Článek
Třetí destinace: Detroit. Naše partička 18 expertek a expertů na digitalizaci vzdělávání z celého světa mířila do Apple Developer Academy — první svého druhu v USA, kde Apple vzdělává budoucí vývojáře. Bylo super, že tentokrát bez frontální prezentace. Pojďte si zkusit, jak tady pracujeme, experti! :D
Dostali jsme čtyřicet minut, čtyři týmy, téma: dostupnost ve vzdělávání. Přinesla jsem téma, které mě teď provází a řeším ho i v jednom z předchozích blogů: Co dělá AI nástroj dobrým vzdělávacím nástrojem? A jak pomoci školám a učitelům to rozpoznat a dobře využít? V Detroitu jsme si s touhle myšlenkou pohráli a navrhli „AI tool evaluator“ a já si kladu otázku, jestli je reálné stanovit kritéria, podle kterých bychom nástroje skutečně hodnotili.
Naštěstí na to nejsem sama. Letos vyšla hned trojice velkých studií: Brookings Institution s reportem „A new direction for students in an AI world: Prosper, prepare, protect“, OECD Digital Education Outlook 2026 a Stanford SCALE s přehledem výzkumné základny AI v K-12. Všechny tři dospěly k velmi podobným závěrům a jedním z nich je: na designu nástroje záleží! V tomhle článku se proto snažím formulovat konkrétní parametry, jak (a jakou) AI používat, aby neškodila. Roztřídíme si do dvou kritérií: pedagogická kritéria a technická a bezpečnostní kritéria. Bude to delší, ale stojí to za to!
Proč na designu (způsob, jakým je nástroj navržen a jak funguje) záleží víc, než si možná myslíme
Než se pustíme do parametrů, jeden údaj, který nám to pěkně zarámuje.
Výzkumníci z Wharton School dali skupině středoškoláků matematické úlohy. Jedna skupina pracovala s volně dostupným ChatGPT, druhá s pedagogicky navrženým tutorem, třetí zcela bez AI. Na tréninkových úlohách si skupina s ChatGPT vedla o 48 % lépe než skupina bez AI. Pak ale přišlo ověření znalostí. Skupina, která trénovala s ChatGPT, skórovala o 17 % hůře než skupina, která AI nikdy nepoužívala! Skupina s pedagogicky navrženým tutorem? O 127 % lépe, bez negativního efektu na samostatný výkon.
Takže: stejná technologie - jiný design - opačné výsledky. AI má zkrátka potenciál zesilovat pedagogiku. Tu dobrou i tu špatnou.
Část I: Pedagogická kritéria
1. Odpovídá, nebo nutí přemýšlet?
Obecné jazykové modely jsou trénovány na jedné základní úloze: dokončit text co nejpřesněji a nejplynuleji. Zeptáte se, dostanou odpověď. Napíšou esej, vyřeší rovnici, shrnou knihu, což je ve vzdělávání problém.
Dobrý pedagog práci za studenta nedělá. Klade otázky, nabízí nápovědy, přizpůsobuje tempo tomu, co žák skutečně prokázal, že umí. Pedagogicky navržená AI by měla místo dokončování úloh za žáka vyvolávat přemýšlení. Konkrétně přes tzv. kognitivní mantinely - mechanismy, které žáka donutí nejdřív zkusit sám, než dostane pomoc. Odborně: Cognitive Forcing Functions. V praxi třeba: „Než ti ukážu řešení, napiš jednou větou, jak ses na úlohu díval.“ Výzkum MIT Media Lab (2025) ukázal, že žáci pracující s ChatGPT vykazují o 55 % nižší mozkovou aktivitu než žáci píšící bez AI a 83 % z nich nedokázalo po minutě citovat jedinou vlastní větu z textu, který právě „napsali.“
Ale pozor: šikovný student to dokáže obejít. Při dostatečném tlaku začne model odpovídat napřímo, i když byl nastaven jinak. A ještě jedna možná vrstva, která zatím spolehlivě nefunguje, ale s agentní AI přichází její čas: AI, která s vámi produktivně nesouhlasí. Zpochybňuje závěry, nutí vás k obhajobě argumentů, odmítá přitakávat. Tenhle princip zvaný „anti-sycophancy“ je dnes jedním z největších výzkumných témat v oboru. Anthropic, Google i OpenAI na něm intenzivně pracují. Zatím to není vlastnost, kterou by šlo zaručit, ale snad brzo…
Co můžete zkusit v praxi: Khanmigo od Khan Academy nedává odpovědi, ale klade otázky. Žák, který chce esej o klimatické změně, dostane odpověď: „Jaký argument tě napadá jako první? Zkus ho napsat jednou větou.“ V určité míře si takového „asistenta na mírů“ můžete vytvořit i sami (jako custom GPT, GEM nebo Agent v copilotu).
2. Umí vysvětlit, jak k výsledku dospěla?
Tomuto principu se odborně říká Explainable AI, zkráceně XAI. Profesor Francisco Bellas z Univerzity v La Coruñi, jehož přednášku jsem měla možnost slyšet na konferenci EMINENT, ho definuje jako snahu objasnit, proč systém přijal určité rozhodnutí. Bez tohoto vhledu zůstává AI pro učitele i žáky nedůvěryhodnou černou skříňkou. (Bellas, F. J., Metode Science Studies Journal, 2025)
Jedno rozlišení je tu ale důležité. Pravá vysvětlitelnost velkých jazykových modelů je stále otevřený výzkumný problém: víme, co model produkuje, ale nikdo přesně neví proč. Co nástroje dělají místo toho, je tzv. chain-of-thought: model verbalizuje mezikroky svého uvažování ještě před tím, než odpoví. Není to rentgen do neuronové sítě, ale pedagogicky je to velmi cenné.
Proč? Žák, který opakovaně sleduje, jak AI krok za krokem uvažuje, nezíská automaticky schopnost myslet stejně. Ale internalizuje strukturu myšlení: ne obsah, ale postup. Psychologie učení to zná jako kognitivní modelování. Ideální je samozřejmě nejen sledovat, ale aktivně s výstupem pracovat (ověřovat, navrhovat vlastní…). A žák, který tohle dělá pravidelně, si přirozeně buduje zdravý skepticismus vůči AI výstupům, vlastní metakognici a kritické myšlení.
V praxi: MATHia od Carnegie Learning zobrazuje u každého kroku řešení, jak k němu model dospěl. Žák musí potvrdit porozumění každé vrstvě a výzkumy ukazují statisticky signifikantní výsledky oproti standardní výuce. Žák totiž nesleduje správnou odpověď, ale správný způsob myšlení.
3. Dávkuje informace, nebo je chrlí najednou?
Kognitivní psycholog John Sweller popsal princip kognitivní zátěže: pracovní paměť člověka má omezenou kapacitu. Přetížíte-li ji informacemi najednou, mozek přestane zpracovávat obsah a začne jen ukládat fragmenty, bez porozumění a bez struktury.
Dobrý pedagog tuto kapacitu respektuje: začíná od základu, přidává složitost postupně, ověřuje porozumění před dalším krokem. Tenhle princip se nazývá scaffolding. Takové lešení, které se staví spolu s tím, jak roste stavba, a odstraní se, až když zeď drží sama.
Technicky ale scaffolding vyžaduje tzv. „user model“. Průběžně aktualizovaný odhad toho, co konkrétní žák ví a co ještě ne. Většina komerčních EdTech nástrojů ho buď nemá vůbec, nebo ho integruje velmi omezeně. Správná otázka pro tvůrce AI nástroje pak zní: jak váš systém pozná, co žák ví? A co se stane, když žák opakovaně chybuje ve stejném jevu?
V praxi: Nejlepší analogie je videohra. Level 1 vás neozbrojí kompletním arzenálem a nehodí do finálního souboje. Začínáte s jedním pohybem, zvládnete ho, odemknete další. Postup řídí váš výkon (ne časový limit).
4. Je postavená na vědě o učení?
Ne každý, kdo programuje výukovou aplikaci, četl Blooma nebo Vygotského. A ne každého vývojáře napadne, že by o tom mohl takhle přemýšlet. Je to problém, který s érou vibecodingu dostává zcela nový rozměr.
Bloom definuje šest úrovní kognitivní náročnosti: zapamatovat, pochopit, aplikovat, analyzovat, hodnotit, tvořit. Většina EdTech nástrojů pracuje na prvních dvou. Vygotského zóna nejbližšího vývoje říká, že nejefektivnější učení probíhá v prostoru mezi tím, co žák zvládne sám, a tím, co zvládne s podporou. Gardnerova teorie mnohočetných inteligencí připomíná, že děti se učí individuálně a výukový design musí zahrnout i různé způsoby zprostředkování, nejen obtížnosti. Různé nástroje slouží různým účelům a každý z nich může čerpat z jiného pedagogického přístupu. Důležité je, aby za ním nějaký přístup byl, ideálně i zdokumentovaný a obhajitelný.
Jak to ověřit? Upřímně, zvenku těžko. Vývojáři vám asi vždycky řeknou, že na vědě staví, když budou chtít nástroj dobře prodat. Proto bychom se měli ptát a pátrat aktivně po tom: Na jaké pedagogické teorii stojí design nástroje a kde je to zdokumentováno? a taky „máte výsledky testování? A mohla bych je vidět?“ :)
5. Je přístupný a inkluzivní?
Toto kritérium bývá v přehledech EdTech kvality podceňováno, přitom v kontextu základního vzdělávání patří mezi nejzásadnější. Evropský rámec DigCompEdu i americké ISTE Standards for Educators ho explicitně řadí mezi klíčové dimenze kvalitního vzdělávacího nástroje. A mají proč. Inkluzivita AI nástroje má tři vrstvy, které je potřeba posuzovat zvlášť.
Technická přístupnost znamená, že nástroj funguje i pro žáky se specifickými vzdělávacími potřebami. V průměrné třídě jich může být i 15, 20 %. AI nástroj závislý výhradně na čtení textu je nefunkční pro žáka s dyslexií, nástroj bez titulků je nefunkční pro žáka se sluchovým postižením. Nástroj, který má být používán v běžné třídě, by měl přístupnost zohledňovat.
Jazykové odlišnosti: Osobně jsem toto téma považovala za překonané, ale ani náhodou! AI modely jsou trénovány převážně na anglickém textu, a to má přímé důsledky pro kvalitu pedagogické interakce, nejen pro jazyk rozhraní. Model, který v angličtině vysvětlí pojem brilantně, může v češtině produkovat gramaticky správný, ale pedagogicky chudý výstup. Výzkum ukazuje, že v češtině dosahují jazykové modely v průměru o 15,6 procentního bodu horší výsledky na vzdělávacích úlohách než v angličtině.
Socioekonomická přístupnost je třetí vrstva, na kterou upozorňuje i Brookings: AI vzdělávací nástroje jsou historicky první vzdělávací technologií, kde přesnější a kvalitnější výsledky dostanete za peníze. Bezplatná a placená verze většinou nabízí odlišně kvalitní výstupy (na rozdíl třeba od kalkulačky). Škola, která nasadí prémiový nástroj jen pro část žáků, nebo která spoléhá na bezplatnou verzi a neví, v čem se liší, vědomě nebo nevědomě prohlubuje nerovnosti ve třídě.
6. Posiluje vztah mezi učitelem a žákem, nebo ho nahrazuje?
Vzdělávání stojí na vztahu. Sociální, vztahovou a komunitní roli školy považuji za nejdůležitější pro budoucnost (píšu o tom tady). Kvalitní škola podporuje prostředí důvěry a empatie. AI může empatii výborně simulovat, ale skutečná empatie vyžaduje zkušenost, tělesnost a vztahy realizované v čase.
Co AI umí, je zpracovat velké množství dat a identifikovat vzory. Opravit sto esejí za pět minut (jasně, šlo by to napadnout, ale o to nám teď nejde:). Všimnout si, který žák opakovaně chybuje ve stejném jevu. Nabídnout personalizovanou sadu cvičení pro deset různých úrovní ve třídě najednou. Tohle jsou úkoly, které učiteli berou cenný čas, který by mohl věnovat rozvoji sociálních dovedností, vztahům.
Výzkum Kestin et al. porovnával tři modely: tradiční výuku, AI tutoring bez učitele a model, kde AI zajistila individualizované procvičování a učitel vedl skupinové diskuse a projekty. Třetí model vedl k nejvyšším výsledkům. Mimochodem, přesně takto je postavený design výuky v Alpha Schools, které jsme navštívili v Dallasu, a jejich studijní výsledky tento přístup potvrzují.
Praktická otázka, kterou stojí za to klást každému vývojáři nebo dodavateli AI nástrojů: má nástroj dashboard pro učitele? Může učitel vidět, co žák dělal, kde se zasekl, co mu šlo? Pokud ne, učitel je z procesu fakticky vyloučen. Našla jsem např. nástroj „Diffit“, který umožňuje učiteli zadat jeden text a třída během sekund dostane verze přizpůsobené různým úrovním čtenářů (na základě dat o postupu jejich učení). Učitel získává čas na roli průvodce a na žáky, kteří ho potřebují.
Část II: Technická a bezpečnostní kritéria
7. Chrání data? Neboli přístup „privacy by design“
Přiznávám, že tohle téma je tak hluboká králičí nora a legislativa je na něj natolik nepřipravená, že to ráda ponechám jiným a erudovanějším expertům. Nicméně alespoň základně:
V českém prostředí má škola při správě digitálních nástrojů konkrétní právní rámec, od kterého se odrazit - GDPR: škola je správcem osobních údajů žáků a nese za jejich ochranu plnou odpovědnost. Konkrétně to znamená sledovat, zda data žáků zůstávají v EU nebo jsou přenášena do třetích zemí, zda jsou data žáků používána k trénování AI modelů, zda má dodavatel certifikaci nebo audit bezpečnosti, a zda je v podmínkách služby jasně uvedeno, jak dlouho jsou data uchovávána a kdo k nim má přístup. Patří sem i auditovatelnost. Může škola nebo učitel zkontrolovat, co nástroj žákovi sdělil? Pokud ne, kontrola kvality je de facto nemožná a škola nemůže plnit svou povinnost správce dat.
EU AI Act přidává další vrstvu: vzdělávací AI systémy rozhodující o studijních trajektoriích žáků jsou klasifikovány jako vysoce rizikové. U nástrojů vyvinutých například pro automatizované hodnocení to znamená povinný systém řízení rizik, hodnocení dopadu na základní práva a povinný lidský dohled.
„Privacy by design“ zkrátka říká, že bezpečnost má být architektonické rozhodnutí od začátku, ne jen doplněk. Praktická otázka pro dodavatele proto zní: kde fyzicky leží data žáků a jste schopni doložit soulad s GDPR konkrétní dokumentací? „Soulad s GDPR“ na webu a skutečná smluvní připravenost jsou dvě různé věci.
8. Je spolehlivá a přizpůsobitelná kurikulu?
Vzdělávací nástroj, který s pětiprocentní pravděpodobností uvede chybný historický fakt nebo špatný matematický výsledek, je pedagogicky nepřijatelný. Spolehlivost je přitom měřitelná: existují standardizované benchmarky jako MMLU (který testuje faktickou přesnost přes 57 oborů včetně matematiky, přírodních věd nebo práva) a dodavatel by měl být schopen výsledky svého nástroje na nich doložit.
Mnoho učitelů si odnáší zkušenost, že jazykové modely jsou nespolehlivé a není se čemu divit. Volně dostupný ChatGPT nebo základní verze Gemini nejsou laděné pro přesnost v konkrétním vzdělávacím obsahu a jejich výsledky na faktických úlohách jsou slabší než u specializovaných nebo placených verzí. Brookings na to upozorňuje výslovně: AI vzdělávací nástroje jsou historicky první technologií, kde za přesnější výsledky opravdu musíte zaplatit. Nespolehlivost tedy není vlastnost AI jako takové, jako spíš vlastnost konkrétního nástroje, konkrétní verze a konkrétního způsobu nasazení.
Jenže spolehlivost nestačí, pokud nástroj skvěle funguje v anglosaském kurikulu a váš vzdělávací kontext ignoruje. Může pracovat s obsahem, který učitel sám nahraje (třeba ŠVP)? Respektuje Rámcový vzdělávací program jako referenční rámec? Nebo žáky učí britský vzdělávací plán, protože jiný nemá?
Otázky, které je proto potřeba klást, jsou jasné: jaké jsou výsledky nástroje na standardizovaných testech, umožňuje import vlastního obsahu, a jak si stojí v češtině?
Dobrý nástroj nestačí: záleží na prostředí, ve kterém se používá
Tak to bychom měli.
Tady je ale místo pro ještě jedno zásadní upozornění. Už poslední :)
Všechna tato kritéria mohou být splněna a přesto nástroj může selhat. Proč? Pokud je nasazen do prostředí, kde žáci nemají důvod přemýšlet. Pedagog může nasadit nejlepší technologii na světě, vyvěsit pravidla používání, ale pokud žák chce, může otevřít druhé okno a výsledek zkopírovat odjinud. Technické parametry jsou nutná podmínka, ale samy o sobě opravdu nestačí.
Je to kouzlo vnitřní motivace, smyslu učení a převzetí odpovědnosti za něj. Viděla jsem to na dvou velmi různých místech. V Alpha Schools v Dallasu jsem mluvila se dvěma studentkami a v Harmony public school se STEM zaměřením v Detroitu jsem sledovala žáky při práci na projektech, a při prezentacích výsledků, které nám sami představovali. Na AI jsme se jich samozřejmě ptali. Odpovědi měly společné to, že studenti věděli, proč se učí a že to dělají pro sebe. Školy je k tomu systematicky vedly, nabízely podmínky a podporu. AI pro ně nebyla prostředek k obcházení, ačkoli je to volně dostupný nástroj, ale prostředek k vlastnímu naplnění. Motivace a odpovědnost za vlastní učení jsou pro mě nakonec víc než jakýkoli parametr nástroje.
Závěr: co by vývojáři měli říkat a co by školy měly požadovat
Takže zpět k návrhu té aplikace, kterou jsme nahodili za 40 minut diskuze v Detroit Apple academy. Mezinárodně taková řešení začínají vznikat. Digital Promise spustila v dubnu 2025 certifikaci „Responsibly Designed AI“, nezávislé hodnocení EdTech produktů navržené ve spolupráci s 39 řediteli školských obvodů (USAi districtů) a výzkumníky. Šest produktů prošlo pilotní certifikací jako první, mezi nimi nástroje Carnegie Learning a SoapBox Labs. EdTech Quality Collaborative sedmi organizací (ISTE, CoSN, Digital Promise a dalších) provozuje EdTech Index s více než 1 500 hodnocenými nástroji podle pěti dimenzí kvality. Common Sense Media provozuje databázi hodnocení ochrany soukromí pro více než 5 000 nástrojů a nově spuštěný Privacy Seal zatím získalo méně než 10 % hodnocených firem.
V Česku nic srovnatelného nemáme. Proto je na místě přemýšlet o tom, co v tom můžeme udělat. Vývojáři by měli být schopni doložit, na jaké pedagogické teorii stojí design jejich nástroje, jaké jsou jeho výsledky na standardizovaných benchmarcích, kde fyzicky leží data žáků a s kým jsou sdílena, a jestli existují výzkumy účinnosti tohoto konkrétního produktu, ne obecně o AI tutoringu. Školy by před nasazením jakéhokoliv nástroje měly umět tyhle otázky klást. No veřejná správa by v tom školám měla umět efektivně pomoci (budu se snažit).
Hodná AI existuje. Jen ji musíme umět rozpoznat a pak taky umět použít.
