Jak na distanční výuku v éře AI agentů

23. 6. 2025 Základní vzdělávání Spomocník

Autor

Bořivoj Brdička

Anotace

Informace o tom, jak se podle americké expertky na online vzdělávání Philippy Hardman vyvíjí tato problematika v souvislosti s prudkým rozvojem umělé inteligence a využíváním AI agentů.

Množí se zprávy o tom, že AI agenti dokážou v rámci distanční asynchronní online výuky udělat velké množství práce za žáka. Pak je obtížné rozeznat, zda si účastník nějakého tradičního online kurzu (např. xMOOC) vůbec nějaké nové znalosti odnesl. Problematiku fundovaně rozebírá známá odbornice na design vysokoškolských kurzů Philippa Hardman [1].

Základní doporučení je po celou dobu, kdy se asynchronní online výuka praktikuje, pořád stejné. Žák musí cítit potřebu se něco naučit a výsledek musí být schopen osobně demonstrovat. Philippa problematiku zpracovala ve formě přehledné tabulky:

Tradiční online vzdělávání	Éra AI agentů
Model obsah–test Statické předávání obsahu s testováním faktických znalostí spíše než ověřování schopností.	AI generování praxe a zpětná vazba Interaktivní řešení problémů v reálném čase, aplikace schopností a zpětná vazba.
Kognitivní oddělení Učení je odděleno od skutečné praxe. Vyžaduje cyklické opakování.	Kognitivní propojení Učení probíhá prostřednictvím řešení praktických úkolů.
Metrické hodnocení Hodnocení prostřednictvím testů a splnění požadavků (účasti).	Kompetenční hodnocení AI hodnotí skutečné schopnosti (výsledky práce, použitý jazyk apod.).
Oddělené módy Vzdělávání a praxe se liší, a to včetně přípravy instruktorů.	Propojené módy Online, prezenční a praktické vzdělávání je dynamicky propojeno k dosažení maximální efektivity.
Orientace na LMS Učení probíhá prostřednictvím tradičních systémů řízení výuky (LMS), které fungují spíše jako úložiště než jako inteligentní platforma.	Konec LMS, nástup AI agentů Statické LMS modely jsou nahrazeny inteligentními, adaptivními, na kompetence orientovanými platformami s podporou AI, které pracují v reálném čase a se skutečnými pracovními nástroji (např. Slack, MS Teams).

Philippa konstatuje, že cesta k AI podporovanému učení je zatím dost nejasná a platformy, které ji podporují, se závratným tempem vyvíjejí. Ten, kdo se po ní chce vydat, musí sledovat tyto 3 procesy:

Analýza
Přehodnocení toho, jak analyzujeme vzdělávací potřeby, přesunutí od zaměření na pedagoga k žákovi.
Nastavení výuky
Přepracování obsahu a aktivit s cílem upřednostnit aktivní zapojení žáka před pasivním přijímáním poznatků a opakováním.
Hodnocení
Transformace metod hodnocení od zkoumání míry dokončení zadání k měření dopadu na reálný svět.

Vzestup umělé inteligence by neměl být vnímán jako hrozba, ale jako příležitost. Nástup AI odhaluje letité nedostatky obsahově náročných online kurzů založených na testech a zdůrazňuje potřebu učení řízeného žákem, které je založeno na jeho rozhodování.

Aktuální výzvou pro výukové designéry a pedagogy není budovat aktivity odolné vůči umělé inteligenci, ale navrhnout výuku, která je tak poutavá a efektivní, že ji nikdo nebude chtít delegovat na AI. Umělá inteligence nesnižuje význam učení – vyzývá nás, abychom ho zdokonalili.

A povšimněte si ještě jedné skutečnosti, která nám byla známa již dlouho před nástupem AI. Technologie dokážou podporovat různé výukové metody. Stále zřetelněji se však ukazuje, že je třeba se orientovat více na konstruktivní přístup než instruktivní (viz Možnosti otevírající vlastní cesty za poznáním).

Literatura a použité zdroje

[1] – HARDMAN, Philippa. Learning Design in the Era of Agentic AI. 2025. [cit. 2025-4-18]. Dostupný z WWW: [https://drphilippahardman.substack.com/p/learning-design-in-the-era-of-agentic].