Článek
Vždy je to ale doprovázeno požadavkem podrobné osobní obhajoby s doložením postupu prací, prezentací auditní stopy a důkazu vlastního zpracování. Samotný výstup/text ustupuje do pozadí.
AI a návrat učitele: paradox kvantifikovaného hodnocení
1. Od ústní zkoušky k měřitelné performanci
Ještě relativně nedávno byla univerzitní výuka postavena na poměrně jednoduchém schématu: učitel vykládal, student odpovídal, učitel posuzoval. Ústní zkouška měla své slabiny — zejména omezenou srovnatelnost a neodstranitelný vliv nálady, dojmu, únavy či stylu interakce — ale zároveň umožňovala postihnout něco, co se v pozdějších standardizovaných formách často ztrácelo: živé porozumění, schopnost reagovat, argumentovat, improvizovat a prezentovat vlastní myšlenku v konkrétní situaci. Tlak moderní pedagogiky a psychometrie však vedl k tomu, aby bylo hodnocení stále více auditovatelné, transparentní a obhajitelné v případě protestu. Tak se do centra dostaly testy, standardizované položky a formy měření, které omezují interpretační volnost hodnotitele. Začalo se stále výrazněji ukazovat, že testy nejen měří, ale i formují to, co je vyučováno; pokud netestují širší spektrum dovedností, vytlačují z výuky právě to, co neměří. Z filosofického hlediska je to víc než technická změna. Mění se tím samotné pojetí vědění. To přestává být chápáno primárně jako něco, co se ukazuje v úsudku, dialogu a argumentaci, a začíná být pojímáno jako soubor výkonů převoditelných na položky, skóre a porovnatelné indikátory. Učitel už není především interpret a soudce porozumění, ale spíše správce procedury, která má být pokud možno nezávislá na jeho osobním úsudku.
2. AI jako dovršení logiky standardizace
Generativní AI tuto trajektorii nijak nevylepší, ale spíše ji dovádí do důsledků. To, co bylo dříve mechanizováno testem a tabulkovým vyhodnocením, dnes může být částečně automatizováno modelem: generování úloh, předběžné hodnocení odpovědí, sumarizace výkonu, automatická zpětná vazba, detekce vzorců v učení. Proto se může zdát, že role pedagoga mizí. Pokud je cílem hodnotit především to, co lze formalizovat, pak se stává logickou otázkou, proč by tuto činnost nemohl převzít systém, na co ještě živý učitel Pozoruhodné ovšem je, že i tam, kde AI zvyšuje výkon, nemusí posílit samotné učení. OECD v Digital Education Outlook 2026 výslovně uvádí, že bez pedagogického vedení může outsourcing úloh na generativní AI „zvyšovat výkon bez reálných učebních zisků“ a že výhoda studentů používajících obecné chatboty se po odebrání nástroje v testové situaci někdy ztrácí nebo dokonce obrací. Jinými slovy: systém může vyprodukovat lepší text, ale ne nutně lepšího myslitele. To je věc, kterou tak nějak tušíme, ale je dobré si to říct nahlas a oddělit tak výkon a porozumění.
3. Krize detekce a obrat k redesignu
Velká část prvních reakcí univerzit na GenAI byla obranná: zákaz, detekce, disciplinární rámce. Jenže praxe stál častěji a jasněji ukazuje, že je to marný boj a kdo se pustil touto cestou daleko nedojde. Ukazuje se, že je mnohem přijatelnější buď AI explicitně povolit v jasně vymezených mezích, nebo navrhovat úlohy, kde je použití AI pro demonstraci výsledků učení irelevantní, anebo vytvořit situace přímé supervize výkonu. Současně s tím je možné a dobré doporučit neinvestovat do detekce užití AI, ale do redesignu posuzování a hodnocení tak, aby zachycovalo autentické projevy schopnosti a porozumění. To by mohl být důležitý obrat. Znamená to, že AI nevrací učitele do hry prostě proto, že „stroje nestačí“, ale proto, že sama instituce začíná znovu potřebovat něco, co bylo v éře kvantifikace oslabeno: odborný úsudek v kontextu, schopnost rozlišit samostatné porozumění od pouhé hladké produkce textu, schopnost zkoumat proces myšlení a ne jen finální artefakt. Učitel se tedy nevrací jako starý suverén za katedrou, ale jako garant epistemické validity.
4. Co přesně se vrací: ne libovůle, ale erudovaný úsudek
S návratem je ovšem třeba zacházet opatrně. Návrat učitele neznamená návrat k nahodilé subjektivitě, náladovosti nebo „já to tak cítím“. Naopak, je třeba spojit více zdrojů důkazu o vlastním učení — bezpečné body ověření, autentické úkoly, procesní stopy, reflexi použití AI, obhajobu vlastního postupu, dialogické prvky a průběžnou zpětnou vazbu. Je dobré zařazovat průběžné kontrolní body, včetně ústních prezentací, in-class úloh a supervidovaných demonstrací a zároveň se vyhnout příliš technickému examinačnímu a málo autentickému modelu, který by sice byl bezpečný, ale pedagogicky chudý a sociálně možná i ne zcela spravedlivý. A tady se zdá být místo pro nové pojetí pedagoga: nikoli reprodukce dat nebo naopak sdělování pouhých dojmů, ale průvodce poznáváním, který propojuje různé typy důkazů a činí z nich rozumný, odborně zdůvodnitelný úsudek. Učitel tedy není zbytek po automatizaci; je tím, kdo rozhoduje tam, kde samotné skóre přestává být dostačující. Dosavadní snahy o moderní vzdělávání vedly k nahrazování úsudku měřením. Ale AI nyní ukazuje, že často nevíme, co vlastně měříme.
5. Proč standardizované výstupy přestávají stačit
Využívání generativní AI se v některých ohledech dostává do paradoxní situace. Přetrvávající důraz na textové výstupy vede studenty k jejímu využívání, a proto nepřekvapí, že právě eseje a programovací úlohy patří mezi oblasti, které jsou podle empirických studií (Kizilcec et al., 2024) generativní AI zasaženy nejvíce. Současně je však pro pedagogy — zejména při velkých počtech studentů — prakticky výhodné využívat hodnoticí postupy, které s AI nějakým způsobem počítají nebo ji přímo integrují. V extrémním případě tak může vznikat situace, kdy je lidský aktér v procesu tvorby i hodnocení přítomen pouze okrajově. Tato tendence odhaluje napětí mezi efektivitou a epistemickou hodnotou vzdělávání: čím snadněji lze vytvořit finální produkt, tím méně sám o sobě vypovídá o tom, zda student skutečně rozumí. Z tohoto důvodu současná literatura i empirické studie zdůrazňují potřebu posunu od hodnocení výstupů k hodnocení procesu učení a směrem k úlohám zaměřeným na kritické myšlení a autentické aplikace. Tento posun je patrný i na institucionální úrovni. Vysoké školy se stále častěji odklánějí od binárního schématu „AI zakázat/povolit“ a přecházejí k jemnějšímu rozlišování mezi typy úkolů, disciplínami a cíli učení (Wang et al., 2024). Doporučení zdůrazňují etické aspekty, práci se zdroji, ochranu dat a vícevrstevné hodnoticí strategie. Jednotný testovací model tak přestává být dostatečný.
6. Filosofický význam: rozpad iluze plné formalizace
Na hlubší rovině je tu starý filosofický problém: lze lidské poznání a jeho projevy úplně převést na formální proceduru? Klasické filosofické kritiky silné formalizace AI — včetně linií spojených např. s Hubertem Dreyfusem — mířily právě proti představě, že inteligence je plně rozložitelná na explicitní pravidla a reprezentace. Stanford Encyclopedia shrnuje tuto debatu jako spor o to, zda lze inteligentní chování vysvětlit čistě výpočetně a formálně, nebo zda je lidské myšlení neoddělitelné od situovanosti, pozadí a ne zcela explicitního know-how. Nemyslím, že by dnešní generativní modely jednoduše potvrdily Dreyfuse „proti AI“; spíš ukazují, že simulace výkonu ještě není totéž jako přítomnost porozumění, a že pedagogika musí tuto distinkci brát vážně. Proto se dnes vrací nikoli starý subjektivismus, ale otázka epistemického rozpoznání: podle čeho poznáme, že student rozumí? Nestačí, že dokáže dodat bezchybný text, správně stylizovaný argument nebo přehledně strukturovaný výstup. To vše dnes může být částečně delegováno. Více vypovídající se stává schopnost vysvětlit vlastní kroky, obhájit volby, reagovat na protiotázku, přenést argument do nové situace, poznat chybu modelu a ukázat vlastní rozhodování. A to jsou přesně ty momenty, které nejlépe zachycuje dialog, průběžná práce, obhajoba, revize a víceetapový úkol — tedy formy, v nichž je pedagog opět nepostradatelný.
7. Co nás tedy čeká
Rozvoj generativní umělé inteligence nevede k jednoduché marginalizaci učitele ve vysokoškolském vzdělávání, jak by se mohlo na první pohled zdát. Naopak odhaluje limity modelu hodnocení, který byl v průběhu 20. století budován na principu standardizace, kvantifikace a minimalizace subjektivního úsudku. Tento model předpokládal, že kvalitu porozumění lze adekvátně zachytit prostřednictvím měřitelných výstupů. Generativní AI však tuto představu narušuje: pokud lze kvalitně strukturovaný text, argument nebo řešení úlohy relativně snadno delegovat na algoritmus, přestává samotný výstup sloužit jako spolehlivý indikátor myšlení. V extrémním případě tak vzniká situace, kdy je vzdělávací proces optimalizován na produkci artefaktů, jejichž epistemická hodnota je zásadně oslabena. Tím se dostáváme k jádru současné transformace. Nejde pouze o technologickou změnu, ale o změnu v tom, co je ve vzdělávání považováno za důkaz poznání. Pokud výstup přestává být dostatečný, musí být pozornost přesunuta k procesu: ke způsobu, jakým student uvažuje, argumentuje, rozhoduje se a reflektuje vlastní postup. V tomto kontextu se proměňuje i role pedagoga. Nevrací se jako autoritativní nositel pravdy ani jako nahodilý subjektivní hodnotitel, ale jako garant epistemické validity — tedy ten, kdo je schopen v konkrétní situaci rozlišit mezi pouhou produkcí a skutečným porozuměním. Tato role není redukovatelná na algoritmickou proceduru, protože zahrnuje kontextuální interpretaci, práci s implicitními významy a posuzování kvality myšlení v situaci, která není plně formalizovatelná. Paradoxně tak technologický pokrok nevede k eliminaci lidského prvku ve vzdělávání, ale k jeho redefinici. Čím více je možné automatizovat produkci výstupů, tím větší význam získává schopnost rozpoznat jejich smysl. V tomto smyslu generativní AI neuzavírá proces racionalizace vzdělávání, ale otevírá jeho novou fázi, v níž se měření a interpretace musí znovu propojit. Lze proto formulovat závěrečnou tezi: Systém vzdělávání, který je optimalizován na produkci měřitelných výstupů, naráží v podmínkách generativní AI na vlastní hranice, protože právě tyto výstupy přestávají být spolehlivým důkazem myšlení. Budoucnost hodnocení proto nespočívá v další eskalaci kontroly, ale v promyšlené rekonstrukci vztahu mezi měřením a odborným úsudkem.
________________________________________
Josef Krob
