Fórum:AI/Kompetence učitelů pro hodnocení s využitím AI

Úvod

Rozvoj nástrojů umělé inteligence (AI) významně ovlivňuje způsoby hodnocení studentů ve vysokoškolském vzdělávání. Diskuse se často soustředí na otázky akademické integrity, například zda mohou studenti využívat AI k podvádění nebo zda by mělo být její používání omezeno. Méně pozornosti je však věnováno otázce, zda jsou učitelé dostatečně připraveni navrhovat a realizovat hodnocení v prostředí, kde AI hraje významnou roli.

Studie Fajardo-Ramos, Chiappe a Mella-Norambuena (2025) analyzovala 76 odborných publikací z období 2015–2025 zaměřených na vzdělávání učitelů ve vysokoškolském prostředí iberoamerických zemí. Výsledky poukazují na rozdíly mezi mezinárodními konceptuálními přístupy a reálnou praxí využívání AI při hodnocení.

Přístupy k využití AI při hodnocení

Mezinárodní literatura často prezentuje umělou inteligenci především jako nástroj podporující formativní hodnocení, zejména prostřednictvím automatizované nebo poloautomatizované zpětné vazby studentům.

Analýza iberoamerického vysokoškolského prostředí však ukazuje odlišný trend. AI je zde využívána zejména pro:

• proktorování a dohled nad průběhem zkoušek,
• automatizaci známkování,
• monitorování akademické integrity.

Využití AI k redesignu hodnocení směrem k formativnímu učení se v těchto kontextech zatím objevuje pouze omezeně.

Autoři studie navrhují taxonomii funkcí podle účelu, která rozlišuje využití AI v několika kategoriích hodnoticích procesů. Zdůrazňují, že různé aplikace AI vyžadují odlišné kompetence. Například AI využívaná pro spoluvytváření hodnoticích rubrik představuje zcela jiný typ pedagogické práce než AI používaná pro automatizovaný dohled nad studenty.

Kompetence učitelů

Na základě analýzy literatury autoři identifikují pět klíčových oblastí kompetencí, které jsou důležité pro učitele využívající AI při hodnocení:

1. Práce se zpětnou vazbou generovanou AI – schopnost interpretovat, upravovat a pedagogicky využívat automaticky generovanou zpětnou vazbu.
2. Validace a dohledatelnost hodnoticích rubrik – schopnost navrhovat a kontrolovat hodnoticí kritéria podporovaná AI tak, aby byla transparentní a reprodukovatelná.
3. Interpretace dat a otázky spravedlnosti – schopnost analyzovat výstupy AI a posuzovat jejich možné biasy a dopady na spravedlivé hodnocení studentů.
4. Integrita a transparentnost hodnocení – zajištění jasných pravidel používání AI a komunikace těchto pravidel studentům.
5. Orchestrace digitálních platforem – schopnost koordinovat různé nástroje a systémy v situacích, kdy AI asistuje při hodnocení nebo skórování.

Tyto kompetence mohou sloužit jako základ pro návrh vzdělávacích programů pro učitele.

Důvěra v AI při hodnocení

Literatura identifikuje také tzv. mezeru mezi používáním a důvěrou (use–trust gap). Učitelé často oceňují rychlost a efektivitu AI při poskytování zpětné vazby, avšak současně váhají svěřit AI složitější hodnoticí úsudky.

Podobně studenti mohou zpochybňovat kvalitu zpětné vazby generované AI, zejména pokud působí příliš obecně nebo mechanicky. Důvěra ve využití AI při hodnocení se obvykle zvyšuje tehdy, když je součástí systému lidská moderace nebo kontrola výstupů AI.

Napětí v implementaci

Literatura identifikuje několik základních napětí, která provázejí implementaci AI v hodnocení:

• neprůhlednost vs. důvěra – obtížná interpretovatelnost některých AI systémů může snižovat důvěru v jejich rozhodování,
• škálovatelnost vs. vztah mezi učitelem a studentem – automatizace umožňuje hodnotit velké množství studentů, ale může oslabovat osobní pedagogický kontakt,
• administrativní compliance vs. učení – využití AI může být orientováno spíše na kontrolu a dohled než na podporu učení,
• efektivita vs. rigoróznost hodnocení – tlak na rychlost může vést k zjednodušování hodnoticích procesů,
• inovace vs. systémová koherence – rychlý rozvoj AI může vytvářet nesoulad mezi technologickými možnostmi a pedagogickými postupy.

Řešení těchto napětí vyžaduje kontinuální pedagogické rozhodování a odpovídající profesní přípravu učitelů.

Reference

• Fajardo-Ramos, D. C., Chiappe, A., & Mella-Norambuena, J. (2025). Human-in-the-loop assessment with AI: Implications for teacher education in Ibero-American universities. Frontiers in Education, 10, 1710992.