērtēšanas darba plūsmas, kas apvieno MI rezultātus ar strukturētu cilvēka veiktu pārskatīšanu, atpazīstot, kad MI rezultāts ir pārāk neuzticams.

AF-A-2c

Skolotāji spēj pilnveidot savu MI vērtēšanas rīku izmantošanu atbilstoši to tehniskajai veiktspējai.

AF-EL-2a

Skolotāji spēj salīdzināt MI rīkus, ņemot vērā to tehniskās iespējas un veiktspēju attiecībā uz iesaistīto konkrēto izglītojamo personalizāciju, pieejamību un iekļaušanu.

AF-EL-2b

Skolotāji spēj īstenot pielāgotus MI rīku iestatījumus iekļaujošai izmantošanai, koncentrējoties uz izglītojamajiem, kuriem tas visvairāk nepieciešams.

AF-EL-2c

Skolotāji spēj savā praksē nošķirt, kā MI rīki faktiski darbojas dažādiem izglītojamajiem, mainot rīkus vai apvienojot MI ar alternatīvām, kas nav balstītas uz MI.

AF-FC-2a

Skolotāji spēj veidot mācību aktivitātes, kas attīsta izglītojamo konceptuālo izpratni par MI darbību.

AF-FC-2b

Skolotāji spēj sniegt norādījumus, kas palīdz izglītojamajiem attīstīt praktiskas MI prasmes, pielāgojot uzdevumus izglītojamo iepriekšējām zināšanām un pieejamajiem MI rīkiem.

AF-FC-2c

Skolotāji spēj no tehniskā skatpunkta izskaidrot MI ietekmi uz sabiedrību un veidus, kā izglītojamie var iesaistīties šajos jautājumos.

3. līmenis – Transformējoša līderība

3. LĪMENIS

Profesionālā iesaiste

Digitālie resursi

Mācīšana un mācīšanās

Vērtēšana

Izglītojamo pilnvarošana

Izglītojamo (MI) digitālās kompetences veicināšana

Uz cilvēku vērsta domāšana

HM-PE-3a

Skolotāji spēj plānot jaunu, uz cilvēku vērstu praksi ar MI starpniecību notiekošai profesionālajai saziņai un tīklošanai savā komandā vai iestādē, to demonstrējot un mentorējot kolēģus tās izmantošanā.

HM-PE-3b

Skolotāji spēj radīt inovatīvus MI atbalstītas profesionālās mācīšanās formātus, kas stiprina pašvirzītu mācīšanos un kolektīvu profesionālo izaugsmi plašākā izglītības kopienā.

HM-PE-3c

Skolotāji spēj plānot institucionālus pārmaiņu procesus, kas iekļauj uz cilvēku vērstu MI izmantošanu profesionālajā darbībā un ietekmē savas organizācijas kultūru.

HM-DR-3a

Skolotāji spēj plānot darba plūsmas MI atbalstītai digitālo resursu izveidei un kurēšanai, kas kā standarta praksi iekļauj cilvēka uzraudzību, izglītojamo viedokli un pedagoģisko atbildību, un dalīties ar tām ar kolēģiem.

HM-DR-3b

Skolotāji spēj izstrādāt kvalitātes kritērijus, pārskatīšanas protokolus vai vadlīniju dokumentus MI uzlabotiem resursiem un izplatīt tos savā komandā, skolā vai plašākā profesionālajā kopienā.

HM-DR-3c

Skolotāji spēj plānot sadarbības praksi, kas maina veidu, kā izglītības kopienā tiek radīti, koplietoti un pilnveidoti MI uzlaboti digitālie resursi.

HM-TL-3a

Skolotāji spēj radīt inovatīvas MI atbalstītas mācīšanas pieejas, kuru centrā tieši izvirzīta izglītojamo rīcībspēja, cilvēku savstarpējās attiecības un skolotāja spriedums, tās izmēģinot un dalot rezultātus ar kolēģiem.

HM-TL-3b

Skolotāji spēj izstrādāt pedagoģiskus principus un atbilstošus mācību stundu formātus vai klases protokolus uz cilvēku vērstai MI izmantošanai mācīšanā un mācīšanās procesā, un izplatīt tos savā komandā vai profesionālajā kopienā.

HM-TL-3c

Skolotāji spēj plānot kopīgu prakses attīstību, kas maina veidu, kā MI tiek izmantots mācīšanā un mācīšanās procesā viņu skolā vai plašākā izglītības kontekstā.

HM-A-3a

Skolotāji spēj plānot MI atbalstītu vērtēšanas praksi, kas tieši aizsargā cilvēka atbildību, taisnīgumu un pedagoģisko mērķi, un dalīties ar šiem risinājumiem ar kolēģiem.

HM-A-3b

Skolotāji spēj izstrādāt principus, pārskatīšanas protokolus vai vadlīnijas atbildīgai MI izmantošanai vērtēšanā savā komandā, skolā vai plašākā profesionālajā kopienā.

HM-A-3c

Skolotāji spēj plānot MI atbalstītas vērtēšanas prakses kopīgu attīstību, kas maina vērtēšanas norisi viņu izglītības kontekstā.

HM-EL-3a

Skolotāji spēj radīt iekļaujošas, MI atbalstītas mācību vides, kuru centrā tieši izvirzīta cieņa, vienlīdzība un rīcībspēja dažādām izglītojamo grupām, un dalīties ar šiem risinājumiem ar kolēģiem.

HM-EL-3b

Skolotāji spēj izstrādāt iekļaujošas prakses principus, pieejamības kontrolsarakstus vai diferenciācijas protokolus MI izmantošanai savā komandā, skolā vai plašākā profesionālajā kopienā.

HM-EL-3c

Skolotāji spēj plānot kopīgas iniciatīvas, kas maina veidu, kā MI tiek izmantots, lai viņu kontekstā veicinātu vienlīdzību un tiesības uz izglītību.

HM-FC-3a

Skolotāji spēj radīt klases pieejas, kas dažādos mācību priekšmetos vai klašu grupās tieši demonstrē un veicina uz cilvēku vērstu attieksmi pret MI, tās izmēģinot un daloties ar kolēģiem.

HM-FC-3b

Skolotāji spēj izstrādāt principus, klases rituālus vai pedagoģiskus formātus, kas izglītojamajos veicina kritisku MI pilsoniskumu, un izplatīt tos savā komandā vai profesionālajā kopienā.

HM-FC-3c

Skolotāji spēj plānot kopīgas iniciatīvas, kas maina veidu, kā viņu izglītības kontekstā tiek veicinātas izglītojamo uz cilvēku vērstas attieksmes pret MI.

MI ētika

EI-PE-3a

Skolotāji spēj izstrādāt ētikas vadlīnijas, lēmumu pieņemšanas palīglīdzekļus vai prakses kodeksus MI izmantošanai profesionālajā darbībā, un dalīties ar tiem savā komandā vai iestādē.

EI-PE-3b

Skolotāji spēj plānot institucionālus pārskatīšanas vai atbildības mehānismus, kas stiprina ētisko un normatīvo atbilstību profesionālajā MI izmantošanā.

EI-PE-3c

Skolotāji spēj plānot kopīgu ētikas normu un atbildīgas MI prakses attīstību savā izglītības organizācijā, veidojot kultūru, kurā MI izmantošana ir principiāla, pārredzama un atbildīga.

EI-DR-3a

Skolotāji spēj izstrādāt pārskatīšanas protokolus, risku kontrolsarakstus vai plānot risku mazināšanas darba plūsmas MI ģenerētiem mācību resursiem, un dalīties ar tiem ar kolēģiem.

EI-DR-3b

Skolotāji spēj plānot komandas vai nodaļas praksi, kas risku apzināšanu un mazināšanu padara par ikdienas resursu izstrādes un kurēšanas sastāvdaļu.

EI-DR-3c

Skolotāji spēj plānot kopīgas iniciatīvas, kas maina veidu, kā viņu izglītības kontekstā tiek risināti ētiskie riski MI ģenerētos resursos.

EI-TL-3a

Skolotāji spēj izstrādāt strukturētus ētisku lēmumu pieņemšanas palīglīdzekļus MI izmantošanai mācīšanā un mācīšanās procesā, un dalīties ar tiem ar kolēģiem.

EI-TL-3b

Skolotāji spēj plānot klases vai nodaļas praksi, kas ētisku spriešanu par MI padara par ikdienas mācību plānošanas sastāvdaļu, un izplatīt to savā profesionālajā kopienā.

EI-TL-3c

Skolotāji spēj plānot kopīgu darbu, kas maina veidu, kā ētiska spriešana tiek integrēta MI atbalstītā mācīšanā viņu izglītības kontekstā.

EI-A-3a

Skolotāji spēj izstrādāt taisnīguma, pārredzamības un atbilstības pārbaudes protokolus MI atbalstītai vērtēšanai savā kontekstā, un dalīties ar tiem ar kolēģiem.

EI-A-3b

Skolotāji spēj plānot strukturētas refleksijas rutīnas, kas vērtēšanas atgriezenisko saiti pārvērš sistemātiskā prakses pilnveidē.

EI-A-3c

Skolotāji spēj plānot kopīgas iniciatīvas, kas maina veidu, kā viņu izglītības kontekstā MI atbalstītā vērtēšanā tiek nodrošināts taisnīgums, pārredzamība un tiesiskā atbilstība.

EI-EL-3a

Skolotāji spēj izstrādāt ētiskas pārskatīšanas protokolus, datu kontrolsarakstus vai aizsardzības sistēmas MI balstītai personalizācijai savā kontekstā, un dalīties ar tiem ar kolēģiem.

EI-EL-3b

Skolotāji spēj plānot komandas vai skolas praksi, kas risku apzināšanu, datu minimizāciju un cilvēka veiktu pārskatīšanu padara par personalizētas MI izmantošanas ikdienas elementiem.

EI-EL-3c

Skolotāji spēj plānot kopīgas iniciatīvas, kas maina veidu, kā viņu izglītības kontekstā tiek risināti MI personalizācijas ētiskie riski.

EI-FC-3a

Skolotāji spēj plānot garākas mācīšanās sekvences, projektu formātus vai starppriekšmetu mācību vienības, kas sistemātiski attīsta izglītojamo ētisko spriešanu par MI un vides atbildību.

EI-FC-3b

Skolotāji spēj izstrādāt vecumam atbilstošas sistēmas, terminoloģiju vai rutīnas, kas veicina izglītojamo ētisku rīcībspēju attiecībā uz MI.

EI-FC-3c

Skolotāji spēj plānot kopīgas iniciatīvas, kas maina veidu, kā viņu izglītības kontekstā tiek attīstīta izglītojamo ētiskā rīcībspēja attiecībā uz MI.

MI pamati un pielietojumi

AF-PE-3a

Skolotāji spēj plānot izvērtēšanas procedūras, rīku izvēles sistēmas vai ievadmateriālus, kas palīdz kolēģiem piemērot pamata MI zināšanas profesionāliem lēmumiem, un dalīties ar tiem savā iestādē.

AF-PE-3b

Skolotāji spēj izstrādāt ar MI saistītus profesionālās mācīšanās formātus, kas veido MI pratību savā komandā vai skolā.

AF-PE-3c

Skolotāji spēj izstrādāt institucionālus MI kapacitātes stiprināšanas pasākumus, kas maina veidu, kā pamata MI zināšanas ietekmē praksi viņu izglītības kontekstā.

AF-DR-3a

Skolotāji spēj plānot tehniskas darba plūsmas vai vadlīniju dokumentus MI atbalstītai resursu izveidei, un dalīties ar tiem ar kolēģiem.

AF-DR-3b

Skolotāji spēj radīt jaunus MI resursu rīku pielietojumus, kas izmanto to faktiskās, nevis tikai novitātes radītās iespējas, tos izmēģinot un izplatot rezultātus savā profesionālajā kopienā.

AF-DR-3c

Skolotāji spēj plānot kapacitātes stiprināšanu par MI rīkiem resursu izstrādei, kas maina veidu, kā MI viņu kontekstā tiek izmantots izglītības resursiem.

AF-TL-3a

Skolotāji spēj izstrādāt tehniski pamatotus didaktiskus formātus vai mācību stundu paraugus MI integrētai mācīšanai, un dalīties ar tiem ar kolēģiem.

AF-TL-3b

Skolotāji spēj radīt jaunas MI atbalstītas mācīšanas pieejas, kas izmanto pašreizējo MI sistēmu faktiskās iespējas, tās izmēģinot un izplatot rezultātus savā profesionālajā kopienā.

AF-TL-3c

Skolotāji spēj plānot kapacitātes stiprināšanu par MI izmantošanu mācīšanā un mācīšanās procesā, kas maina veidu, kā pamata MI zināšanas ietekmē didaktisko dizainu viņu izglītības kontekstā.

AF-A-3a

Skolotāji spēj plānot tehniskus izvērtēšanas protokolus, rīku validācijas rutīnas vai darba plūsmas paraugus MI uzlabotai vērtēšanai savā kontekstā, un dalīties ar tiem ar kolēģiem.

AF-A-3b

Skolotāji spēj plānot sistemātisku praksi MI vērtēšanas rīku tehniskās veiktspējas uzraudzībai un pilnveidei, un izplatīt to savā komandā vai skolā.

AF-A-3c

Skolotāji spēj plānot kapacitātes stiprināšanu par MI izmantošanu vērtēšanā, kas maina veidu, kā pamata MI zināšanas ietekmē vērtēšanas praksi viņu izglītības kontekstā.

AF-EL-3a

Skolotāji spēj izstrādāt tehniskas vadlīnijas, rīku izvēles sistēmas vai konfigurācijas paraugus iekļaujošai MI izmantošanai savā kontekstā, un dalīties ar tiem ar kolēģiem.

AF-EL-3b

Skolotāji spēj radīt jaunus MI rīku pielietojumus personalizācijai un pieejamībai, kas balstīti reālistiskā izpratnē par to, ko pašreizējās sistēmas spēj un nespēj darīt, tos izmēģinot un izplatot rezultātus savā profesionālajā kopienā.

AF-EL-3c

Skolotāji spēj plānot kapacitātes stiprināšanu par MI izmantošanu iekļaušanai, kas maina veidu, kā pamata MI zināšanas ietekmē iekļaujošu praksi viņu izglītības kontekstā.

AF-FC-3a

Skolotāji spēj plānot garākas mācīšanās sekvences, projektu formātus vai starppriekšmetu mācību vienības, kas sistemātiski veido izglītojamo tehnisko MI pratību, un dalīties ar tām ar kolēģiem.

AF-FC-3b

Skolotāji spēj izstrādāt vecumam atbilstošus pedagoģiskos resursus, analoģijas vai aktivitāšu formātus MI pamatu un praktisko MI prasmju mācīšanai, un izplatīt tos savā komandā vai profesionālajā kopienā.

AF-FC-3c

Skolotāji spēj plānot kopīgas iniciatīvas, kas maina veidu, kā viņu izglītības kontekstā tiek veidota izglītojamo tehniskā MI kompetence.

4. Sertifikācija un mikrokvalifikācijas

4. Sertifikācija un mikrokvalifikācijas

4.1 Sertifikācijas ceļš

Kas ir sertifikācija?

DUAL.AI.TEACHer sertifikācijas ceļš sniedz pedagogiem strukturētu iespēju apliecināt savas kompetences divās papildinošās jomās: MI uzlabota mācīšana un MI pratība. Pedagogi var apgūt vienu vai abus sertifikācijas virzienus, atkarībā no iepriekšējām zināšanām, profesionālās lomas un attīstības vajadzībām.

Sertifikācijas ceļš apvieno pašnovērtējumu, mācīšanās un sagatavošanās aktivitātes, formālu novērtēšanu un digitālu sertifikāciju.

Izvēlieties savu virzienu

DUAL.AI.TEACHer sertifikācija sastāv no diviem papildinošiem virzieniem:

Dalībnieki var apgūt vienu vai abus sertifikācijas virzienus, atkarībā no iepriekšējām zināšanām, profesionālās lomas un attīstības vajadzībām.

Iepriekšējs pašnovērtējums palīdzēs kandidātiem noteikt piemērotāko ceļu.

Kā darbojas sertifikācija?

Sertifikācijas process abiem virzieniem seko vienotai secībai:

  1. Skolotājs uzzina par DUAL.AI.TEACHer sertifikāciju.
  2. Kandidāts reģistrējas ICEP platformā.
  3. Kandidāts veic sākotnējo pašnovērtējumu un izvēlas A virzienu vai B virzienu.
  4. Kandidāts mācās un gatavojas, izmantojot piedāvāto saturu, tostarp vācot nozīmītes (badges) MOOC kursā.
  5. Kandidāts rezervē eksāmena laiku.
  6. Kandidāts kārto eksāmenu.
  7. Pēc sekmīgas nokārtošanas tiek izsniegts digitālais sertifikāts.
  8. Sertifikātu var kopīgot, izmantojot Europass, kur trešās puses iestādes var pārbaudīt tā derīgumu.
  9. Sertifikāts zaudē derīgumu pēc pieciem gadiem.

Gemini_Generated_Image_ia4vg8ia4vg8ia4v.jpg1. attēls. Reģistrācijas, pašnovērtējuma un sertifikācijas virziena izvēles process

Mācīšanās un sagatavošanās

Pēc sertifikācijas virziena izvēles kandidāti uzsāk mācīšanās un sagatavošanās posmu. Viņi izmanto piedāvāto mācību saturu un var vākt nozīmītes MOOC kursā kā daļu no sagatavošanās sertifikācijas novērtējumam.

Sagatavošanās process ietver piekļuvi mācību materiāliem, atbalsta aktivitātēm, pašnovērtējumam, praktiskiem uzdevumiem un progresa izsekošanai. Kandidāts var turpināt mācīties, pēc vajadzības atkārtot aktivitātes vai virzīties tālāk uz sertifikācijas novērtējumu, tiklīdz ir pietiekami sagatavojies.

Gemini_Generated_Image_c6fvt9c6fvt9c6fv.jpg2. attēls. Mācīšanās un sagatavošanās process

Novērtēšana un sertifikācija

Sertifikācijas novērtējums tiek īstenots kā tiešsaistes eksāmens katram sertifikācijas virzienam.

Plānotais novērtējuma formāts ietver:

Kandidāti kārto izvēlētā virziena novērtējumu pēc sagatavošanās posma un gatavības pašnovērtējuma. Sekmīgi nokārtota eksāmena reziultātā, kandidāts saņem sertifikātu.

Novērtējums var ietvert šādus jautājumu veidus:

Šie strukturēto atbilžu formāti ir paredzēti, lai nodrošinātu objektīvu, konsekventu un mērogojamu novērtēšanu, vienlaikus ļaujot veikt efektīvu automatizētu vērtēšanu.

Gemini_Generated_Image_vi8bbpvi8bbpvi8b.jpg3. attēls. Eksāmena un sertifikācijas process starp kandidātu un ICEP

Kurš virziens ir man piemērots?

Abi sertifikācijas virzieni atbilst dažādām profesionālajām vajadzībām un interesēm.

A virziens – MI uzlabota mācīšana (WITH AI) ir paredzēts pedagogiem, kuri vēlas izmantot MI mācīšanā un mācīšanās procesā pedagoģiski jēgpilnā, drošā un profesionāli atbildīgā veidā. Sertifikācijas ceļa dizainā tas ilustrēts ar Maja Novak piemēru – vidusskolas skolotāju, kura jau eksperimentē ar ģeneratīvo MI stundu sagatavošanā, diferencētu materiālu izstrādē, klases aktivitātēs un formatīvajā atgriezeniskajā saitē. Viņas galvenais mērķis ir pāriet no eksperimentālas MI izmantošanas uz informētāku un pārdomātāku profesionālo praksi.

Gemini_Generated_Image_d8zou2d8zou2d8zo.jpg4. attēls. Kandidāta ceļš – A virziens: MI uzlabota mācīšana

B virziens – MI pratība (ABOUT AI) ir paredzēts pedagogiem, kuri vēlas stiprināt savu un savu izglītojamo izpratni par MI konceptiem, ierobežojumiem, riskiem un tā atbildīgu izmantošanu. Tas ilustrēts ar Luka Horvat piemēru – vecāko klašu skolotāju, kurš vēlas palīdzēt skolēniem kļūt par kritiski domājošiem, informētiem un atbildīgiem MI lietotājiem, īpašu uzmanību pievēršot tādiem jautājumiem kā dezinformācija, aizspriedumainība, privātums, pārredzamība, datu izmantošana, cilvēka rīcībspēja un MI sociālā ietekme.

Gemini_Generated_Image_e8iytwe8iytwe8iy.jpg

5. attēls. Kandidāta ceļš – B virziens: MI pratība

Kandidāti var apgūt vienu virzienu vai abus, atkarībā no iepriekšējām zināšanām, profesionālās lomas un attīstības vajadzībām. Iepriekšējs pašnovērtējums palīdz izvēlēties piemērotāko ceļu.

Sertifikātu piešķiršana un atzīšana

Pēc sekmīgas pārbaudījuma nokārtošanas kandidāti saņem digitālu sertifikātu par pabeigto sertifikācijas virzienu.

Sertifikācijas modelis ietver:

Sertifikācija ir paredzēta, lai atbalstītu pedagogu ar MI saistīto kompetenču atzīšanu un viņu tālāko profesionālo pilnveidi. Tā arī paredzēta, lai atbalstītu šo kompetenču atzīšanu un pārnesamību dažādos Eiropas kontekstos.

Papildu informācija

Sīkāka informācija par sertifikācijas struktūru, kandidāta ceļu, novērtēšanas kritērijiem, eksāmena procedūru, lomām un pienākumiem, izmēģinājuma validāciju un ilgtspēju ir sniegta pilnajā DUAL.AI.TEACHer Certification Pathway Design dokumentā.

4. Sertifikācija un mikrokvalifikācijas

4.2 Mikrokvalifikācijas

Mikrokvalifikācijas

Mikrokvalifikācijas ir īsas, mērķtiecīgas kvalifikācijas, kas apliecina konkrētus mācīšanās rezultātus un prasmes, kas iegūtas īsās apmācībās vai kursos.

Raksturīgās iezīmes:
Galvenie ieguvumi:
  • Elastība – ļauj ātri pilnveidot vai apgūt jaunas prasmes bez ilgtermiņa finansiālām saistībām.
  • Nodarbinātība – sniedz darba devējiem pārredzamu un viegli pārbaudāmu praktisko kompetenču apliecinājumu.
  • Apvienojamība – laika gaitā tās bieži var apvienot jeb "uzkrāt", lai tās ieskaitītu lielākās kvalifikācijās vai grādos.

Mikrokvalifikāciju un sertifikācijas arhitektūra

DUAL.AI.TEACHer sertifikācijas stratēģija izveido formālu, Eiropas mēroga mehānismu skolotāju MI kompetenču validēšanai.

Divi sertifikācijas virzieni:

  1. A virziens – MI uzlabota pedagoģija: apliecina kompetenci MI rīku izmantošanā stundu plānošanā, adaptīvā mācīšanā, automatizētā vērtēšanā un darba plūsmu optimizēšanā.

  2. B virziens – MI pratība un pilsoniskā izglītība: apliecina kompetenci mācīt skolēniem skaitļošanas domāšanu, algoritmisko aizspriedumainību, datu privātumu un ētisku MI pilsoniskumu.

Struktūra un saskaņotība:

Tehniskā arhitektūra un apliecinājumu piešķiršanas process:

5. MI integrācijas ceļvedis

5. MI integrācijas ceļvedis

5.1 Kā izmantot ceļvedi

Šajā nodaļā ir izklāstīts DUAL.AI.TEACHer integrācijas ceļvedis. Tajā aprakstīti deviņi posmi, kas palīdz skolotāju izglītībā pāriet no pirmās stratēģiskās diskusijas par mākslīgo intelektu līdz pastāvīgas tā integrācijas sistēmas izveidei. Ceļvedis aptver gan pedagogu sākotnējo izglītību universitātēs, gan skolas un profesionālo pilnveidi. Šī nodaļa ir paredzēta universitāšu pedagogu izglītības programmu direktoriem, par pedagogu profesionālo pilnveidi atbildīgajām personām un skolu direktoriem.

Tas apzināti nav viens teksts, kas jālasa no sākuma līdz beigām. Izlasiet to daļu, kas atbilst jūsu lomai.

Jūsu loma Sāciet ar Pēc tam
Ikviens 5.2 Tas aizņem divas minūtes un sniedz pārskatu par visu modeli

Skolas vadītājs vai par profesionālo pilnveidi skolā atbildīgā persona

5.2

5.3, rakstīta skolām

Strādājat pedagogu izglītības iestādē (programmu vadība, skolotāju izglītotāji, kvalitātes nodrošināšana)

5.2 5.4, pilnā versija, lasiet secīgi

Pedagogs, kas meklē idejas praksei klasē

5.2 Ar to varat arī apstāties. Jums ir rakstītas nodaļas 5.2 un 5.3

Pilnās versijas lasīšana

5.4. sadaļā ir pilnībā aprakstīts katrs no deviņiem posmiem: ko posms ietver, kāpēc tas veidots tieši tā un kā var noteikt, ka tas ir pabeigts. Tā ir ceļveža atsauces versija, un tā ir rakstīta, lai to izmantotu divreiz. Vispirms izlasiet to secīgi, lai saprastu, kāpēc posmi ir sakārtoti tieši šādā secībā un kuri no tiem ir savstarpēji atkarīgi. Pēc tam atgriezieties pie atsevišķiem posmiem, kad pie tiem strādājat – tieši tā lielākā daļa iestāžu to izmantos praksē.

Lasītājiem, kuri nāk pēc 5.3. sadaļas izlasīšanas, 5.4. sadaļa rīcībai nav nepieciešama, taču katrs tur īsi aprakstītais posms ir izvērsti izklāstīts 5.4. sadaļā. Abas sadaļas apkopotas 6. posmā, Iekļaut MI profesionālās pilnveides programmās (CPD): tajā pedagogu izglītības iestādes organizē profesionālo pilnveidi, ko izmanto skolas.

5. MI integrācijas ceļvedis

5.2 Ceļvedis (īsā versija)

Mūsu sākumpunkts

DUAL.AI.TEACHer projekta mērķis ir izstrādāt skaidru un pielāgojamu ceļvedi ar septiņiem līdz desmit posmiem, kas palīdz pedagogu izglītības iestādēm iekļaut MI gan pedagogu sākotnējā izglītībā, gan profesionālajā pilnveidē. Ceļvedis koncentrējas uz institucionālām pārmaiņām, nevis individuālām iniciatīvām, un tika izstrādāts kopā ar pedagogu izglītotājiem.

Divi esoši modeļi sniedza īpaši nozīmīgu pamatu.

Pirmais ir sešu posmu augstākās izglītības modelis, kas apkopots ar frāzi "mācīties mācīties no jauna". Tas virzās no institucionālo sarunu par MI pārformulēšanas caur uzticēšanos un pārvaldību, darbinieku prasmēm, mācību satura pārmaiņām un mācīšanas un vērtēšanas pārveidi uz pārmaiņu paplašināšanu visā iestādē (Black, 2025). Tā galvenā stiprā puse ir tā, ka MI tiek aplūkots kā institucionālās transformācijas virzītājspēks, nevis tikai kā rīku jautājums.

Otrais ir četru fāžu ģeneratīvā MI ieviešanas ceļvedis skolām un skolu rajoniem: izveidot pamatu, attīstīt darbinieku kompetences, atjaunināt mācību saturu, novērtēt un virzīties tālāk. Tā stiprā puse ir operatīvais fokuss un uzsvars uz konkrētu ieviešanu.

Abi modeļi pilda savu uzdevumu: viens pievēršas universitātēm kopumā, bet otrs — skolām un skolu administratīvajiem apgabaliem. Peadgogu izglītības iestādes darbojas abās šajās vidēs, un tieši šeit mēs saskatījām iespēju paplašināt jau paveikto. Šīs iestādes pārveido savu mācību procesu, vienlaikus sagatavojot topošos pedagogus darbam vidē, kuru tās pašas tieši nevar kontrolēt. Ja uzmanība tiktu pievērsta tikai iestāžu iekšējai transformācijai, ar MI saistīto mācību saturu nāktos īstenot pedagogiem ar ierobežotu praktisko pieredzi. Savukārt, pievēršoties tikai nākotnes klases praksei, tiktu modernizēta studiju programma, nemainot pašu iestādi, kas to īsteno. DUAL.AI.TEACHer integrācijas ceļvedis balstās abos modeļos un sasaista šīs divas dimensijas.

Gemini_Generated_Image_t99vizt99vizt99v.jpg

1. att.: "DUAL.AI.TEACHer integrācijas ceļvedis: deviņi posmi MI institucionālai integrācijai skolotāju izglītībā" (MI ģenerēts attēls, Google Gemini)

Divas dimensijas, kas caurvij visus posmus

Tā vietā, lai abus atsauces modeļus apvienotu pa posmiem, integrācijas ceļvedis ir veidots, balstoties uz divām paralēlām dimensijām.

Pirmā ir institucionālā transformācija: struktūras, pārvaldība, mācību saturs un formālie nosacījumi, kas veicina vai ierobežo MI izmantošanu. Šī dimensija seko augstākās izglītības modeļa loģikai no pārformulēšanas līdz paplašināšanai, un tās pamatā ir atzīti pētījumi. Inovāciju difūzijas teorija izmēģināmību un novērojamību identificē kā īpašības, kas veicina inovāciju pārņemšanu, un tas pamato 7. posma uzsvaru uz redzamu pilotieviešanu (Neal et al., 2018).

Otrā ir cilvēku kapacitāte, kas kalpo kā ceļveža kvalitātes dimensija. Apmācību nevar reducēt līdz atsevišķiem semināriem. Pētījumi par efektīvu pedagogu profesionālo pilnveidi uzsver ilgstošumu, satura fokusu, praksi, refleksiju, atgriezenisko saiti un koučingu (Lipowsky & Rzejak, 2021). Tāpēc šie principi nosaka apmācību aktivitāšu izstrādi visā ceļvedī – no pedagogu izglītotājiem 3. posmā līdz praktizējošiem pedagogiem 6. posmā. Ar vienreizēju semināru vien posms netiek pabeigts.

Ceļveža īsais pārskats

Posms Uzdevums Paveikts, kad
Stratēģiskā saskaņošana Izvērtēt, kur iestāde patiesībā atrodas, un vienoties par to, ko tā vēlas sasniegt, iesaistot vadību un izveidojot starpfunkcionālu komandu. Sākumstāvoklis un mērķis ir noformulēti rakstiski.
Iespējojoša pārvaldība Ieviest visai iestādei kopīgas vadlīnijas par MI izmantošanu, datu aizsardzību, akadēmisko godīgumu, MI izmantošanas norādīšanu un rīku pārbaudi, formulējot tās ap to, kas ir iespējams, nevis ap to, kas ir aizliegts. Darbinieki var atbildēt uz jautājumu "Vai man ir atļauts to darīt?", nevienam nejautājot.
Skolotāju izglītotāju kapacitāte Veidot to cilvēku kapacitāti, kas māca, ar ilgstošas, uz saturu vērstas un praksē iesakņotas profesionālās mācīšanās palīdzību, ietverot koučingu un refleksiju. Pilnveide notiek nepārtraukti, nevis tikai viena semināra veidā.
Kopīgi izstrādāt mācību programmu Ieviest MI formālajā programmā, pārskatot kursu aprakstus un mācīšanās rezultātus, balstot tos priekšmetu didaktikā, nevis atsevišķā modulī. Ar MI saistīti mācīšanās rezultāti ir iekļauti vairāku priekšmetu regulārajā moduļu dokumentācijā.
Pedagoģija un vērtēšana Pārveidot mācību uzdevumus un vērtēšanu, lai tie būtu autentiski un apzinātu MI izmantošanu, un demonstrēt MI integrējošu mācīšanu, lai studenti to piedzīvotu kā izglītojamie. Vērtēšanas formāti ir pārskatīti, nevis tikai papildināti ar paziņojumu par MI izmantošanu.
Iekļaut MI profesionālās pilnveides programmās (CPD) Pārveidot profesionālo pilnveidi par strukturētu piedāvājumu ar apvienojamām mikrokvalifikācijām, nodrošinot tālākizglītības atzaru. Piedāvājumam ir publicēta struktūra un atzīts apliecinājums.
Pilotēt autentiskos kontekstos Izmēģināt pārveidotos moduļus, profesionālās pilnveides piedāvājumus un vērtēšanas formātus ar reālām apmācāmo grupām un sistemātiski apkopot atgriezenisko saiti. Ir dokumentēta atgriezeniskā saite, kas novedusi pie identificējamiem pārskatījumiem.
Novērtēt, mācīties un pielāgoties Pārskatīt kompetenču pieaugumu, līdzdalību, īstenojamību, vienlīdzību un ietekmi un izmantot pierādījumus pārskatīšanai. Pierādījumi ir kaut ko mainījuši, nevis tikai aizpildījuši ziņojumu.

Institucionalizēt, mērogot

Pārvērst iniciatīvu pastāvīgā struktūrā: atbildība, lomas, resursi, kvalitātes nodrošināšana, atjaunošana. Darbs turpinās arī pēc tam, kad cilvēki, kas to uzsāka, ir devušies tālāk.

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. MI integrācijas ceļvedis

5.3 Ceļvedis skolām

Kam paredzēta šī sadaļa

Skolu vadītājiem, direktoru vietniekiem un tiem, kas skolā atbild par profesionālo pilnveidi. Iepriekšējās sadaļas jums nav jāizlasa pilnībā. Ja esat izlasījuši deviņus posmus 5.2. sadaļā, šī sadaļa parāda, kā tie attiecas uz skolu; ja neesat tās izlasījuši, varat sākt šeit.

Kur ceļvedī iesaistās skolas. Šis ceļvedis tika izstrādāts pedagogu izglītības iestādēm, taču tā pārmaiņu loģika nav raksturīga tikai tām, un viens posms skolas skar tieši. 6. posms, Iekļaut MI profesionālajās pilnveides programmās (CPD), ir tālākizglītības atzars: tajā pedagogu izglītības iestādes organizē profesionālo pilnveidi, kurā piedalās jūsu darbinieki. Tas ir jūsu ieejas punkts. Tas, ko jūsu iestāde piedāvā kā 6. posmu, jūsu skolā nonāk kā profesionālā pilnveide, un tas, vai tā kaut ko mainīs jūsu klasēs, ir atkarīgs no apstākļiem pašā skolā.

Kāpēc nevar sākt šeit un apstāties. Darbinieku nosūtīšana uz vienreizēju kursu ir visizplatītākā pieeja, taču viena pati tā, visticamāk, praksi nemainīs. Iedarbīga ir ilgstoša iesaiste ar skaidru satura fokusu, iespēja vingrināties un turpmāks atbalsts koučinga vai sadarbības veidā (Lipowsky & Rzejak, 2021). Tam ir tiešas sekas skolas vadītājam. Ierobežotais resurss nav kurss, bet gan laiks pēc tā, kad pedagogi kaut ko izmēģina, pārrunā to ar kolēģiem un pielāgo.

Gemini_Generated_Image_t99vizt99vizt99v.jpg

1. att.: "DUAL.AI.TEACHer integrācijas ceļvedis: deviņi posmi MI institucionālai integrācijai pedagogu izglītībā" (MI ģenerēts attēls, Google Gemini)

Trīs posmi, kam skolas līmenī jāpiešķir prioritāte

6. posms ir jūsu saskares punkts, taču 1.–3. posms rada apstākļus, kas ļauj tam darboties.

1. posms, Stratēģiskā saskaņošana. Nosakiet, kāda ir jūsu skolas pozīcija. Daļa jūsu darbinieku jau izmanto MI, daļa no tā izvairās, un skolām var nebūt skaidra priekšstata par pašreizējo praksi. Īss, godīgs situācijas izvērtējums ir vērtīgāks par stratēģijas dokumentu. Definējiet, ko vēlaties sasniegt, un esiet gatavi arī atbildei, ka MI pašlaik nav jūsu skolas aktuālākā problēma; tas ir pilnīgi pamatots šī posma rezultāts.

2. posms, Iespējojoša pārvaldība. Skolas līmenī tas ir īpaši svarīgi, un to ir viegli palaist garām. Darbiniekiem un skolēniem jāzina, kas ir atļauts, kā jānorāda MI izmantošana, kuri rīki ir pārbaudīti datu aizsardzības ziņā un kas tiek uzskatīts par akadēmisko negodīgumu. Ja tas nav skaidrs, vienlaikus notiek divas lietas: piesardzīgi pedagogi no MI izmantošanas izvairās pavisam, bet pārliecinātie to izmanto bez jebkādām saskaņotām robežām. Skaidras, iespējojošas vadlīnijas palīdz risināt abas problēmas. Tām nav jābūt apjomīgām.

3. posms, Darbinieku kapacitāte. Sākotnējā ceļvedī šis posms attiecas uz pedagogu izglītotājiem; jūsu skolā – uz jūsu pedagogiem. Spēkā ir tie paši kvalitātes nosacījumi. Apsveriet iespēju sākt ar nelielu ieinteresētu kolēģu grupu vienā vai divos mācību priekšmetos, nevis ieviest pārmaiņas uzreiz visā kolektīvā, un padariet viņu rezultātus redzamus pārējiem kolēģiem. Inovācijas izplatās, kad kolēģi var redzēt, ka tās darbojas viņu pašu vidē (Neal et al., 2018).

Kas skolā ir citādi

Trīs ierobežojumi atšķir jūsu situāciju no pedagogu izglītības iestādes situācijas, un ceļvedis jālasa, tos paturot prātā.

Jums ir mazāka autonomija mācību satura jomā. 4. un 5. posms paredz iestādi, kas pati var pārskatīt savu kursu saturu. Liela daļa jūsu mācību satura var būt noteikta valsts vai normatīvajos ietvaros, un jūsu rīcības brīvība ir tajā, kā priekšmeti tiek mācīti un kā tiek vērtēta mācīšanās, nevis tajā, kas ir noteikts. Lasiet šos posmus kā tādus, kas attiecas uz uzdevumu izstrādi un vērtēšanas praksi.

Jūsu darbiniekiem ir mazāk brīvi plānojama laika. Pedagogu izglītības iestāde var uzticēt pilnveides darbu akadēmiskajam personālam kā daļu no viņu pienākumiem. Skolā katra pilnveidei veltītā stunda tieši konkurē ar mācīšanu. Tas padara 2. posmu nesamērīgi vērtīgu: vadlīnijas prasa maz laika un novērš ļoti daudz grūtību.

Jūs esat tuvāk sekām. Skolas īpaši tieši izjūt praktiskās sekas, kas saistītas ar vienlīdzības, skolēnu datu un piekļuves jautājumiem. Tieši tāpēc 8. posmā vienlīdzība ir skatīta skaidri un atsevišķi.


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. MI integrācijas ceļvedis

5.4 Pilns ceļvedis pedagogu izglītības iestādēm

Kam paredzēta šī sadaļa

Dekāniem, studiju programmu direktoriem, pedagogu izglītotājiem un tiem, kas atbild par kvalitātes nodrošināšanu iestādēs, kuras sagatavo pedagogus. Šis ceļvedis galvenokārt tika rakstīts jums, un šajā sadaļā pieņemts, ka esat izlasījuši deviņus posmus 5.2. sadaļā. Atšķirībā no skolām pedagogu izglītības iestādēm ceļvedis jāskata kā vienots veselums, jo posmi aptver dažādas, savstarpēji atkarīgas institucionālo pārmaiņu daļas.

Gemini_Generated_Image_t99vizt99vizt99v.jpg

1. att.: "DUAL.AI.TEACHer integrācijas ceļvedis: deviņi posmi MI institucionālai integrācijai skolotāju izglītībā" (MI ģenerēts attēls, Google Gemini)

1. Stratēģiskā saskaņošana

No reaģēšanas uz stratēģiju. Lielākā daļa iestāžu nesāk no nulles. To sākumpunkts ir atsevišķu iniciatīvu, neformālas rīku izmantošanas un neatrisinātu bažu raibs kopums. Pirmais posms padara šo sākumstāvokli redzamu un pārvērš to kopīgā stratēģiskā virzienā. Vadība pati uzsāk procesu, nevis to deleģē, jo vēlākajos posmos būs jāpieņem lēmumi par personālu, resursiem un mācību saturu, kam nepieciešams institucionāls atbalsts. Iestāde izvērtē savu gatavību, vajadzības un prioritātes un izveido starpfunkcionālu vadības grupu, kurā ir skolotāju izglītotāji, IT speciālisti, studenti un kvalitātes nodrošināšanas pārstāvji. Studentu iesaiste nav simboliska: viņi mācību saturu piedzīvo tieši, un skolotāju izglītībā viņi ir arī nākotnes profesijas pārstāvji.

Posms ir pabeigts, kad iestāde var rakstiski formulēt, kur tā atrodas, ko vēlas sasniegt un kurš ir atbildīgs par darba virzīšanu uz priekšu.

2. Iespējojoša pārvaldība

Vadlīnijas tiek izstrādātas agri, jo nenoteiktība var kļūt par būtisku šķērsli ieviešanai. Darbinieki, kuri nezina, kas ir atļauts, var vai nu pavisam izvairīties no MI, vai izmantot to bez kopīgām gaidām. Iestāde izstrādā visai iestādei kopīgas vadlīnijas par MI izmantošanu, datu aizsardzību, akadēmisko godīgumu, MI izmantošanas norādīšanu un rīku pārskatīšanas un apstiprināšanas procesu. Izšķirošā izvēle ir formulējums: vadlīnijām jāskaidro, kas ir iespējams un ar kādiem nosacījumiem, nevis galvenokārt jāsastāv no aizliegumiem. Vadlīniju projekts pirms pieņemšanas tiek izplatīts atsauksmēm, uzlabojot gan tā praktisko lietderību, gan leģitimitāti.

Posms ir pabeigts, kad darbinieki var viegli atrast skaidru atbildi uz jautājumu "Vai man ir atļauts to darīt?" un zina, pie kā vērsties, ja gadījums neietilpst vadlīnijās.

3. Skolotāju izglītotāju kapacitāte

Skolotāju izglītotāji nevar demonstrēt praksi, kuru viņiem pašiem nav bijusi iespēja izpētīt. Šis posms veido viņu kapacitāti, izmantojot profesionālo mācīšanos, kas ir ilgstoša, nevis vienreizēja, saistīta ar saturu un priekšmetu didaktiku, nevis galvenokārt vērsta uz rīkiem, un iesakņota praksē ar sadarbības, koučinga un strukturētas refleksijas palīdzību. Šīs ir iezīmes, kas konsekventi saistītas ar efektīvu skolotāju profesionālo pilnveidi (Lipowsky & Rzejak, 2021). Kompetences tiek kartētas atbilstoši DUAL.AI.TEACHer kompetenču ietvaram un UNESCO Skolotāju MI kompetenču ietvaram, lai pilnveidei būtu gan virziens, gan atskaites punkts. MI integrācijai jābalstās uz skolotāju izglītotāju esošo profesionālo kompetenci, nevis jāaplūko MI kā atsevišķa tehniska kompetence. Ar vienu semināru šis posms netiek pabeigts. Posms ir pabeigts, kad skolotāju izglītotājiem ir ilgstošas iespējas attīstīt, pielietot un pārdomāt ar MI saistītu praksi savā mācīšanas kontekstā.

4. Kopīgi izstrādāt mācību programmu

Šeit MI no ārpusstundu aktivitātēm pāriet formālajā programmā. Tiek pārskatīta kursu un moduļu dokumentācija, un mācīšanās rezultāti tiek saskaņoti ar kompetenču ietvaru, lai tas, kas tiek mācīts, praktizēts un vērtēts, būtu vērsts vienā virzienā. Šī ceļveža centrālais izstrādes princips ir tāds, ka MI pratībai un MI uzlabotai pedagoģijai jābūt iekļautai priekšmetu didaktikā, nevis jāaprobežojas ar atsevišķu moduli. Atsevišķs MI kurss var būt noderīgs kā pārejas solis, taču tas var radīt priekšstatu, ka MI ir atsevišķa tēma, nevis ikdienas priekšmeta mācīšanas daļa. Kopīga izstrāde ar skolotāju izglītotājiem ir svarīga, jo tiem, kas mācīs pārskatīto programmu, ir jāpiedalās tās veidošanā.

Posms ir pabeigts, kad ar MI saistīti mācīšanās rezultāti ir redzami vairāku priekšmetu vai moduļu regulārajā dokumentācijā un ir saistīti ar programmu kopumā, nevis izolēti vienā kursā.

5. Pedagoģija un vērtēšana

Mainīt mācību saturu uz papīra nav pietiekami, ja mācīšana un vērtēšana paliek nemainīga. Šajā posmā mācību uzdevumi un vērtēšanas formāti tiek pārveidoti tā, lai tie būtu autentiski, multimodāli un MI apzinoši, un lai vērtēšana būtu vērsta uz to, ko topošie skolotāji spēj saprast, pamatot, radīt un pielietot, nevis uz rezultātiem, ko ģeneratīva sistēma var izveidot pēc pieprasījuma. Tikpat svarīga ir paraugdemonstrēšanas ietekme: topošajiem skolotājiem kā izglītojamajiem jāpiedzīvo pārdomāta, MI integrējoša mācīšana, pirms no viņiem tiek sagaidīts, ka viņi to izmantos kā profesionāļi. Skolotāju izglītībai šeit ir īpaša iespēja, jo studenti piedzīvo mācīšanas praksi, vienlaikus attīstot savu profesionālo praksi.

Posms ir pabeigts, kad ar MI saistīti mācīšanās rezultāti atspoguļojas reālajā mācīšanas un vērtēšanas praksē, nevis ir tikai pievienoti moduļu aprakstiem vai MI izmantošanas norādīšanas prasībām.

6. Iekļaut MI profesionālās pilnveides programmās (CPD)

Skolotāju izglītības iestādes ne tikai sagatavo topošos skolotājus; tās atbalsta arī tos, kas jau strādā skolās. Šajā posmā profesionālā pilnveide tiek attīstīta par strukturētu piedāvājumu, nevis atsevišķu pasākumu virkni. Spēkā ir tie paši kvalitātes nosacījumi kā 3. posmā: ilgstoša iesaiste, skaidrs satura fokuss, iespējas vingrināties un turpmāks atbalsts sadarbības, atgriezeniskās saites vai koučinga veidā. DUAL.AI.TEACHer modelī šo darbu var saistīt ar T2.6 izstrādāto sertifikācijas ceļu, ļaujot profesionālās mācīšanās rezultātiem pakāpeniski uzkrāties laika gaitā. 6. posms arī rada divvirzienu saikni ar skolām: iestādes sniedz profesionālās pilnveides iespējas, bet praktizējošie skolotāji atgriež skolotāju izglītībā aktuālo klases pieredzi.

Posms ir pabeigts, kad praktizējošo skolotāju profesionālā pilnveide veido saskaņotu un ilgstošu piedāvājumu ar skaidru progresiju, nevis savstarpēji nesaistītu atsevišķu pasākumu kalendāru.

7. Pilotēt autentiskos kontekstos

Pārveidotie moduļi, profesionālās pilnveides piedāvājumi un vērtēšanas formāti tiek izmēģināti ar reālām studentu grupām reālistiskos apstākļos, un sistemātiski tiek apkopota atgriezeniskā saite no skolotāju izglītotājiem, studentiem un citiem dalībniekiem. Pilotēšana mazina risku izvērst pieeju plašāk, pirms tā pārbaudīta praksē. Tā arī padara ieviešanu redzamu: kolēģi var redzēt, kā pieeja darbojas kontekstā, kas līdzīgs viņu pašu kontekstam, pārrunāt rezultātus un pielāgot to pirms plašākas ieviešanas. Tāpēc pilotprojekta mērķis nav pierādīt, ka izstrāde bija pareiza, bet gan atklāt, kas jāmaina.

Posms ir pabeigts, kad dokumentēta atgriezeniskā saite no autentiskas ieviešanas ir novedusi pie identificējamiem pārskatījumiem.

8. Novērtēt, mācīties un pielāgoties

Izvērtēšanā tiek jautāts, vai pārmaiņas sasniedza to, kam tās bija paredzētas. Atkarībā no intervences tas var ietvert kompetenču attīstību, līdzdalību, īstenojamību, vienlīdzību, darbinieku un studentu pieredzi, kā arī plašāku ietekmi uz programmu. Vienlīdzība tiek aplūkota skaidri un atsevišķi, jo MI integrācija var mazināt dažas nevienlīdzības, vienlaikus radot vai pastiprinot citas, piemēram, starp priekšmetiem, darbinieku grupām vai studentiem ar atšķirīgu piekļuves un atbalsta līmeni. Pēc tam pierādījumi tiek izmantoti, lai pārskatītu mācību saturu, profesionālo pilnveidi, vērtēšanu un ieviešanu.

Šajā posmā tiek izveidots arī regulārs 2. posmā izstrādāto vadlīniju pārskatīšanas cikls, jo tām būs jāattīstās līdz ar tehnoloģiju, prakses un normatīvo apstākļu izmaiņām.

9. Institucionalizēt un mērogot

Noslēguma posms pārvieto veiksmīgo darbu no projekta statusa iestādes regulārajās struktūrās. Tas nozīmē skaidru atbildību, noteiktus pienākumus, atbilstošus resursus un integrāciju esošajos procesos, piemēram, programmu izstrādē un kvalitātes nodrošināšanā. Mērogošanai jāatbilst iestādes kontekstam, kapacitātei un profilam, nevis vienam vispārīgam modelim. Institucionalizācija nozīmē arī atjaunošanas mehānismu izveidi: MI tehnoloģijas, izglītības prakse un iestāžu vajadzības turpinās mainīties, tāpēc arī pats modelis nevar palikt nemainīgs.

Posms ir pabeigts, kad darbs turpinās arī pēc tam, kad cilvēki, kas to uzsāka, ir devušies tālāk.

Jūsu īpašā situācija

Pedagogu izglītības iestādēm vienlaikus ir divi uzdevumi. Jūs pārveidojat savu mācīšanu un sagatavojat topošos pedagogus darbam klasēs, kuras jūs nekontrolējat, apstākļos, kurus nevarat pilnībā paredzēt, un ar tehnoloģijām, kas līdz brīdim, kad jūsu absolventi tur nonāks, var būt mainījušās. Abi uzdevumi ir cieši saistīti. Koncentrējoties tikai uz iekšējo pārveidi, pastāv risks radīt ar MI saistītu mācību saturu bez pietiekamas saiknes ar nākotnes praksi klasē. Koncentrējoties tikai uz nākotnes klases praksi, pastāv risks modernizēt programmu, nemainot iestādi, kas to īsteno. Tāpēc ceļvedis aplūko abas dimensijas kopā.

3. posms dara iespējamu turpmāko. Liela daļa vēlākā darba ir atkarīga no pedagogu izglītotāju kapacitātes. Viņu kompetence ir viņu disciplīnās un mācību priekšmetu didaktikā, tāpēc MI integrēšana nav tikai vēl viena rīka pievienošana. Profesionālajai pilnveidei jāsaista MI izmantošana ar priekšmetam specifisku mācīšanu, mācīšanos un vērtēšanu, nevis jāaplūko tā kā vispārīga tehniska kompetence. Tāpēc, ja resursi ir ierobežoti, 3. posmam pienākas īpaša uzmanība.

Kur 4. posms kļūst sarežģīts. Principu, ka MI pratībai jābūt iekļautai mācību priekšmetu didaktikā, nevis jāaplūko tikai atsevišķā modulī, ir viegli formulēt, bet daudz grūtāk īstenot. Atsevišķu moduli var uzticēt vienam cilvēkam, savukārt izkliedēta integrācija prasa, lai daudzi kolēģi pārskatītu daļu savas mācīšanas paradumu. Ja atsevišķs modulis ir noderīgs kā pārejas solis, tam ideālā gadījumā jābūt saistītam ar ilgtermiņa plānu integrācijai visā programmā.

Jūsu galvenā ietekmes iespēja 5. posmā. 5. posms izceļ vienu pedagogu izglītības īpatnību: jūsu studenti tagad ir izglītojamie, bet vēlāk būs pedagogi. Tāpēc tas, kā jūs viņus mācāt, kļūst par daļu no tā, ko viņi mācās par mācīšanu. Ja topošie pedagogi kā izglītojamie piedzīvo pārdomātu, MI integrējošu mācīšanu, viņi iepazīst konkrētus paraugus, ko vēlāk var pārdomāt un pielāgot savā praksē. Mācīšana par MI, praktiski neparādot, kā to izmantot pedagoģiskajā darbā, sniedz pavisam atšķirīgu pieredzi. Tāpēc 5. posms neaprobežojas tikai ar vērtēšanas sistēmas reformu.

6. posms ir jūsu saskarne ar skolām. Jūsu profesionālās pilnveides piedāvājums ir ieejas punkts. Tas paplašina jūsu iestādes ietekmi ārpus topošo pedagogu loka, aptverot arī tos, kas jau strādā klasēs. Vienlaikus sadarbība ar praktizējošiem skolotājiem var atgriezt pedagogu izglītībā aktuālo klases pieredzi. Tāpēc profesionālā pilnveide var darboties ne tikai kā skolām sniegts pakalpojums, bet arī kā savstarpējas mācīšanās kanāls starp skolām un pedagogu izglītības iestādēm.

Ko jūs varat darīt, bet skolas nevar

Pedagogu izglītības iestādēm bieži ir lielākas iespējas pārskatīt programmas un vērtēšanu, piekļuve pētniecības kapacitātei un mandāts strādāt ar vairākām skolām. Tas piešķir 7. un 8. posmam īpašu vērtību: tas, kas apgūts pilotprojektos un izvērtēšanā, var sniegt ieguldījumu ne tikai jūsu pašu iestādē, bet arī partneru skolās un plašākā sistēmā. Padarot šo pieredzi redzamu, iespējams arī veicināt jaunu prakšu pārņemšanu citās jomās.

Ar ko sākt, ja viss ir steidzams. Sāciet ar 2. un 3. posmu. Pārvaldība mazina nenoteiktību, savukārt darbinieku kapacitāte rada apstākļus jēgpilnam darbam 4.–6. posmā. Sākot ar mācību satura pārskatīšanu, pirms darbiniekiem ir kapacitāte to īstenot, pastāv risks radīt pārmaiņas uz papīra, kuras praksē ir grūti realizēt.

6. Resursi un glosārijs

6. Resursi un glosārijs

6.1 Resursi

Recenzētas publikācijas

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

Priekšpublikācijas, darba dokumenti un pētījumu ziņojumi

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

Organizāciju statistika un ziņojumi

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

Fondu, NVO u. c. aptaujas un ziņojumi

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

Institūciju 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 

Preses avoti

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/

Tiesību akti

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/ 

Tiesu nolēmumi

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. Resursi un glosārijs

6.2 Glosārijs un galvenie termini

Termins

Sinonīmi

Definīcija

A

Adaptīva mācību platforma

(angl. Adaptive learning platform)

Platforma, kas pielāgo saturu, tempu vai mācību ceļu katram izglītojamajam.

Adaptīva vingrināšanās programmatūra

(angl. Adaptive practice software)

Skolās jau izmantota vingrināšanās programmatūra, kas pielāgo uzdevumus skolēna atbildēm. Ģeneratīvā MI tērzēšanas roboti uzrādīja lielāku ietekmi uz zināšanām un izpratni.

AI Pioneers

 

Ietvars, kas papildina DigCompEdu ar MI specifiskām pedagogu kompetencēm.

Aizliegtā MI prakse

Aizliegti MI lietojumi (angl. Prohibited AI practices)

Astoņi MI lietojumi, kurus MI akts (5. pants) kopš 2025. gada 2. februāra pilnībā aizliedz. Četri no tiem attiecas uz skolām: emociju atpazīšana, neaizsargātības izmantošana, sejas atpazīšanas datubāzu veidošana ar nemērķētu datu ievākšanu un biometriskā kategorizācija.

Aizspriedums

Neobjektivitāte (angl. Bias)

Aizspriedumi, ko sistēma pārņēmusi no materiāliem, uz kuriem tā apmācīta, un kurus ne vienmēr izdodas mazināt, palielinot sistēmas mērogu.

Algoritmiskā pārredzamība

(angl. Algorithmic transparency)

Pakāpe, kādā var saprast, kā MI sistēma nonāk pie saviem rezultātiem un kas ir noteicis, kā tā uzvedas.

Anonimizācija

(angl. Anonymisation)

Datu pārveidošana tā, lai personu vairs nevarētu identificēt, pat ne no konteksta. Vārdu dzēšana nav anonimizācija, jo īpaši esejām un mācību dienasgrāmatām, kuru autoru var atpazīt pēc stila.

Apmācība ar lietotāju ievaddatiem

(angl. Training on user inputs)

Situācija, kad nodrošinātājs to, ko lietotāji ieraksta vai augšupielādē, izmanto saviem mērķiem, īpaši savu modeļu apmācībai. Personas datus drīkst ievadīt tikai tad, ja rakstiska vienošanās to izslēdz.

Apmācības dati

Apmācības materiāls, apmācības piemēri (angl. Training data)

Piemēri, no kuriem MI sistēma mācās, piemēram, miljoniem cilvēku marķētu attēlu. Šī materiāla novirzes pārnesas sistēmas rezultātos un nepazūd tikai tāpēc, ka modeļi kļūst lielāki.

Apstrādātājs

Datu apstrādātājs (angl. Processor)

Saskaņā ar VDAR – struktūra, kas apstrādā personas datus pārziņa vārdā un stingri saskaņā ar tā norādījumiem, piemēram, MI nodrošinātājs.

Apvienojamība

Apvienojams (angl. Stackability)

Iespēja laika gaitā apvienot mikrokvalifikācijas tā, lai tās tiktu ieskaitītas lielākās kvalifikācijās.

Atbildība

(angl. Accountability)

Pienākums atbildēt par lēmumiem par MI izmantošanu un to sekām. Atbildība vienmēr paliek cilvēkiem un iestādēm, nekad sistēmai.

Atgriezeniskās saites izmantošana

(angl. Feedback uptake, uptake)

Vai atgriezeniskā saite tiek izlasīta, saprasta, izmantota un saprasta tik labi, ka izglītojamais nākamreiz to spētu izdarīt pareizi bez palīdzības. Šaurā vieta ir tieši izmantošana, nevis kvalitāte.

Atsaukšana

(angl. Retraction)

Žurnāla oficiāla publicēta raksta atsaukšana. Raksts paliek redzams ar atzīmi „RETRACTED”, lai ikviens, kas to citējis, to varētu atpazīt.

Attēlu klasifikācija

Attēlu klasifikators (angl. Image classification)

MI uzdevums, kurā modelis pēc apmācības ar piemēriem šķiro attēlus kategorijās (piem., papīrs, plastmasa, cits) un pēc tam tiek pārbaudīts ar jauniem objektiem.

Atvērtais izglītības resurss (OER)

OER (angl. Open Educational Resource)

Mācību un mācīšanās materiāls, kas publicēts ar atvērtu licenci, kura atļauj to brīvi izmantot, pielāgot un kopīgot.

Atvērts modelis

Atvērts MI modelis (angl. Open model)

MI modelis, kura sastāvdaļas ir publiski pieejamas, pretstatā uzņēmumu patentētiem modeļiem. Ieteicams kā daļa no publiski finansētas, taisnīgas piekļuves MI.

Augsta riska MI sistēma

Augsta riska MI (angl. High-risk AI system)

MI sistēma, uz kuru tās paredzētā nolūka dēļ attiecas stingri pienākumi. Izglītībā: lēmumi par uzņemšanu, mācīšanās rezultātu novērtēšana vai mācību procesa vadīšana, piekļuves izglītības līmeņiem novērtēšana un aizliegtas uzvedības atklāšana eksāmenos; attiecībā uz darbiniekiem: pieņemšana darbā, paaugstināšana amatā, uzdevumu sadale un snieguma novērtēšana. Pienākumi piemērojami no 2027. gada 2. decembra.

Augstskolu mācībspēki

(angl. University Faculty)

Augstskolu darbinieki, kas iesaistīti skolotāju izglītībā; viena no rokasgrāmatas mērķgrupām.

Automatizācijas aizspriedums

Pārmērīga uzticēšanās (angl. Automation Bias)

Mašīnas ieteikuma pieņemšana bez neatkarīgas pārbaudes.

Automatizēta lēmumu pieņemšana

(angl. Automated decision-making)

Lēmums, kas balstīts tikai uz automatizētu apstrādi un būtiski ietekmē personu. Atzīme ir šāds lēmums; formāla MI ieteikuma apstiprināšana neskaitās cilvēka lēmums.

Automatizēta vērtēšana

Automatizēta punktu piešķiršana, automatizēts novērtējums (angl. Automated grading)

Programmatūras izmantošana darbu vērtēšanai vai atzīmju likšanai. Sertifikācijas eksāmenā to piemēro jautājumiem ar atbilžu izvēli.

Autortiesības

(angl. Copyright)

Darbu tiesiskā aizsardzība. Tas, ko rada MI, parasti nav aizsargāts ar autortiesībām, taču aizsargātu darbu augšupielāde MI sistēmā neietilpst izņēmumā mācību vajadzībām.

B

Biometriskā kategorizācija

(angl. Biometric categorisation)

Biometrisko datu izmantošana personu šķirošanai, lai izdarītu secinājumus par aizsargātām iezīmēm, piemēram, rasi, politiskajiem uzskatiem, reliģiju vai seksuālo orientāciju. Saskaņā ar MI aktu aizliegta.

Biometriskie dati

(angl. Biometric data)

Dati par fiziskām iezīmēm, piemēram, seju vai balsi. Saskaņā ar VDAR tie ir īpašu kategoriju dati, un vairāki uz tiem balstīti MI lietojumi skolās ir aizliegti.

C

Cilvēka virsvadība

(angl. Human oversight)

Prasība, lai kompetenti, apmācīti un pilnvaroti cilvēki uzraudzītu augsta riska MI sistēmu, izprastu tās ierobežojumus un varētu neņemt vērā vai mainīt tās rezultātu. Uzraudzība bez ekspertīzes nav uzraudzība.

D

Datorikas domāšana

Algoritmiskā domāšana (angl. Computational thinking)

Pieeja problēmām tādā veidā, kādu varētu izpildīt dators, piemēram, sadalot tās soļos un atpazīstot likumsakarības.

Datu aizsardzība

(angl. Data protection)

Personas datu tiesiskā aizsardzība. MI tiesiskā regulējuma nesošais pamats, kas ir bijis spēkā jau visu laiku; ES tā galvenokārt ir VDAR.

Datu apstrādes līgums

DPA (angl. Data processing agreement)

Rakstisks līgums starp skolu un nodrošinātāju, kurā noteikts, kā nodrošinātājs drīkst rīkoties ar personas datiem (VDAR 28. pants). Praktiskā pārbaude: vai tas izslēdz modeļu apmācību ar jūsu ievadītajiem datiem?

Datu mitināšana

(angl. Data hosting)

Vieta, kur dati tiek glabāti un apstrādāti, piem., Eiropas serveros vai ārpus ES. Datiem, kas tiek nosūtīti ārpus ES, nepieciešams aizsardzības mehānisms.

Deterministisks

(angl. Deterministic)

Tāds, kas no vienām un tām pašām sākuma vērtībām vienmēr rada tieši tādu pašu rezultātu.

Diagnostikas dati

Telemetrija (angl. Diagnostic data)

Tehniskie dati, ko nodrošinātājs vāc par sava pakalpojuma izmantošanu. Cik ilgi tie tiek glabāti, ir datu aizsardzības jautājums.

DigCompEdu

 

Eiropas pedagogu digitālās kompetences ietvars. Tas nodrošina DUAL.AI.TEACHer ietvara pedagoģisko struktūru (horizontālo dimensiju).

Digitālais centrs

(angl. Digital Hub)

Centrāla tiešsaistes platforma, kas apvieno projekta resursus, kursus un kopienas pieredzes apmaiņu.

Digitālā nozīmīte

Atvērtā digitālā nozīmīte (angl. Digital Badge)

Sertifikāta vai mikrokvalifikācijas koplietojama digitāla forma.

Digitālā suverenitāte

(angl. Digital sovereignty)

Kontrole pār saviem datiem, infrastruktūru un tehnoloģiju izvēli. Paša veidota platforma automātiski nenodrošina lielāku kontroli, tāpēc rokasgrāmata iesaka šo terminu lietot piesardzīgi.

Dimensija

(angl. Dimension)

Viena no plašajām jomām, kurās ietvars ir iedalīts, katra apvienojot kompetences, kas praksē pieder kopā.

Drošības ierobežojumi

(angl. Guardrails)

Sistēmā iebūvēti ierobežojumi, kas nodrošina, ka tā atbalsta domāšanu, nevis to aizstāj.

Dziļviltojums

(angl. Deepfake)

MI ģenerēts vai manipulēts attēla, audio vai video saturs, kas šķiet autentisks. Ja to izmanto stundā, tas ir jāatklāj (MI akta 50. panta 4. punkts).

E

Eiropas ietvars

(angl. European Framework)

Atsauces ietvars, kas nodrošina standartizētas kompetenču definīcijas Eiropas līmenī.

Eiropas kvalifikāciju ietvars

EKI (angl. European Qualifications Framework, EQF)

ES atsauces ietvars, kas padara kvalifikācijas salīdzināmas starp valstīm. Sertifikācija ir saskaņota ar to.

Eksāmenu uzraudzība

Attālināta eksāmenu uzraudzība (angl. Proctoring)

Eksāmenu uzraudzība ar programmatūras palīdzību, piemēram, ar tīmekļa kameru. MI, kas atklāj aizliegtu uzvedību eksāmenu laikā, ir augsta riska MI; sertifikācijas eksāmenā tiek izmantota attālināta uzraudzība.

Emociju atpazīšana

(angl. Emotion recognition)

MI, kas apgalvo, ka no biometriskajiem datiem spēj secināt jūtas vai nodomus, piem., uzmanības noteikšana, noskaņojuma analīze vai „iesaistes” vērtēšana ar tīmekļa kameru. Skolās aizliegta kopš 2025. gada 2. februāra, ar šauriem izņēmumiem medicīniskiem vai drošības mērķiem.

EntreComp

 

Eiropas uzņēmējdarbības kompetenču ietvars. Ietvaram devis radošuma un inovāciju aspektu.

ES datubāze

(angl. EU database)

ES reģistrs, kurā publiskajām iestādēm var nākties reģistrēt to izmantotās augsta riska MI sistēmas (MI akta 49. pants).

ES MI akts

MI akts, Regula (ES) 2024/1689 (angl. EU AI Act)

ES vienotais, uz risku balstītais MI noteikumu kopums. Tas klasificē MI sistēmas pēc to radītā riska – no aizliegtas prakses līdz augsta riska lietojumiem un ikdienas rīkiem bez īpašiem noteikumiem – un attiecas uz publiskām un privātām organizācijām, arī skolām. Stājies spēkā 2024. gada 1. augustā, tiek ieviests pakāpeniski līdz 2027. gadam.

ESCO

 

Eiropas prasmju, kompetenču, kvalifikāciju un profesiju klasifikācija. Sertifikācija ir saskaņota ar to.

Europass

 

ES platforma, kurā var kopīgot digitālos sertifikātus un kurā trešo pušu iestādes var pārbaudīt to derīgumu.

Ē

Ētiskā dimensija

(angl. Ethical Dimension)

Dimensija, kas aptver ētiskos apsvērumus saistībā ar MI izmantošanu mācīšanā un mācīšanās procesā.

F

Faktu zināšanas

(angl. Factual knowledge)

Zināšanas par faktiem un jēdzieniem. MI tutori var atbalstīt to apguvi.

Ģ

Ģeneratīvais MI

GenAI (angl. Generative AI)

MI, kas pēc uzvednes rada jaunu tekstu, attēlus vai citu saturu.

H

Halucinācija

(angl. Hallucination)

Raiti izteikts, pārliecinošs, bet nepatiess. Tas nav defekts, ko novērsīs ar labojumu, bet gan sekas tam, kā šīs sistēmas ģenerē tekstu.

Horizontālā dimensija

Pedagoģiskā dimensija (angl. Horizontal dimension)

Sešas mācīšanas prakses jomas DUAL.AI.TEACHer ietvarā, pārņemtas no DigCompEdu: profesionālā iesaiste, digitālie resursi, mācīšana un mācīšanās, vērtēšana, izglītojamo pilnvarošana un izglītojamo (MI) digitālās kompetences veicināšana.

I

ICEP

Institute of European Certification of Personnel

Akreditēta sertifikācijas institūcija (ISO 17024), kas uztur sertifikācijas platformu un eksāmenu un glabā sertifikācijas ierakstus.

Iekļaušanas dimensija

(angl. Inclusion Dimension)

Dimensija, kas pievēršas pieejamībai, vienlīdzībai un iekļaušanai ar MI atbalstītā mācīšanā un mācīšanās procesā.

Iepirkums

Pirkuma lēmums (angl. Procurement)

Process, kurā skola vai dibinātājs izvēlas un iegādājas MI rīkus. Tieši šeit tiek nodrošināti uzticami ierobežojumi un līgumiskas garantijas, tāpēc atbildība ir iepirkuma, nevis atsevišķa skolotāja ziņā.

Ilgtspējīgs MI

(angl. Sustainable AI)

MI izstrāde un izmantošana tā, lai tiktu ņemta vērā tā ilgtermiņa ietekme uz vidi, sabiedrību un ekonomiku.

Inovāciju difūzija

(angl. Diffusion of innovations)

Teorija par to, kā izplatās inovācijas: tās tiek pieņemtas vieglāk, ja tās var izmēģināt (izmēģināmība) un redzēt darbībā (novērojamība).

Integrācijas ceļvedis

(angl. Integration Roadmap)

Soli pa solim veidots ceļš, ko skolotājs vai iestāde iziet no pirmās saskarsmes ar MI līdz iedibinātai praksei; DUAL.AI.TEACHer tas ietver deviņus posmus.

Intelektuālā mācību atbalsta sistēma

ITS (angl. Intelligent tutoring system)

Ilgstoši izmantota mācību programmatūra, kas vada izglītojamos ar pielāgotiem uzdevumiem un atgriezenisko saiti.

Iteratīva uzvedņu veidošana

Uzvednes pilnveidošana (angl. Iterative prompting)

MI rezultāta uzlabošana vairākos posmos, nevis paļaušanās uz vienu uzvedni: definēt mērķi, uzrakstīt uzvedni, izvērtēt rezultātu, pilnveidot un pārbaudīt.

Izdomāta atsauce

Neeksistējošs avots (angl. Fabricated citation)

MI radīta atsauce uz avotu, kas neeksistē. Šādu avotu atpazīšana ir viena no galvenajām pārbaudes prasmēm un viena no tipiskajām neatklātas MI izmantošanas pazīmēm.

Izglītojamais

(angl. Learner)

Persona, kas piedalās mācību aktivitātēs, lai iegūtu zināšanas, prasmes vai kompetences.

Izglītojamo rīcībspēja

(angl. Learner agency)

Izglītojamo spēja pašiem pieņemt lēmumus par savu mācīšanos, arī par MI ģenerētu resursu izmantošanu. Skolotājiem tā jāsaglabā ar MI atbalstītos procesos.

Izņēmums mācību vajadzībām

(angl. Teaching exception)

Autortiesību izņēmums, kas ļauj skolotājiem kopēt ierobežotu darba daļu savai klasei. Tas neattiecas uz aizsargātu darbu augšupielādi MI sistēmā, un materiāli, kas paredzēti mācīšanai skolā, galvenokārt mācību grāmatas, no tā ir izslēgti.

Izskaidrojamība

MI skaidrojums (angl. Explainability)

MI sistēmas spēja parādīt, kā tā nonākusi pie sava rezultāta. Skaidrojumi droši nenovērš pārmērīgu uzticēšanos; pārāk tehniski vai pārāk vienkāršoti skaidrojumi var pat palielināt nepamatotu paļāvību.

Ī

Īpašu kategoriju dati

(angl. Special category data)

Personas dati, kuriem nepieciešama papildu aizsardzība, piemēram, dati par veselību, invaliditāti, biometriskie dati vai dati, kas atklāj etnisko izcelsmi vai reliģiju (VDAR 9. pants). Principā aizliegti bez konkrēta izņēmuma.

K

Kiborga rakstīšana

(angl. Cyborg writing)

Rakstīšana, kurā MI paplašina, nevis aizstāj rakstītāja domāšanu; skolēni atzīmē, kuras daļas ir viņu pašu.

Koda ģenerēšana

(angl. Code generation)

Programmas koda rakstīšanas uzticēšana MI. Iesācējiem no tā vajadzētu izvairīties, jo viņi vēl nespēj novērtēt, vai kods ir pareizs.

Koda pārskatīšana

MI atbalstīta koda pārskatīšana (angl. Code review)

Skolēni vispirms paši uzraksta kodu un tikai tad lūdz MI ieteikt uzlabojumus, nevis ļauj tam uzrakstīt risinājumu. Ieteikumi ir kritiski jāizvērtē.

Kognitīvā atslogošana

(angl. Cognitive Offloading)

Garīgā darba nodošana kaut kam ārpus paša prāta. Tā ir noderīga, ja zināšanas jau ir izveidojušās, un kaitīga, ja tās vēl tikai veidojas.

Kompetence

(angl. Competence, Competency)

Tas, ko skolotājs zina, spēj darīt un ir gatavs darīt, aprakstīts tā, lai to varētu mācīt un pārbaudīt.

Kompetences kods

Mācīšanās mērķa kods (angl. Competence code)

Mācīšanās mērķa apzīmējums, piem., AF-TL-2b: MI aspekts (HM, EI, AF) – pedagoģiskā joma (PE, DR, TL, A, EL, FC) – progresijas līmenis (1–3) un mērķis (a–c).

Kompetenču joma

Kompetenču grupa (angl. Competence Domain)

Savstarpēji saistītu kompetenču grupa ietvarā.

Kursa norise

(angl. Course Run)

Konkrēta kursa īstenošanas reize ar reģistrētiem izglītojamajiem un noteiktu laika posmu.

Kurss

(angl. Course)

Strukturēts mācību moduļu kopums, kas veidots, lai nodrošinātu pilnīgu mācīšanās pieredzi.

L

Lēmums par aizsardzības līmeņa pietiekamību

(angl. Adequacy decision)

ES lēmums, ka kāda valsts ārpus ES pietiekami aizsargā personas datus, tāpēc datus drīkst uz turieni nosūtīt.

Licence

 

 

Lielais valodas modelis (LLM)

LLM (angl. Large Language Model)

MI modelis, kas apmācīts ar lielu teksta apjomu un ģenerē ticamus teksta turpinājumus; tērzēšanas robotu pamats. Darbojas kā prognozēšanas mehānisms, nevis kā datubāze.

Lietojuma gadījums

(angl. Use Case)

Konkrēts scenārijs, kas apraksta, kā MI tiek izmantots mācīšanas praksē.

Līguma standartklauzulas

SCC (angl. Standard contractual clauses)

ES apstiprināti līguma noteikumi, kas aizsargā uz ārpus ES nosūtītos personas datus, ja nav lēmuma par aizsardzības līmeņa pietiekamību.

LLM tērzēšanas saskarne

MI tērzēšanas asistents (angl. LLM chat interface)

Pārlūkprogrammā atverams tērzēšanas logs, kurā lietotāji strādā ar lielo valodas modeli.

Lokāli instalēts modelis

Lokāli mitināts modelis (angl. Locally installed model)

Valodas modelis, kas darbojas skolas paša ierīcē vai serverī. Tā ir alternatīva, ja interneta piekļuve skolā ir ierobežota.

M

Mašīnmācīšanās

ML (angl. Machine learning)

Pieeja, kurā MI sistēma apgūst likumsakarības no saņemtajiem piemēriem, nevis seko cilvēka rakstītiem noteikumiem. Ja piemēri ir pārāk līdzīgi, nepilnīgi vai slikti izvēlēti, modelis rada negaidītus rezultātus.

Mateja efekts

(angl. Matthew effect)

Visvairāk iegūst tie, kuriem jau ir priekšrocības: „kam ir, tam tiks dots”.

Mācību modulis

(angl. Training Module)

Strukturēta mācību vienība, kas attīsta kompetences ar mācību aktivitāšu un materiālu palīdzību.

Mācību vienība

(angl. Learning Unit)

Konkrēta mācību aktivitāte, ko izglītojamais veic moduļa ietvaros.

Mācīšana ar MI

Mācīšanās AR MI (angl. Teaching with AI)

MI izmantošana kā rīks paša skolotāja darbā – no plānošanas līdz atgriezeniskajai saitei.

Mācīšana par MI

Mācīšanās PAR MI (angl. Teaching about AI)

MI padarīšana par pašas nodarbības priekšmetu, lai skolēni saprastu, kā tas darbojas un kur tas nedarbojas pareizi.

Mācīšanas modelis

(angl. Teaching Model)

Pedagoģiska pieeja, kas nosaka, kā tiek strukturēta mācīšana un mācīšanās, ieskaitot MI lomu.

Mācīšanās rezultāts

(angl. Learning Outcome)

Izmērāms apgalvojums, kas apraksta, ko izglītojamajam ir jāzina vai jāspēj izdarīt.

Metaanalīze

Pārskats (angl. Meta-analysis)

Pētījums, kas apvieno daudzu atsevišķu pētījumu rezultātus par vienu un to pašu jautājumu.

MI

Mākslīgais intelekts (angl. AI, Artificial Intelligence)

Datorsistēmas, kas veic uzdevumus, kurus saista ar cilvēka domāšanu, piemēram, atpazīst likumsakarības, apstrādā valodu vai ģenerē saturu, galvenokārt mācoties no datiem.

MI asistents

(angl. AI Assistant)

MI rīks, kas veic darbu lietotāja vietā. Tas var mazināt atšķirības starp lietotāju darba rezultātiem, bet ne atšķirības viņu spējās.

MI detektors

(angl. AI Detector)

Programmatūra, kas apgalvo, ka spēj identificēt mašīnas rakstītu tekstu. Patiesībā tā mēra teksta paredzamību.

MI ētika

(angl. Ethics of AI)

Ētikas principi, regulējums, iestāžu politika un praktiskas vadlīnijas par MI izmantošanu, kas skolotājiem jāsaprot un jāpiemēro. Vertikālās dimensijas caurviju aspekts.

MI modelis

(angl. AI model)

Apmācītais MI sistēmas kodols, kas no ievaddatiem ģenerē rezultātus.

MI pamati un pielietojumi

(angl. AI foundations and applications)

Konceptuālās zināšanas un pārnesamas prasmes, lai saprastu, kā MI darbojas, un izvēlētos, pielietotu un pielāgotu MI rīkus. Vertikālās dimensijas saturiskais aspekts.

MI pedagoģisko kompetenču ietvars

DUAL.AI.TEACHer kompetenču ietvars (angl. AI Pedagogical Competency Framework)

Struktūra, kas sadala ar MI saistītās mācīšanas kompetences dimensijās un līmeņos un saista tās ar rezultātiem un novērtējumiem, saskaņojot pedagoģiskos, ētiskos un tehniskos aspektus.

MI pratība

(angl. AI literacy)

Izpratne par MI jēdzieniem, iespējām, ierobežojumiem un atbildīgu izmantošanu. Saskaņā ar MI akta 4. pantu skolām jāatbalsta tās attīstība darbiniekiem, kuri izmanto MI (saistoši kopš 2025. gada 2. februāra); konkrēts līmenis, sertifikāts vai formāts nav noteikts. Arī sertifikācijas B virziena nosaukums.

MI rīks

(angl. AI Tool)

Jebkura lietotne, kas izmanto MI, lai atbalstītu kāda uzdevuma veikšanu.

MI tērzēšanas robots

Tērzēšanas robots, čatbots (angl. AI Chatbot)

Programma, kas sarunājas dabiskā valodā; mūsdienās parasti balstīta uz lielo valodas modeli.

MI tiesiskā atbilstība

Tiesību aktiem atbilstoša MI izmantošana (angl. AI Compliance)

MI izmantošana saskaņā ar datu aizsardzības tiesībām, MI aktu, autortiesībām un eksāmenu regulējumu. Atbilstība nevis kavē MI izmantošanu, bet gan padara to iespējamu.

MI tutors

(angl. AI Tutor)

MI sistēma, kas paredzēta satura skaidrošanai un izglītojamo vadīšanai. Var atbalstīt faktu zināšanu apguvi.

Mikrokvalifikācija

(angl. Micro-credential)

Mazāka sertifikācija, kas aptver vienu fokusētu kompetenču kopu, nevis visu sertifikācijas ceļu; mikrokvalifikācijas var apvienot, lai iegūtu lielākas kvalifikācijas.

MOOC platforma

(angl. MOOC Platform)

Digitāla platforma kursu īstenošanai, izglītojamo pārvaldībai un mācību satura mitināšanai.

N

Nemērķēta datu ievākšana

Datu ievākšana (angl. Untargeted scraping, scraping)

Automatizēta masveida attēlu vākšana no interneta vai videonovērošanas ierakstiem bez konkrēta mērķa vai konkrētas personas.

Nodrošinātājs

MI nodrošinātājs (angl. Provider)

Uzņēmums, kas izstrādā un piedāvā MI sistēmu. Parasti tas ir atbildīgs par to, lai lietotāji tiktu informēti, ka mijiedarbojas ar MI; ja tas apstrādā datus skolas vārdā, saskaņā ar VDAR tas ir apstrādātājs.

Novērtējums par ietekmi uz pamattiesībām

FRIA (angl. Fundamental rights impact assessment)

Novērtējums, kas publiskām struktūrām un organizācijām, kuras sniedz publiskus pakalpojumus, var būt jāveic pirms augsta riska MI izmantošanas (MI akta 27. pants).

Novērtēšanas aktivitāte

(angl. Assessment Activity)

Aktivitāte, ar kuru novērtē, vai ir sasniegti mācīšanās rezultāti.

Novērtēšanas kritērijs

(angl. Assessment Criterion)

Noteikums vai etalons, pēc kura novērtē, vai mācīšanās rezultāts ir sasniegts.

Novitātes efekts

(angl. Novelty effect)

Īslaicīga pozitīva ietekme tikai tāpēc, ka kaut kas ir jauns. Tas var mākslīgi uzlabot īstermiņa pētījumu rezultātus.

O

Operators

(angl. Operator)

Darbības vārds, uz kura balstīts mācīšanās mērķis (piem., atpazīt, īstenot, kritiski izvērtēt). Tas parāda, ko no skolotāja attiecīgajā līmenī sagaida, un padara mērķi novērojamu.

P

Pakāpeniskais atbalsts

(angl. Scaffolding)

Skolotāja strukturēta vadība, kas palīdz izglītojamajiem izmantot rīku vai paveikt uzdevumu, ar kuru viņi vēl nespētu tikt galā patstāvīgi.

Pamatkompetence

(angl. Core competency)

Viena no 18 DUAL.AI.TEACHer ietvara kompetencēm; katra atrodas kādas pedagoģiskās jomas un kāda MI aspekta krustpunktā.

Paredzamība

(angl. Predictability)

Cik sagaidāms ir teksta formulējums. MI detektori mēra paredzamību, nevis mašīnas autorību, tāpēc tie kļūdaini atzīmē vienkāršu tekstu vai tekstu, kas rakstīts otrajā valodā.

Pastiprināšanas efekts

Pastiprināšana pretstatā izlīdzināšanai (angl. Amplification effect)

MI mēdz palielināt jau esošās atšķirības. Tas tās izlīdzina tikai tad, ja vienlaikus izpildās trīs nosacījumi: droša piekļuve, rīks, kas veidots mācīšanās atbalstam, nevis atbilžu sniegšanai, un skolotājs, kurš tā izmantošanu atbalsta ar pakāpenisku palīdzību (scaffolding).

Pārmērīga paļaušanās

Pārmērīga uzticēšanās (angl. Overreliance)

Lielāka uzticēšanās MI rezultātiem, nekā tie ir pelnījuši, piemēram, nepareizu atzīmju vai atgriezeniskās saites pieņemšana. Skolotājiem, kuri izmanto augsta riska MI, tas aktīvi jāuzrauga.

Pārredzamības pienākums

Marķēšanas pienākums, atklāšanas pienākums (angl. Transparency obligation)

Saskaņā ar MI akta 50. pantu – pienākums informēt cilvēkus, ka viņi mijiedarbojas ar MI, un atklāt dziļviltojumus un MI ģenerētus tekstus par sabiedrības interešu jautājumiem. Saturs, kas ir izgājis cilvēka pārskatīšanu un redakcionālu kontroli, ir atbrīvots, tāpēc skolotāja pārskatītai darba lapai marķējums nav vajadzīgs.

Pārskatītā Blūma taksonomija

(angl. Revised Bloom's taxonomy)

Modelis, kurā kognitīvie procesi attīstās no atcerēšanās un izpratnes caur pielietošanu un analīzi līdz izvērtēšanai un radīšanai (Anderson & Krathwohl, 2001). Progresijas līmeņu pamatā.

Pārzinis

Datu pārzinis (angl. Controller)

Saskaņā ar VDAR – struktūra, kas ir atbildīga par personas datu apstrādi. Skolās tā parasti ir skola.

Pedagoģiskais ietvars

(angl. Pedagogical Framework)

Strukturēts pedagoģisko principu un pieeju kopums, kas virza mācīšanas un mācīšanās plānošanu.

Personalizācija

MI personalizācija (angl. Personalisation)

Resursu, uzdevumu vai atbalsta pielāgošana katram izglītojamajam ar MI palīdzību. Tā var atbalstīt iekļaušanu, bet rada arī nevienlīdzības, datu ļaunprātīgas izmantošanas un atstumtības riskus.

Personas dati

(angl. Personal data)

Jebkura informācija par identificējamu personu, piem., vārdi, skolas e-pasta adreses, skolēnu darbi, balss ieraksti, fotoattēli, atzīmes, apmeklējuma un mācību progresa dati. Dati paliek personas dati, ja kādu var identificēt no konteksta.

Pielāgošana

Modeļa pielāgošana, drošības apmācība (angl. Tuning)

Korekcijas, ko nodrošinātājs veic pēc sākotnējās apmācības, lai ietekmētu to, ko sistēma parāda vai saka, piemēram, lai padarītu to drošāku, taisnīgāku vai daudzveidīgāku. Pielāgošana rezultātā nav redzama, tā var nenostrādāt un var mainīties bez brīdinājuma.

Politikas vadlīnijas

(angl. Policy Guideline)

Politikas līmeņa dokuments, kas sniedz pamatu kompetenču un mācīšanas prakses attīstībai.

Prasmju erozija

(angl. Deskilling)

Profesionālās ekspertīzes pakāpeniska erozija, kad rīks pārņem darbu, ar kura palīdzību šī ekspertīze tiek uzturēta.

Profesionālā pilnveide

Tālākizglītība, kvalifikācijas pilnveide (angl. Continuing professional development, CPD)

Profesionālā mācīšanās skolotājiem, kuri jau strādā skolās. Ceļveža 6. posms to pārvērš strukturētā piedāvājumā ar apvienojamām mikrokvalifikācijām.

Profilēšana

(angl. Profiling)

Automatizēta personu izvērtēšana, lai analizētu vai prognozētu to īpašības vai uzvedību. Izglītības MI sistēma, kas profilē personas, vienmēr tiek uzskatīta par augsta riska sistēmu.

Prognozēšanas mehānisms

Varbūtisks rezultāts (angl. Prediction engine)

Valodas modeļi ģenerē ticamu teksta turpinājumu, nevis meklē faktus datubāzē. Tas izskaidro, kāpēc tie halucinē un kāpēc līdzīgas uzvednes var dot atšķirīgas atbildes.

Progresijas līmenis

Līmenis (angl. Progression level)

Viens no trim līmeņiem, kuros aprakstīta katra pamatkompetence: 1. līmenis – orientējoša izpratne, 2. līmenis – reflektīva īstenošana (galvenais mērķis skolotājiem) un 3. līmenis – transformējoša līderība.

R

Randomizēts kontrolēts pētījums

RCT, kontrolēts pētījums (angl. Randomised controlled trial)

Pētījums, kurā dalībnieki tiek nejauši sadalīti grupās, lai rezultātu atšķirības varētu attiecināt uz intervenci.

Rokasgrāmata

(angl. Playbook)

Strukturēts ceļvedis, kas MI kompetences pārvērš mācīšanas praksē, izmantojot lietojuma gadījumus, pedagoģiskos modeļus un mācību resursus.

Runas atpazīšana

(angl. Speech recognition)

MI forma, kurā programma mēģina atpazīt izrunātus vārdus vai skaitļus. Tas, cik labi tā darbojas, ir atkarīgs no mikrofona, no tā, cik skaidri cilvēks runā, un no tā, cik telpā ir kluss.

S

Satura filtrs

(angl. Content filter)

Automātisks mehānisms, kas bloķē vai pārveido saturu, ko nodrošinātājs uzskata par nepiemērotu. Tā kritēriji bieži netiek atklāti.

Satura vienība

(angl. Content Unit)

Mazākā atkārtoti izmantojamā mācību sastāvdaļa, ko izmanto stundu plānos un moduļos.

Sejas atpazīšana

(angl. Facial recognition)

MI, kas identificē cilvēkus pēc sejas, piem., apmeklējuma uzskaitei vai eksāmenu uzraudzībai. Sejas atpazīšanas datubāzu veidošana vai paplašināšana ar nemērķētu datu ievākšanu ir aizliegta.

Sertifikācijas ceļš

(angl. Certification Pathway)

Ceļš, pa kuru kompetences tiek validētas un formāli atzītas – šeit kā divvirzienu ceļš (A virziens un B virziens).

Sertifikācijas virziens

A virziens, B virziens (angl. Certification track, Track A, Track B)

Viena no divām savstarpēji papildinošām sertifikācijām: A virziens – MI papildināta mācīšana (AR MI) un B virziens – MI pratība (PAR MI). Skolotāji var kārtot vienu vai abas.

Sertifikāts

(angl. Certificate)

Oficiāls dokuments, kas apliecina kompetenču apguvi.

Serveris

(angl. Server)

Dators, kas tīklā glabā un apstrādā datus citu vajadzībām. Tas, kur atrodas MI rīka serveri (piem., ES), ietekmē, kuri datu aizsardzības noteikumi ir piemērojami.

Shēma

(angl. Schema)

Personas sakārtotas zināšanas.

Skolas MI vide

Pārbaudīta platforma (angl. School AI environment)

Valsts nodrošināta, pārbaudīta MI platforma skolām ar saskaņotiem līgumiem, kas tiek piedāvāta, lai skolotājiem nebūtu jāreģistrējas bezmaksas rīkos.

Skolas vadītājs

Direktors, direktora vietnieks (angl. School Administrator)

Persona, kas atbild par skolas vadību, piemēram, direktors vai direktora vietnieks. 5.3. nodaļa ir adresēta tieši viņiem.

Skolotāja MI kompetence

(angl. Teacher AI Competence)

Skolotāju zināšanas, prasmes un attieksmes, lai mācītu ar MI un par MI, kā tās strukturētas DUAL.AI.TEACHer ietvarā.

Skolotājs

(angl. Teacher)

Persona, kas atbild par mācīšanas un mācīšanās aktivitāšu plānošanu un īstenošanu.

Skolotāju izglītotājs

(angl. Teacher educator)

Akadēmiskais personāls, kas māca skolotāju sākotnējā izglītībā. Viņu kapacitātes stiprināšana ir ceļveža 3. posms.

Skolotāju sākotnējā izglītība

Pedagogu studijas (angl. Initial teacher education, ITE)

Topošo skolotāju izglītība augstskolā.

Sokrātiskais tutors

(angl. Socratic tutor)

Tērzēšanas robots, kuram uzdots uzdot virzošus jautājumus, nevis sniegt atbildes. Ja tas iestatīts tikai ar uzvedni, garākās sarunās tas mēdz atgriezties pie atbilžu sniegšanas, tāpēc uzticami ierobežojumi ir jāiebūvē sistēmā.

Spēlifikācija

Gamifikācija (angl. Gamification)

Spēles elementu izmantošana stundās. MI izmantošana spēlifikācijai deva pārāk mazu ieguvumu, lai to varētu uzskatīt par pierādītu.

Stohastisks

Nejaušināts (angl. Stochastic)

Atkarīgs no nejaušības, tāpēc vieni un tie paši iestatījumi var dot atšķirīgus rezultātus.

Strukturēta uzvedne

(angl. Structured prompt)

Uzvedne, kurā norādīts vairāk nekā tikai temats, piemēram, mērķauditorija, nolūks, konteksts, valodas līmenis, tonis, izglītojamo vecums, mācīšanās mērķis, ilgums un gaidāmais rezultāts. Tā dod lielāku kontroli pār rezultātu, bet negarantē, ka tas būs labs.

Stundas plāns

(angl. Lesson Plan)

Detalizēts mācību stundas plāns, kas ietver mērķus, aktivitātes un MI rīku integrēšanu.

T

Taisnīgums

Nediskriminēšana (angl. Fairness)

Princips, ka MI un tā izmantošana nedrīkst sistemātiski nostādīt cilvēkus nelabvēlīgā situācijā, piem., kad MI detektori kļūdaini atzīmē tekstus, kuru autoriem valoda nav dzimtā.

Tehniskā drošība

(angl. Technical safety)

MI sistēmas uzticamība un noturība, lai tā darbotos, kā paredzēts, un neradītu kaitējumu.

Teksta-attēla ģenerators

Attēlu ģenerators (angl. Text-to-image generator)

Ģeneratīvais MI, kas rada attēlus pēc rakstiskas uzvednes. Tas, ko tas attēlo, ir atkarīgs no tā apmācības datiem un no nodrošinātāja veiktajām korekcijām.

Tiešsaistes eksāmens

(angl. Online Exam)

Formāls, strukturēts tiešsaistes novērtējums, kas ir daļa no vērtēšanas procesa.

Tirgus uzraudzības iestāde

(angl. Market surveillance authority)

Valsts iestāde, kas nodrošina MI akta izpildi. Ikviens, arī skolotāji, skolēni un vecāki, var tai iesniegt sūdzību (MI akta 85. pants).

Trešā puse

(angl. Third party)

Uzņēmums, kas nav ne skola, ne lietotnes izstrādātājs, parasti reklāmas vai analītikas uzņēmumi, kuri saņem datus, kamēr skolēns strādā.

U

UNESCO skolotāju MI kompetenču ietvars

(angl. UNESCO AI Competency Framework for Teachers)

UNESCO ietvars (2024), kas nosaka principus, vērtības, zināšanas un prasmes, kas skolotājiem nepieciešamas, lai MI izmantotu ētiski, efektīvi un droši. Vertikālās dimensijas avots.

Universālais dizains mācībām

UDL (angl. Universal Design for Learning)

Ietvars iekļaujošai, uz izglītojamo vērstai mācību plānošanai. Izmantots, lai stiprinātu ietvara iekļaujošo dimensiju.

Uz cilvēku vērsta domāšana

(angl. Human-centred mindset)

Vērtības un attieksmes, kas skolotājiem nepieciešamas cilvēka un MI mijiedarbībā, lai prioritāte būtu cilvēku vajadzībām, spriestspējai un labbūtībai. Vertikālās dimensijas caurviju aspekts.

Uzturētājs

(angl. Deployer)

Organizācija, kas ievieš un kontrolē MI sistēmu, parasti skola vai skolas dibinātājs. Skolotājs, kurš izmanto rīku saskaņā ar skolas norādījumiem, parasti nav atsevišķs uzturētājs.

Uzvedne

(angl. Prompt)

Norādījums, ko lietotājs dod MI sistēmai. Tās formulējums, konteksts un ierobežojumi ietekmē rezultātu.

Uzvednes pārrakstīšana

(angl. Prompt rewriting)

Nodrošinātājs automātiski maina lietotāja uzvedni, pirms to saņem modelis, piemēram, lai pievienotu detaļas vai daudzveidību. Lietotājs šīs izmaiņas neredz, tāpēc ierakstītais nav tas, ko mašīnai patiesībā lūdza.

Uzvedņu veidošana

Uzvedņu inženierija (angl. Prompt engineering, prompting)

Efektīvu uzvedņu rakstīšana kā apgūstama prasme, piemēram, stundu plānošanai, diferenciācijai un vērtēšanai.

V

VDAR

Vispārīgā datu aizsardzības regula, Regula (ES) 2016/679 (angl. GDPR)

ES datu aizsardzības tiesību akts. Kamēr MI akts jautā, vai un kā MI sistēmu drīkst izmantot, VDAR jautā, vai konkrētus datus par konkrētu personu drīkst apstrādāt konkrētā veidā.

Vertikālā dimensija

MI dimensija (angl. Vertical dimension)

Trīs MI aspekti DUAL.AI.TEACHer ietvarā, pārņemti no UNESCO ietvara: uz cilvēku vērsta domāšana, MI ētika un MI pamati un pielietojumi.

Vibe coding

 

Programmatūras izveide vai paplašināšana, dabiskā valodā aprakstot, kas tai jādara, un ļaujot MI uzrakstīt kodu. Rokasgrāmatā skolēni paplašina esošu simulāciju ar uzvednēm, nevis programmē no nulles.

Vienreizēja uzvedne

Viena uzvedne (angl. One-shot prompt)

Uzvedne, kas tiek nosūtīta vienu reizi, bez pilnveidošanas vai papildjautājumiem. (Tehniskajā lietojumā termins var nozīmēt arī uzvedni, kurā ir viens atrisināts piemērs.)

Viltus pozitīvs rezultāts

(angl. False Positive)

Pareizs, godīgs darbs, kas kļūdaini atzīmēts kā neatbilstošs. Kļūda, kas kaitē skolēniem.

Z

Zināšanu un rīcības plaisa

(angl. Knowledge-Action Gap)

Izmērāms attālums starp zināšanām par MI un mācīšanas prakses maiņu šo zināšanu dēļ.

Ž

Žurnāli

Reģistrētie notikumi (angl. Logs)

MI sistēmas automātiski ģenerēti ieraksti. Augsta riska sistēmu uzturētājiem tie jāglabā vismaz sešus mēnešus, ja žurnāli ir to kontrolē.