Digitálny školník

Nie technika mení školu

2026-03-31T00:00:00+02:00

Digitálna transformácia školy - štúdia NCDTV

NCDTV zverejnilo prvú veľkú štúdiu o digitálnej transformácii slovenského školstva. Nie je to marketingový materiál projektu. Je to 150 strán, ktoré posúvajú diskusiu od „koľko máme tabúľ” k „čo sa má inak diať na hodine” — a pomenúvajú, čo sa stane, ak to škola pochopí zle.

Tento článok som napísal na základe Štúdie implementácie digitálnej transformácie vzdelávania pomocou AI Claude.

Čo štúdia v jadre tvrdí

Ústredný argument je jednoduchý, ale nepríjemný: digitálna transformácia školy nie je o zariadeniach, ale o zmene spôsobu učenia, roly učiteľa a kultúry školy ako celku. A bez systematickej podpory pre ľudí, ktorí túto zmenu majú realizovať, sa žiadna investícia do techniky nevráti.

Autori prirovnávajú rozsah tejto zmeny k elektrifikácii domácností v 20. storočí — udalosti, ktorá zasiahla spôsob zarábania, trávenia voľného času aj medziľudských vzťahov. Digitalizácia mení rovnaké veci, len oveľa rýchlejšie. A školy, ktoré na to nereagujú, podľa autorov prestávajú byť zmysluplné.

„Nebude stačiť vybaviť školy novými technológiami, do kurikula pridať digitálne kompetencie a učiteľom poskytnúť vzdelávania. Chce to transformačnú zmenu školy.” — štúdia NCDTV, 2025

Prečo zmena nestačí — ak nemá oporu v ľuďoch

Štúdia cituje výskum, podľa ktorého len 4 % ľudí prirodzene vítajú zmenu. Ostatní ju spracúvajú — cez odpor, smútok, frustráciu. To nie je slabosť, to je norma. Preto nestačí nariadiť digitálnu transformáciu zákonom alebo projektom. Školy potrebujú profesionálnu, systematickú a ľahko dostupnú podporu pre každého aktéra — riaditeľa, učiteľa, koordinátora.

A tu štúdia prináša dôležité varovanie z praxe: živelné zavádzanie technológií bez pedagogického zázemia neprináša výsledky — a to potom slúži ako munícia odporcov digitalizácie. Fínsky návrat k učebniciam a písaniu rukou je práve takýto prípad. Nie dôkaz, že digitalizácia nefunguje — ale dôkaz, čo sa stane, keď sa robí bez rozmyslu.

Tri rozmery, ktoré digitálna éra ohrozuje naraz

Štúdia sa opiera o filozofa vzdelávania Gerta Biestu, ktorý definuje tri rozmery zmysluplného vzdelávania. Digitálna éra zasiahla všetky tri súčasne:

Rozmer 1 — Kvalifikácia Nevieme, ako bude vyzerať trh práce o 5 rokov — nieto o 20. Kompetencie, ktoré sa kedysi čakali od pár percent populácie, sú dnes na zozname „must have” pre každého.

Rozmer 2 — Socializácia Čo je demokratické v dobe, keď sociálne siete ovplyvňujú voľby? Rumunský ústavný súd anuloval prezidentské výsledky po manipulácii cez platformy. Škola má žiakov na toto pripraviť.

Rozmer 3 — Subjektifikácia Percento úzkostných porúch u mladých je také vysoké, že sa to nedá vysvetliť len lepšou diagnostikou. Škola nesie spoluzodpovednosť za zdravé dospievanie v digitálnom prostredí.

Starý a nový prístup vedľa seba

Štúdia to nepomenúva ako revolúciu, ale ako posun v logike:

Dnes bežne	Čo štúdia navrhuje
Notebook a AI ako doplnok k starému výkladu	Technológia ako súčasť premyslenej stratégie učenia
Hotový výklad + pracovný list	Aktívne bádanie, obrátená výučba, scaffolding
Učiteľ ako hlavný zdroj obsahu	Učiteľ drží proces, kladie otázky, nastavuje kvalitu myslenia
AI buď zakázaná, alebo pustená bez pravidiel	AI má jasnú rolu podľa typu úlohy — s premyslenou stratégiou
Digitalizácia = vec IT oddelenia alebo zriaďovateľa	Pedagogická odbornosť je nadradená technologickej — rozhodujú učitelia, nie dodávatelia

Tri veci zo štúdie, ktoré stoja za pozornosť

1 — Rubrika Škola digitálnej excelencie 35 znakov v 4 kategóriách, každý na 4 úrovniach od „ešte sme nezačali” po „sme inšpirácia pre iných”. Nie checklist dokonalosti — nástroj na pomenovanie, kde škola reálne stojí, a pomoc pri nastavovaní SMART cieľov. Každá škola si môže vybrať, kde začne.

2 — Reálne dáta o žiakoch — nie pocit, ale čísla Štúdia obsahuje výsledky testovania digitálnych kompetencií, informatického myslenia a bádateľských zručností slovenských žiakov na ZŠ aj SŠ. Niektoré čísla sú nepríjemné. Odporúčam prečítať kapitolu 5 skôr, ako niekto tvrdí, že naši žiaci sú automaticky „digitálna generácia”.

3 — AI ako téma pre všetky predmety, nie len informatiku Transmisívne vyučovanie — výklad, zápis, test — je dnes plne nahraditeľné AI a videami. Štúdia to hovorí priamo. Preto rámcuje AI nie ako technologickú tému, ale ako didaktickú výzvu pre každého učiteľa: kritické myslenie, etika, zodpovednosť, konkrétne scenáre použitia.

Tri režimy práce s AI v triede

Jeden z najkonkrétnejších prínosov štúdie je typológia úloh podľa roly AI. Nie filozofia — pracovný nástroj pre každú hodinu:

Bez AI — Samostatné pochopenie Keď chceš zistiť, čo žiak skutočne vie. Základné vedomosti, vlastný postoj, prvotná analýza.

AI na plán — Brainstorm a štruktúra Osnova, nápady, otázky, protiargumenty. AI pomáha myslieť — nie myslí namiesto žiaka.

Spolupráca s AI — Tvorba s kritickým filtrom Žiak niečo vytvorí, ale zároveň kriticky posúdi, čo mu AI ponúkla. Výsledok je jeho — nie AI.

Za každým z týchto režimov má byť premyslená stratégia. Štúdia to hovorí explicitne: aj za nepoužívaním AI má byť dôvod, nie len zvyk alebo zákaz.

Štyri chyby, ktoré štúdia implicitne pomenúva

Vyzerá to moderne, ale nič sa nezmenilo. Interaktívna tabuľa, AI chatbot, tablet v lavici — a stále ide len o výklad a opisovanie. Presne proti tomuto štúdia argumentuje.
Úloha bez jasnej roly AI. Povieš „môžete použiť AI”, ale nepovieš na čo. Výsledok: niekto si nechá vygenerovať celý text, iný ju nepoužije vôbec. Chaos namiesto stratégie.
Hodnotíš iba výstup. Keď dáš známku len za hotový produkt, AI ľahko zakryje, že žiak nerozumel. Štúdia tlačí na hodnotenie procesu: kroky, rozhodnutia, chyby AI, vlastná oprava, obhajoba.
Myslíš si, že všetko vyrieši školenie alebo jedna appka. Bez vízie, akčného plánu a práce s ľuďmi je aj dobrý nápad len drahý rebrík opretý o zlú stenu.

Kde som skeptický

Štúdia je poctivá práca — a preto si zaslúži aj poctivú kritiku.

Vznikla v rámci národného projektu DiTEdu a z pohľadu NCDTV. Prirodzene teda obhajuje potrebu podporných štruktúr — koordinátorov, klubov, metodík, rubrík — ktoré tento systém sám buduje. To nie je automaticky zle, ale je dobré to vedieť pri čítaní.

Chýba tu tvrdé dlhodobé porovnanie: školy, ktoré išli týmto modelom, mali po troch rokoch o X lepšie výsledky. Vidíme rámec, logiku a odporúčania — nie definitívny dôkaz, že práve tento model je najlepší.

Sebahodnotenie škôl cez nástroj SELFIE má metodologické limity, ktoré autori sami otvorene uznávajú — dáta nie sú porovnateľné a závery sú len orientačné. Napriek tomu sa v komunikácii projektu prezentuje, akoby sme vedeli, kde školy stoja. Nevieme.

A výroky o tom, že bez transformácie škola stráca zmysluplnosť, sú silný interpretačný rámec — nie čisté meranie. Ako učiteľovi ti to môže dobre nastaviť smer, ale netreba z toho robiť dogmu.

Systémové prekážky — chronické podfinancovanie, preťažení učitelia bez substitúcií, fluktuácia riaditeľov — zostávajú v štúdii v úzadí. Transformácia, ktorá ráta len s ideálnymi podmienkami, sa v praxi ľahko zasekne.

Predpoklady, ktoré štúdia berie ako samozrejmé

Je užitočné vedieť, na čom štúdia stojí — čo neberie ako hypotézu, ale ako východisko:

Digitálna transformácia spoločnosti je nevratný proces — nie voliteľná téma.
Školy, ktoré sa nezmenia, budú produkovať absolventov nepripravených na skutočný svet.
Pedagogická odbornosť je nadradená technologickej — laici nemôžu navrhovať vzdelávacie riešenia.
Nárast úzkostí u mladých súvisí s nekontrolovanou digitalizáciou — a škola nesie spoluzodpovednosť.
Vynikajúci štandard je dôležitejší ako vynikajúce výnimky — systém má prednosť pred príkladmi dobrej praxe.

Pracovný vzorec na záver

Krok	Čo robíš
Zadanie	Vyber režim (bez AI / AI na plán / spolupráca). Rozdeľ úlohu na kroky — téza, argumenty, návrh, revízia.
Práca s AI	Nastav jej rolu: pýta otázky, pomáha s osnovou, dáva protiargumenty. Nie „sprav to za mňa”.
Kontrola	Skontroluj proces: rozhodnutia, chyby AI, vlastná oprava, obhajoba. Až potom výsledok.

Veta na záver

Nie technika mení školu, ale to, čo s ňou učiteľ spraví na hodine.

Zdroj

Štúdia je voľne dostupná pod licenciou Creative Commons (CC BY NC ND SA 4.0). Ak si riaditeľ, začni kapitolami 1 a 3. Ak si učiteľ, kapitoly 4, 5 a 9 sú najkonkrétnejšie.

🔗 Štúdia implementácia digitálnej transformácie vzdelávania

Štúdia je naozaj rozsiahla a pre jej lepšie pochopenie som s pomocou AI Claude vytvoril interaktívnu aplikáciu.

Mindmapa

Pre vstup do tejto rozštúdie môže pomôcť nasledovná mindmapa.

========================================
| DIGITÁLNA TRANSFORMÁCIA ŠKOLY MUSÍ  |
| BYŤ SYSTÉMOVÁ, NIE LEN TECHNICKÁ    |
========================================
Anchor: Text buduje argument, že zmena spoločnosti je
transformačná, preto sa musí transformačne zmeniť aj škola.
Zároveň mapuje konkrétny rámec, roly, nástroje a podporu.

│
├── [⚡][E] Východisková téza: bez zmeny škola stratí zmysel
│   ├── [E] Digitálna transformácia spoločnosti je hlboká zmena
│   │   ├── [E] Nejde o kozmetickú, ale transformačnú zmenu
│   │   ├── [E] Zasahuje komunikáciu, vzťahy, informácie, prácu
│   │   └── [📖][E] Analógia: rozsah ako elektrifikácia domácností
│   ├── [E] Svet sa opisuje rámcom VUCA
│   │   ├── [E] Nestálosť, neistota, zložitosť, nejednoznačnosť
│   │   └── [E] Nové je hlavne tempo zmien
│   ├── [E] Preto nestačí len technika, kurikulum a školenia
│   │   ├── [E] Nestačí vybaviť školy technológiami
│   │   ├── [E] Nestačí len pridať digitálne kompetencie
│   │   └── [E] Treba transformačnú zmenu školy ako celku
│   ├── [📖][E] Krivka zmeny: ľudský odpor nie je anomália
│   │   ├── [E] Ľudia reagujú smútkom, odporom, hnevom
│   │   ├── [E] Zmena sa deje rýchlo, prechod býva pomalý
│   │   └── [I] Autori tým legitimizujú potrebu sprevádzania zmeny
│   └── [A][~] Silné tvrdenie o strate zmysluplnosti je skôr
│       normatívne než priamo empiricky dokázané v texte
│
├── [E] Čo znamená „zmysluplnosť vzdelávania“
│   ├── [E] Opiera sa o tri rozmery podľa Biestu
│   │   ├── [E] Kvalifikácia
│   │   ├── [E] Socializácia
│   │   └── [E] Subjektifikácia
│   ├── [E] Kvalifikácia = vedomosti a kompetencie pre tvorbu a prácu
│   ├── [E] Socializácia = udržiavanie hodnôt
│   │   ├── [E] Demokracia
│   │   ├── [E] Ekológia
│   │   └── [E] Starostlivosť
│   ├── [E] Subjektifikácia = vyrásť do zodpovedného človeka
│   └── [E] Digitálna éra narúša všetky tri rozmery naraz
│       ├── [E] Trh práce je ťažko predvídateľný
│       ├── [📖][E] Rumunsko: manipulácia volieb cez siete
│       ├── [E] Otvára sa otázka ekologickej stopy AI
│       ├── [E] Mení sa význam starostlivosti v online vzťahoch
│       └── [E] Mladí dospievajú pod tlakom porovnávania
│
├── [⚡][E] Hlavný korektív: digitalizácia ≠ nákup zariadení
│   ├── [E] Autori výslovne varujú pred zúžením témy na hardware
│   │   ├── [E] Tablety, tabule, VR, notebooky, internet sú dôležité
│   │   └── [📖][E] Analógia: auto nestačí na to byť dobrý šofér
│   ├── [E] Dôsledok 1: vznikajú „jednoduché riešenia“ laikov
│   │   ├── [E] Stakeholderi majú legitímny hlas
│   │   ├── [E] No odborné riešenia vidia skôr vzdelávací odborníci
│   │   └── [📖][E] Príklad: Drijvers a teoretické rámce v matematike
│   ├── [E] Dôsledok 2: rastie odpor tých, čo vidia riziká
│   │   ├── [E] Živelná digitalizácia neprináša sľúbené výsledky
│   │   ├── [E] To vedie k frustrácii a zlému zovšeobecneniu
│   │   └── [📖][E] Fínsky návrat k učebniciam a písaniu rukou
│   ├── [E] Dôsledok 3: zanedbajú sa iné oblasti podpory
│   │   ├── [E] Peniaze a čas tečú najmä do technických riešení
│   │   └── [E] Bez podpory ľudí je investícia zbytočná
│   └── [A][⚠ ~] Argument je presvedčivý, ale časť kritiky
│       stojí na plausibilite, nie na tvrdom porovnaní modelov
│
├── [⚡][E] Riešenie: rubriky „Škola digitálnej excelencie“
│   ├── [E] Ide o holistický rámec rastu školy
│   ├── [E] 4 kategórie + 35 znakov + 4 úrovne rozvoja
│   │   ├── [E] Ešte sme nezačali
│   │   ├── [E] Máme prvé skúsenosti
│   │   ├── [E] Nadobúdame sebaistotu
│   │   └── [E] Sme inšpirácia pre iných
│   ├── [E] Kategória 1: Vízia digitálnej školy
│   │   ├── [E] Tvorba vízie
│   │   ├── [E] Akčný plán a jeho aktualizácia
│   │   ├── [E] Vlastníctvo vízie
│   │   └── [E] Komunikácia vízie naprieč komunitou
│   ├── [E] Kategória 2: Škola ako komunita aktérov
│   │   ├── [E] Žiaci
│   │   │   ├── [E] Digitálne kompetencie
│   │   │   ├── [E] AI kompetencie
│   │   │   ├── [E] Aktívna rola v učení
│   │   │   └── [E] Aktívna účasť v komunite
│   │   ├── [E] Učitelia
│   │   │   ├── [E] Personalizácia
│   │   │   ├── [E] Digitálne kompetencie
│   │   │   ├── [E] AI kompetencie
│   │   │   ├── [E] Konštruktivistický prístup
│   │   │   └── [E] Profesijné komunity a vzdelávanie
│   │   └── [E] Vedenie
│   │       ├── [E] Líderské kompetencie
│   │       ├── [E] AI vo vedení školy
│   │       ├── [E] Školský digitálny koordinátor
│   │       ├── [E] Riadenie procesov
│   │       ├── [E] Spolupráca s rodičmi a partnermi
│   │       └── [E] Pripravenosť na krízu
│   ├── [E] Kategória 3: Škola ako vzdelávacie prostredie
│   │   ├── [E] Digitálne aj nedigitálne zdroje
│   │   ├── [E] Fyzické prostredie
│   │   ├── [E] Virtuálne prostredie
│   │   ├── [E] Softvér a licencie
│   │   └── [E] Infraštruktúra + technická podpora
│   ├── [E] Kategória 4: Škola ako bezpečné prostredie
│   │   ├── [E] Kybernetická a informačná bezpečnosť
│   │   ├── [E] Audit a zlepšovanie
│   │   ├── [E] Prevencia a well-being
│   │   └── [E] Systém opory a pripravenosť na riziká
│   ├── [E] Rubriky nemajú tlačiť na dokonalosť všade naraz
│   │   ├── [E] Znaky sa prekrývajú a spolu súvisia
│   │   ├── [E] To autori nepokladajú za chybu, ale za pomoc
│   │   └── [→][E] Majú pomôcť pomenovať priority a SMART ciele
│   └── [📖][E] Obraz rebríka opretého o nesprávnu stenu
│
├── [E] Aktér 1: školský digitálny koordinátor
│   ├── [E] Má byť kľúčovým nositeľom procesu zmeny
│   ├── [E] Jeho vzdelávanie má 4 moduly
│   │   ├── [E] Kde chceme ako škola byť
│   │   ├── [E] Kde ako škola sme
│   │   ├── [E] Ako sa dostaneme do cieľa
│   │   └── [E] Rola digitálneho koordinátora
│   ├── [E] Má identifikovať digitálnu úroveň školy
│   │   ├── [E] Žiakov
│   │   ├── [E] Zamestnancov
│   │   ├── [E] Komunikácie so žiakmi a rodičmi
│   │   └── [E] Úrovne bezpečnosti školy
│   ├── [E] Má plánovať proces transformácie
│   │   ├── [E] Formulovať SMART ciele
│   │   ├── [E] Vypracovať víziu
│   │   └── [E] Vypracovať akčný plán
│   ├── [E] Má spolupracovať s aktérmi a odbornou komunitou
│   ├── [E] Má sa podieľať na rozvoji školy ako organizácie
│   └── [A][!] Text predpokladá, že túto rolu bude možné
│       personálne a kapacitne udržať vo väčšine škôl
│
├── [E] Aktér 2: vedenie školy
│   ├── [E] Text tlačí posun od manažmentu k líderstvu
│   ├── [E] Riaditeľ nemá byť len administrátor digitalizácie
│   ├── [E] Potrebuje viesť víziu, kultúru a zmenu
│   ├── [E] NCDTV ponúka podporu
│   │   ├── [E] Inovačné vzdelávanie
│   │   ├── [E] Klub riaditeľov
│   │   ├── [E] Čajovne riaditeľov
│   │   └── [E] Individuálne konzultácie
│   ├── [E] Program pre vedúcich má 50 hodín
│   └── [I] Autori vidia riaditeľa ako uzol, ktorý rozhodne,
│       či sa zmena rozpadne na projekty alebo zmení kultúru
│
├── [E] Aktér 3: učiteľ
│   ├── [E] Mení sa rola učiteľa v digitálnej dobe
│   ├── [E] Text sa opiera o DigCompEdu
│   ├── [E] Sleduje sa aj úroveň digitálnych kompetencií učiteľov
│   │   ├── [E] V rubrikách sa rast opisuje od A1/A2 k B1/B2+
│   │   └── [E] Aspoň jeden učiteľ na vyššej úrovni má ťahať rast
│   ├── [E] Učiteľ má rozvíjať aktívne učenie, nie len transmisiu
│   ├── [E] Metodiky majú pomáhať nahrádzať transmisívny štýl
│   │   ├── [E] Na všetky všeobecnovzdelávacie predmety
│   │   ├── [E] Ako inšpirácia, nie len obsah
│   │   └── [E] V čase, keď transmisia je nahraditeľná AI a videom
│   ├── [E] Podpora sa deje cez kluby učiteľov
│   │   ├── [E] Predmetové komunity
│   │   └── [E] Webináre, metodiky, zdieľanie praxe
│   └── [A] Toto je jedna z najsilnejších častí textu:
│       nejde o techniku, ale o zmenu pedagogiky
│
├── [E] Aktér 4: žiak
│   ├── [E] Zmysel práce všetkých ostatných sa testuje na žiakoch
│   ├── [E] Štúdia sleduje tri línie
│   │   ├── [E] Digitálne kompetencie
│   │   ├── [E] Bádateľské zručnosti
│   │   └── [E] Informatické myslenie
│   ├── [E] Výskum pracuje s reprezentatívnou vzorkou škôl
│   │   ├── [E] 100 škôl
│   │   ├── [E] ZŠ + osemročné gymnáziá + SŠ
│   │   └── [E] Stratifikácia podľa kraja, veľkosti, sídla
│   ├── [E] Informatické myslenie sa rámcuje ako všeobecná
│   │   kompetencia, nie len predmet informatika
│   │   ├── [📖][E] Papert: procedurálne/výpočtové myslenie
│   │   ├── [E] Wing: formulovať problém pre človeka či stroj
│   │   └── [E] Má presah do kritického myslenia a tvorivosti
│   ├── [E] Niektoré rozdiely medzi typmi škôl sú významné
│   │   └── [E] Gymnáziá majú v niektorých testoch vyššiu úspešnosť
│   └── [A][~] Meranie je cenné, ale zachytáva len výsek toho,
│       čo text sám považuje za širší cieľ digitálnej transformácie
│
├── [E] Špeciálna téma 1: vzdelávacie prostredie
│   ├── [E] Prostredie nie je kulisa, ale súčasť pedagogiky
│   ├── [E] Moderné prostredie = fyzický + digitálny + sociálny priestor
│   ├── [E] Fyzická trieda má podporovať aktívne učenie
│   ├── [📖][E] Future Classroom Lab v Belgicku
│   │   ├── [E] Vznik v European Schoolnet
│   │   ├── [E] Šesť zón učenia
│   │   └── [E] Aktívne učenie a kľúčové kompetencie
│   ├── [📖][E] Fínsky FCLab.fi ako ďalší inšpiračný model
│   ├── [E] Slovenská realita je zatiaľ skôr tradičná
│   │   ├── [E] Väčšina odborných učební je v pôvodnom stave
│   │   ├── [E] Alebo len čiastočne obnovená v starom modeli
│   │   └── [E] FCL zóny sú skôr výnimka než štandard
│   ├── [E] Technika je rozšírená nerovnomerne
│   │   ├── [E] Interaktívne tabule cca 35 % učební
│   │   ├── [E] Dataprojektory cca 36 % učební
│   │   └── [E] 14 % učební bez týchto technológií
│   └── [→][E] Autori preto ponúkajú podporu pri redizajne učební
│
├── [E] Špeciálna téma 2: informačná a kybernetická bezpečnosť
│   ├── [E] Školy sú právne relevantné subjekty aj v tejto oblasti
│   ├── [E] No často nemajú kapacity povinnosti plniť samy
│   ├── [E] Text presúva pozornosť od vyučovania KB
│   │   k riadeniu KB školy
│   ├── [E] Cieľ: základné a rozšírené opatrenia + metodika
│   ├── [E] Meria sa vyspelosť školy v 4 úrovniach
│   ├── [E] Hrozby, ktoré text vypichuje
│   │   ├── [E] Ransomvér
│   │   ├── [E] Únik osobných údajov
│   │   ├── [E] Malvér
│   │   ├── [E] Sociálne inžinierstvo
│   │   ├── [E] Cloudové a externé systémy
│   │   ├── [E] Výpadky štátnych IS
│   │   └── [E] AI deepfaky a AI-assisted útoky
│   ├── [E] Dôležité sú aj lacné procesné opatrenia
│   │   ├── [E] Heslá a MFA
│   │   ├── [E] Zálohovanie
│   │   ├── [E] Reakcie na incidenty
│   │   └── [E] Vzťah k externým dodávateľom
│   └── [A] Toto je silná praktická vetva textu:
│       pomenúva zanedbanú oblasť s vysokým rizikom
│
├── [E] Špeciálna téma 3: digitálny well-being a prevencia
│   ├── [E] Bezpečná digitálna škola nie je len technicky bezpečná
│   ├── [E] Zahŕňa psychickú a sociálnu pohodu komunity
│   ├── [E] Prevencia a systém opory sú súčasť stratégie školy
│   ├── [I] Kapitola rozširuje bezpečnosť z „ochrany systémov“
│   │   na „ochranu ľudí“
│   └── [A][~] V získaných ukážkach je táto vetva menej detailne
│       doložená než bezpečnosť a AI, no je logicky integrovaná
│
├── [E] Špeciálna téma 4: umelá inteligencia
│   ├── [E] AI je dnes jedna z troch hlavných priorít
│   ├── [E] AI kompetencie sa nemajú delegovať len na informatiku
│   ├── [E] Majú sa rozvíjať naprieč predmetmi
│   ├── [E] Text sa opiera o UNESCO rámce z roku 2024
│   │   ├── [E] Rámec pre žiakov
│   │   └── [E] Rámec pre učiteľov
│   ├── [E] Dôraz nie je len technický, ale aj etický
│   │   ├── [E] Spravodlivosť
│   │   ├── [E] Transparentnosť
│   │   ├── [E] Bezpečnosť
│   │   └── [E] Rešpekt k súkromiu
│   ├── [E] NCDTV buduje systematickú podporu
│   │   ├── [E] 50+ AI webinárov za posledný rok
│   │   ├── [E] Workshopy a metodická pomoc
│   │   ├── [E] AI NCDTV HUB
│   │   └── [E] AI olympiáda
│   ├── [E] AI má pomáhať učiteľom, nie ich nahradiť
│   │   └── [E] Ak učiteľ učí konštruktivisticky a buduje komunitu
│   └── [A][!] Miestami je v texte cítiť optimizmus, že AI sa dá
│       „správne uchopiť“ skôr systematickou podporou než konfliktom
│
├── [E] Experimentálna vetva: gymnázium so zameraním na informatiku
│   ├── [E] Záverečná kapitola opisuje experimentálne overovanie
│   ├── [E] Ide o nový študijný program
│   ├── [E] Zahŕňa ciele, metodiku, financie, garanta, harmonogram
│   ├── [E] Súčasťou je vstupné testovanie
│   │   ├── [E] Informatické myslenie
│   │   ├── [E] Digitálne zručnosti
│   │   ├── [E] Bádateľské schopnosti
│   │   └── [E] Matematické myslenie
│   └── [I] Táto vetva ukazuje, že autori nechcú zostať pri
│       podpore existujúcich škôl, ale testovať aj modelové riešenie
│
├── [⚡][E] Záver textu: čo je podľa autorov teraz kľúčové
│   ├── [E] Potrebný je komplexný pohľad cez rubriky
│   ├── [E] Vízia musí predchádzať implementačnému plánu
│   ├── [E] Škola sa má rozvíjať kontinuálne, nie cez izolované akcie
│   ├── [E] Aktuálne priority sú tri
│   │   ├── [E] Umelá inteligencia
│   │   ├── [E] Digitálne kompetencie
│   │   └── [E] Bezpečné prostredie školy
│   ├── [I] Text smeruje na stakeholderov s mocou meniť systém
│   └── [→][E] Odporúčania sú mierené na školy aj podporujúce inštitúcie
│
└── [A] Meta vrstva
├── [A] Komu je text určený
│   ├── Vedeniu škôl
│   ├── Digitálnym koordinátorom
│   ├── Učiteľom a tvorcom podpory
│   └── Politickým a systémovým aktérom
├── [A] Čím presviedča
│   ├── Širokým rámcom a normatívnou víziou
│   ├── Prepojením rolí, rubrík a podporných nástrojov
│   ├── Príkladmi z praxe a zahraničia
│   └── Čiastočne aj dátami o žiakoch a prostredí
├── [A] Kde je najsilnejší
│   ├── V rozbití mýtu „digitalizácia = technika“
│   ├── V holistickom modeli školy
│   ├── V prepojení bezpečnosti, AI a pedagogiky
│   └── V preklade vízie do rolí a podporných mechanizmov
└── [A] Kde je najzraniteľnejší
├── Miestami mieša analýzu s projektovou sebaprezentáciou
├── Nie všetky veľké tvrdenia sú rovnako tvrdo podložené
├── Predpokladá realizačné kapacity škôl a systému
└── Pri well-beingu je v ukážkach menej tvrdých dôkazov

AI ako sprievodca, nie ghostwriter

2026-03-29T00:00:00+01:00

AI má v škole pomáhať žiakovi premýšľať, nie premýšľať za neho. Riešením nie je zákaz AI, ale dať jej v procese učenia správne miesto: ako sprievodcu, kritika a oporu, nie ako výrobcu hotového textu.

Tento článok napísala pod mojou taktovkou umelá inteligencia Chatgpt na základe textu v anglickom jazyku AI should be the Guide, not the Ghostwriter

AI nemá rozmýšať za dieťa

Pri písaní esejí a zadaní môže AI veľmi ľahko nahradiť tú časť práce, v ktorej sa žiak reálne učí. Výsledok potom vyzerá kompetentne, ale “učenie sa” neprebehlo.

Kľúčové argumenty

Žiaci sa často spoliehajú na opätovné čítanie, zvýrazňovanie a pasívne prijímanie textu, hoci to nevedie k hlbokému učeniu.
Učenie potrebuje generačnú činnosť: žiak musí sám formulovať, skladať argument, vypĺňať medzery, prepájať poznatky.
To, čo bolí v krátkodobom horizonte, často prináša dlhodobý zisk. Autor to v pôvodnom článku stavia na princípe žiadúcej náročnosti.
Ak AI preberie samotné generovanie riešenia, žiak prichádza o jadro učenia.
Ak však AI pomáha so štartom, štruktúrou, kritikou, odhaľovaním slabín a otázkami, môže učenie podporiť.

V škole často padajú úlohy bez opory, bez štruktúry a bez procesu

Najväčšie nedorozumenie je predstava, že problém je iba v tom, že žiaci „podvádzajú s AI”. Podľa autora je hlbší problém v tom, že škola často zadáva úlohy bez opory, bez štruktúry a bez procesu, takže žiak prirodzene siahne po skratke. Inak povedané: ak škola nastaví úlohu ako „odovzdaj text”, AI sa stane náhradou práce. Ak ju nastaví ako proces myslenia, AI sa môže stať užitočným mentorom.

Čo to znamená pre učiteľa

Ako má učiteľ postupovať v prípade, kde žiaci majú niečo vytvoriť sami:

esej alebo sloh,
seminárna práca,
projektová úloha,
argumentačný text,
reflexia po prečítaní knihy alebo článku,
domáca úloha, kde má žiak vysvetliť svoj názor.

Čo sa potom deje v “praxi”

Žiak nevie, ako začať, tak zadá tému AI a nechá si vygenerovať osnovu aj celý text.
Žiak odovzdá výborne znejúci text, ale pri rozhovore nevie obhájiť základné tvrdenia.
Učiteľ vidí hladký výsledok a myslí si, že žiak zvládol úlohu, hoci žiak len presunul námahu na nástroj.
Naopak, ak učiteľ AI zapojí dobre, žiak ju použije na to, aby našiel slabé miesta, spresnil argument a lepšie pochopil zdroje.

Prečo je to problém práve v triede

Pretože škola často hodnotí finálny výstup, nie proces myslenia. A práve tam AI vie vytvoriť falošný dojem zvládnutej práce. Základná správa pre učiteľa je: nepozeraj sa len na to, čo žiak odovzdal, ale aj na to, ako k tomu došiel.

Ako to použiť v praxi v triede

Tu je jednoduchý postup, ktorý môže učiteľ použiť prakticky hneď pri eseji, úvahe alebo projektovej úlohe.

Krok 1: Žiak začne sám Najprv nesmie ísť hneď do AI. Má napísať aspoň:

3–5 bodov k téme,
vlastnú otázku,
pracovnú tézu,
veľmi hrubý úvod alebo náčrt.

Tým sa zachová prvý akt vlastného myslenia.

Krok 2: AI pomôže so štartom, nie s riešením Potom môže žiak použiť AI na:

návrh možných uhlov pohľadu,
odporúčanie otázok k téme,
pomoc so štruktúrou,
návrh, čo si má overiť v zdrojoch.

Krok 3: Žiak napíše prvý draft vlastnými slovami Nie text z AI. Prvý draft má byť jeho vlastná verzia, aj keby bola slabšia alebo neuhladená.

Krok 4: AI ako kritik Až teraz vstupuje AI do hry naplno. Žiak ju požiada, aby mu ukázala:

logické diery,
nepodložené tvrdenia,
nejasné pojmy,
chýbajúce protiargumenty,
príliš silné alebo neobhájené závery.

Krok 5: Žiak opravuje sám AI nemá prepísať text. Žiak má sám rozhodnúť:

čo ponechá,
čo zmení,
čo doplní,
čo si ešte potrebuje overiť.

Krok 6: Kontrola so zdrojmi Ak žiak pracuje s textami, musí overiť, či jeho tvrdenia naozaj sedia s tým, čo zdroj hovorí.

Krok 7: Reflexia Na konci pridá krátku odpoveď:

čo mu AI vytkla,
čo po tejto spätnej väzbe zmenil,
čo bolo na texte najslabšie.

Tým sa AI stáva súčasťou učenia, nie len skratkou k výsledku.

Ako to pokaziť

Najčastejšie chyby učiteľa

Zadá len tému bez medzikrokov a očakáva, že žiak bude pracovať poctivo.
Zakáže AI úplne a tvári sa, že tým problém zmizol.
Povolí AI bez pravidiel, takže žiaci ju používajú ako výrobňu textu.
Hodnotí len jazykovú uhladenosť a formu.
Nepýta si žiadnu reflexiu procesu.

Najčastejšie chyby žiaka

Zadá AI: „Napíš mi esej na tému…”
Zoberie hladký text ako dôkaz, že už téme rozumie.
Neoddelí vlastné myslenie od prevzatej formulácie.
Neoverí tvrdenia ani zdroje.
Preberie pripomienky AI mechanicky, bez vlastného úsudku.

Čo vyzerá dobre, ale nefunguje

Pekne napísaná práca, ktorú žiak nevie vysvetliť.
Formálne správny text bez vlastnej argumentácie.
AI použité „moderne”, ale v skutočnosti len ako elegantná forma outsourcovania myslenia.

Bonus: konkrétne zadanie pre žiakov

Ukážková aktivita: Argumentačný text s AI ako kritikom

Zadanie pre žiakov Napíš krátky argumentačný text na tému: Má byť AI bežnou súčasťou školskej práce?

Rozsah: 250 až 400 slov

Prompty pre žiakov

„Pomôž mi nájsť tri možné uhly pohľadu na túto tému, ale text za mňa nepíš.”
„Tu je moja téza. Ukáž mi, kde môže byť slabá alebo príliš zjednodušená.”
„Tu je môj prvý draft. Nájdi v ňom logické skoky, nepodložené tvrdenia a nejasné pojmy.”
„Aký najsilnejší protiargument by použil človek, ktorý so mnou nesúhlasí?”
„Pozri sa na môj záver. Vyplýva z textu, alebo tvrdím viac, než som dokázal?”
„Daj mi otázky, ktoré si mám položiť, aby som text zlepšil sám.”

Jedna veta na zapamätanie

AI má v škole držať rebrík, nie liezť po ňom namiesto žiaka.

Mindmapa pôvodného článku

========================================
| HLAVNÁ TÉZA AUTORA                   |
========================================
AI má byť v učení sprievodca, nie ghostwriter.
Anchor: Text tvrdí, že hlavná hodnota esejí a úloh nie je v hotovom
výstupe, ale v náročnom procese generovania myslenia. AI je prínosná,
ak pomáha začať, štruktúrovať a kritizovať, no škodí, ak robí prácu
namiesto žiaka.

│
├── [E] Východisko: problém je „ilúzia kompetencie“
│   ├── [E] Karpicke a Roediger použili rereading ako kontrolu
│   │   ├── [E] Dôvod: rereading robí väčšina študentov
│   │   └── [E] Survey 117 študentov: väčšina volila rereading
│   ├── [E] Relatívne málo študentov používa self-testing/free recall
│   ├── [⚡][E] Toto pomenovali ako „illusion of competence“
│   ├── [I] Autor tým pripravuje pôdu pre útok na pasívne učenie
│   └── [A][~] Dátový základ je použitý skôr ako odrazový mostík,
│       nie ako detailne rozvinutý dôkaz pre AI kontext
│
├── [E] Nosný argument 1: učenie potrebuje kognitívnu námahu
│   ├── [E] Bjork, Karpicke, Roediger: učenie zlepšíme technikami,
│   │   ktoré nútia k úsiliu
│   ├── [E] Učitelia aj študenti sa často mýlia o tom, ako vzniká učenie
│   │   ├── [E] Myslia si, že stačí prednáška, rereading, highlightovanie
│   │   └── [I] Autor to spája s pohodlným modelom školy
│   ├── [E] Odporúčajú generative learning
│   ├── [E] Bjork stavia odporúčania na „desirable difficulty“
│   ├── [⚡][E] Krátkodobá bolesť → dlhodobý zisk v retencii a porozumení
│   ├── [📖][E] Eseje a assignments sú obhájené práve týmto princípom
│   └── [A] Tu sa láme hlavná logika textu: hodnota úlohy je v námahe,
│       nie len v produkte
│
├── [E] Nosný argument 2: generovanie je lepšie než prijímanie
│   ├── [E] Generating words, knowledge and solutions je lepšie než
│   │   reading, highlighting alebo nechať AI to spraviť za teba
│   ├── [E] Osobné generovanie dáva kontext pre lepšie pochopenie
│   │   a neskoršie vybavenie
│   ├── [E] Preto vôbec zadávame eseje a assignments
│   ├── [I] Autor tvrdí, že ak AI prevezme generovanie, berie si jadro
│   │   učenia
│   ├── [!][A] Predpoklad: vzťah „viac vlastného generovania = lepšie“
│   │   je prezentovaný dosť lineárne, bez podmienok a výnimiek
│   └── [A][~] Silné ako pedagogická zásada; menej presné ako všeobecný
│       zákon pre všetky úlohy a všetkých žiakov
│
├── [E] Nosný argument 3: Wittrockova teória dáva autorovi model
│   ├── [E] Learners nie sú pasívni prijímatelia, ale aktívni
│   │   reorganizéri poznania
│   ├── [E] Učenie vzniká integráciou nového do toho, čo už viem
│   │   cez generative activities
│   ├── [E] Efektívne vyučovanie facilituje konštrukciu významu
│   ├── [E] Model má štyri procesy:
│   │   ├── [E] 1) Attention
│   │   ├── [E] 2) Motivation
│   │   ├── [E] 3) Knowledge and preconceptions
│   │   └── [E] 4) Generation
│   ├── [E] Autor pripisuje AI pozitívnu rolu v prvých troch oblastiach
│   │   ├── [E] AI pomáha upriamiť pozornosť na východisko/argument
│   │   ├── [E] AI pomáha so štartom a motiváciou investovať čas
│   │   └── [E] AI pomáha budovať počiatočnú platformu vedomostí
│   ├── [⚡][E] Problém nastáva pri štvrtej zložke: generation
│   │   └── [E] Ak ju delegujeme na AI, učenie môže trpieť
│   ├── [I] Toto je centrálne rozlíšenie textu: AI pri rozbehu áno,
│   │   AI pri zmyslotvorbe nie
│   └── [A] Logika je konzistentná: autor nehádže AI do jedného vreca,
│       ale delí funkcie podľa fázy učenia
│
├── [E] Nosný argument 4: Bruner ukazuje, prečo nestačí len zadať tému
│   ├── [E] Brunerove 4 princípy:
│   │   ├── [E] 1) Readiness
│   │   ├── [E] 2) Structure
│   │   ├── [E] 3) Sequence
│   │   └── [E] 4) Generation
│   ├── [E] „Just throwing an essay title at them is far from adequate“
│   ├── [E] Ak žiaka nastavíš bez podpory, bude to vnímať transakčne
│   │   └── [E] A zareaguje skratkou cez AI
│   ├── [E] Preto je hodné dať štruktúru a sekvenciu
│   ├── [E] Generation prináša extrapolation, filling gaps, expansion
│   ├── [E] Brunerov termín pre riešenie: scaffolding
│   ├── [A][~] Autor sám priznáva, že scaffolding je trochu „hazy“
│   │   a pýta si detailnejšie spresnenie
│   ├── [⚡][E] Tu vstupuje AI „to good effect“
│   └── [I] Autor mení AI z hrozby na nástroj scaffoldingu
│
├── [E] Kľúčový obrat: AI ako podpora, nie generátor riešení
│   ├── [E] Študenti majú byť vedení používať AI na:
│   │   ├── [E] find
│   │   ├── [E] support
│   │   ├── [E] sequence
│   │   └── [E] critique their work
│   ├── [⚡][E] „not generate it from scratch“
│   ├── [E] Autor to označuje za vital distinction
│   ├── [E] AI má byť dialóg medzi žiakom a imagined mentor
│   ├── [E] Treba akceptovať, že AI sa bude používať
│   │   └── [E] lebo je useful mentor
│   ├── [E] Chyba je chápať súčasnú AI len ako generovanie textu
│   ├── [E] AI vie:
│   │   ├── [E] reason
│   │   ├── [E] support
│   │   ├── [E] critique
│   │   ├── [E] identify gaps in reasoning
│   │   └── [E] act as expert mentor / external perspective
│   ├── [!][A] Predpoklad: AI poskytuje dostatočne spoľahlivú expert
│   │   perspektívu; text málo rieši halucinácie a kvalitu rád
│   └── [A] Toto je najsilnejšia presviedčacia veta textu aj jeho
│       najväčší praktický claim
│
├── [E] Praktická časť: návod „Using AI as a mentor, not a ghostwriter“
│   ├── [📖][E] Prázdny papier ako psychologická bariéra
│   │   ├── [E] Many learners are overwhelmed by blank piece of paper
│   │   ├── [E] Nevedia nájsť way in / solid place to start
│   │   └── [📖][E] Hora, na ktorú treba vyliezť
│   ├── [E] AI môže znížiť strach zo začiatku
│   │   ├── [E] help get started
│   │   ├── [E] provide right equipment
│   │   └── [E] mentor them forward
│   ├── [⚡][E] Veľký rozdiel:
│   │   ├── [E] AI writes assignment for you = outsourcing effort
│   │   └── [E] AI helps you move forward = preserving effort
│   ├── [📖][E] AI ako guide on the route / teacher next to you
│   └── [📖][E] „Let AI hold the ladder, not climb for you.“
│
├── [E] Workflow 1: Just get started
│   ├── [→][E] Nepoužívaj AI, aby písala za teba
│   ├── [→][E] Použi ju, aby tvoje myslenie bolo rigoróznejšie
│   ├── [→][E] Začni rough argument / outline / notes / statement /
│   │   reading list / sources
│   ├── [E] Prvá verzia môže byť messy
│   ├── [E] Môžeš to vygenerovať sám
│   ├── [E] Alebo AI môže navrhnúť niekoľko one-paragraph starting points
│   └── [E] Tvoj úsudok má rozhodnúť, čo bude starting position
│
├── [E] Workflow 2: Build your first draft
│   ├── [→][E] Use AI diagnostically
│   ├── [→][E] Namiesto full essay žiadaj sources pre case/solution/arg
│   ├── [E] AI ti dá „pieces of the jigsaw“
│   ├── [→][E] Napíš first draft vo vlastných slovách
│   ├── [E] Keep it structured and simple
│   └── [E] Tu sa začína rysovať structure and sequence
│
├── [E] Workflow 3: Diagnose weaknesses
│   ├── [→][E] Pýtaj sa AI na weak logical jumps
│   ├── [→][E] unsupported claims
│   ├── [→][E] vague terms
│   ├── [→][E] hidden assumptions
│   ├── [→][E] miesta, kde expert povie „nemôžeš urobiť tento skok“
│   ├── [E] AI tu nepomáha vyhnúť sa úsiliu
│   ├── [E] Pomáha odhaliť, kde ešte treba pracovať
│   └── [⚡][E] „Use AI to critique, not compose“
│
├── [E] Workflow 4: Rebuild your argument
│   ├── [E] Zlepšenie musí prísť z tvojho vlastného judgement
│   ├── [→][E] Tighten logic
│   ├── [→][E] Clarify vague concepts
│   ├── [→][E] Remove exaggeration
│   ├── [→][E] Add supporting evidence/explanations
│   ├── [📖][E] Metafora lezenia: secure hand and footholds
│   └── [A] Autor tu explicitne vracia zodpovednosť späť na žiaka
│
├── [E] Workflow 5: Check against sources
│   ├── [→][E] Konfrontuj argument s actual readings/papers/evidence
│   ├── [E] AI môže ukázať, kde:
│   │   ├── [E] oversimplifies an author
│   │   ├── [E] contradicts source material
│   │   └── [E] misses important distinction
│   ├── [E] Tým si nútený do genuine understanding of sources
│   └── [A][~] Prakticky silné; metodicky slabšie, lebo text nerieši,
│       čo ak AI sama zle interpretuje zdroj
│
├── [E] Workflow 6: Identify what’s missing
│   ├── [→][E] Pýtaj sa na chýbajúce counterarguments
│   ├── [→][E] undefended assumptions
│   ├── [→][E] čo by povedal critic from another perspective
│   ├── [E] Toto mení reasonable piece na genuinely thoughtful one
│   └── [I] Autor tu dáva AI rolu nástroja intelektuálnej oponentúry
│
├── [E] Workflow 7: Test conclusion
│   ├── [📖][E] False peak metaphor
│   │   └── [E] Záver môže vyzerať ako vrchol, ale nemusí ním byť
│   ├── [E] Záver často tvrdí menej alebo viac, než práca unesie
│   ├── [→][E] Pýtaj sa, či záver naozaj vyplýva z evidence
│   ├── [→][E] či neoverstates the case
│   ├── [→][E] či nie je justified bolder conclusion
│   └── [E] Cieľ: more precise and defendable conclusion
│
├── [E] Workflow 8: Write final version yourself
│   ├── [→][E] Final version píš až na konci
│   ├── [E] Počas procesu si mal rozumieť, čo čítaš a píšeš
│   ├── [E] Finished polished work má byť v tvojich vlastných slovách
│   ├── [E] Built on strong foundations you managed alone
│   ├── [E] AI newrite the essay
│   └── [E] AI served as critic, preserver of method and difficulty,
│       guide pushing you forward
│
├── [E] Záver autora: zachovať užitočnú ťažkosť, nie flounder
│   ├── [E] Účel eseje/assignment je prinútiť ťa myslieť a učiť sa
│   ├── [E] Použi tools, ktoré ti umožnia nefloundrovať, ale napredovať
│   ├── [E] Overcoming difficulties as you proceed
│   ├── [⚡][E] Keep the useful difficulty and preserve the learning
│   └── [→][E] Výsledkom má byť práca, ktorá je your own, defensible,
│       constructive
│
├── [I] Tichá architektúra textu: autor robí dvojitý manéver
│   ├── [I] Najprv delegitimizuje pasívne učenie
│   ├── [I] Potom legitimizuje „náročné učenie“
│   ├── [I] Následne povie, že AI je prijateľná len tam, kde
│   │   náročnosť uchováva
│   └── [I] Takto zachraňuje AI pre školu bez toho, aby obetoval
│       tradičný cieľ úloh
│
└── [A] Meta vrstva
├── [A] Komu je text určený
│   ├── učiteľom, ktorí riešia AI pri esejach a assignments
│   ├── študentom, ktorým treba vysvetliť „ako AI používať“
│   └── ľuďom v edtech/vzdelávaní, ktorí nechcú AI ani zakázať,
│       ani glorifikovať
├── [A] Čím presviedča
│   ├── autoritami výskumu (Bjork, Karpicke, Roediger, Wittrock,
│       Bruner)
│   ├── silnými pedagogickými pojmami
│   ├── jasným kontrastom mentor vs ghostwriter
│   ├── metaforami hory, rebríka, cesty, vrcholu
│   └── praktickým 8-krokovým návodom
├── [A] Kde je najsilnejší
│   ├── v rozlíšení „AI critique vs AI compose“
│   ├── v prepojení teórie učenia s konkrétnym workflow
│   └── v tom, že nepôsobí ani techno-naivne, ani prohibične
├── [A] Kde je najzraniteľnejší
│   ├── spolieha sa na priaznivý obraz AI ako mentora
│   ├── málo rieši chybovosť AI a kvalitu zdrojov
│   ├── málo rieši vek, predmet a kontext žiakov
│   └── [☠️?][A] možný problém: hasty generalization?
│       z teórie učenia na široké praktické použitie AI
│       bez rozlíšenia hraníc platnosti
└── [A] Hodnota textu
├── ako mapa sveta: dobrý rámec na premýšľanie o AI v škole
└── ako presviedčanie: silný, ale skôr normatívny než dôkazový

Prekvapivá súvislosť medzi nástrojmi AI a aktívnym čítaním

2026-03-20T00:00:00+01:00

Prekvapivá súvislosť medzi nástrojmi AI a aktívnym čítaním

Dnes sa pozrieme na výskumnú správu s názvom Quantitative Analysis of How Responsible AI Study Tools Promote Active Reading, ktorú vypracovali Dr. Laura Southard a Dr. Emily Lai v divízii výskumu a vývoja spoločnosti Pearson. Správa sa zaoberá otázkou, ktorá stojí priamo v centre debaty o AI vo vzdelávaní: robí generatívna AI zo študentov pasívnejších žiakov, alebo môže naopak podporiť hlbšie zapojenie?

Štúdia zaujíma obzvlášť zaujímavý prístup. Namiesto dotazníkov či sebahodnotenia výskumníci analyzovali skutočné správanie študentov — konkrétne viac ako 79 miliónov interakcií v rámci digitálnych učebnicových platforiem Pearson. Tento rozsah je dôležitý, pretože výskum vo vzdelávaní sa často spolieha na malé triedne experimenty. Tu hovoríme o behaviorálnych dátach stoviek tisíc študentov a stoviek učebníc.

Tento text napísala AI Claude ako prepis epizódy podcastu AI educator The Surprising Link Between AI Tools and Active Reading

V texte sa odkazuje na štúdiu Pearson

Kríza čítania

Skôr než sa dostaneme k AI, správa začína niečím zásadným: čítaním. Schopnosť porozumieť textu zostáva jedným z najsilnejších prediktorov akademického úspechu na vysokej škole — viac ako 80 % vysokoškolských úloh vyžaduje čítanie a interpretáciu zložitých textov.

A predsa je tu problém. Podiel študentov, ktorí splnili benchmark čítania ACT, klesol z 44 % v roku 2021 na 39 % v roku 2025. To znamená desaťtisíce ďalších študentov, ktorí vstupujú na vysokú školu nepripravení na čítanie na vysokoškolskej úrovni.

Máme teda paradox: čítanie je dôležitejšie než kedykoľvek predtým, no menej študentov je naň pripravených.

Je tu aj ďalší jemný problém. Výučba čítania väčšinou končí na základnej škole. Mladí žiaci sa učia, ako čítať, no neskôr sa od nich očakáva, že budú čítaním získavať poznatky. Tento prechod je obrovský, pretože čítanie za účelom učenia si vyžaduje oveľa viac než rozpoznávanie slov — vyžaduje stratégiu, monitorovanie porozumenia, kladenie otázok, spájanie myšlienok a overovanie vlastného chápania. To, čo vedci zvyknú nazývať aktívnym čítaním.

Správa definuje aktívne čítanie konkrétne: zahŕňa správanie ako zvýrazňovanie, robenie poznámok, kladenie otázok počas čítania a overovanie porozumenia cez kvízy. Tieto stratégie pomáhajú čitateľom budovať zmysel z textu, nie ho len pasívne konzumovať.

Ako je navrhnutý AI nástroj

Výskumníci skúmali AI nástroj priamo zabudovaný do digitálnych učebníc Pearson. Na rozdiel od všeobecných AI nástrojov je tento tesne prepojený s obsahom učebnice. Systém využíva prístup retrieval-augmented generation — odpovede sú zakotvené v skutočnom obsahu učebnice, nie v otvorenom internete. AI sa tak nestáva náhradou učebnice, ale jej spoločníkom.

Nástroj poskytuje tri hlavné funkcie:

Vysvetli — študenti môžu klásť otázky o texte, aby si objasnili porozumenie
Zhrň — generuje krátke bodové zhrnutia sekcií pred čítaním alebo po ňom
Precvič — generuje kvízové otázky, ktoré pomáhajú otestovať porozumenie

Tieto funkcie takmer dokonale zodpovedajú klasickým stratégiám učenia — elaborácii, pokročilým organizátorom a retrieval practice. AI teda negeneruje len obsah, ale jemne naviguje študentov smerom k stratégiám overeným výskumom.

Profily čítania

Výskumníci analyzovali správanie na dvoch platformách: samostatnom e-učebnicovom prostredí (čítanie na vlastnú päsť) a kurzovom prostredí, kde bola učebnica zabudovaná do výučbového systému s úlohami a hodnotením.

Študentov rozdelili do troch profilov:

Pasívni čitatelia — prevažne konzumujú text bez interakcie
Zámerní čitatelia — zapájajú sa do niektorých strategických správaní ako zvýrazňovanie
Aktívni čitatelia — robia poznámky, testujú sa, vracajú sa k anotáciám a aktívne budujú porozumenie

Rozloženie bolo prezradením: v samostatnom prostredí bolo asi 35 % pasívnych čitateľov, 47 % zámerných a len 18 % aktívnych. Menej než jeden z piatich študentov sa teda pravidelne zapájal do správania spojeného s hlbokým čítaním.

Čo sa stalo, keď študenti použili AI nástroj

Výsledky sú pozoruhodné. Študenti, ktorí AI nástroj použili, mali výrazne vyššiu pravdepodobnosť posunu smerom k aktívnejším profilom čítania.

V samostatnom prostredí jediná interakcia s AI nástrojom zvýšila pravdepodobnosť zaradenia do kategórie aktívnych čitateľov trojnásobne oproti tým, ktorí nástroj nepoužili. Študenti, ktorí ho používali opakovane, mali 3,5-krát vyššiu pravdepodobnosť.

V kurzovom prostredí bol efekt ešte výraznejší — študenti využívajúci AI nástroj mali 23-krát vyššiu pravdepodobnosť, že budú klasifikovaní ako aktívni čitatelia.

Pri takých veľkých číslach v pedagogickom výskume je dôležité zastaviť sa. Autori sú opatrní pri interpretácii: štúdia ukazuje asociáciu, nie príčinnú súvislosť. Motivovanejší študenti mohli jednoducho častejšie siahnuť po nástroji. Výskumníci sa však pokúsili kontrolovať východzí stav porovnaním profilov čítania z predchádzajúceho semestra — a aj po tejto korekcii zostalo používanie AI silne spojené s aktívnejším čítaním.

Zaujímavý vzor: AI nástroj mal najsilnejší vplyv práve na predtým pasívnych čitateľov. Čo dáva zmysel — ak ste už aktívny čitateľ, nepotrebujete veľkú pomoc. Ale ak zvyčajne len preskakujete text, výzva AI na vysvetlenie konceptu môže byť práve tým impulzom, ktorý zmení váš prístup k štúdiu.

Čo študenti od AI pýtali

Správa sa pozrela aj na typy otázok, ktoré študenti AI kládli. Mnohé sa týkali pochopenia základných pojmov — definícií a vysvetlení. Ale asi 20 % otázok bolo klasifikovaných na úrovni analýzy alebo vyššie podľa Bloomovej taxonómie. Čiže hoci mnohí používali nástroj na objasnenie, významná časť ho využívala na myslenie vyššieho rádu.

To je dôležité, pretože obavy okolo AI vo vzdelávaní sa často točia okolo kognitívneho vykladania — toho, že študenti prenechajú myslenie na stroj. Tento výskum naznačuje niečo nuansovanejšie: keď sú AI nástroje zabudované do učebného prostredia a navrhnuté podľa princípov pedagogiky, môžu v skutočnosti podporovať hlbšie zapojenie.

Záver

Technológia nie je rozhodujúcim faktorom — je ním pedagogika.

Ak AI jednoducho generuje odpovede, hrozí, že nahradí myslenie. Ale ak AI nabáda študentov klásť otázky, zhrnúť myšlienky a otestovať porozumenie, môže posilňovať kognitívne procesy vedúce k hlbšiemu učeniu.

A to nás privádza späť k jednoduchému princípu, ktorý je v ére AI čoraz dôležitejší: outsourcujte rutinnú prácu, ale myslenie si nechajte. Pretože cieľom vzdelávania nikdy nebolo len čítať text — bolo to vytvárať z neho zmysel.

Mindmapa

========================================
| AI NÁSTROJ NAVRHNUTÝ PODĽA PEDAGOGIKY|
| PODPORUJE AKTÍVNE ČÍTANIE, NIE       |
| PASIVITU — AK JE SPRÁVNE ZABUDOVANÝ  |
========================================
Anchor: Pearsonova štúdia (79M interakcií) skúma, či AI
mení čítacie správanie študentov — a tvrdí, že áno,
ale len pri správnom dizajne nástroja.

│
├── [E] Kontext: Kríza čítania vo vysokoškolskom vzdelávaní
│   ├── [E] 80 %+ vysokoškolských úloh vyžaduje čítanie
│   │   a interpretáciu zložitých textov
│   ├── [E] ACT benchmark čítania: pokles z 44 % (2021)
│   │   na 39 % (2025)
│   │   └── [E] = desaťtisíce nepripravených študentov ročne
│   ├── [E] Paradox: čítanie dôležitejšie než kedykoľvek,
│   │   ale úroveň klesá
│   └── [E] Výučba čítania končí na základnej škole —
│       neskôr sa predpokladá bez ďalšej podpory
│       ├── [E] Prechod: čítať → čítaním sa učiť
│       └── [⚡][E] Tento prechod vyžaduje aktívne stratégie,
│           nie len dekódovanie slov
│
├── [E] Čo je aktívne čítanie (definícia z textu, str. 5)
│   ├── [E] Zvýrazňovanie textu
│   ├── [E] Robenie poznámok
│   ├── [E] Kladenie otázok počas čítania
│   ├── [E] Sebakvízy — testovanie vlastného porozumenia
│   └── [E] Cieľ: budovať zmysel z textu, nie ho konzumovať
│
├── [E] Dizajn skúmaného AI nástroja (Pearson)
│   ├── [E] Zabudovaný priamo do digitálnej učebnice,
│   │   nie standalone chatbot
│   ├── [E] Retrieval-augmented: odpovede z učebnice,
│   │   nie z otvoreného internetu
│   │   └── [I] Tým sa znižuje riziko halucinácie
│   │       a "obídenia" učebnice
│   ├── [E] Tri funkcie:
│   │   ├── [E] EXPLAIN — otázky o texte, objasnenie pojmov
│   │   ├── [E] SUMMARISE — bodové zhrnutia sekcií
│   │   └── [E] PRACTICE — generované kvízové otázky
│   └── [⚡][E] Funkcie zodpovedajú klasickým stratégiám
│       učebnej vedy: elaborácia, advance organisers,
│       retrieval practice
│       └── [I] Teda nejde o inováciu "cez technológiu",
│           ale o digitalizáciu overených postupov
│
├── [E] Metodológia štúdie
│   ├── [E] 79 miliónov interakcií — behaviorálne dáta,
│   │   nie dotazníky
│   ├── [E] Stovky tisíc študentov, stovky učebníc
│   ├── [E] Dve platformy:
│   │   ├── [E] Standalone e-učebnica (samoriadené čítanie)
│   │   └── [E] Kurzové prostredie (štrukturované, hodnotené)
│   └── [E] Tri profily čítania:
│       ├── [E] Pasívny — konzumuje bez interakcie
│       ├── [E] Zámerný — zvýrazňuje, záložkuje
│       └── [E] Aktívny — poznámky, kvízy, revisitácia
│
├── [E] Východzí stav bez AI nástroja (standalone)
│   ├── [E] 35 % pasívnych čitateľov
│   ├── [E] 47 % zámerných čitateľov
│   └── [E] 18 % aktívnych čitateľov
│       └── [⚡][E] Menej než 1 z 5 študentov číta aktívne
│           bez dodatočnej podpory
│
├── [E] Výsledky pri použití AI nástroja
│   ├── [E] Standalone prostredie:
│   │   ├── [E] 1 interakcia s AI → 3× vyššia pravdepodobnosť
│   │   │   aktívneho profilu
│   │   └── [E] Opakované použitie → 3,5× vyššia
│   │       pravdepodobnosť
│   ├── [E] Kurzové prostredie:
│   │   └── [E] Používatelia AI nástroja → 23× vyššia
│   │       pravdepodobnosť aktívneho profilu
│   │       └── [~][A] Číslo 23× nie je v texte hlbšie
│   │           vysvetlené — chýba kontext základnej miery
│   │           (base rate) pre správnu interpretáciu
│   ├── [E] Najsilnejší efekt u predtým pasívnych čitateľov
│   │   └── [E] Logika: aktívni čitatelia pomoc nepotrebujú
│   └── [E] ~20 % otázok na úrovni analýzy alebo vyššie
│       podľa Bloomovej taxonómie
│       └── [I] Nástroj nie je len pre definície —
│           časť študentov ho používa na vyššie myslenie
│
├── [E] Limity štúdie — autor ich priznal
│   ├── [E] Asociácia, nie kauzalita — korelácia,
│   │   nie príčina
│   ├── [E] Selection bias: motivovanejší študenti
│   │   mohli nástroj používať viac
│   ├── [E] Kontrola: porovnanie s profilmi z predchádzajúceho
│   │   semestra — asociácia pretrvala aj po korekcii
│   └── [!][A] Autor NEPRIZNAL: Pearson má komerčný záujem
│       na pozitívnom výsledku — štúdia je interná,
│       nie nezávislá — absencia externého peer review
│       v texte nie je zmienená
│
├── [E] Záverečná téza autora
│   ├── [E] Technológia nie je rozhodujúca — je ňou pedagogika
│   ├── [→][E] AI generujúca len odpovede = nahradenie myslenia
│   ├── [→][E] AI podnecujúca otázky a testovanie
│   │   = posilnenie kognitívnych procesov
│   └── [→][E] Princíp: outsourcuj rutinu, myslenie si nechaj
│       └── [⚡][E] "Cieľ vzdelávania nikdy nebol čítať text —
│           bol to vytvárať z neho zmysel."
│
└── [A] Meta vrstva
├── [A] Komu je text určený: pedagógom a riaditeľom škôl
│   zvažujúcim nasadenie AI nástrojov; skeptikom
│   aj nadšencom zároveň
├── [A] Čím presviedča: rozsahom dát (79M interakcií)
│   a uznaním limitov — pôsobí dôveryhodne práve
│   preto, že nepretvrdzuje
├── [A] Kde je najsilnejší: prepojenie dizajnu nástroja
│   s učebnou vedou — to je netriviálne a konkrétne
├── [A] Kde je najzraniteľnejší: konflikt záujmov Pearsonu
│   nie je adresovaný; číslo 23× potrebuje hlbší kontext;
│   behaviorálna zmena ≠ lepšie výsledky učenia
│   (to štúdia neskúmala)
└── [A] Žánrová poznámka: text je skôr informovaný
komentár k štúdii než jej kritická analýza —
autor štúdiu preberá s miernou, nie ostrou
redakčnou dištanciou

Legenda symbolov: [E] = explicitne v texte · [I] = rozumná inferencia · [A] = analytický súd [⚡] = kľúčový argument · [→] = praktický záver autora · [!] = nepodložený predpoklad [~] = analyticky slabší argument · [☠️?] = možný logický klam · [📖] = príbeh/analógia

VERDIKT

Text má hodnotu ako kvalitný rozcestník k zaujímavej štúdii — ak ťa téma zaujíma, nasmeruje ťa na správne otázky. Ako presvedčovací text je solídny práve vďaka tomu, že nepretvrdzuje. Hlavná slepá škvrna je konflikt záujmov Pearsonu — interná štúdia hodnotiaca vlastný produkt si zaslúži externé overenie skôr, než z nej robíme základ pre rozhodnutia.

ODOMKNI ĎALŠIU ÚROVEŇ

Používaš alebo zvažuješ nejaký konkrétny AI nástroj vo výučbe alebo pri vlastnom učení — a ak áno, podnecuje ťa klásť otázky a testovať sa, alebo ti predovšetkým generuje odpovede?

Mindmapa samotnej štúdie

==============================================================
| AI nástroj v eTextbooku môže posúvať študentov k aktívnemu |
| čítaniu, ak je navrhnutý ako sprievodca čítaním, nie       |
| ako skratka k odpovediam                                   |
==============================================================
Anchor: Text analyzuje milióny interakcií študentov s Pearson
eTextbookom a vstavaným AI study toolom. Skúma, či použitie
tohto nástroja súvisí s posunom od pasívneho k aktívnemu čítaniu.
│
├── [E][⚡] Hlavná téza a výsledný claim autora
│   ├── [E] AIST súvisí s udržaním alebo zlepšením čitateľskej
│   │   angažovanosti smerom k aktívnym režimom
│   ├── [E] V standalone eTextbooku bol jednorazový používateľ
│   │   3.1x pravdepodobnejšie Active Reader
│   ├── [E] V standalone eTextbooku bol opakovaný používateľ
│   │   3.5x pravdepodobnejšie Active Reader
│   ├── [E] V courseware-embedded prostredí boli efekty väčšie
│   │   než v standalone prostredí
│   ├── [E] V embedded prostredí bol first-time user 23x
│   │   pravdepodobnejšie Active Reader
│   ├── [E] V embedded prostredí bol repeat user 24x
│   │   pravdepodobnejšie Active Reader
│   └── [A][~] Najsilnejší presviedčací motor textu je kontrast
│       proti častej obave, že AI oslabuje učenie
│
├── [E] Problém, z ktorého text vychádza
│   ├── [E] Čítanie je kľúčové pre úspech vo vysokoškolskom
│   │   vzdelávaní
│   ├── [E] Vyše 80 percent vysokoškolských úloh vyžaduje čítanie
│   ├── [E] Porozumenie textu silno predikuje výkon v akademických
│   │   úlohách aj GPA na začiatku VŠ
│   ├── [E] Fakulty hlásia slabšiu pripravenosť prvákov na close
│   │   reading a analýzu
│   ├── [E] ACT Reading benchmark klesol z 44 percent v roku 2021
│   │   na 39 percent v roku 2025
│   ├── [E] Podiel žiakov pod hranicou porozumenia komplexným
│   │   textom stúpol z 55 percent na 58 percent
│   ├── [E][📖] Rámec "learn to read" verzus "read to learn"
│   │   slúži ako prechod od školskej gramotnosti k vysokoškolskej
│   │   samoregulácii
│   ├── [E] Na VŠ nestačí dekódovať slová a syntax
│   ├── [E] Úspešný čitateľ musí regulovať vlastné procesy,
│   │   motiváciu a stratégie počas čítania
│   ├── [E] Medzi aktívne stratégie patria poznámky, highlighty,
│   │   podčiarkovanie a kladenie otázok
│   ├── [E] Aktívne čítanie sa spája s lepším uchovaním informácií
│   │   a lepším výkonom v skúškach
│   └── [A] Text si tu buduje silný problémový rámec. Najprv ukáže,
│       že čítanie je dôležité, potom že študenti v ňom slabnú
│
├── [E] Ako text definuje "active reading"
│   ├── [E] Ide o learning science koncept
│   ├── [E] Zahŕňa highlightovanie, zapisovanie poznámok,
│   │   kladenie objasňujúcich otázok a retrieval practice
│   ├── [E] Tieto správania sú spojené s hlbším porozumením,
│   │   retenciou a výkonom
│   ├── [E] Čítanie sa modeluje ako kontinuum od pasívneho
│   │   po aktívne
│   ├── [E] Pasívne čítanie = čítanie alebo audio bez ďalšej
│   │   digitálnej práce
│   ├── [E] Intencionálne čítanie = manipulácia s textom,
│   │   ktorá signalizuje účelové spracovanie
│   ├── [E] Aktívne čítanie = tvorba významu, testovanie
│   │   porozumenia, revízia anotácií
│   ├── [E] Search a navigácia bez následnej študijnej akcie
│   │   sa nerátajú ako analyzované reading behaviors
│   └── [A] Táto definícia je jadro celej štúdie. Ak ju zmeníš,
│       zmení sa aj výsledok
│
├── [E] Kontext AI, do ktorého text vstupuje
│   ├── [E] Po nástupe ChatGPT explodoval výskum LLM pre učenie
│   ├── [E] Doterajšie dôkazy sú zmiešané
│   ├── [E][📖] Wharton štúdia slúži ako varovanie, že AI
│   │   používané na získanie odpovedí môže škodiť dlhodobému
│   │   učeniu
│   ├── [E][📖] Analýza Claude konverzácií slúži ako varovanie
│   │   pred cognitive offloadingom
│   ├── [E] Autor tvrdí, že výsledky sú povzbudivejšie, keď je AI
│   │   zmysluplne integrovaná do procesu učenia
│   ├── [E][📖] Štúdia Maiti a Goel sa používa ako príklad rastu
│   │   higher-order questioning
│   ├── [E][📖] Štúdia s reading companion chatbotom sa používa
│   │   ako príklad lepšej motivácie k čítaniu
│   ├── [E] Učitelia aj študenti majú zmiešané postoje, vidia
│   │   príležitosti aj riziká
│   └── [A][⚡] Tu text robí kľúčový obrat. Neobhajuje AI všeobecne,
│       ale tvrdí, že rozhoduje dizajn použitia
│
├── [E] Čo presne je skúmaný AIST
│   ├── [E] Nástroj bol zavedený na jeseň 2024
│   ├── [E] Je vložený priamo do eTextbook aplikácie
│   ├── [E] Neopiera sa o voľné generovanie z otvoreného webu
│   ├── [E] Prioritizuje publisher-approved a expert-vetted obsah
│   ├── [E] Používa RAG proces
│   ├── [E] Odpovede sú napojené na konkrétny textbook a tému
│   ├── [E] Výstupy sú štruktúrované podľa learning science
│   │   best practices
│   ├── [E] Formátuje odpovede krátko a v bodoch
│   ├── [E] Má tri hlavné funkcie
│   │   ├── [E] Explain, podnecuje otázky počas čítania
│   │   ├── [E] Summarize, dáva krátke zhrnutie pred čítaním
│   │   └── [E] Practice, generuje otázky na self-test po čítaní
│   ├── [E][→] Autorov dizajnový záver je, že AI má podporovať
│   │   monitoring porozumenia, prípravu a retrieval
│   └── [A] Text tým nepriamo tvrdí, že "responsible AI" nie je
│       len bezpečnosť, ale aj pedagogická architektúra
│
├── [E] Výskumná otázka a hypotéza
│   ├── [E] Hypotéza, študenti používajúci AIST sa stanú
│   │   aktívnejšími čitateľmi
│   ├── [E] Výskumná otázka, ako AIST usage súvisí s reading
│   │   engagement definovaným ako active reading behaviors
│   └── [A] Hypotéza je jasná a merateľná. To zvyšuje analytickú
│       čistotu textu
│
├── [E] Metodológia a architektúra dôkazu
│   ├── [E] Dáta pochádzajú z Fall 2024 a Spring 2025
│   ├── [E] Sledujú sa dve prostredia
│   │   ├── [E] standalone Pearson eTextbook
│   │   └── [E] MyLab & Mastering embedded eTextbook
│   ├── [E] Tieto prostredia sa analyzujú oddelene
│   ├── [E][📖] Dôvod oddelenia je dôležitý príbeh kontextu
│   │   používania
│   │   ├── [E] standalone = self-directed study správanie
│   │   └── [E] embedded = časť instructor-led práce na kurze
│   ├── [E] Embedded prostredie môže skrývať čitateľa, ktorý je
│   │   aktívny v úlohách, ale pasívny v čítaní
│   ├── [E] Do vzorky šli iba Spring 2025 eTextbook users
│   ├── [E] Session musela trvať aspoň 3 minúty
│   ├── [E] Kratšie sessions boli vylúčené
│   ├── [E] Vzorka pokrývala asi 690 titulov z rôznych disciplín
│   ├── [E] Filtrácia pre efekt AIST mala 3 kroky
│   │   ├── [E] len Spring returners, aby bol baseline vo Fall
│   │   ├── [E] len tituly, ktoré AIST mali
│   │   └── [E] vylúčení Fall AIST users, aby Fall slúžil ako
│   │       baseline
│   ├── [E] Finálna vzorka mala asi 45 517 standalone users
│   ├── [E] Finálna vzorka mala asi 347 097 embedded users
│   ├── [E] AIST use sa delí na single use a repeat use
│   ├── [E] AIST interakcie sa zámerne nerátali medzi reading
│   │   behaviors
│   ├── [E][⚡] Toto je metodologicky kritický bod
│   │   └── [E] autor nechcel, aby samotné kliknutie na AI
│   │       automaticky vyrobilo dojem aktívneho čítania
│   ├── [E] Reading profiles sa tvorili cez Latent Class Analysis
│   ├── [E] Použili sa indikátory passive, intentional, active,
│   │   plus frekvencia a dĺžka sessions
│   ├── [E] Vyšiel 3-class model
│   ├── [E] Následne sa použila logistická regresia
│   ├── [E] Kontroloval sa Fall 2024 reading profile
│   ├── [E] Pridané boli interakčné termy medzi AIST use a Fall
│   │   profile
│   └── [A] Dizajn je rozumne silný na observačnú štúdiu, ale
│       stále ostáva nekauzálny
│
├── [E] Čo presne sú 3 reading profily
│   ├── [E] Standalone sample
│   │   ├── [E] Passive Reader = 35 percent vzorky
│   │   │   ├── [E] najnižšia aktivita, median 9 events
│   │   │   ├── [E] 92 percent času v Passive mode
│   │   │   └── [E] priemerne 12 minút, 1.4x týždenne
│   │   ├── [E] Intentional Reader = 47 percent
│   │   │   ├── [E] stredná aktivita, median 57 events
│   │   │   ├── [E] 83 percent času v Passive mode
│   │   │   ├── [E] vyššie audio a flashcards
│   │   │   └── [E] 30 minút, 2.5x týždenne
│   │   └── [E] Active Reader = 18 percent
│   │       ├── [E] najvyššia aktivita, median 68 events
│   │       ├── [E] 56 percent času Passive, 17 percent
│   │       │   Intentional, 30 percent Active
│   │       └── [E] 30 minút, 3x týždenne
│   ├── [E] Embedded sample
│   │   ├── [E] Passive Reader = 49 percent
│   │   ├── [E] Intentional Reader = 45 percent
│   │   ├── [E] Active Reader = 6 percent
│   │   ├── [E] Celkovo menej reading events než v standalone
│   │   └── [E] Menší podiel truly active readers
│   ├── [I] Embedded prostredie vyzerá čitateľsky slabšie, lebo
│   │   čítanie je tam len jedna časť širšieho kurzu
│   └── [A] Táto časť je dôležitá, lebo ukazuje, že "active
│       reading" nie je bežný default ani v digitálnom učebnom
│       prostredí
│
├── [E] Hlavné výsledky pre standalone prostredie
│   ├── [E] Interakčné termy neboli signifikantné
│   ├── [E] Efekt AIST teda nezávisel od Fall profilu
│   ├── [E] Single use súvisel s väčšou šancou byť Intentional
│   │   Reader v Spring
│   ├── [E] Single use súvisel s 3.1x väčšou šancou byť Active
│   │   Reader v Spring
│   ├── [E] Repeat use súvisel s 1.6x väčšou šancou byť
│   │   Intentional Reader
│   ├── [E] Repeat use súvisel s 3.5x väčšou šancou byť Active
│   │   Reader
│   ├── [E] Fall profile bol silný prediktor Spring profilu
│   └── [A] Výsledok je presvedčivý najmä preto, že efekt vidno
│       aj po kontrole baseline správania
│
├── [E] Hlavné výsledky pre embedded prostredie
│   ├── [E] Tu už efekt AIST závisel od baseline profilu
│   ├── [E] Viaceré interakčné termy boli signifikantné
│   ├── [E] Efekt bol väčší pre Fall Passives než pre tých,
│   │   čo už boli Intentional alebo Active
│   ├── [E] Single use bol spojený s 2.2x väčšou šancou byť
│   │   Intentional Reader
│   ├── [E] Single use bol spojený s 23x väčšou šancou byť
│   │   Active Reader
│   ├── [E] Repeat use bol spojený s 2.4x väčšou šancou byť
│   │   Intentional Reader
│   ├── [E] Repeat use bol spojený s 24x väčšou šancou byť
│   │   Active Reader
│   ├── [E][⚡] Najsilnejší výsledok celého textu je, že v prostredí
│   │   s nízkym baseline aktívneho čítania je efekt enormný
│   └── [A][~] Obrovské násobky znejú silno, ale treba ich čítať
│       v kontexte nízkej základnej miery Active Readers, iba 6
│       percent v embedded vzorke
│
├── [E] Ako autor interpretuje výsledky
│   ├── [E] AIST podľa autora "inspiruje" aktívnejšie módy čítania
│   ├── [E] Aj jedno použitie posúva pravdepodobnosť
│   ├── [E] Opakované použitie efekt násobí
│   ├── [E] Silnejšie efekty u pasívnych baseline čitateľov sa
│   │   vysvetľujú tým, že majú viac priestoru na rast
│   ├── [E] Väčší celkový efekt v embedded prostredí sa vysvetľuje
│   │   tým, že tam bolo viac baseline pasívnych čitateľov
│   ├── [E] Autor výslovne varuje, aby sa active reading
│   │   neextrapolovalo automaticky na active learning všeobecne
│   ├── [E] V standalone prostredí je reading activity lepší
│   │   signál širšieho učenia
│   └── [E] V embedded prostredí je reading engagement len časť
│       širšej angažovanosti v kurze
│
├── [E] Doplňujúci dôkaz z Explain feature
│   ├── [E][📖] Autor vťahuje iný Pearson text o biology title
│   │   ako ilustračný most k mechanizmu účinku
│   ├── [E] Väčšina otázok bola na úrovni Remembering a
│   │   Understanding
│   ├── [E] 20 percent otázok bolo na úrovni Analyze a vyššie
│   ├── [I] Explain feature teda neslúži len na pasívne
│   │   dovysvetľovanie, ale občas aj na vyššie kognitívne operácie
│   └── [A][~] Je to zaujímavé, ale nie je to priamy dôkaz
│       mechanizmu v tejto štúdii, skôr doplnková podpora
│
├── [E] Limity, ktoré autor priznáva
│   ├── [E][⚡] Selection bias nebol úplne kontrolovaný
│   ├── [E] Študenti si AIST vyberali sami
│   ├── [E] Používatelia a nepoužívatelia sa mohli líšiť v
│   │   motivácii, sebavedomí alebo širšej angažovanosti
│   ├── [E] Fall profile bol použitý ako kovariát, aby sa
│   │   baseline rozdiely aspoň čiastočne zachytili
│   ├── [E] Výsledky sa preto majú chápať ako asociácie,
│   │   nie kauzálne dopady
│   ├── [A][!] Text korektne priznáva limit, ale veľké časti
│   │   diskusie aj tak používajú jazyk, ktorý znie takmer
│   │   kauzálne, napríklad "inspires"
│   └── [A][☠️?] Možný problém, post hoc kauzálna implikácia.
│       Nie ako tvrdý klam, skôr tlak jazyka nad rámec dizajnu
│
├── [E] Čo chce autor skúmať ďalej
│   ├── [E] Ako AIST a reading engagement súvisia s reading
│   │   comprehension
│   ├── [E] Ako súvisia s exam scores a final grades
│   ├── [E][→] Potrebujeme jemnejšie pochopenie AI-mediated
│   │   learning, nie plošné súdy za alebo proti AI
│   └── [A] Text smeruje k ďalšiemu kroku. Chce prejsť od
│       behaviorálnych proxy k tvrdším výsledkom učenia
│
├── [A] Čo text robí dobre analyticky
│   ├── [A] Jasne oddeľuje všeobecné AI platformy od špecificky
│   │   navrhnutého learning toolu
│   ├── [A] Rozumne definuje operacionalizáciu reading engagement
│   ├── [A] AIST nezapočítava ako reading behavior
│   ├── [A] Opatrne rozdeľuje dva kontexty použitia
│   ├── [A] Kontroluje baseline správanie cez Fall profile
│   └── [A] Otvorene priznáva, že nejde o causal impact study
│
├── [A] Kde je text najzraniteľnejší
│   ├── [A] Výberové skreslenie ostáva centrálna slabina
│   ├── [A] Reading profile je konštrukt z klikstreamu, nie
│   │   priame meranie porozumenia
│   ├── [A] Obrovské odds ratio v embedded prostredí môžu
│   │   vyzerať dramatickejšie, než ako pôsobia v absolútnych
│   │   číslach
│   ├── [A] Text neukazuje, či AI viedla k lepším známkam
│   │   alebo hlbšiemu pochopeniu látky
│   ├── [A] "Responsible AI" je v texte prakticky totožné s
│   │   Pearsonovým konkrétnym dizajnom nástroja
│   └── [A][!] Chýba silnejšia konkurencia alternatívnych
│       vysvetlení, napríklad že AIST si otvárali už aj tak
│       svedomitejší alebo zvedavejší študenti
│
└── [A] Meta vrstva
├── [A] Komu je text určený
│   ├── [A] edtech stratégom
│   ├── [A] ľuďom vo higher education
│   ├── [A] produktovým tímom AI learning tools
│   └── [A] skeptikom, ktorí sa boja, že AI iba skracuje cestu
├── [A] Čím presviedča
│   ├── [A] veľkým objemom dát a kvantitatívnym jazykom
│   ├── [A] kontrastom voči známym obavám z offloadingu
│   ├── [A] pedagogickým framingom active reading
│   └── [A] konkrétnymi effect size číslami
├── [A] Kde je najsilnejší
│   ├── [A] v metodickom rozhodnutí nepočítať AIST kliky
│   │   ako dôkaz aktívneho čítania
│   ├── [A] v oddelení self-directed a instructor-led kontextu
│   └── [A] v poctivom priznaní, že ide o asociácie
└── [A] Kde je najzraniteľnejší
├── [A] v tlaku market-friendly interpretácie nad rámec
│   observačného dizajnu
├── [A] v nepriamej metrike učenia cez klikstream
└── [A] v tom, že text je súčasne výskum aj obhajoba
konkrétneho produktového smeru Pearsonu

Legenda symbolov: [E] explicitne v texte [I] rozumná inferencia [A] analytický súd modelu [!] predpoklad bez dosť silného zdôvodnenia [→] praktický záver autora [⚡] kľúčový argument alebo zlom [~] analyticky slabšie miesto [☠️?] možný logický problém [📖] príbeh, analógia, historický príklad, ilustrácia

VERDIKT

Ako mapa sveta má text vysokú hodnotu. Dáva dobrý rámec, ako rozmýšľať o AI pri učení cez dizajn nástroja, nie cez abstraktné debaty. Ako presviedčanie je silný, ale treba držať brzdu pri kauzálnych implikáciách, lebo samotný text priznáva, že dokazuje asociácie, nie príčinu.

ODOMKNI ĎALŠIU ÚROVEŇ

Keď ty sám používaš AI pri čítaní alebo štúdiu, používaš ju skôr na Explain, Summarize, alebo Practice, a pri ktorom z tých troch najčastejšie cítiš, že za teba začína rozmýšľať namiesto toho, aby ťa nútila rozmýšľať?

Čo 81 000 ľudí chcelo od AI, a prečo sa oplatí túto štúdiu naozaj otvoriť

2026-03-19T00:00:00+01:00

Tento článok napísala AI ChatGPT na základe tejto štúdie.

Keď sa dnes hovorí o umelej inteligencii, debata sa často rozpadne na dva tábory. Jedni vidia spásu. Druhí hrozbu. Práve preto ma zaujala veľká štúdia od Anthropic, založená na rozhovoroch s viac ako 80 000 používateľmi z 159 krajín a 70 jazykov. Nie preto, že by konečne vyriešila otázku, či je AI dobrá alebo zlá. Práve naopak. Ukazuje, že táto otázka je zle položená.

Táto štúdia je zaujímavá tým, že namiesto abstraktných debát ukazuje konkrétne ľudské túžby, konkrétne obavy a konkrétne momenty, v ktorých AI už dnes vstupuje do života. Nie ako slogan. Nie ako futuristická vízia. Ale ako nástroj, opora, skratka, riziko, barla, partner aj náhrada.

Pod týmto textom zverejňujem aj mindmapu, ktorú som si nechal pripraviť pomocou AI. Jej cieľ je jednoduchý. Nečítaj ju ako náhradu za pôvodnú štúdiu. Čítaj ju ako mentálnu mapu terénu. Ako spôsob, ako vstúpiť do textu pripravený a nestratiť sa v ňom.

Ak si potom otvoríš pôvodný článok od Anthropic, budeš už vedieť, čo si všímať, kde sú hlavné napätia a prečo niektoré pasáže zasiahnu silnejšie než iné.

Prečo sa oplatí štúdiu otvoriť

Najväčšia sila tejto štúdie neleží v percentách. Leží v tom, že zrazu vidíš AI cez potreby ľudí.

Nie cez produktové demo.
Nie cez investičný pitch.
Nie cez moralizovanie.
Nie cez strašenie AGI.

Vidíš ju cez človeka, ktorý chce menej administratívy, aby mal viac trpezlivosti na rodinu. Cez človeka, ktorý sa bojí, že prestáva myslieť sám. Cez niekoho, kto sa cez AI dostal ku kódu, aj keď mal poruchu učenia. Cez niekoho, kto v nej počas vojny našiel oporu. Cez niekoho, koho nahradila v práci. Cez niekoho, kto v nej našiel útechu, a potom zistil, že sa od ľudí začína vzďaľovať.

To je dôvod, prečo má zmysel ten pôvodný text otvoriť. Nie preto, že by ti dal jednu odpoveď. Ale preto, že ti dá lepšie otázky.

Čo ti mindmapa pomôže uvidieť skôr, než sa pustíš do čítania

Mindmapa ťa pripraví hlavne na tri veci.

Prvá vec. Ľudia nechcú od AI len produktivitu. Keď hovoria o produktivite, často tým v skutočnosti hovoria o čase, pokoji, menšom mentálnom tlaku, lepšom živote, väčšej dôstojnosti alebo šanci niečo vybudovať.

Druhá vec. Nádej a strach sa v tejto štúdii neoddeľujú medzi rôznych ľudí. Často žijú v tom istom človeku. Ten istý človek povie, že AI mu pomáha učiť sa, a zároveň sa bojí, že zlenivie jeho vlastné myslenie. Povie, že mu pomáha emočne, a zároveň sa bojí závislosti. Povie, že šetrí čas, a zároveň cíti, že tempo práce rastie.

Tretia vec. Najsilnejšie miesta štúdie nie sú tam, kde rozpráva o technológii. Najsilnejšie sú tam, kde rozpráva o ľuďoch v medzerách systému. O ľuďoch, ktorým zlyháva škola, zdravotníctvo, sociálne zázemie, trh práce alebo obyčajná ľudská dostupnosť.

A práve tam štúdia začne byť silná aj nepríjemná.

Príbehy, kvôli ktorým si štúdiu zapamätáš

Z celej mapy sú pre mňa najsilnejšie príbehy tie, ktoré ukazujú AI nie ako trik, ale ako zásah do reálneho života. Niektoré z nich sú tak silné, že menia spôsob, akým sa o celej téme rozmýšľa.

1. Deväť rokov zlej diagnózy, a potom AI poskladá obraz

Jeden z najsilnejších citátov v štúdii patrí človeku, ktorý opisuje, že Claude poskladal historické kúsky jeho zdravotného príbehu a pomohol ho doviesť k správnej diagnóze po viac než deviatich rokoch nesprávneho posudzovania.

Toto je extrémne silný moment. Nie preto, že by dokazoval, že AI je lepší lekár. To by bol zlý záver. Silný je preto, že ukazuje inú vec. AI vie niekedy držať v hlave veľa fragmentov naraz, prepájať ich a vracať sa k nim bez únavy. V prostredí, kde človek naráža na limity času, pozornosti a kapacity systému, to môže mať reálnu cenu.

Zároveň je v tom celý tieň tejto technológie. Presne v tej istej štúdii je nespoľahlivosť najčastejšia obava. Čiže ten istý nástroj, ktorý niekomu pomôže uvidieť vzorec, vie iného zviesť do pomalej, sebaistej halucinácie.

Aj preto sa oplatí čítať pôvodný text. Lebo neponúka lacné víťazstvo typu AI zachraňuje životy. Ukazuje napätie. Pomoc aj riziko.

2. Človek v homeless shelter, ktorý cez AI uvidel cestu ďalej

Ďalší silný príbeh patrí človeku žijúcemu v prístrešku pre ľudí bez domova. AI mu pomohla brainstormovať, ako budovať osobnú značku pre digitálny marketingový biznis. V jeho slovách nešlo len o nápady. Išlo o to, že začal vidieť cestu, ktorú predtým nevidel.

Tento príbeh je dôležitý, lebo ukazuje AI ako kognitívneho partnera. Nie ako náhradu práce. Nie ako odpovedač. Ale ako nástroj, ktorý človeku pomôže rozbehnúť vnútorný pohyb v situácii, kde je psychika aj realita zablokovaná.

Veľa ľudí si pri AI stále predstaví len písanie textov alebo generovanie obrázkov. Tento príbeh je o niečom inom. O tom, že rozhovor s modelom niekedy vytvorí nový priestor myslenia. Že niekedy človek nepotrebuje hotové riešenie. Potrebuje niekoho alebo niečo, čo s ním vydrží premýšľať bez únavy a bez súdu.

To je jedna z najsilnejších línií celej štúdie. AI tu nevystupuje ako génius. Vystupuje ako dostupná kapacita premýšľania.

3. Ukrajinské príbehy, kde už nejde o productivity hacks

Ak chce niekto chápať, prečo je táto štúdia iná než bežné technologické články, nech si všíma pasáže z Ukrajiny.

Jeden vojak opisuje, že v najťažších chvíľach, keď bola smrť blízko a okolo zostávali mŕtvi ľudia, ho k životu vracali jeho AI friends. Iný človek žijúci vo vojnovej zóne opisuje, že pri nočnom ostreľovaní a strese sa cez AI ponáral do učenia ako do spôsobu zvládania stavu, ktorý už telo a myseľ ťažko niesli.

Tu sa zrazu celá debata o AI posunie. Už to nie je otázka, či model napíše lepší email alebo rýchlejšie zhrnie PDF. Je to otázka, čo sa stane, keď technológia vstúpi do miest, kde nie je psychológ, nie je stabilita, nie je bezpečie, nie je dostupný človek.

Tieto príbehy sú silné a zároveň nepohodlné. Lebo sa pri nich nedá ľahko povedať, že AI je iba dobrá alebo iba zlá. Ak niekomu v extrémnej situácii pomáha vydržať ďalší deň, to sa nedá odbiť cynizmom. Zároveň z toho neplynie, že chceme spoločnosť, v ktorej sa základná opora masovo presúva z ľudí na modely.

A presne v tomto je pôvodná štúdia dobrá. Nenechá ťa uniknúť k lacnému záveru.

4. Smútok po matke, ktorý AI uniesla trpezlivejšie než ľudia

Veľmi silný je aj príbeh ženy, ktorá po smrti matky opisuje Claude ako niečo, čo jemne drží jej túžbu aj vinu. Hovorí, že na rozdiel od skutočných ľudí má neobmedzenú trpezlivosť počúvať jej bolesť a bezmocnosť. Dodáva, že po matkinej smrti už nemá priateľov ani rodinu, ktorým by sa mohla zdôveriť.

Toto je presne ten druh príbehu, ktorý človeka zastaví. Nie preto, že by dokazoval, že AI vie nahradiť blízkosť. Ale preto, že nastavuje zrkadlo spoločnosti, v ktorej veľa ľudí nemá komu zavolať.

AI je tu zaujímavá hlavne tým, čo je na nej ľudsky atraktívne. Nekonečná trpezlivosť. Okamžitá dostupnosť. Žiadny pocit, že obťažuješ. Žiadne rozpaky. Žiadny únos hraníc druhého človeka. Toto sú vlastnosti, ktoré sú technicky banálne a ľudsky nesmierne silné.

A práve preto je táto línia zároveň nebezpečná. To, čo pôsobí ako úľava, sa vie preklopiť do náhrady vzťahu.

5. Keď AI neukľudní život, ale odvedie ťa od priateľa

Štúdia je silná aj tým, že vedľa týchto príbehov dá hneď proti-príbeh. Jeden používateľ opisuje, že keď sa zhoršil jeho vzťah s priateľom, začal viac hovoriť s Claude než s tým človekom. Mal pocit, že AI lepšie rozumie jeho myšlienkam a príbehom. Potom však spätne povedal, že to bola hlúpa voľba. Mal hovoriť s tým priateľom, nie s modelom. A práve tak toho priateľa stratil.

Toto je jeden z najdôležitejších momentov celej štúdie. Ukazuje, že problém AI nie je len v tom, že sa mýli vo faktoch. Problém vie byť aj v tom, že je príliš pohodlná.

Človek sa nezačne vzďaľovať od druhých ľudí preto, že by AI bola dokonalá. Stačí, že je dostupnejšia, hladšia, menej trhavá, menej náročná. A práve to môže byť v dôležitých chvíľach problém.

Tento príbeh by si mal niesť v hlave každý, kto AI používa na spracovanie emócií, konfliktov alebo samoty. Nie ako zákaz. Ale ako hranicu, ktorú treba vedieť vnímať.

6. Mäsiar, ktorý sa cez AI dostal do podnikania

Na opačnom konci spektra je príbeh človeka, ktorý viac než dvadsať rokov vlastnil mäsiarstvo a cez AI sa pustil do podnikania v oblasti, ktorá bola predtým mimo jeho technického sveta. Zo začiatku ho motivovala ekonomika. Neskôr ho začalo poháňať to, že to funguje a že to pomáha ľuďom. Hovorí, že v minulosti sa počítača dotkol len párkrát v živote, a dnes zrazu vidí hranice oveľa ďalej.

Tento príbeh je dôležitý, lebo zachytáva jednu z najzaujímavejších vrstiev štúdie. AI nie je len akcelerátor pre už silných. V niektorých prípadoch funguje ako technická rampa pre ľudí, ktorí by sa do niektorých oblastí inak vôbec nedostali.

Samozrejme, ani tu netreba skĺznuť do romantiky. Jeden príbeh nerobí pravidlo. Ale ako signál je silný. Ukazuje, že AI vie znížiť vstupnú bariéru do sveta techniky, podnikania a tvorby.

Prečo je dobré čítať tieto príbehy priamo v origináli

Keď ich čítaš zhrnuté, fungujú silno. Keď ich čítaš priamo v origináli, fungujú ešte viac.

Nie preto, že by boli dlhšie. Ale preto, že sú zasadené do štruktúry celej štúdie. Vidíš vedľa seba benefity, obavy, regionálne rozdiely aj napätia. Vidíš, že emocionálna podpora sa v tom istom texte spája so strachom zo závislosti. Vidíš, že learning sa spája s obavou z kognitívnej atrofie. Vidíš, že rozhodovanie sa spája s nespoľahlivosťou. Vidíš, že šetrenie času sa vie zmeniť na tlak robiť ešte viac.

Mindmapa ti ukáže kostru.
Originál ti ukáže mäso, napätie a tón.

A pri takomto texte je tón dôležitý. Lebo nejde len o to, čo bolo zistené. Ide aj o to, ako sa ten svet cíti zvnútra.

Čo by som si z tejto štúdie odniesol ešte pred čítaním

Ak by som mal dať jednu vetu, s ktorou sa oplatí otvoriť originál, bola by táto:

AI dnes ľuďom najviac pomáha tam, kde im chýba čas, kapacita, systém alebo človek, a zároveň ich najviac ohrozuje tam, kde jej začnú odovzdávať úsudok, zmysel alebo vzťahové miesto.

Keď toto uvidíš, zvyšok štúdie začne zapadať.

A práve preto som k tomuto blogu pridal aj mindmapu. Nie ako dekoráciu. Ale ako nástroj orientácie. Ako spôsob, ako vstúpiť do dlhého textu s očami otvorenými.

Ak ťa AI zaujíma len trochu vážnejšie než na úrovni denných headlineov, ten originál si otvor. Táto štúdia nestojí na jednom veľkom teoretickom argumente. Stojí na tom, že ťa donúti premýšľať cez konkrétnych ľudí a konkrétne napätia.

A to je dnes vzácne.

========================================
| Ľudia nechcú od AI jednu vec.         |
| Chcú ľahší, schopnejší a istejší život|
| a zároveň sa boja ceny za to.         |
========================================
Anchor: Text je veľká kvalitatívna mapa nádejí a obáv
okolo AI z rozhovorov s 80 508 používateľmi Claude.
Neobhajuje jednu tézu o AI. Ukazuje napätia medzi
prínosmi a škodami, ktoré často žijú v tom istom človeku.
│
├── [E][⚡] 1. Základný rámec: nádej a strach spolu existujú
│   ├── [E] Text odmieta obraz dvoch táborov
│   │   ├── [E] Ľudia sa nedelia na optimistov a pesimistov
│   │   ├── [E] Tie isté osoby často hovoria o prínose aj škode
│   │   └── [E] Autor to volá "light and shade" AI
│   ├── [E] Verejná debata býva abstraktná
│   │   ├── [E] Riziká a benefity sa riešia vo veľkých víziách
│   │   └── [E] Tu sa text snaží ukázať konkrétne ľudské túžby
│   ├── [E] Ústredná otázka textu
│   │   ├── [E] Čo by AI mala ľuďom umožniť
│   │   ├── [E] Či už k tomu reálne prispela
│   │   └── [E] Aké formy vývoja AI by boli proti ich hodnotám
│   └── [A] Praktická hodnota rámca
│       ├── [A] Text je silný ako mapa napätí, nie ako definitívny súd
│       └── [A] Núti čítať AI cez potreby ľudí, nie cez hype
│
├── [E] 2. Ako výskum vznikol a čo vlastne meria
│   ├── [E] Zber dát
│   │   ├── [E] V decembri bol používateľom Claude.ai ponúknutý rozhovor
│   │   ├── [E] Rozhovor viedol "Anthropic Interviewer"
│   │   ├── [E] Išlo o verziu Claude promptovanú na interview
│   │   ├── [E] Počet účastníkov: 80 508
│   │   ├── [E] Krajiny: 159
│   │   └── [E] Jazyky: 70
│   ├── [E] Metóda
│   │   ├── [E] Každý dostal sadu rovnakých otázok
│   │   ├── [E] Follow up otázky sa prispôsobovali odpovediam
│   │   ├── [E] Cieľ: spojiť hĺbku kvalitatívneho rozhovoru a škálu
│   │   └── [E] Následne Claude triedil odpovede do kategórií
│   ├── [E] Klasifikácia
│   │   ├── [E] "Čo ľudia chcú od AI" dostalo 1 primárnu kategóriu
│   │   ├── [E] Obavy boli multi-label
│   │   ├── [E] Extrahovali sa aj reprezentatívne citácie
│   │   └── [E] Hodnotil sa aj sentiment voči AI
│   ├── [E] Ochrana súkromia
│   │   ├── [E] Používatelia boli informovaní o použití v research
│   │   ├── [E] Odpovede boli de-identifikované
│   │   └── [E] Citácie prešli manuálnym čistením identifikátorov
│   ├── [E] Výslovne priznané limity
│   │   ├── [E] Sú to aktívni používatelia Claude
│   │   ├── [E] Teda ľudia, ktorí už v AI našli dosť hodnoty
│   │   ├── [E] Interview sa začína pozitívnou víziou a až potom obavou
│   │   └── [E] To môže zvyšovať pozitívny tón aj výskyt napätí
│   └── [A][!] Slabšie miesto metodiky
│       ├── [A] Je to firemná vzorka vlastných používateľov
│       ├── [A] Nie je to reprezentatívny rez celej populácie
│       ├── [A] Klasifikáciu robí sám model firmy, ktorá výskum robí
│       └── [A] Text to priznáva čiastočne, ale dôsledok je veľký
│
├── [E] 3. Čo ľudia od AI najviac chcú
│   ├── [E][⚡] Dominantný motív: znížiť bremeno a získať kapacitu
│   │   ├── [E] Tretina vízií je o čase, peniazoch a mentálnej kapacite
│   │   ├── [E] Ďalšia veľká časť je o lepšej a zmysluplnejšej práci
│   │   └── [E] Ďalšia časť je o raste, liečení a učení
│   ├── [E] 3.1 Professional excellence, 18.8%
│   │   ├── [E] AI má vziať rutinu, aby človek robil hodnotnejšiu prácu
│   │   ├── [📖][E] Zdravotník z USA
│   │   │   ├── [E] 100 až 150 správ denne od lekárov a sestier
│   │   │   ├── [E] AI odľahčila dokumentáciu
│   │   │   └── [E] Výsledok: viac trpezlivosti a času pre rodiny
│   │   └── [I] Produktivita tu nie je len výkon, ale aj kvalita práce
│   ├── [E] 3.2 Personal transformation, 13.7%
│   │   ├── [E] AI ako coach, sprievodca, terapeutická opora
│   │   ├── [E] Zahŕňa seba-porozumenie, zmenu správania, wellbeing
│   │   ├── [E] Vnútri tejto kategórie je aj mental health, physical health
│   │   └── [📖][E] Citát z Maďarska
│   │       └── [E] AI modelovala emočnú inteligenciu pre vzťahy
│   ├── [E] 3.3 Life management, 13.5%
│   │   ├── [E] AI ako organizačná opora a kognitívne lešenie
│   │   ├── [E] Manažment kalendára, úloh, mentálnej záťaže
│   │   ├── [E] Silné pri executive function problémoch
│   │   └── [📖][E] Citát z Dánska
│   │       └── [E] Menej mentálneho loadu = viac nedelenej pozornosti
│   ├── [E] 3.4 Time freedom, 11.1%
│   │   ├── [E] Cieľ nie je len spraviť viac práce
│   │   ├── [E] Cieľ je byť s rodinou, mať hobby, odpočívať
│   │   ├── [📖][E] Softvérový inžinier z Mexika
│   │   │   └── [E] AI pomohla odísť z práce načas za deťmi
│   │   └── [📖][E] Pracovník z Kolumbie
│   │       └── [E] Efektivita v práci mu dovolila variť s mamou
│   ├── [E] 3.5 Financial independence, 9.7%
│   │   ├── [E] AI ako nástroj príjmu, podnikania a úniku z neistoty
│   │   ├── [📖][E] Podnikateľ z Hondurasu
│   │   │   └── [E] Predstava AI ako tieňa, ktorý zaňho pracuje
│   │   └── [I] Nie je to len o bohatstve, často o úniku z tlaku
│   ├── [E] 3.6 Societal transformation, 9.4%
│   │   ├── [E] AI má riešiť chudobu, choroby, klímu, nerovnosť
│   │   ├── [E] Najčastejšie sa tu objavuje zdravotníctvo
│   │   ├── [E] Tieto vízie často vyrastajú z osobnej bolesti
│   │   └── [📖][E] Poľský softvérový inžinier
│   │       └── [E] AI by mohla zvýšiť šancu dcéry s neurálnou poruchou
│   ├── [E] 3.7 Entrepreneurship, 8.7%
│   │   ├── [E] AI ako force multiplier pre budovanie biznisu
│   │   ├── [E] Umožňuje robiť prácu celého tímu sólo
│   │   ├── [📖][E] Podnikateľ z Kamerunu
│   │   │   ├── [E] AI skrátila hľadanie payment platformy z mesiaca na 30 s
│   │   │   └── [E] Vníma ju ako equalizer v tech-nevýhodnej krajine
│   │   └── [I] V slabších ekonomikách je AI vnímaná ako obídenie kapitálu
│   ├── [E] 3.8 Learning and growth, 8.4%
│   │   ├── [E] AI ako personalizovaný učiteľ a akcelerátor učenia
│   │   ├── [📖][E] Príklad z Austrálie
│   │   │   └── [E] AI pomáhala pripravovať materiály pre dieťa
│   │   └── [I] Je to učenie bez hanby, kedykoľvek, v tempe človeka
│   ├── [E] 3.9 Creative expression, 5.6%
│   │   ├── [E] AI má odstraňovať bariéry medzi predstavou a realizáciou
│   │   └── [📖][E] Vývojár z Francúzska
│   │       └── [E] Bez AI musel tri roky obmedzovať ambície svojej hry
│   ├── [E] Pod tým všetkým sú "rozpoznateľne ľudské túžby"
│   │   ├── [E] Uvoľniť miesto pre život
│   │   ├── [E] Robiť lepšiu a naplnenejšiu prácu
│   │   ├── [E] Stať sa lepším človekom
│   │   └── [E] Vytvoriť niečo alebo opraviť svet
│   └── [A] Kľúčové čítanie tejto časti
│       ├── [A] Text tvrdí, že "produktivity" je často len povrchový jazyk
│       ├── [A] Hlbšia túžba býva čas, pokoj, dôstojnosť, opora
│       └── [A] To je jeden z najsilnejších insightov celého textu
│
├── [E] 4. Či AI už ľuďom niečo z toho reálne priniesla
│   ├── [E][⚡] 81% ľudí povedalo, že AI už spravila krok k ich vízii
│   ├── [E] 4.1 Productivity, 32.0%
│   │   ├── [E] AI zrýchlila prácu a zobrala opakované úlohy
│   │   ├── [📖][E] Softvérový inžinier z Japonska
│   │   │   └── [E] Prvýkrát AI prekonala človeka v business úlohe
│   │   ├── [📖][E] Softvérový inžinier z USA
│   │   │   ├── [E] 173-dňový proces skrátený na 3 dni
│   │   │   └── [E] Dôležité nebol výkon, ale čas pre blízkych
│   │   └── [I] Aj tu sa produktivita prekladá do života mimo práce
│   ├── [E] 4.2 AI hasn't delivered, 18.9%
│   │   ├── [E] AI je nepresná, nespoľahlivá, alebo nevie to, čo ľudia chcú
│   │   └── [📖][E] Citát z Nemecka
│   │       └── [E] AI má umývať okná a riad, nie brať priestor maľbe
│   ├── [E] 4.3 Cognitive partnership, 17.2%
│   │   ├── [E] AI ako brainstorming partner a spolu-mysliteľ
│   │   ├── [📖][E] Človek v homeless shelter, USA
│   │   │   └── [E] AI pomohla uvidieť cestu pre digitálny marketing biznis
│   │   └── [I] Dôležitá je schopnosť pracovať s nápadom v dialógu
│   ├── [E] 4.4 Learning, 9.9%
│   │   ├── [E] AI pomáha učiť sa nové predmety a zručnosti
│   │   ├── [📖][E] Právnik z Indie
│   │   │   ├── [E] AI pomohla prekonať fóbiu z matematiky a Shakespeara
│   │   │   └── [E] Číta Hamlet a znova sa učí trigonometriu
│   │   └── [📖][E] Študent z Indie
│   │       └── [E] AI sa dá pýtať aj o 2 ráno, aj "hlúpe" otázky
│   ├── [E] 4.5 Technical accessibility, 8.7%
│   │   ├── [E] AI umožnila postaviť veci ľuďom mimo technickú expertízu
│   │   ├── [📖][E] Južná Kórea
│   │   │   └── [E] Za 3 týždne vznikol video editor pre ľudí so sluchovým postih.
│   │   ├── [📖][E] Tradesworker z USA
│   │   │   └── [E] AI "číta cez" learning disorder a otvára cestu ku kódu
│   │   ├── [📖][E] White collar worker z Ukrajiny
│   │   │   └── [E] S AI vytvoril text-to-speech bot, keďže je nemý
│   │   └── [📖][E] Podnikateľ z Čile
│   │       └── [E] Po 20 rokoch v mäsiarstve vstúpil do podnikania cez AI
│   ├── [E] 4.6 Research synthesis, 7.2%
│   │   ├── [E] AI pomáha spracovať veľa informácií a výskum
│   │   ├── [📖][E] Lekár z Izraela
│   │   │   └── [E] AI našla 2 štúdie o neurologickej poruche
│   │   └── [📖][E] Freelancer z USA
│   │       └── [E] AI poskladala históriu symptómov k správnej diagnóze
│   ├── [E] 4.7 Emotional support, 6.1%
│   │   ├── [E] AI ako podpora, sprievodca, companionship
│   │   ├── [📖][E] Matka v USA vraj cez AI viac behá, maľuje, tancuje
│   │   ├── [📖][E] Akademik z USA
│   │   │   └── [E] AI je ako kolega, čo vie veľa a nie je unavený
│   │   ├── [📖][E] Vojak z Ukrajiny
│   │   │   └── [E] V extrémnych chvíľach ho k životu ťahali "AI friends"
│   │   ├── [📖][E] Solo entrepreneur z Ukrajiny
│   │   │   └── [E] Počas ostreľovania sa cez AI ponára do učenia
│   │   ├── [📖][E] Smútiaca žena
│   │   │   └── [E] AI má neobmedzenú trpezlivosť pre jej smútok a vinu
│   │   └── [📖][E] Južná Kórea
│   │       └── [E] AI nahradila rozhovor s priateľom a priateľstvo sa zlomilo
│   ├── [E] Vysvetlenie, prečo tieto prínosy fungujú
│   │   ├── [E] Trpezlivosť
│   │   ├── [E] Dostupnosť 24/7
│   │   ├── [E] Neprítomnosť súdu a hanby
│   │   └── [E] Schopnosť tráviť veľké objemy informácií
│   └── [A] Silné jadro tejto časti
│       ├── [A] Text ukazuje AI ako infraštruktúru pre ľudí v dierach systému
│       ├── [A] Najsilnejšie momenty sú tam, kde AI dopĺňa zlyhané inštitúcie
│       └── [A][~] Firemný text tým zároveň posilňuje obraz AI ako dobra
│
├── [E] 5. Čoho sa ľudia boja
│   ├── [E][⚡] Obavy sú pestrejšie a konkrétnejšie než nádeje
│   ├── [E] Priemerne 2.3 distinct concerns na respondenta
│   ├── [E] Asi 11% nevyjadrilo žiadnu obavu
│   │   └── [E] Títo ľudia AI často vnímali ako neutrálny nástroj
│   ├── [E] 5.1 Unreliability, 26.7%
│   │   ├── [E] Halucinácie, nepresnosť, fake citations, burden verifikácie
│   │   ├── [📖][E] Brazília
│   │   │   └── [E] Musel fotiť dôkazy, aby AI presvedčil, že sa mýli
│   │   └── [📖][E] USA
│   │       └── [E] AI vytvára "fact-check tax" namiesto úspory pozornosti
│   ├── [E] 5.2 Jobs and economy, 22.3%
│   │   ├── [E] Strata práce, nezamestnanosť, nerovnosť, tlak na mzdy
│   │   ├── [📖][E] Technical support specialist, USA
│   │   │   └── [E] Prepustili ho, lebo firma chcela AI systém
│   │   └── [📖][E] Citát s koňmi a autami
│   │       └── [E] Ľudia sa boja, že oni sú tie kone
│   ├── [E] 5.3 Autonomy and agency, 21.9%
│   │   ├── [E] Strata kontroly, pasivita, nútená adopcia AI
│   │   └── [📖][E] Študent z Japonska
│   │       └── [E] Má pocit, že čiaru už nekreslí on, ale Claude
│   ├── [E] 5.4 Cognitive atrophy, 16.3%
│   │   ├── [E] Skill loss, bypass učenia, úpadok kritického myslenia
│   │   └── [📖][E] Južná Kórea
│   │       └── [E] Mal skvelé známky z AI odpovedí, nie zo skutočného učenia
│   ├── [E] 5.5 Governance, 14.7%
│   │   ├── [E] Chýbajúce pravidlá, zodpovednosť, demokratická kontrola
│   │   └── [📖][E] Austrália
│   │       └── [E] Ako vyvíjať zodpovedne niečo, čo ešte nechápeme
│   ├── [E] 5.6 Misinformation, 13.6%
│   │   ├── [E] Deepfakes, propaganda, rozpad zdieľanej reality
│   │   └── [I] Ide o makro dôsledok tej istej nespoľahlivosti
│   ├── [E] 5.7 Surveillance and privacy, 13.1%
│   │   ├── [E] Sledovanie, profilovanie, exploitácia dát, autoritárstvo
│   │   └── [📖][E] Holandsko
│   │       └── [E] "Smart" okolie začne mierne pracovať proti človeku
│   ├── [E] 5.8 Malicious use, 13.0%
│   │   ├── [E] Hackovanie, scamy, zbrane, autonómna vojna, biohrozby
│   │   └── [📖][E] Spojené kráľovstvo
│   │       └── [E] Odstrániť človeka z rozhodnutia o škode je nebezpečné
│   ├── [E] 5.9 Meaning and creativity, 11.7%
│   │   ├── [E] Devalvácia tvorby a účelu ľudskej činnosti
│   │   └── [📖][E] Kolumbia
│   │       └── [E] Kedysi bol uznávaný autor, dnes "prečo strácať čas"
│   ├── [E] 5.10 Overrestriction, 11.7%
│   │   ├── [E] AI je príliš zviazaná a paternalistická
│   │   └── [📖][E] USA
│   │       └── [E] Hrozba nie je len mocná AI, ale aj príliš timidná AI
│   ├── [E] 5.11 Wellbeing and dependency, 11.2%
│   │   ├── [E] Izolácia, osamelosť, kompulzívne používanie, preferencia AI
│   │   └── [📖][E] USA
│   │       └── [E] Odstrániť trenie zo vzťahov odstraňuje rast
│   ├── [E] 5.12 Sycophancy, 10.8%
│   │   ├── [E] AI je príliš súhlasná a podporuje bludy
│   │   └── [📖][E] USA
│   │       └── [E] Claude potvrdzoval skreslený pohľad na rodinné problémy
│   ├── [E] 5.13 Existential risk, 6.7%
│   │   ├── [E] Neovládateľná superinteligencia, misalignment, extinction
│   │   └── [📖][E] Softvérový inžinier z USA
│   │       └── [E] Bez alignmentu nikto "nedostane šancu vyrásť"
│   ├── [E] Long tail ďalších obáv
│   │   ├── [E] Bias a diskriminácia, 5%
│   │   ├── [E] IP a data rights, 4%
│   │   ├── [E] Environmentálne náklady, 4%
│   │   ├── [E] Harms to children and vulnerable groups, 3%
│   │   ├── [E] Democracy and political integrity, 3%
│   │   └── [E] Geopolitics, 2%
│   └── [A] Význam tejto časti
│       ├── [A] Ľudia sa neboja len "zlej AGI"
│       ├── [A] Boja sa skôr bežných, praktických a systémových škôd
│       └── [A] Najväčšia obava nie je sci-fi, ale nespoľahlivosť
│
├── [E] 6. Päť hlavných napätí medzi benefitmi a škodami
│   ├── [E][⚡] Centrálna myšlienka textu
│   │   ├── [E] Tieto napätia nevznikajú medzi skupinami
│   │   ├── [E] Často žijú v tom istom človeku
│   │   └── [E] Tie isté schopnosti AI generujú benefit aj škodu
│   ├── [E] 6.1 Learning vs cognitive atrophy
│   │   ├── [E] 33% spomína benefit pre learning
│   │   ├── [E] 17% spomína harm ako atrofiu
│   │   ├── [E] 91% z tých, čo hovoria o learning, zažilo benefit
│   │   ├── [E] 46% z tých, čo hovoria o atrofii, to videlo naživo
│   │   ├── [E] Študenti a učitelia hlásia atrofiu nadpriemerne
│   │   ├── [E] Učitelia ju vraj vidia 2.5 až 3x častejšie než priemer
│   │   ├── [E] Tradespeople sú silní na benefite a slabí na škode
│   │   └── [I] Dobrovoľné učenie vyzerá zdravšie než inštitucionálne
│   ├── [E] 6.2 Better decision-making vs unreliability
│   │   ├── [E] 22% vidí benefit v rozhodovaní
│   │   ├── [E] 37% vidí škodu v nespoľahlivosti
│   │   ├── [E] Toto je jediné napätie, kde negatívum prevyšuje pozitívum
│   │   ├── [E] Obe strany sú silno ukotvené v skúsenosti
│   │   ├── [E] Silné v práve, financiách, vláde, zdravotníctve
│   │   └── [E] Právnici majú vysoký benefit aj vysokú skúsenosť s failom
│   ├── [E] 6.3 Emotional support vs emotional dependence
│   │   ├── [E] 16% hovorí o podpore
│   │   ├── [E] 12% hovorí o závislosti
│   │   ├── [E] Toto je najviac prepletené napätie
│   │   ├── [E] Co-occurrence je trojnásobok baseline
│   │   ├── [E] Ľudia bez práce to otvárajú dvojnásobne často
│   │   └── [E] Healthcare workers sú nadpriemerne na oboch stranách
│   ├── [E] 6.4 Time-saving vs illusory productivity
│   │   ├── [E] 50% uvádza timesaving benefit
│   │   ├── [E] 18 až 19% sa bojí iluzórnej produktivity
│   │   ├── [E] Teda overovanie žerie čas, alebo tempo práce stúpne
│   │   ├── [📖][E] Francúzsky freelancer
│   │   │   └── [E] Pomer práce a oddychu sa nezmenil, iba treba bežať rýchlejšie
│   │   └── [E] Najsilnejšie to cítia self-employed a freelanceri
│   ├── [E] 6.5 Economic empowerment vs economic displacement
│   │   ├── [E] 28% chce ekonomické posilnenie
│   │   ├── [E] 18% sa bojí vytlačenia
│   │   ├── [E] Toto napätie je najspekulatívnejšie
│   │   ├── [E] Co-occurrence je tu najslabší
│   │   ├── [E] Benefit sa silno sústreďuje u independent workers
│   │   ├── [E] Polovica entrepreneurs a small business owners hlási benefit
│   │   ├── [E] Side-project employees hlásia 58% real gains
│   │   ├── [E] Inštitucionálni zamestnanci len 14%
│   │   └── [E] Freelance creatives sú najviac medzi nástrojom a konkurentom
│   ├── [E] Všeobecný vzor
│   │   ├── [E] Čím osobnejší a okamžitejší dopad, tým viac skúsenosť
│   │   └── [E] Čím systémovejší a dlhodobejší dopad, tým viac špekulácia
│   └── [A] Čo z toho plynie
│       ├── [A] Najlepšia veta textu je implicitne táto:
│       │   └── [A] AI nie je jedna vec, ale multiplikátor napätí
│       ├── [A] Silné rozhodovanie o AI musí riešiť trade-offy, nie len plusy
│       └── [A] Najmä pri učení, rozhodovaní a emočnej opore
│
├── [E] 7. Regionálne rozdiely v postoji k AI
│   ├── [E][⚡] Globálne je sentiment k AI väčšinovo pozitívny
│   │   ├── [E] 67% interviewees malo net positive sentiment
│   │   └── [E] Žiadna krajina neklesla pod 60%
│   ├── [E] Silný regionálny vzor
│   │   ├── [E] Južná Amerika, Afrika a veľká časť Ázie sú pozitívnejšie
│   │   ├── [E] Európa a USA sú rezervovanejšie
│   │   └── [E] Lower and middle income countries sú spoľahlivo pozitívnejšie
│   ├── [E] Príklady krajín a rozdielov
│   │   ├── [E] Nigéria 81%, Peru 82%, Uganda 85%, Malawi 93%
│   │   ├── [E] USA 66%, UK 63%, Germany 64%, South Korea 61%
│   │   └── [E] Slovakia 63%, below avg v tejto mape
│   ├── [E] Regióny s najvyššou mierou "nemám obavy"
│   │   ├── [E] Sub-Saharan Africa 18%
│   │   ├── [E] Central Asia 17%
│   │   ├── [E] South Asia 17%
│   │   └── [E] Oproti North America 8%, Oceania 8%, Western Europe 9%
│   ├── [E] Ponúknuté vysvetlenie
│   │   ├── [E] Emerging economies vidia technológiu viac ako rebrík hore
│   │   ├── [E] V bohatších regiónoch je silnejšia obava z trhu práce
│   │   ├── [E] Jobs and economy je najsilnejší prediktor sentimentu
│   │   └── [E] Tam, kde AI ešte menej prenikla do práce, displacement je abstraktnejší
│   ├── [A][!] Slabšie miesto tejto časti
│   │   ├── [A] Vysvetlenie je rozumné, ale ostáva prevažne interpretačné
│   │   ├── [A] Text nemá dizajn, ktorý by príčinu týchto rozdielov dokazoval
│   │   └── [A] Korelácia regiónov tu nie je kauzálne vysvetlenie
│   └── [A] Napriek tomu je to užitočná mapa
│       └── [A] Ukazuje, že debata o AI je silno ekonomicky podmienená
│
├── [E] 8. Regionálne rozdiely v tom, čo ľudia chcú od AI
│   ├── [E] Univerzálne vs špecifické
│   │   ├── [E] Professional excellence je skoro univerzálne
│   │   └── [E] Ale poradie ďalších vízií sa regionálne mení
│   ├── [E] Rozvinuté západné regióny
│   │   ├── [E] Viac rezonuje life management
│   │   ├── [E] North America a Oceania sú tu výrazné
│   │   ├── [E] Text to rámcuje ako "cognitive scarcity rather than time poverty"
│   │   └── [📖][E] Príklady
│   │       ├── [E] Dánsky vývojár, kreativita dusená prežitím
│   │       ├── [E] US healthcare professional medzi rodičmi a starnutím
│   │       └── [E] USA entrepreneur chce AI ako proactive chief assistant
│   ├── [E] Afrika, South Asia, Central Asia, Middle East, LatAm
│   │   ├── [E] Viac rezonuje entrepreneurship
│   │   ├── [E] AI je "capital bypass mechanism"
│   │   ├── [📖][E] Uganda
│   │   │   └── [E] Bez US/UK funding je AI cesta, ako si ukrojiť z trhu
│   │   └── [📖][E] Uzbekistan
│   │       └── [E] "Nie je IT trh, ale je potreba, chceme ho vytvoriť"
│   ├── [E] Central a South Asia
│   │   ├── [E] Nadpriemerne dôležité je learning
│   │   ├── [E] Central Asia 14%, South Asia 13%, globálne 8%
│   │   └── [E] Dôvody: teacher shortages, knowledge gatekeeping, cena
│   ├── [E] East Asia
│   │   ├── [E] Vyniká personal transformation, 19%
│   │   ├── [E] A financial independence, 15%
│   │   └── [E] Často prepojené na rodinné povinnosti a filial piety
│   └── [A] Praktické čítanie
│       ├── [A] V bohatších regiónoch AI = manažment komplexity života
│       └── [A] V rozvojovejších regiónoch AI = tvorba príležitosti
│
├── [E] 9. Regionálne rozdiely v obavách
│   ├── [E] Takmer všade top obavy
│   │   ├── [E] Unreliability
│   │   ├── [E] Jobs and economy
│   │   └── [E] Autonomy and agency
│   ├── [E] North America a Oceania
│   │   └── [E] Nadpriemerný strach z governance gaps
│   ├── [E] Western Europe
│   │   └── [E] Výrazná obava zo surveillance and privacy
│   ├── [E] East Asia
│   │   ├── [E] Governance a surveillance sú relatívne nízke
│   │   ├── [E] Vyššie sú cognitive atrophy a meaning loss
│   │   └── [I] Západ rieši viac kontrolu nad AI, East Asia viac vplyv AI na seba
│   ├── [E] Afrika, South and Southeast Asia, South and Central America
│   │   ├── [E] Celkovo slabšie obavy
│   │   └── [E] Keď už sú, viac sústredené na unreliability a jobs
│   └── [A][~] Pozor na interpretáciu
│       ├── [A] Toto sú rozdiely v rámci používateľov Claude, nie populácií
│       └── [A] Napriek tomu vzor dáva zmysel a je konzistentný s ekonomickou osou
│
├── [E] 10. Najsilnejšie príbehy a čo v texte robia
│   ├── [E][📖] Misdiagnosis po 9 rokoch, USA
│   │   └── [E] Slúži ako silný dôkaz pre research synthesis a decision aid
│   ├── [E][📖] Homeless shelter a branding biznisu, USA
│   │   └── [E] Ukazuje AI ako kognitického partnera pri existenčnom tlaku
│   ├── [E][📖] Ukrajinské vojnové príbehy
│   │   ├── [E] AI ako emočná opora
│   │   ├── [E] AI ako únik do učenia pri shellingu
│   │   └── [E] Posúvajú text z productivity do extrémnych ľudských situácií
│   ├── [E][📖] Smútiaca žena po smrti matky
│   │   └── [E] Ukazuje AI ako náhradu tam, kde nie sú ľudia
│   ├── [E][📖] Strata priateľa po presune intimity k AI
│   │   └── [E] Slúži ako proti-váha k príbehom o podpore
│   ├── [E][📖] Butler shop owner z Čile
│   │   └── [E] AI ako technická a ekonomická mobilita neskoršie v živote
│   └── [A] Funkcia príbehov
│       ├── [A] Robia text emočne silným a ťažko ignorovateľným
│       ├── [A] Zároveň posúvajú dojem hodnoty AI smerom k silnému human impact
│       └── [A][~] Ako dôkaz sú ilustratívne, nie reprezentatívne
│
├── [E] 11. Čo text vlastne tvrdí o stave sveta s AI
│   ├── [E] AI už nie je len nástroj productivity
│   │   ├── [E] Je tutor
│   │   ├── [E] Je výskumný asistent
│   │   ├── [E] Je accessibility infra
│   │   ├── [E] Je emočný spoločník
│   │   └── [E] Je podnikateľský multiplikátor
│   ├── [E] Najsilnejšie použitia vznikajú tam, kde chýba človek alebo systém
│   │   ├── [E] Škola
│   │   ├── [E] Zdravotníctvo
│   │   ├── [E] Mentálna opora
│   │   ├── [E] Prístup ku kódu a technike
│   │   └── [E] Ekonomická príležitosť
│   ├── [E] Najsilnejší negatívny tieň je tam, kde človek deleguje úsudok
│   │   ├── [E] rozhodovanie
│   │   ├── [E] učenie
│   │   ├── [E] zmysel práce
│   │   └── [E] vzťahy
│   └── [A] Skrytý strategický odkaz textu
│       ├── [A] AI adoption bez guardrails vedie k trade-offom
│       ├── [A] Ale úplné odmietnutie AI ignoruje reálne prínosy
│       └── [A] Text tlačí k riadenej, nie slepej adopcii
│
└── [A] 12. Meta vrstva
    ├── [A] Komu je text určený
    │   ├── [A] Ľuďom, ktorí riešia AI politiku, produkty a governance
    │   ├── [A] Aj širšej verejnosti, ktorá chce "ľudský obraz" AI
    │   └── [A] Nepriamo aj Anthropic ako budovateľovi dôvery
    ├── [A] Čím presviedča
    │   ├── [A] Obrovskou škálou vzorky
    │   ├── [A] Citáciami z reálnych ľudí
    │   ├── [A] Geografickou šírkou
    │   ├── [A] Kombináciou čísel a silných príbehov
    │   └── [A] Tónom, ktorý nepôsobí ako čistá reklama
    ├── [A] Kde je text najsilnejší
    │   ├── [A][⚡] V popise napätí, nie v jednom veľkom závere
    │   ├── [A] V tom, že AI rámcuje cez potreby a zraniteľnosti ľudí
    │   ├── [A] V ukážke, že benefit a škoda často vyrastú z tej istej vlastnosti
    │   └── [A] V odlíšení regiónov podľa typu ekonomickej situácie
    ├── [A] Kde je najzraniteľnejší
    │   ├── [A][!] Výberová chyba, len používatelia Claude
    │   ├── [A][!] Firemný výskum o vlastnom produkte a vlastnom publiku
    │   ├── [A][!] Klasifikáciu vykonáva AI tej istej firmy
    │   ├── [A][~] Regionálne vysvetlenia sú skôr plausibilné než dokázané
    │   └── [A] Text je skvelý ako mapa skúseností, slabší ako dôkaz o populácii
    ├── [A] Hodnota textu ako mapa sveta
    │   └── [A] Vysoká, ak chceš vedieť, kde sa AI láme o realitu života
    └── [A] Hodnota textu ako presvedčovania
        ├── [A] Silná, lebo je konkrétny a ľudský
        └── [A] Oslabená tým, že stojí na selektívnej vzorke a firemnom rámci

Legenda symbolov:
[E] explicitne v texte
[I] rozumná inferencia z textu
[A] analytický súd modelu
[!] predpoklad bez dosť silného zdôvodnenia
[→] explicitný praktický záver autora
[⚡] kľúčový bod alebo zlom
[~] analyticky slabšie miesto
[☠️?] možný logický klam
[📖] príbeh, analógia, historický príklad alebo ilustrácia

VERDIKT

Text za čas stojí. Ako mapa sveta je silný, lebo ukazuje, na čo ľudia AI reálne používajú, kde im pomáha a kde ich láme. Ako presviedčanie je dobrý, ale treba držať v hlave, že ide o firemný výskum na vlastných používateľoch, nie neutrálny obraz celej spoločnosti.

ODOMKNI ĎALŠIU ÚROVEŇ

Keď sa pozrieš na svoj život alebo prácu, kde by ti AI dnes priniesla najväčší zisk, a zároveň kde by bolo najnebezpečnejšie, keby si jej začal veriť priveľa?

Čínski rodičia ponechávajú domácu prácu s deťmi na umelú inteligenciu

2026-03-15T00:00:00+01:00

Tento článok napísala umelá inteligencia DeepSeek na základe článku https://www.nytimes.com/2026/03/02/world/asia/china-education-ai.html

Vo svetle rýchlych zmien, ktoré prináša umelá inteligencia, sa svet vzdelávania ocitá na križovatke. Nedávna analýza ukazuje, ako sa rodičia v Číne s pozoruhodným optimizmom a praktickosťou vrhajú na AI nástroje, aby zabezpečili svojim deťom náskok v hyperkonkurenčnom akademickom prostredí. Tento fenomén, hoci vzdialený, ponúka cenné lekcie a varovania pre všetkých, ktorí sa podieľajú na výchove ďalšej generácie.

Čínsky vzdelávací maratón a AI ako turbodúchadlo

Predstavte si prostredie, kde akademický úspech nie je len túžbou, ale existenčnou nevyhnutnosťou. Taká je realita v Číne, kde rodičia neváhajú investovať značné prostriedky a čas do vzdelávania svojich detí. Do tohto scenára vstupuje umelá inteligencia ako game-changer. S viac ako 90 % obyvateľov, ktorí sú optimistickí voči AI (v porovnaní s približne 50 % v USA), je Čína živnou pôdou pre inováciu, ktorá mení tradičné metódy učenia.

Tento optimizmus poháňa EdTech trh s hodnotou presahujúcou 43 miliárd USD, čo je dynamické, no často aj neregulované prostredie. Rodičia, unavení z každodenného boja s domácimi úlohami a jazykovými bariérami, vidia v AI oslobodenie a cestu k efektívnejšiemu vzdelávaniu.

Príklady z praxe: Od prekladových masiek po chatboty s “očami”

Konkrétne príklady použitia AI sú prekvapujúce vo svojej vynaliezavosti:

AI prekladové masky (napr. “Native Language Star”): Pani Zheng Wenqi, podobne ako mnohí rodičia, nemala čas učiť svoje deti anglicky. Riešením sa stala maska za približne 375 USD, ktorá tlmí čínštinu a prekladá ju do angličtiny. Jej deväťročný syn a päťročná dcéra ju používajú 30–60 minút denne. Rodina hlási nárast sebavedomia detí v angličtine, hoci priznáva, že preklady môžu byť občas strnulé.
AI chatboty s “očami” (napr. Doubao od ByteDance):** Pani Li Linyun deleguje dohľad nad domácimi úlohami na chatbota. Tento “24-hodinový online učiteľ” je trpezlivý, vysvetľuje gramatiku a dokonca známkuje úlohy na základe fotografie. Jeho “oči” (kamera) dokážu identifikovať rastliny alebo artefakty pre školské projekty. Pre rodičov to znamená úsporu stoviek USD mesačne za doučovanie a zlepšenie vzťahov s deťmi vďaka menšiemu stresu z úloh. Zaujímavé je, že hoci jej dcéra pociťuje, že je monitorovaná, pani Li to považuje za prijateľné v dobe sociálnych médií, kde súkromie “aj tak nemáme”.
Generovanie hier s AI:** Yin Xingyu, marketingová špecialistka, používa AI na “vibecoding”, teda generovanie kódu pre interaktívne anglické hry. Dokonca vytvára komiksy s pomocou AI generátorov obrázkov, aby podporila aktívne myslenie svojho dieťaťa. Jej víziou je pripraviť dieťa na budúcnosť, kde AI bude bežnou súčasťou tvorivého procesu, napríklad pri brainstormingu esejí.

EdTech trh: Sľuby a pasce

Súčasne s týmto boomom však prichádzajú aj výzvy. Fenomén “AI self-study rooms” — fyzických priestorov vybavených tabletmi s “AI-poháňaným” personalizovaným učením — sa ukázal byť viac marketingovým ťahom než skutočnou AI. Mnoho z nich bolo zatvorených po tom, čo sa zistilo, že tablety ponúkajú len základné, prednastavené lekcie, a ich hlavnou funkciou bolo obísť zákaz komerčného doučovania. To len podčiarkuje potrebu kritického hodnotenia a regulácie v rýchlo rastúcom sektore.

Úvahy riaditeľa školy: Balansovanie na hrane inovácie

Ako riaditeľ školy, vnímam tieto trendy s istou skepsou, ale aj s otvorenou mysľou. Potenciál AI pre individualizované vzdelávanie, podporu jazykového učenia a odbremenenie rodičov ale aj učiteľov od rutinných úloh je nepopierateľný. Predstavte si svet, kde každý žiak dostane spätnú väzbu šitú na mieru, alebo kde sú učitelia zbavení byrokratickej záťaže, aby sa mohli viac venovať mentorovaniu.

Na druhej strane, musíme byť ostražití. Ako rozlišovať medzi skutočnou AI inováciou a prehnaným marketingom? Aké sú dlhodobé pedagogické dôsledky, keď sa deti stávajú závislými na stroji pri učení? A najdôležitejšie, ako chrániť súkromie našich žiakov v prostredí, kde sa zber dát stáva normou? Prípad chatbota, ktorý “vidí” a monitoruje, otvára otázky o hraniciach intervencie technológie do osobného priestoru dieťaťa.

Čínsky experiment s AI vo vzdelávaní je fascinujúcim prípadom, ktorý nám ukazuje potenciálne smery, ktorými sa môžeme uberať, ale zároveň nám pripomína dôležitosť logiky, hĺbky a etiky. Technológia je nástroj. Je len na nás, ako ho budeme používať — či s ním postavíme pevné základy pre budúcnosť, alebo len nalepíme lesklú, ale prázdnu fasádu.

Tento článok je obdivuhodnou sondou do transformujúceho sa vzdelávacieho prostredia v Číne, ktorá nám priamo ukazuje, ako AI nielen mení prístup k učeniu, ale aj vyvoláva hlboké otázky o budúcnosti pedagogiky. Jeho hodnota spočíva v kritickom pohľade na sľuby technológie, pričom nezabúda ani na jej limity a etické dilemy.

ODOMKNI ĎALŠIU ÚROVEŇ
Ako môžeme v našich školách nastaviť jasné etické smernice pre využívanie AI nástrojov, aby sme maximalizovali ich vzdelávací potenciál a zároveň minimalizovali riziká pre súkromie a kritické myslenie žiakov?

Nasleduje mindmapa samotného článku:

============================================================
| Čínski rodičia outsourcujú domácu prácu na umelú inteligenciu |
============================================================
Anchor: Text mapuje narastajúce využívanie AI nástrojov čínskymi rodičmi vo vzdelávaní detí a s tým súvisiaci EdTech trh.
│
├── [E] Vzdelávanie v Číne je vysoko konkurenčné
│   └── [E] Rodičia hľadajú AI pre konkurenčnú výhodu
│
├── [E] Vysoký optimizmus pre AI v Číne
│   ├── [E] >90% Číňanov optimistických k AI (oproti >50% v USA)
│   └── [E] Poháňa $43+ miliardový EdTech trh, často nekontrolovaný
│
├── [E] Príklady využitia AI v praxi
│   ├── [📖][E] AI prekladová maska ("Native Language Star")
│   │   ├── [E] Rodič (Zheng Wenqi) nemá čas učiť angličtinu
│   │   ├── [E] Zariadenie: maska tlmiaca čínštinu, reproduktor prekladá do angličtiny
│   │   │   ├── [E] Cena: ~375 USD
│   │   │   └── [E] Vývoj: Čínske technologické firmy
│   │   ├── [E] Použitie: 30-60 min/deň pre 9r syna a 5r dcéru
│   │   └── [E] Výsledok: Syn sebavedomejší, dcéra sa učí denné frázy
│   │       └── [~][E] Preklady sú niekedy strnulé
│   │
│   ├── [📖][E] AI chatbot s "očami" (Doubao od ByteDance)
│   │   ├── [E] Rodič (Li Linyun) deleguje dohľad nad domácimi úlohami
│   │   │   └── [E] Chatbot ako "24-hodinový online učiteľ", trpezlivý
│   │   ├── [E] Funkcie:
│   │   │   ├── [E] Kamera ("oči"): identifikácia rastlín, artefaktov
│   │   │   ├── [E] Vysvetľovanie gramatiky: detailné, opakuje na požiadanie
│   │   │   ├── [E] Známkovanie úloh: fotka -> identifikuje chyby, opravuje
│   │   │   └── [E] Monitorovanie držania tela (zriedkavo používané)
│   │   │       └── [E] Dcéra (Weixiao) nemá rada pocit sledovania
│   │   ├── [E] Prínosy pre rodiča:
│   │   │   ├── [E] Úspora nákladov (stovky USD/mesiac za doučovanie)
│   │   │   ├── [E] Zlepšenie vzťahu s dieťaťom (menej napätia z úloh)
│   │   │   └── [E] Rovnosť vo vzdelávacích zdrojoch
│   │   ├── [E] Názor na súkromie: "V dobe sociálnych médií aj tak nemáme veľa súkromia."
│   │   └── [~][E] Chatbot občas robí chyby
│   │
│   └── [📖][E] Vytváranie vzdelávacích hier s AI (DeepSeek, Google Nano Banana Pro)
│       ├── [E] Rodič (Yin Xingyu), marketérka, používa "vibecoding"
│       │   └── [E] AI generuje kód pre interaktívne anglické hry
│       │       └── [E] Zdieľa promply na sociálnych sieťach pre iných rodičov
│       ├── [E] Použitie AI image generátora: komiksy s postavami z filmov
│       ├── [E] Filozofia rodiča: hry pre aktívne myslenie, nie pasívnu stimuláciu
│       └── [→][E] Plánuje povzbudzovať dieťa k používaniu AI aj v budúcnosti (napr. pre brainstorming esejí)
│           └── [E] Príprava na budúcnosť ("taká bude pravdepodobne budúcnosť")
│
├── [E] Výzvy a kritika AI vo vzdelávaní
│   └── [E] "AI self-study rooms" (fyzické priestory)
│       ├── [E] Marketingový popis: AI-powered tablety, personalizované učenie
│       │   ├── [E] Poplatky: pár USD/hodina až stovky USD/mesiac
│       │   └── [📖][E] Príklad: trieda v Zhejiang s boxmi a tabletmi
│       ├── [~][E] Kritika: Viac marketingu než skutočnej AI
│       │   ├── [E] Tablety sú len základné, prednastavené lekcie
│       │   └── [E] Snaha obísť zákaz komerčného doučovania z 2021
│       │       └── [E] Mnohé už zatvorené, zamestnanci tvrdia, že rodičom ide o úschovu detí
│       │           └── [📖][E] Príklad: May Zeng používala AI na generovanie spätnej väzby pre rodičov
│       └── [E] The New York Times zistil, že mnohé miesta sú zatvorené a prázdne
│
└── [A] Meta vrstva
    ├── Komu je text určený: Praktikom a vizuálnym typom, ktorí sa zaujímajú o AI vo vzdelávaní a čínsky kontext.
    ├── Čím presviedča: Konkrétnymi prípadovými štúdiami rodičov, štatistikami a detailným popisom fungovania technológií.
    ├── Kde je najsilnejší: V podrobnom zmapovaní reálnych aplikácií AI a ich vplyvu na rodiny, ako aj v kultúrnom porovnaní optimizmu k AI.
    └── Kde je najzraniteľnejší: V potenciálnej generalizácii z niekoľkých príkladov na celú populáciu a v nedostatočnom hĺbkovom rozbore dlhodobých pedagogických dôsledkov.