Učitelé s AI: o kvalitě hodiny nerozhoduje, kolik práce svěří AI, ale jakou

✅ Peer-reviewed · Publikováno září 2026 · Data sbírána září 2025 až červen 2026 · Frontiers in Psychology

Když učitel při přípravě nechá AI navrhnout otázky a sekvence úloh, klade pak v hodině méně otázek vyššího řádu a hůř navazuje na to, co žáci řeknou. Když AI použije jen na formulace a kontext úloh, takový propad se neobjevuje. Ukazuje to roční videostudie Chena a kolegů publikovaná ve Frontiers in Psychology. Celkový čas strávený s AI přitom kvalitu hodiny nepredikoval, jakmile autoři vzali v úvahu, co přesně učitel delegoval.

Co studie zjistila

Autoři rozlišili dvě vrstvy přípravy. Generativní vrstva je vymýšlení: jaké otázky položit, jak úlohy variovat, v jakém pořadí. Formulační vrstva je dotváření: kontext úlohy, znění zadání. Pro každou hodinu spočítali, jaký podíl obsahu v obou vrstvách pochází z výstupu AI.

Když učitel delegoval víc generativní vrstvy, než je u něj obvyklé, v hodině kladl méně otázek vyššího řádu, méně substantivně navazoval na odpovědi žáků, hůř udržel kognitivní náročnost úloh a méně si všímal nečekaných podnětů od žáků. Standardizované koeficienty se pohybují mezi 0,08 a 0,18. To jsou malé efekty na úrovni jedné hodiny, které se ale opakují napříč celým školním rokem. Delegování formulační vrstvy s většinou ukazatelů nesouviselo. U délky a pestrosti řetězců variací úloh vycházelo dokonce pozitivně.

Vizualizace: FAIN News na základě dat z Chen a kol. (2026), Frontiers in Psychology.

Nejzajímavější zjištění se týká sebehodnocení. Po přípravě s větším podílem generativní vrstvy z AI se učitelé cítili měřitelně jistější: o 0,23 směrodatné odchylky na každou směrodatnou odchylku podílu delegování. Tato jistota ale s tím, co se pak v hodině dělo, téměř nekorelovala. Autoři tomu říkají confidence-performance dissociation: pocit připravenosti a skutečná kvalita výuky se rozpojí.

Jak to zjistili

Tým sledoval 90 učitelů matematiky z 18 veřejných škol nižšího sekundárního stupně ve východní Číně během celého školního roku 2025/2026. Ve čtyřech vlnách natočil 897 hodin, zachytil 4 640 nečekaných příspěvků žáků, analyzoval záznamy z 1 518 přípravných sezení s AI a vedl 556 rozhovorů metodou stimulated recall. Míru delegování nezjišťoval dotazníkem. Porovnával finální přípravu hodiny se záznamy interakce s AI segment po segmentu a určoval, odkud který kus obsahu pochází.

Ve třetí a čtvrté vlně autoři přidali malý experiment. U 154 náhodně vybraných hodin měli učitelé nejdřív sami navrhnout otázky a sekvenci úloh a teprve potom konzultovat AI. Protokol dodrželo 84 % z nich. Podíl generativní vrstvy z AI výrazně klesl (d = −0,49) a navazování na odpovědi žáků mírně vzrostlo (d = 0,22). U otázek vyššího řádu a kognitivní náročnosti se ale efekt neprokázal.

Proč je to důležité

Debata o AI ve škole se většinou točí kolem toho, kolik ji učitelé a žáci používají. Tahle studie ukazuje, že je to špatná metrika. Rozhoduje, kterou část myšlení člověk předá stroji. Zapadá to do širšího obrazu: randomizovaná studie Huanga a kolegů ukázala, že krátký trénink strategického používání AI výrazně zlepšil výsledky studentů, a analýza zkoušek 891 studentů od Hakoly a kolegů zjistila, že reflektivní používání AI vede k lepším výsledkům než čistě instrumentální.

Pro praxi z toho plyne jednoduché pravidlo, které experiment ve studii přímo testoval: nejdřív vlastní otázky, pak AI. Nástroj pak slouží k vylepšení, ne k vymýšlení. Pro školení učitelů je důležitý i druhý poznatek. Učitelé sami nepoznají, kdy jim delegování škodí, protože pocit připravenosti roste. Je to stejný mechanismus jako automation bias, o kterém jsme psali v souvislosti s dohledem nad AI agenty. Sebereflexe tu nestačí, potřeba je zpětná vazba z hodiny.

Limity a otevřené otázky

Hlavní zjištění jsou observační, takže kauzalitu neprokazují, a experimentální část změnila víc věcí najednou: pořadí přípravy, autorství otázek i to, jak moc se učitel na otázky soustředil. Vzorek pochází z jediného města ve východní Číně a z jednoho předmětu. Přenos do českých škol, jiných předmětů nebo jiného stupně je otevřený. Část učitelů ze studie odešla, a to nenáhodně: souviselo to s pracovní zátěží. Studie také nejmenuje konkrétní AI nástroje, jen kategorie platforem, takže nevíme, s jakými modely učitelé pracovali.

Mezi koncem sběru dat a publikací uplynuly zhruba tři měsíce, od začátku sběru dvanáct. Během toho roku se nástroje dostupné učitelům měnily a studie je nerozlišuje. Zjištění o rozdílu mezi vrstvami delegování ale nestojí na schopnostech konkrétního modelu. Týká se toho, co učitel přestane dělat sám, a to by mělo platit i pro silnější modely.

Zdroj obrázku: Unsplash / Vitaly Gariev