Avtor obravnava umetno inteligenco (UI) v izobraževanju kot izraz logike učinkovitosti, ki je globoko vpeta v sodobni kapitalizem. UI ni razumljena zgolj kot nevtralno orodje, ki pripomore k izboljšanju pedagoških procesov, pač pa kot tehnologija, ki uteleša zahteve po optimizaciji, kvantifikaciji in merljivosti znanja. V tem kontekstu se izobraževanje vse bolj podreja kriterijem učinkovitosti, ki so dejansko tuji njegovi temeljni nalogi. Prispevek izhaja iz prepričanja, da mišljenje in izobraževanje zahtevata počasnost, napor, negotovost in tudi »neučinkovitost«. Prav ti vidiki pa postajajo v logiki UI, ki sledi  kapitalistični racionalnosti, izrazito problematični. V dialogu z Lyotardovo analizo postmoderne vednosti avtor pokaže, da se legitimnost znanja vse pogosteje presoja glede na njegovo performativnost in uporabnost, pri čemer UI nastopa kot tehnološka uresničitev tega kriterija. Univerza se tako sooča z nevarnostjo, da se preoblikuje v institucijo za produkcijo učinkovitih kompetenc, namesto da bi ohranjala prostor kritičnega mišljenja. Ključni izziv vpeljave UI v izobraževanje se zato ne kaže v vprašanju učinkovitosti, temveč v vprašanju smisla, pri čemer ohranjanje »neučinkovitega« mišljenja predstavlja eno temeljnih nalog sodobne univerze.

Za potrebe letošnje (2026) konference je bila pripravljena kratka anketa, v kateri smo študentom 1. in 3. letnika študijskega programa Razredni pouk zastavili nekaj vprašanj, ki se povezujejo z digitalno podporo njihovemu učenju. Na sedemstopenjski lestvici so morali izraziti svoje strinjanje z nekaj trditvami, ki so povezane z digitalno podporo pridobivanju znanja, sledilo pa je še nekaj vprašanj, ki so se nanašala na pogostost uporabe orodij kot so orodja iz Microsoftovega Office-a (Word, PowerPoint, Excel), ChatGPT in Mentimter, imeli pa so možnost navesti še druga pogosto uporabljana orodja. Preverjali smo verjetnost povezanosti odgovorov s spolom anketirancev, letnikom in predizobrazbo (gimnazijski maturanti in ostali) in ugotovili, da se verjetnost povezanosti pojavlja le izjemoma. Velika večina vprašanih je mnenja, da jim pri pridobivanju znanja zelo pomagajo različna digitalna orodja, zelo majhna je redna uporaba MS Excela, Mentimetra ne uporablja skoraj nihče, MS Word uparablja dnevno ali tedensko kar 86 % vprašanih, ChatGPT pa tudi dobre tri četrtine. Z anketo smo se le nekoliko dotaknili mnenj in navad študentov, za boljši vpogled v dejansko vlogo digitalnih tehnologij pri pridobivanju znanja pa bi bila potrebna veliko bolj poglobljena in kompleksna raziskava. Dejstvo pa je, da so digitalne tehnologije in orodja temelječa na umetni inteligenci neizogibno del procesa pridobivanja znanja in je zato nujen razmislek o tem, kako jih uporabljati, da z njimi ne naredimo več škode kot koristi.

V raziskavi smo na vzorcu 436 študentov povezanost rabe generativne umetne inteligence (v nadaljevanju Gen-UI) ter motivacijskih in samoregulacijskih učnih strategij pri študiju. Študenti imajo do Gen-UI pretežno zmerno pozitivna stališča, čeprav izražajo pomisleke glede njene vloge pri spodbujanju ustvarjalnega izražanja, razvijanja kritičnega mišljenja in pridobivanja dodatnega znanja. Večina študentov poroča o osnovnem poznavanju delovanja Gen-UI in zmerni kompetentnosti za njeno uporabo; pri tem najpogosteje uporabljajo orodja za generiranje besedil, predvsem za razumevanje zahtevnejših vsebin, pridobivanje dodatnih razlag, iskanje idej in hitrejše opravljanje študijskih obveznosti, medtem ko je uporaba za analizo podatkov, citiranje ali pripravo anket občutno redkejša. V nadaljevanju je analiza pokazala, da študenti z višjo testno anksioznostjo pogosteje vključujejo orodja Gen-UI kot podporo pri zahtevnejših ali časovno obremenjujočih nalogah, medtem ko ni bila potrjena statistično pomembna povezava z njihovo samoučinkovitostjo. Pogostnost uporabe Gen-UI je bila šibko pozitivno povezana z metakognitivnimi učnimi strategijami, ne pa z regulacijo truda ali kritičnim mišljenjem. Raba Gen-UI se ni izkazala kot neposreden napovednik akademske uspešnosti; pomembnejši dejavniki pri napovedovanju povprečne ocene so samoučinkovitost, regulacija truda in deloma metakognitivne strategije, kar nakazuje, da motivacijski in samoregulacijski dejavniki pomembneje vplivajo na uspeh kot sama pogostnost uporabe Gen-UI.

Spletno anketiranje je eden izmed raziskovalnih pristopov, ki ga študentje družboslovnih ved uporabljajo pri svojih zaključnih nalogah. V zadnjih letih digitalna orodja in zlasti generativna umetna inteligenca pomembno spreminjajo ta proces, saj omogočajo hitrejše oblikovanje jasnih in logično strukturiranih vprašalnikov. Študentom so na voljo orodja, ki predlagajo primerne ubeseditve vprašanj, pomagajo pri določanju velikosti vzorca ter nudijo podporo pri osnovni statistični obdelavi podatkov. Tovrstna podpora lahko izboljša kakovost raziskav in razbremeni študente. Hkrati pa umetna inteligenca predstavlja nove izzive pri zagotavljanju verodostojnosti rezultatov. Nekritične raba orodij lahko vodi do generičnih in metodološko neustreznih vprašalnikov. Poleg tega se pojavlja tveganje, da študenti namesto dejanskega zbiranja podatkov uporabljajo umetno generirane odgovore, kar ogroža kakovost zaključnih nalog. Prispevek obravnava tudi vlogo mentorjev, ki lahko ključno vplivajo na vzpostavljanje dobrih praks odgovorne in transparentne rabe umetne inteligence ter preverjanja pristnosti zbranih podatkov.

Prispevek predstavlja celovito in sistematično analizo uporabe generativne umetne inteligence (GEN-UI) v slovenskem vzgojno-izobraževalnem prostoru na primarni, sekundarni in terciarni ravni. Raziskava, izvedena v okviru projekta Generativna umetna inteligenca v izobraževanju (GEN-UI), ponuja večplasten vpogled v trenutno stanje, izzive in priložnosti, povezane z rabo orodij GEN-UI v izobraževanju. Ugotovitve kažejo, da udeleženci prepoznavajo pomemben potencial generativne umetne inteligence za podporo učenju in poučevanju. Hkrati se izpostavlja potreba po sistematičnem usposabljanju pedagoškega kadra, saj učitelji poročajo o pomanjkanju konkretnih didaktičnih pristopov za učinkovito vključevanje GEN-UI v pouk. Rezultati predstavljajo relevantno strokovno podlago za pripravo smernic in strateških politik za varno, etično in učinkovito rabo umetne inteligence v slovenskem izobraževanju.

Hiter prodor generativne umetne inteligence (GenUI) v visoko šolstvo je načel številna vprašanja o tem, kako uskladiti uporabo GenUI z etičnimi načeli univerz, zlasti z vidikov akademske integritete, odgovorne in transparentne rabe, inkluzivnosti in varovanja podatkov. Prispevek predstavlja glavne ugotovitve sistematičnega pregleda znanstvene literature ter vsebinske analize izbranih institucionalnih smernic in pravil nekaterih večjih univerz. Posebno pozornost namenjamo temu, kako smernice opredeljujejo odgovorno in dopustno rabo GenUI v pedagoškem procesu. Na podlagi analize izpostavljamo prevladujoče modele upravljanja uporabe GenUI ter opozarjamo na odprta vprašanja, ki ostajajo predmet razprav v mednarodnem visokošolskem prostoru.

Predavanje na razumljiv način predstavi osnovni mehanizem velikih jezikovnih modelov in pokaže, kako iz tega izpeljati učinkovito uporabo v pedagoškem in raziskovalnem delu. Najprej razloži, da modeli ne obdelujejo besed kot celot, temveč besedilo razbijejo na tokene, zato sta struktura in ekonomičnost zapisa pomembni. Nato opiše vlogo kontekstnega okna: model “vidi” samo informacije, ki so trenutno v kontekstu, zato ob manjkajočih podatkih ugiba, ob preveč šuma pa spregleda bistveno. Poudari, da model generira odgovor z napovedovanjem naslednjih tokenov, kar pojasni, zakaj je lahko prepričljiv tudi, ko se moti. V drugem delu predstavi praktično šablono za dober prompt (vloga, cilj, kontekst, omejitve, format, preverjanje) ter primer, kako isti cilj z dobrim kontekstom prinese bistveno bolj uporaben rezultat.

Vprašanje ali umetna inteligenca (UI) izboljšuje učne rezultate je zastavljeno preveč preprosto, kot da bi šlo za enostaven vzrok in posledico v kompleksnem izobraževalnem sistemu. V prispevku UI obravnavamo kot del širšega sistema učenja. Študij razumemo kot skupen, sočasni razvoj študenta, UI, pedagogike in institucije, kot proces, v katerem se ti elementi med seboj spreminjajo sovplivajo. Na osnovi kibernetike prvega in drugega reda (von Foerster 2003, Bateson,1972) ter teorije avtopoieze (Maturana & Varela, 1980) predstavljamo štiristopenjski model odnosov med študentom in UI: od mehanične interakcije prek instrumentalnega sodelovanja, dialoga in so evolucije, v kateri se razvija »ekologija uma«, ki predstavlja omejitve lastnega in UI mišljenja. Izpostavljamo tudi tri glavna protislovja, ki se pojavijo pri uporabi umetne inteligence: učinkovitosti (hitrost zmanjšuje prostor za razmislek), dostopnosti (obilje informacij otežuje razumevanje) in samostojnosti (povečevanje hkrati neodvisnosti in odvisnosti uporabnika). Prispevek prikazuje, da učinkovitost UI ni v sami tehnologiji, ampak nastane v celotnem sistemu, kjer sodelujejo študent, umetna inteligenca, pedagog in institucija. Za kakovostne učne izide, moramo prenoviti pedagoške pristope tako, da spodbujajo razmislek in poglobljeno sodelovanje med študenti. Namesto osredotočanja na končne rezultate, moramo pozornost nameniti procesu učenja, izobraževalne institucije pa morajo ustvariti okolje, ki razvija kritično razumevanje UI, ne le njeno tehnično rabo.

Pri predmetih, katere so bili predavani v hibridnem načinu poučevanja smo analizirali ocene in jih primerjali z ocenami predmetov, predavinih na klasičen način. Na žalost, je bila baza zelo majhna.

V prispevku obravnavamo vprašanje, v kolikšni meri je generativna umetna inteligenca (UI) zmožna smiselnega reševanja matematičnih problemov ter kakšne so omejitve takšnega pristopa. Čeprav sodobni jezikovni modeli pogosto uspešno generirajo pravilne postopke in rešitve, se ob zahtevnejših, konceptualno poglobljenih nalogah pokažejo pomembne pomanjkljivosti: površinsko prepoznavanje vzorcev, nekonsistentno sklepanje in občutljivost na formulacijo problema. Na podlagi analize izbranih matematičnih nalog različnih zahtevnostnih ravni primerjamo uspešnost generativne UI pri rutinskih, problemskih in odprtih nalogah. Posebno pozornost namenjamo vprašanju, ali UI dejansko “razume” matematične koncepte ali zgolj simulira postopke na podlagi statističnih vzorcev iz učnih podatkov. Rezultati kažejo, da je generativna UI lahko učinkovito podporno orodje pri razlagi postopkov, generiranju primerov in preverjanju rešitev, vendar ne nadomešča poglobljenega matematičnega mišljenja. Prispevek odpira razpravo o pedagoških implikacijah uporabe UI pri pouku matematike ter o nujnosti razvoja kritične in reflektirane rabe teh tehnologij v izobraževanju.
Zadnja sprememba: ponedeljek, 2. marec 2026, 06.53