diff --git "a/chunks_for_autotrain.csv" "b/chunks_for_autotrain.csv"
new file mode 100644--- /dev/null
+++ "b/chunks_for_autotrain.csv"
@@ -0,0 +1,292 @@
+text
+Generativna umetna inteligenca v izobraževanju. Preobrazba učenja v digitalni dobi 2 Kazalo vsebine Uvod: umetna inteligenca v izobraževanju................................................................... 5 Kaj sploh je umetna inteligenca? .....................................................................................5 Zgodovinski razvoj umetne inteligence .............................................................................6 Značilnosti in izzivi ........................................................................................................7 Kaj pa generativna umetna inteligenca? ...........................................................................8 Temeljne značilnosti generativne umetne inteligence .........................................................8 Literatura ................................................................................................................... 10 Pedagoški vidik: Uvajanje umetne inteligence v izobraževanje ..................................... 11 Povzetek ...................................................................................................................... 11 Uvod ..............................
+.............................. 11 Povzetek ...................................................................................................................... 11 Uvod ........................................................................................................................... 12 Pogledi na uvajanje UI v izobraževanju .......................................................................... 12 UI kot zamenjava učitelja (Replacement Movement) .......................................................................... 14 Prepoved uporabe UI (Banning Movement) ....................................................................................... 15 Uporaba UI kot nadgradnja (Augmentation Movement) ...................................................................... 15 Etični in pravni vidiki ................................................................................................... 16 Pedagoški modeli in pristopi .......................................................................................... 17 Personalizirano učenje ...................................................................................................................... 17 Inovativni
+......................................... 17 Personalizirano učenje ...................................................................................................................... 17 Inovativni pedagoški pristopi s pomočjo UI ....................................................................................... 19 Učna analitika in nadzorni sistemi ................................................................................. 20 Literatura ................................................................................................................... 20 Učiteljev vidik: Učiteljeva usposobljenost .................................................................. 23 Povzetek ...................................................................................................................... 23 Uvod ........................................................................................................................... 23 S tehnologijo podprt pouk in razvoj digitalnih kompetenc ................................................ 25 Model TPACK in vloga razmišljujočega učitelja ............................................................. 29 Kontekst tehnološkega znanja .
+"petenc ................................................ 25 Model TPACK in vloga razmišljujočega učitelja ............................................................. 29 Kontekst tehnološkega znanja ........................................................................................................... 32 Kontekst pedagoškega znanja ........................................................................................................... 34 Kontekst vsebinskega znanja ............................................................................................................ 36 SAMR kot okvir za refleksijo uporabe Gen-UI................................................................ 36 Zaključek .................................................................................................................... 40 Literatura ................................................................................................................... 41 Organizacijski vidik: Predlog možnosti umestitve Gen-UI v kurikule, učne načrte, letne in sprotne priprave ..................................................................................................... 44 Povzetek ..................."
+"mestitve Gen-UI v kurikule, učne načrte, letne in sprotne priprave ..................................................................................................... 44 Povzetek ...................................................................................................................... 44 Uvod ........................................................................................................................... 44 Razumevanje pojmov kurikul in učni načrt z vidika kurikularne teorije ........................... 45 Načrtovanje vzgojno-izobraževalnega procesa ................................................................ 47 3 Nastajanje prenovljenih kurikularnih dokumentov z vidika umeščanja UI ........................ 48 Skupni cilji v prenovljenih kurikularnih dokumentih ...................................................... 56 Vključevanje generativne UI v vzgojno-izobraževalni proces ............................................ 57 Pregled umeščanja generativne UI v nastajajoče kurikularne dokumente .......................... 58 Rezultati z analizo vključenosti UI v učnih načrtih in katalogih znanj .................................................. 62 Pogostost u"
+"nastajajoče kurikularne dokumente .......................... 58 Rezultati z analizo vključenosti UI v učnih načrtih in katalogih znanj .................................................. 62 Pogostost uporabe pojmov UI po programih....................................................................................... 64 Pogostost uporabe pojmov UI po predmetih ....................................................................................... 66 Pogostost uporabe pojmov UI na določenih mestih ............................................................................. 68 Rezultati z analizo vključenosti UI kot orodje ali koncept ................................................................... 69 Predlogi umeščanja generativne UI v vzgojno-izobraževalni proces .................................. 70 Umeščanje generativne UI v didaktična priporočila ............................................................................ 70 Umeščanje generativne UI v skupne cilje področja digitalna kompetentnost ...................... 71 Umeščanje generativne UI v načrtovanje, izvedbo in evalvacijo vzgojno-izobraževalnega procesa ..............................................................."
+"na kompetentnost ...................... 71 Umeščanje generativne UI v načrtovanje, izvedbo in evalvacijo vzgojno-izobraževalnega procesa ........................................................................................................................ 73 Umeščanje generativne UI po zgledu avstralskega okvira ................................................. 76 Sklepni del in usmeritve za prihodnost ........................................................................... 78 Literatura ................................................................................................................... 82 Tehnični vidik: infrastrukturne možnosti in pregled orodij Gen-UI .............................. 87 Povzetek ...................................................................................................................... 87 Uvod ........................................................................................................................... 87 Spletne aplikacije v javnem oblaku ................................................................................ 88 Aplikacije v zasebnem oblaku........................................................................."
+javnem oblaku ................................................................................ 88 Aplikacije v zasebnem oblaku........................................................................................ 90 Lokalno nameščene aplikacije ....................................................................................... 91 Uporaba namenske nacionalne infrastrukture ................................................................ 93 Orodja generativne UI .................................................................................................. 94 Generatorji besedila ......................................................................................................................... 95 Generatorji slik ................................................................................................................................ 96 Generatorji zvoka ............................................................................................................................ 97 Generatorji videoposnetkov .............................................................................................................. 98 Generatorji 3D vizualizacij ................
+"........... 97 Generatorji videoposnetkov .............................................................................................................. 98 Generatorji 3D vizualizacij ............................................................................................................... 98 Generatorji kode .............................................................................................................................. 99 Generatorji iger.............................................................................................................................. 100 Literatura ................................................................................................................. 101 Etični in pravni vidik: pravice, tveganja in obveznosti šole ........................................ 107 Povzetek .................................................................................................................... 107 Uvod ......................................................................................................................... 108 Možnost uporabe UI v šolstvu za učenje, poučevanje in administrativno podporo ............ 108 Možna tveganja p"
+".................................................................................... 108 Možnost uporabe UI v šolstvu za učenje, poučevanje in administrativno podporo ............ 108 Možna tveganja pri uporabi ........................................................................................ 109 Kdaj in kako lahko učenci uporabljajo UI .................................................................... 110 Starostne meje in soglasja ........................................................................................... 110 Uporaba doma in v šoli ............................................................................................... 111 4 Odgovornost vodstva šole in učiteljev ........................................................................... 112 Pravni okvir................................................................................................................................... 112 Podrobneje o uporabi različnih orodji UI v izobraževanju ............................................. 113 Vloga učitelja glede na stopnjo izobraževanja (osnovna šola / srednja šola / visokošolstvo) 116 Pristojnosti in obveznosti šole ................................."
+.................................. 113 Vloga učitelja glede na stopnjo izobraževanja (osnovna šola / srednja šola / visokošolstvo) 116 Pristojnosti in obveznosti šole ...................................................................................... 118 Priporočila za pravila in politike uporabe UI ................................................................ 120 Sklep ......................................................................................................................... 121 Literatura ................................................................................................................. 122 Pravičnostni vidik: Generativna umetna inteligenca kot potencialna zmanjševalka ali povečevalka digitalnega razkoraka? ....................................................................... 125 Uvod ......................................................................................................................... 126 Princip delovanja generativne umetne inteligence ......................................................... 128 Generativna umetna inteligenca kot (potencialna) zmanjševalka (digitalnega) razkoraka.. 129 Generativna .........................
+"eligence ......................................................... 128 Generativna umetna inteligenca kot (potencialna) zmanjševalka (digitalnega) razkoraka.. 129 Generativna ............................................................................................................... 133 Zaključek .................................................................................................................. 136 Literatura ................................................................................................................. 139 Celostni in trajnostni vidik: kako zagotoviti, da izobraževalni sektor sledi hitremu razvoju novih tehnologij? ................................................................................................. 143 5 Uvod: umetna inteligenca v izobraževanju Marko Radovan Univerza v Ljubljani marko.radovan@ff.uni-lj.si Dobrodošli v dobi, ki jo oblikuje umetna inteligenca (UI) – tehnologija, ki ni več le predmet znanstvene fantastike, temveč realnost, ki korenito preoblikuje naše delo, učenje in način razmišljanja. Ta knjiga je nastala kot odgovor na nujno potrebo po glob ljem, kritičnem in praktičnem razumevanju tega prelomnega trenutka, zlasti v"
+"ki korenito preoblikuje naše delo, učenje in način razmišljanja. Ta knjiga je nastala kot odgovor na nujno potrebo po glob ljem, kritičnem in praktičnem razumevanju tega prelomnega trenutka, zlasti v kontekstu, ki nas najbolj zadeva: izobraževanja. V zadnjih letih se je generativna umetna inteligenca (Gen -UI), z orodji, kot so ChatGPT, DALL-E in drugi veliki jezikovni modeli, vključila v naše šole, univerze in razrede z veliko hitrostjo, pogosto kot “spontana tehnologija,” ki je zaobšla tradicionalne poti vrednotenja in strateškega načrtovanja. Njen potencial je ogromen: obeta personalizirano učenje, ki se prilagaja vsakemu učencu, ustvarjalne pristope, ki presegajo meje učbenikov, in učiteljem dragoceno podporo pri pripravi učnih gradiv in različnih rutinskih nalogah. Empirične raziskave nedvomno kažejo, da lahko Gen -UI, ko je premišljeno vključena, znatno izboljša učne dosežke in motivacijo, zlasti pri tistih, ki so bili doslej v izobraževalnem sistemu pogosto prezrti. Vendar pa ta tehnološka revolucija ni brez senc. Z njo prihajajo resni izzivi, ki jih podrobneje omenjamo tudi v posameznih poglavjih: od “halucinacij” – generiranja napačnih informacij – in algoritmične pristra"
+"a tehnološka revolucija ni brez senc. Z njo prihajajo resni izzivi, ki jih podrobneje omenjamo tudi v posameznih poglavjih: od “halucinacij” – generiranja napačnih informacij – in algoritmične pristranskosti, ki lahko okrepi obstoječe družbene neenakosti, do “kognitivnega dolga”, kjer prekomerna odvisnost od UI oslabi naše sposobnosti kritičnega mišljenja in globljega razumevanja. Kljub vsemu pa ni več vprašanje, ali bomo UI uporabljali v izobraževanju, temveč kako. Ali jo bomo dojemali kot orodj e za nadomestitev učiteljev, kot nevarnost, ki jo je treba prepovedati, ali kot zmogljivega pomočnika, ki bo človeško znanje in empatijo šele dvignil na višjo raven? Kaj sploh je umetna inteligenca? Umetna inteligenca (UI) je ena najhitreje razvijajočih se in najvplivnejših tehnologij sodobnega časa. Njene zmožnosti segajo od preprostih avtomatiziranih nalog do kompleksnih sistemov, ki posnemajo ali celo presegajo nekatere vidike človeške inteligence. Razumevanje značilnosti 6 UI in njenega zgodovinskega razvoja je ključno za vsakogar, ki želi kritično spremljati tehnološke trende in njihov vpliv na družbo (Jones, 2024). Glavne značilnosti umetne inteligence lahko povzamemo takole: • Simul"
+"odovinskega razvoja je ključno za vsakogar, ki želi kritično spremljati tehnološke trende in njihov vpliv na družbo (Jones, 2024). Glavne značilnosti umetne inteligence lahko povzamemo takole: • Simulacija inteligentnega vedenja: UI izvaja naloge, ki so bile tradicionalno domena človeške inteligence, kot so prepoznavanje vzorcev, reševanje problemov, učenje iz izkušenj ter razumevanje in generiranje naravnega jezika (Jones, 2024). • Učenje iz podatkov: Namesto vnaprej določenih pravil algoritmi iz množice primerov izluščijo vzorce in pravila, kar omogoča prilagajanje novim situacijam brez neposrednega programiranja. Posebno pomembno je strojno učenje, kjer računalniki izboljšujejo delovanje na podlagi izkušenj (Jones, 2024). • Avtonomno odločanje in prilagodljivost: UI lahko v realnem času samostojno sprejema odločitve in se prilagaja okolju, kar omogoča uporabo v avtonomnih vozilih, robotiki in pametnih sistemih (Jones, 2024). • Obdelava naravnega jezika in ustvarjanje vsebin: Napredni sistemi, kot so veliki jezikovni modeli (npr. ChatGPT), razumejo, generirajo in prevajajo naravni jezik ter ustvarjajo različne vsebine, od besedil do računalniških programov (Sejnowski, 2023). • Pr"
+"i sistemi, kot so veliki jezikovni modeli (npr. ChatGPT), razumejo, generirajo in prevajajo naravni jezik ter ustvarjajo različne vsebine, od besedil do računalniških programov (Sejnowski, 2023). • Prilagodljivost in nadgradljivost: UI sisteme je mogoče nadgrajevati in prilagajati novim nalogam; generativni modeli lahko ustvarjajo slike, glasbo in avtomatizirajo ustvarjalne procese (Sejnowski, 2023). • Razlikovanje med ozko in splošno inteligenco: Večina sistemov je specializiranih ozkih modelov, medtem ko splošna umetna inteligenca (AGI), ki bi lahko reševala katerokoli intelektualno nalogo človeka, še ne obstaja (Jones, 2024). • Sposobnost generiranja in razumevanja kompleksnih vzorcev: Napredne nevronske mreže omogočajo prepoznavanje in generiranje kompleksnih vzorcev na različnih področjih (Sejnowski, 2023). Zgodovinski razvoj umetne inteligence Umetna inteligenca kot znanstvena disciplina je nastala sredi 20. stoletja. Leta 1956 je John McCarthy na konferenci v Dartmouthu prvič uporabil izraz “artificial intelligence” in tako formalno začrtal področje (Jones, 2024). V tem obdobju so raziskovalci razvijali prve logične modele in preproste algoritme, ki so simulirali osnovne mis"
+"orabil izraz “artificial intelligence” in tako formalno začrtal področje (Jones, 2024). V tem obdobju so raziskovalci razvijali prve logične modele in preproste algoritme, ki so simulirali osnovne miselne procese. Alan Turing je že leta 1950 v članku “Računalniški stroj in inteligenca” (ang. Computing Machinery and Intelligence) zastavil vprašanje, ali lahko stroji mislij o, ter predlagal test kot merilo strojne inteligence (Jones, 2024). 7 Prvi programi so temeljili na strogo določenih pravilih in logiki, vendar so hitro naleteli na omejitve zaradi pomanjkanja računske moči in kompleksnosti realnih problemov. Po začetnem navdušenju so se v 70. letih pojavile prve resne omejitve: UI sistemi n iso zmogli reševati kompleksnih nalog izven ozko definiranih področij, kar je vodilo do zmanjšanja zanimanja in financiranja – obdobje, znano kot “zima umetne inteligence” (Jones, 2024). V 80. in 90. letih je prišlo do preobrata z razvojem strojnega učenja , kjer so algoritmi začeli uporabljati statistične metode in podatkovno gnane pristope. Namesto ročnega programiranja pravil so raziskovalci razvili metode, ki so omogočale učenje iz primerov – npr. nevronske mreže in odločitvena drevesa (Jo"
+"atistične metode in podatkovno gnane pristope. Namesto ročnega programiranja pravil so raziskovalci razvili metode, ki so omogočale učenje iz primerov – npr. nevronske mreže in odločitvena drevesa (Jones, 2024). Pravi preboj je prineslo globoko učenje (deep learning), ki temelji na večplastnih nevronskih mrežah. Leta 2012 je model AlexNet dosegel izjemen uspeh pri prepoznavanju slik, kar je sprožilo val razvoja vedno večjih in zmogljivejših modelov (Sejnowski, 2023). Transformatorji (transformers), nova arhitektura nevronskih mrež, so omogočili razvoj velikih jezikovnih modelov, kot je GPT-4, ki lahko generirajo smiselna besedila, odgovarjajo na vprašanja, pišejo programe in celo ustvarjajo slike ali glasbo na podlagi besedilnih opisov (Sejnowski, 2023). Značilnosti in izzivi Današnji UI sistemi so izjemno zmogljivi in vsestranski, vendar ostajajo omejeni predvsem na specializirane naloge (ozka UI). Izraz “modeli umetne inteligence za splošne namene” (ang. General Purpose AI, GPAI) označuje modele, ki so sposobni opravljati šir ok nabor različnih nalog, a še vedno ne dosegajo ravni prave splošne inteligence (Jones, 2024). Napredne UI omogočajo: • razumevanje in generiranje naravneg"
+"ačuje modele, ki so sposobni opravljati šir ok nabor različnih nalog, a še vedno ne dosegajo ravni prave splošne inteligence (Jones, 2024). Napredne UI omogočajo: • razumevanje in generiranje naravnega jezika, • prevajanje med jeziki, • ustvarjanje slik, glasbe in drugih vsebin, • samostojno programiranje in razlago kode, • analizo in povzemanje velikih količin podatkov, • prilagajanje novim nalogam prek t. i. “meta-učenja” (Sejnowski, 2023). Kljub temu pa UI še vedno ne razume sveta na način, kot ga razume človek – njene sposobnosti temeljijo na prepoznavanju vzorcev in statističnih povezavah v podatkih, ne pa na resničnem razumevanju ali zavesti (Sejnowski, 2023). 8 Kaj pa generativna umetna inteligenca? Generativna umetna inteligenca (Gen-UI) je ena najprepoznavnejših in najhitreje rastočih vej sodobne umetne inteligence. Njena posebnost je sposobnost ustvarjanja povsem novih, izvirnih vsebin – od besedil, slik, glasbe do programske kode – na podlagi naučenih vzorcev iz obsežnih zbirk podatkov (Sejnowski, 2023). Generativna umetna inteligenca je podskupina umetne inteligence, ki uporablja globoke nevronske mreže za ustvarjanje novih vsebin, ki so podobne tistim, na katerih je bi"
+"rk podatkov (Sejnowski, 2023). Generativna umetna inteligenca je podskupina umetne inteligence, ki uporablja globoke nevronske mreže za ustvarjanje novih vsebin, ki so podobne tistim, na katerih je bila naučena. Ključna značilnost Gen-UI je, da ne le prepoznava ali razvršča podatke, temveč iz njih ustvarja nekaj novega – na primer generira besedilo, slike, glasbo ali celo znanstvene hipoteze (Sejnowski, 2023). Za razliko od klasičnih napovednih modelov, ki so omejeni na analizo i n klasifikacijo, generativni modeli omogočajo ustvarjanje izvirnih odzivov na podlagi statističnih pravilnosti v podatkih. To pomeni, da lahko na podlagi kratkega opisa ali vprašanja model ustvari pesem, sliko v določenem slogu ali celo delujočo računalniško kodo (Martineau, 2023). Temeljne značilnosti generativne umetne inteligence Generativna umetna inteligenca predstavlja revolucionarno tehnologijo, ki se odlikuje po sposobnosti ustvarjanja povsem izvirnih vsebin iz enostavnih besedilnih pozivov. Modeli, kot so ChatGPT, DALL-E ali Stable Diffusion, lahko ustvarijo smiselno besedilo, realistične slike ali celo glasbo, pri čemer se učijo na podlagi ogromnih zbirk podatkov – pogosto terabajtov besedil, sli"
+"t so ChatGPT, DALL-E ali Stable Diffusion, lahko ustvarijo smiselno besedilo, realistične slike ali celo glasbo, pri čemer se učijo na podlagi ogromnih zbirk podatkov – pogosto terabajtov besedil, slik in drugih vsebin, zbranih iz interneta. S tem gradijo notranje reprezentacije sveta, ki jim omogočajo ustvarjanje novih kombinacij in interpretacij, ne da bi se omejevali na ponavljanje naučenih primerov. Sodobni generativni modeli, zlasti veliki jezikovni modeli (LLM), so izjemno prilagodljivi in večnamenski. Uporabljajo samonadzorovano učenje iz surovih, neoznačenih podatkov, nato pa z dodatnim prilagajanjem postanejo specialisti za določene naloge. Ena k ljučnih prednosti je njihova zmožnost interaktivnega odzivanja na uporabniške pozive v realnem času, kar omogoča vodenje pogovorov, odgovarjanje na vprašanja ali ustvarjanje vsebin po meri uporabnika. Čeprav je bil trend zadnjih let razvoj vedno večjih modelov, nove raziskave kažejo, da lahko tudi manjši, domensko specializirani modeli v določenih primerih prekašajo velike univerzalne modele. Kljub impresivnim zmožnostim se Gen-UI sooča z pomembnimi izzivi. Modeli se spopadajo s “halucinacijami”, kjer generirajo napačne ali izmišl"
+"i v določenih primerih prekašajo velike univerzalne modele. Kljub impresivnim zmožnostim se Gen-UI sooča z pomembnimi izzivi. Modeli se spopadajo s “halucinacijami”, kjer generirajo napačne ali izmišljene informacije, ter z vprašanji pristranskosti, varnosti in avtorskih pravic, saj pogosto povzemajo ali reinterpre tirajo vsebine 9 iz učnih podatkov. Ti izzivi zahtevajo nadaljnji razvoj in izboljšave, da bo tehnologija lahko dosegla svoj polni potencial pri različnih nalogah. Med primeri generativnih modelov lahko omenimo: • ChatGPT (generiranje besedil in kode), • DALL-E (ustvarjanje slik iz besedilnih opisov), • Stable Diffusion in Midjourney (ustvarjanje umetniških in fotorealističnih slik), • Codex in Copilot (generiranje programske kode) (Sejnowski, 2023). Od prvih logičnih modelov in preprostih programov do sodobnih globokih nevronskih mrež je UI prehodila dolgo pot. Še posebej razvoje generativne umetne inteligence je v zadnjih letih povzročil temeljno preobrazbo raziskovanja in uporabe umetne inteligence. Njene ključne značilnosti so ustvarjalnost, sposobnost generalizacije, prilagodljivost in interaktivnost, a tudi izzivi, kot so pristranskost, halucinacije in etična vpraš"
+"uporabe umetne inteligence. Njene ključne značilnosti so ustvarjalnost, sposobnost generalizacije, prilagodljivost in interaktivnost, a tudi izzivi, kot so pristranskost, halucinacije in etična vprašanja. Razvoj generativne UI je tesno povezan z napredkom v globokem učenju, arhitekt uri transformatorjev in razpoložljivosti obsežnih podatkovnih zbirk. Pričakovati je, da bo Gen -UI še naprej imela vpliv na vsakdanje življenje in na razvoj znanosti, umetnosti in seveda izobraževanja. Ta knjiga zagovarja stališče, da je edina trajnostna in etično utemeljena pot vključevanja Gen- UI v izobraževanja t. i. »nadgradnja«. UI ne more in ne sme nadomestiti učitelja, ki ostaja v središču vsakega kakovostnega izobraževalnega procesa – kot moderator, mentor ali kaki drugi vlogi. Namen knjige je zato podpreti ravno te učitelje, vodje šol, izobraževalne politike in vse, ki se zavedajo odgovornosti, ki jo prinaša ta nova tehnologija. V naslednjih poglavjih boste spoznali: • Zgodovino in bistvo UI, od njenih filozofskih korenin do revolucionarnih arhitektur transformatorjev. • Konkretne dokaze o njenih učinkih in tveganjih v izobraževalnem okolju, podprte z najnovejšimi raziskavami. • Pedagoške mod"
+"njenih filozofskih korenin do revolucionarnih arhitektur transformatorjev. • Konkretne dokaze o njenih učinkih in tveganjih v izobraževalnem okolju, podprte z najnovejšimi raziskavami. • Pedagoške modele, od personaliziranega učenja do projektnega dela z UI, in orodja, kot je model SAMR, ki vam bodo pomagala preoblikovati pouk. • Etične in pravne okvire, ki morajo biti temelj vsake odločitve, od varstva podatkov do boja proti pristranskosti. 10 • Tehnične vidike – od izbire med javnim oblakom in lokalno namestitvijo do obetavnih nacionalnih infrastruktur, kot je slovenska “Tovarna UI”. • Ključne kompetence, ki jih morajo razviti tako učitelji kot učenci, da bodo lahko odgovorno in ustvarjalno soustvarjali z UI. Knjiga ne ponuja enostavnih receptov, temveč okvire za refleksijo, praktične primere in priporočila za implementacijo. Njen cilj je prispevati k ustvarjanju izobraževalnega sistema, v katerem tehnologija ne vodi, temveč sledi človeškim vrednotam, kjer UI služi kot most do bolj pravičnega, učinkovitejšega in vključujočega izobraževanja. Literatura Jones, B. (2024). AI Literacy Fundamentals. Data Literacy Press. Martineau, K. (2023). What is generative AI? Pridobljeno s https:"
+"ravičnega, učinkovitejšega in vključujočega izobraževanja. Literatura Jones, B. (2024). AI Literacy Fundamentals. Data Literacy Press. Martineau, K. (2023). What is generative AI? Pridobljeno s https://research.ibm.com/blog/what-is-generative-AI Sejnowski, T. J. (2023). ChatGPT and the Future of AI: The Deep Language Revolution. MIT Press. 11 Pedagoški vidik: Uvajanje umetne inteligence v izobraževanje Marko Radovan Danijela Makovec Radovan Ema Meden Tadej Košmerl Univerza v Ljubljani Povzetek Besedilo obravnava vlogo umetne inteligence (UI) v izobraževanju kot prelomno, a kompleksno področje, ki zahteva pedagoško in etično premišljeno integracijo. Uvodoma se v besedilu razlikuje med »spontanimi« in »načrtovanimi« tehnologijami ter opozori, da o rodja, kot je ChatGPT, pogosto vstopajo v šole brez ustreznega vrednotenja, usposabljanja in strategij. Empirični raziskave kažejo pozitivne učinke generativne UI na učne dosežke in motivacijo, hkrati pa opozarjajo na tveganja (halucinacije, odvisnost, plagiatorstvo, zmanjšana interakcija in kognitivna angažiranost). Razprava o prihodnosti UI se usmeri v tri perspektive: zamenjava učitelja, prepoved in nadgradnja; zadnja zagovarja UI kot po"
+"visnost, plagiatorstvo, zmanjšana interakcija in kognitivna angažiranost). Razprava o prihodnosti UI se usmeri v tri perspektive: zamenjava učitelja, prepoved in nadgradnja; zadnja zagovarja UI kot podporo, pri čemer učitelj ostaja ključen mediator učenja. Etični in p ravni razmisleki (varstvo podatkov, algoritmična pristranskost, pravičnost) ter zahteva po transparentnosti, odgovornosti in pismenosti v UI tvorijo okvir odgovorne rabe Gen -UI. Na ravni didaktičnih strategij UI omogoča personalizacijo (adaptivne poti, inteligentni tutorji), inovativne pristope (igrifikacija, projektno učenje, povezave z VR/AR) in razvoj učne analitike od deskriptivne do prediktivne/preskriptivne, kar podpira pravočasno pedagoško ukrepanje. V zaključku je poudarjeno, da so najboljši učinki UI dosegljivi v sinergiji med podatkovno podprtimi orodji in strokovno presoj o učitelja, ob hkratnem spoštovanju etičnih standardov in kontekstualnih potreb učečih. Ključne besede: Umetna inteligenca v izobraževanju; Generativna umetna inteligenca (Gen - UI); Personalizirano učenje; Učna analitika; Etični in pravni vidiki; Pedagoški modeli 12 Uvod Umetna inteligenca (UI) prinaša korenite spremembe v izobraževalni"
+"Generativna umetna inteligenca (Gen - UI); Personalizirano učenje; Učna analitika; Etični in pravni vidiki; Pedagoški modeli 12 Uvod Umetna inteligenca (UI) prinaša korenite spremembe v izobraževalni prostor, saj ponuja potencial za preoblikovanje tradicionalnih pedagoških pristopov, omogoča personalizirane učne izkušnje in širi dostop do kakovostnega izobraževanja. V tem poglavju povze mamo ključne pedagoške vidike uvajanja UI v izobraževanje, vključno z etičnimi dimenzijami, pedagoškimi pristopi, psihološkimi učinki in izzivi vključevanja. Članek Justina Reicha in Jesseja Dukesa (2024) prinaša pomembno razliko med dvema vrstama tehnologij v izobraževanju: »načrtovane tehnologije« (»adoption technologies«) in »spontane tehnologije« (»arrival technologies«). Spontane tehnologije predstavljajo tehnološke inovacije, ki vstopajo v izobraževalna okolja hitro, pogosto brez običajnih postopkov, kot so vrednotenje, ocena tveganj ali usposabljanje učiteljev in drugih strokovnjakov. To je v nasprotju z načrtovanimi tehnologijami, pri katerih takšni procesi potekajo bolj sistematično. Primeri, kot je ChatGPT, ilustrirajo izzive, s katerimi se soočajo šole ob pojavu spontanih tehnologij. Te p"
+"protju z načrtovanimi tehnologijami, pri katerih takšni procesi potekajo bolj sistematično. Primeri, kot je ChatGPT, ilustrirajo izzive, s katerimi se soočajo šole ob pojavu spontanih tehnologij. Te pogosto zaobidejo predhodno vrednotenje koristi in tveganj ter vzpostavitev potrebnega usposabljanja za izobraževalce . Pomanjkanje ustrezne priprave lahko ovira učinkovito vključevanje teh tehnologij v izobraževalni proces. Učitelji in učenci se lahko težko hitro prilagodijo, kar lahko vodi do nepričakovanih težav. Če šole nimajo strategije za obravnavo teh tehnologij, s e lahko soočijo z izzivi na področju zasebnosti, pravičnega dostopa in učinkovite uporabe v izobraževalnem procesu. Avtorja poudarjata, da tovrstni razvoj narekuje nov pristop k razumevanju vpliva teh tehnologij na izobraževalno prakso, politiko in raziskave (Reich in Dukes, 2024). Pogledi na uvajanje UI v izobraževanju Vprašanje prihodnosti umetne inteligence (UI) v izobraževanju buri duhove. Mnenja se močno razhajajo, od navdušenega tehnološkega optimizma do kritične previdnosti pri njeni uporabi. Nedavne raziskave potrjujejo pozitiven vpliv generativne umetne inteligence (Gen-UI) na učni uspeh na vseh izobraževalnih"
+"navdušenega tehnološkega optimizma do kritične previdnosti pri njeni uporabi. Nedavne raziskave potrjujejo pozitiven vpliv generativne umetne inteligence (Gen-UI) na učni uspeh na vseh izobraževalnih ravneh. Obsežna meta-analiza, ki je zajela 49 študij, je pokazala, da Gen-UI dosega visoke pozitivne učinke tako na učne dosežke (povprečni vpliv 0,857) kot na učno motivacijo (0,803) (Liu idr., 2025). Učink ovitost se sicer razlikuje glede na več dejavnikov. Opaziti je, da ima Gen-UI večji vpliv na študente v visokošolskem izobraževanju, medtem ko se besedilne interakcije izkažejo za učinkovitejše od multimedijskih pristopov (Liu idr., 2025). Na univerzitetni ravni tako kakovost interakcije kot kakovost izhoda Gen -UI pozitivno vplivata na učno motivacijo in ustvarjalno samoučinkovitost. Pri tem učna motivacija deluje kot ključen posrednik med kakovostjo izhoda in doseženimi učnimi rezultati (Bai in 13 Wang, 2025). Za uspešno integracijo Gen -UI v izobraževanje pa so ključni premišljeni premisleki o pedagoški usklajenosti, tehnološki pripravljenosti institucij in specifičnih potrebah učečih. S strateško implementacijo lahko optimiziramo angažiranost in iz boljšamo učne rezultate (Ria"
+"premisleki o pedagoški usklajenosti, tehnološki pripravljenosti institucij in specifičnih potrebah učečih. S strateško implementacijo lahko optimiziramo angažiranost in iz boljšamo učne rezultate (Riaz in Mushtaq, 2024). Te ugotovitve nedvomno kažejo na transformativni potencial Gen-UI, ko je ta premišljeno vključena v izobraževalna okolja. Tudi Wang in Fan (2025) ugotavljata, da generativna umetna inteligenca (Gen-UI) pomembno izboljšuje učni uspeh, zaznavanje učenja ter razvoj višjih kognitivnih procesov, poudarjata pa, da je njihova učinkovitost odvisna od različnih dejavnikov, kot sta vrs ta predmeta in uporabljeni učni modeli. Kljub ugotovljenim pozitivnim učinkom Wang in Fan (2025) v svoji meta-analizi opozarjata na več možnih negativnih posledic uporabe ChatGPT v izobraževanju. Prvič, orodje lahko generira napačne ali zavajajoče informacije, kar lahko vodi do kognitivnih pristranskosti in slabšega razumevanja učne snovi. Drugič, pogosta uporaba ChatGPT lahko pri študentih povzroči pretirano odvisnost od tehnologije, zmanjšanje samostojnega kritičnega mišljenja in kreativnosti ter s tem os labi razvoj višjih miselnih spretnosti. Tretjič, obstaja tveganje za plagiatorstvo in a"
+"či pretirano odvisnost od tehnologije, zmanjšanje samostojnega kritičnega mišljenja in kreativnosti ter s tem os labi razvoj višjih miselnih spretnosti. Tretjič, obstaja tveganje za plagiatorstvo in akademsko nepoštenost, saj ChatGPT omogoča hitro generiranje besedil brez zadostne refleksije ali citiranja virov. Četrtič, preveliko zanašanje na digitalnega pomočnika lahko zmanjša neposredno interakcijo med študenti in učitelji, kar slabi socialno dimenzijo učenja in sodelovalne veščine. Poleg tega so študenti, zlasti začetniki, lahko obremenjeni z dodatno kognitivno zahtevnostjo, kadar ne zmorejo oceniti točnosti ali ustreznosti prejetih odgovorov. Avtorja zato priporočata previdno in pedagoško premišljeno integracijo ChatGPT, da se tveganja, kot so napačne informacije, odvisnost in zmanjšana akademska integriteta, čim bolj omejijo. Tudi raziskava, ki so jo izvedli raziskovalci z MIT-ja, Kosmyna idr. (2025), ponuja prepričljive dokaze o potencialno škodljivih vplivih umetne inteligence (UI) na kognitivne procese v izobraževalnih kontekstih. Njihova študija je razkrila pomisleke glede integracije velikih jezikovnih modelov (LLM) pri nalogah akademskega pisanja. Z elektroencefalografs"
+"(UI) na kognitivne procese v izobraževalnih kontekstih. Njihova študija je razkrila pomisleke glede integracije velikih jezikovnih modelov (LLM) pri nalogah akademskega pisanja. Z elektroencefalografsko (EEG) analizo 54 udeležencev v treh eksperimentalnih pogojih – pomoč LLM, uporaba spletnih iskalnikov in pisanje “samo s svojo glavo” – je študija pokazala, da je zanašanje na orodja UI sistematično zmanjšalo vzorce nevronske povezanosti in kognitivno angažiranost. Udeleženci, ki so uporabljali ChatGPT, so pokazali najšibkejše splošno povezovanje možganov, zmanjšane sposobnosti priklica spomina in okrnjeno sposobnost citiranja iz lastnih nedavno napisanih esejev. Njihova pisna besedila so ocenjevalci označili kot pomanjkljiva po izvirnosti in “brez duše” (Kosmyna idr., 2025, str. 62). Longitudinalna zasnova študije je razkrila celo trajne 14 kognitivne primanjkljaje. Udeleženci, ki so prešli iz pogojev z asistenco UI na pogoje brez nje, so kazali na nizko nevronsko aktivnost in šibkejše vzorce povezovanja, celo po odstranitvi orodij. Ti rezultati nakazujejo, da čeprav orodja UI morda sprva pov ečujejo produktivnost, njihova stalna uporaba v izobraževalnih okoljih lahko prispeva k po"
+"vzorce povezovanja, celo po odstranitvi orodij. Ti rezultati nakazujejo, da čeprav orodja UI morda sprva pov ečujejo produktivnost, njihova stalna uporaba v izobraževalnih okoljih lahko prispeva k pojavu, ki ga raziskovalci poimenujejo “kognitivni dolg/davek” ( ang. »cognitive debt «): merljiv upad kritičnega mišljenja, globokega procesiranja in zadrževanja naučen ega (Kosmyna idr., 2025). Ta pojav resno spodkopava temeljne kognitivne spretnosti, ki so bistvene za akademski razvoj in vseživljenjsko učenje. Zgoraj omenjeni pozitivni in negativni vplivi generativne umetne inteligence (Gen -UI) na izobraževanje se odražajo v razpravah o njeni prihodnosti, ki se oblikujejo v tri ključne smeri. Tako v strokovni sferi kot v političnih dokumentih izstopajo tri prevladujoče smeri razmišljanja o vlogi UI (Kivinen idr., 2025): ena jo vidi kot popolno zamenjavo za učitelje (perspektiva zamenjave učiteljev oz. replacement movement), druga zagovarja njeno strogo prepoved (perspektiva prepovedi oz. banning movement), tretja pa jo sprejema kot dragoceno orodje za dopolnitev in podporo (perspektiva dopolnitve oz. augmentation movement). Vsaka od teh smeri sloni na drugačnih predpostavkah o tehnol"
+"banning movement), tretja pa jo sprejema kot dragoceno orodje za dopolnitev in podporo (perspektiva dopolnitve oz. augmentation movement). Vsaka od teh smeri sloni na drugačnih predpostavkah o tehnoloških zmožnostih, pedagoških vrednotah ter o etičnih in družbenih posledicah uporabe UI. UI kot zamenjava učitelja (Replacement Movement) Kaj bi se zgodilo, če bi umetna inteligenca lahko povsem nadomestila učitelje? Na tej ideji sloni perspektiva zamenjave učitelja (Kivinen idr., 2025). Njeni zagovorniki so prepričani, da bo UI kmalu kos številnim nalogam in vlogam učiteljev: od podajanja j asnih razlag in avtomatskega ocenjevanja do oblikovanja učnih poti po meri posameznika. Najnaprednejši jezikovni modeli naj bi zmogli celo empatične odzive. S takšno tehnologijo, pravijo, bi lahko elegantno rešili sistemske zagate, kot so primanjkljaj učit eljev, velike razlike v znanju med učenci in omejena sredstva. Nekateri so opisujejo podobo UI kot “učitelja prihodnosti” – neutrudnega, vedno dosegljivega mentorja, ki se odziva v trenutku in nenehno analizira napredek učencev. A takšno razmišljanje rado spregleda, da je pedagoško delo mnogo več kot le posredovanje informacij. Učenje je namreč g"
+"ljivega mentorja, ki se odziva v trenutku in nenehno analizira napredek učencev. A takšno razmišljanje rado spregleda, da je pedagoško delo mnogo več kot le posredovanje informacij. Učenje je namreč globoko vpeto v družbo in kulturo; zahteva čustveno uravnavanje, motivacijo, sloni na razvoju pristne medosebne interakcije in spodbuja kr itično mišljenje. Prav na teh področjih pa človeški učitelj ostaja nenadomestljiv. Zato se zdi tehnološka singularnost, v kateri bi UI popolnoma prevzela vlogo učenja, bolj kot znanstvenofantastični scenarij kot pa realna slika bližnje prihodnosti. 15 Prepoved uporabe UI (Banning Movement) Povsem drugačno sliko pa riše “gibanje za prepoved” umetne inteligence v izobraževanju (Kivinen idr., 2025). Ti glasovi odločno zagovarjajo stroge omejitve ali celo popolno izključitev UI iz šolskih klopi in predavalnic. Njihov alarm ni neutemeljen – izivira iz pomislekov, ki se dotikajo samih temeljev etike, prava, tehnoloških zmožnosti in pedagogike. Na prvem mestu so pereče etične dileme: kako naj zagotovimo preglednost algoritmov, ki pogosto delujejo kot črne skrinjice? Kako se obvarovati pred sistemsko pristranskostjo in preprečiti morebitno manipulacijo z obč"
+"o pereče etične dileme: kako naj zagotovimo preglednost algoritmov, ki pogosto delujejo kot črne skrinjice? Kako se obvarovati pred sistemsko pristranskostjo in preprečiti morebitno manipulacijo z občutljivimi podatki učencev? Tesno s tem s o povezane pravne neznanke, zlasti glede učinkovitega varovanja zasebnosti in določanja odgovornosti za odločitve, ki jih avtonomno sprejmejo pametni sistemi. Tudi sama tehnologija še ni vsemogočna; njena občasna nezanesljivost pri napovedih in pomanjkljiv a razlaga lastnih odločitev upravičeno vzbujata dvom. Nenazadnje pa so tu še pedagoški pomisleki: bojazen pred dehumanizacijo učnega procesa, strah, da bo vloga učitelja razvrednotena, in tveganje, da bodo učenci postali pretirano odvisni od digitalnih oro dij, namesto da bi krepili lastne zmožnosti. Zagovorniki te smeri zato svarijo, da kot družba preprosto še nismo dovolj zreli za odgovorno in varno vpeljavo tako zmogljivih tehnologij v občutljivo okolje izobraževanja. Prepričani so, da bi uvajanje UI brez trdnih etičnih varovalk, jasnih zakonskih ok virov in temeljito premišljenih pedagoških strategij lahko hitro prineslo več škode kot koristi. V nekaterih okoljih zato že vlečejo prve, nujn"
+"nje UI brez trdnih etičnih varovalk, jasnih zakonskih ok virov in temeljito premišljenih pedagoških strategij lahko hitro prineslo več škode kot koristi. V nekaterih okoljih zato že vlečejo prve, nujne zavore. Omejujejo uporabo določenih orodij umetne inteligence, še posebej tistih za ustvarjanje vsebin (kot je denimo ChatGPT), saj se bojijo vala plagiatorstva, možnosti za manipulacijo in izgube pristnosti pri učenčevem delu. Uporaba UI kot nadgradnja (Augmentation Movement) Na srečo pa obstaja tudi tretja pot, ki jo mnogi vidijo kot najbolj uravnoteženo in dolgoročno obetavno: to je “perspektiva nadgradnje” (Kivinen idr., 2025). Ta pristop umetno inteligenco dojema kot zmogljivo orodje, namenjeno krepitvi (preseganju) človešk e inteligence in pedagoških spretnosti, ne pa kot njeno zamenjavo. Gre za vizijo tesnega zavezništva med tehnologijo in učitelji, kjer UI prispeva dragocene vpoglede v podatke o učenju, pomaga pri sprejemanju premišljenih pedagoških odločitev in poglablja razumevanje samega učnega procesa. V tem partnerskem odnosu pa učitelj ostaja srce kakovostnega poučevanja – tisti nepogrešljivi posrednik znanja, vrednot, empatije in pristnega človeškega stika. 16 Zagovorn"
+"anje samega učnega procesa. V tem partnerskem odnosu pa učitelj ostaja srce kakovostnega poučevanja – tisti nepogrešljivi posrednik znanja, vrednot, empatije in pristnega človeškega stika. 16 Zagovorniki tega pristopa poudarjajo, da so učitelji nenadomestljivi pri ustvarjanju spodbudnega učnega okolja, ki ga prežema dialog, se prilagaja kontekstu vsakega razreda in odgovarja na dinamiko v razredu. Vloga UI je tu jasno začrtana: biti mora zvest pomočnik, ki učitelje razbremeni ponavljajočih se, rutinskih opravil. S tem jim sprosti čas in energijo za tisto, kar je najpomembnejše, hkrati pa pomaga izboljšati diferenciacijo pouka in omogoča hitrejšo učiteljevo odzivnost. Da bi ste taka vizija lahko uresničila, je nujno, da so tehnološki razvoj aktivno vključeni vsi ključni akterji: učitelji, ki so na prvi bojni črti, razvijalci, raziskovalci in seveda sami učenci. Le skozi takšno sodelovanje lahko upamo na razvoj rešitev U I, ki bodo resnično služile postavljenim ciljem izobraževanja ter dosledno spoštovale človekovo dostojanstvo, avtonomijo in temeljno pravico vsakogar do kakovostnega učenja. Etični in pravni vidiki Integracija UI v izobraževanje odpira številna pomembna vprašanja, ki"
+"osledno spoštovale človekovo dostojanstvo, avtonomijo in temeljno pravico vsakogar do kakovostnega učenja. Etični in pravni vidiki Integracija UI v izobraževanje odpira številna pomembna vprašanja, ki zahtevajo natančen premislek. V nadaljnjih poglavjih se bomo poglobljeno posvetili tej kompleksni temi, a že uvodoma je ključno poudariti, da uvajanje UI zahteva skrbno oblikovane regula tivne okvire, ki bodo zagotovili etično uporabo teh tehnologij. Mednarodne organizacije, kot sta OECD in UNESCO, ter regionalni akterji (EU, Svet Evrope), že aktivno ustvarjajo dokumente, ki usmerjajo pot UI v izobraževanju (Varsik in Vosberg, 2024; UNESCO 2021, 2023). Ti dokumenti poudarjajo ključno načelo: uravnotežen, na človeka osredotočen in pedagoško utemeljen pristop k integraciji UI tehnologij, ki mora temeljiti na najvišjih etičnih in pedagoških standardih. Generativna umetna inteligenca (Gen -UI) prinaša v izobraževanje pomembne etične izzive, med katerimi izstopajo varstvo podatkov, algoritmična pristranskost in izobraževalna neenakost. Kot poudarja García-López (2025), Gen-UI odpira vprašanja glede nepooblaščene uporabe informacij o učencih, ohranjanja družbenih neenakosti prek pristranski"
+"a pristranskost in izobraževalna neenakost. Kot poudarja García-López (2025), Gen-UI odpira vprašanja glede nepooblaščene uporabe informacij o učencih, ohranjanja družbenih neenakosti prek pristranskih algoritmov ter možnosti zlorabe podatkov učencev s strani institucij. Algoritmična pristranskost v Gen - UI lahko resno vpliva na izobraževalne rezultate, saj lahko okrepi obstoječe družbene in izobraževalne neenakosti, če na njo nismo pozorni. García -López (2025) navaja primer iz Združenega kraljestva med pandemijo COVID -19, kjer se je pokazalo, da so algoritmična ocenjevanja nesorazmerno prizadela učence iz skupnosti z ni žjimi dohodki. Podobnih situacij je v šolskem prostoru še veliko. Te pristranskosti izvirajo iz zgodovinskih podatkov, ki se uporabljajo za usposabljanje modelov umetne inteligence. Če ti podatki niso skrbno 17 nadzorovani, lahko omejijo dostop do izobraževalnih priložnosti in popačijo ocenjevanje. Obravnavanje teh pristranskosti je ključno za doseganje pravičnejših izobraževalnih rezultatov. To vključuje temeljito revizijo sistemov umetne inteligence ter impleme ntacijo celovitih etičnih smernic in regulatornih okvirov. Kot poudarja García-López (2025), morajo"
+"izobraževalnih rezultatov. To vključuje temeljito revizijo sistemov umetne inteligence ter impleme ntacijo celovitih etičnih smernic in regulatornih okvirov. Kot poudarja García-López (2025), morajo institucije za zmanjšanje tveganj dati prednost algoritmični transparentnosti, institucionalni odgovornosti ter usposabljanju za digitalno pismenost tako za pedagoge kot za učence. Za uspešen preboj UI v izobraževalni sistem je ključnega pomena zagotoviti ustrezno infrastrukturo, vire, podporo, jasne smernice in konkretno usposabljanje za razvoj UI pismenosti in kompetenc. To bo omogočilo transparentno, odgovorno in varno vključevanj e UI v procese izobraževanja. Vendar pa moramo v kontekstu inkluzivnega izobraževanja ostati pozorni: obstaja resna nevarnost, da bi inkluzijo zreducirali zgolj na tehnološko integracijo. Takšna ozka perspektiva ne bo zadostovala za celostno razumevanje in obravnavo širokih socialno-tehničnih transformacij, ki jih te tehnologije neizogibno prinašajo (Cesaroni, 2025). Pedagoški modeli in pristopi Personalizirano učenje Personalizirano učenje, podprto z umetno inteligenco, predstavlja pravo revolucijo v sodobni pedagogiki. Ključno prednost UI predstavlja nje"
+"2025). Pedagoški modeli in pristopi Personalizirano učenje Personalizirano učenje, podprto z umetno inteligenco, predstavlja pravo revolucijo v sodobni pedagogiki. Ključno prednost UI predstavlja njena izjemna zmožnost analize obsežnih količin podatkov o vsakem posameznem učencu – od pravilnosti odgovorov in hitro sti učenja do vzorcev njihovega zanimanja. Na podlagi te analize UI inteligentno prilagaja učne vsebine, tempo učenja in metode dela. Napredni algoritmi, vključno z globokim učenjem in obdelavo naravnega jezika, omogočajo, da se učna gradiva, naloge in pov ratne informacije sproti prilagajajo edinstvenim potrebam vsakega posameznika. Kot ugotavljajo Luckin idr. (2016), se tako UI natančno odziva na to, kdaj učenec potrebuje dodatno razlago, kdaj je pripravljen na kompleksnejše izzive ali kateri učni pristop mu najbolj ustreza. V zadnjih letih so orodja, kot je ChatGPT, postala nepogrešljiv del poučevanja v večjezičnih okoljih. Omogočajo ustvarjanje prilagojenih dialogov, pojasnil in vaj v različnih jezikih ter hkrati krepijo kulturno razumevanje. Gen-UI lahko oblikuje realistične učne scenarije, simulira interaktivne pogovore ali ponuja povratne informacije, ki so skrbno"
+"asnil in vaj v različnih jezikih ter hkrati krepijo kulturno razumevanje. Gen-UI lahko oblikuje realistične učne scenarije, simulira interaktivne pogovore ali ponuja povratne informacije, ki so skrbno prilagojene kulturnemu in jezikovnemu ozadju učenca. Zawacki -Richter idr. (2019) poudarjajo, da ta pristop znatno prispeva k boljšemu razumevanju in vključevanju učencev. Empirične raziskave jasno kažejo, kot navajajo Holmes idr. (2019), da tak personaliziran pristop pomembno povečuje motivacijo, angažiranost in učni uspeh učencev, saj se počutijo bolj cenjene in razumljene. 18 Inteligentni tutorski sistemi in adaptivne učne platforme, kot so Duolingo, MATHia ali Knewton, so dokazano spremenili paradigmo učenja. Pane idr. (2017) ugotavljajo, da s svojo sposobnostjo prilagajanja učnih poti, vrstnega reda nalog in kompleksnosti raz lag učinkovito izboljšujejo učne rezultate. Učenci, ki se učijo s pomočjo teh sistemov, običajno napredujejo hitreje in dosegajo boljše ocene, saj se učijo s svojim tempom in na način, ki je zanje najbolj naraven. Kljub tem očitnim prednostim pa moramo obravnavati tudi kritične vidike uporabe UI pri personaliziranem učenju. Eden ključnih izzivov je že prej o"
+"ojim tempom in na način, ki je zanje najbolj naraven. Kljub tem očitnim prednostim pa moramo obravnavati tudi kritične vidike uporabe UI pri personaliziranem učenju. Eden ključnih izzivov je že prej omenjena “algoritemska pristranskost”. Če so podatki, na katerih se UI uči, nenamerno (ali namerno) pristranski, lahko sistem nevede ponavlja stereotipe ali ne pozna potreb določenih skupin učencev. Poleg tega obstaja resna nevarnost, da se osebni podatki učencev uporabljajo v komercialne namene brez njihove izrecne privolitve, kar odpira pomembna etična vprašanja glede zasebnosti in varovanja podatkov (Williamson in Eynon, 2020). Še en pomemben izziv, na katerega opozarja Selwyn (2019), je nevarnost zmanjšanja pedagoške avtonomije. Če se učitelji preveč zanašajo na predloge in priporočila UI, lahko to vodi v standardizacijo poučevanja, zmanjšanje ustvarjalnosti in inovativnosti v r azredu ter občutek odtujenosti tako pri učiteljih kot učencih. Prav tako UI pogosto ni dovolj občutljiva za lokalne kulturne posebnosti ali vrednote, kar lahko vodi do neustreznih primerov ali razlag, ki niso blizu učencem iz določenega okolja, kot izpostavlja UNESCO (2021). Nekatere raziskave, med drugim tu"
+"okalne kulturne posebnosti ali vrednote, kar lahko vodi do neustreznih primerov ali razlag, ki niso blizu učencem iz določenega okolja, kot izpostavlja UNESCO (2021). Nekatere raziskave, med drugim tudi tista Holmesa idr. (2022), opozarjajo še na nevarnost tehnološke odvisnosti – če se učenci preveč zanašajo na UI -tutorje, se lahko zmanjša njihova sposobnost samostojnega reševanja problemov in kritičnega mišljenja. Dolg otrajna uporaba takšnih sistemov lahko vpliva tudi na kognitivni razvoj, saj zmanjšuje potrebo po naporu in samoiniciativnosti. Za trajnostno in odgovorno uvajanje personaliziranega učenja z UI je zato nujno, da ostane v ospredju človek – učitelj kot moderator, mentor in kritični presojevalec, UI pa kot orodje, ki podpira, ne pa nadomešča pedagoško ustvarjalnost in človeški stik. P otrebna je tudi večja transparentnost delovanja algoritmov, stroga zaščita podatkov ter vključevanje lokalnih in kulturnih specifik v razvoj UI orodij (UNESCO, 2021). Le tako bo personalizirano učenje z UI lahko resnično prispevalo k bolj pravičnemu, učinkovitemu in inkluzivnemu izobraževanju. 19 Inovativni pedagoški pristopi s pomočjo UI Umetna inteligenca prinaša v izobraževanje pomemb"
+"ano učenje z UI lahko resnično prispevalo k bolj pravičnemu, učinkovitemu in inkluzivnemu izobraževanju. 19 Inovativni pedagoški pristopi s pomočjo UI Umetna inteligenca prinaša v izobraževanje pomembne spremembe in odpira vrata novim pristopom k učenju ter poučevanju, kar nakazuje na korenito preobrazbo tradicionalnih učnih pristopov. Igrifikacija učenja, podprta z umetno inteligenco, je vedno bolj priljubljena med učenci in učitelji, saj učinkovito združuje elemente igre s strukturiranim učenjem. Sistemi, kot je Kahoot! z integracijo UI, ne le popestrijo pouk, temveč vsebino iger dinamično prilagajajo na predku posameznega učenca, kar lahko poveča njihovo motivacijo in sodelovanje. Raziskava finskih znanstvenikov Koivista in Hamarija (2019) je pokazala, da izobraževalne igre, ki so podprte z UI povečajo usvajanje kompleksnih konceptov za približno četrtino v primerjavi s tradicionalnimi metodami. Kljub temu pa je potrebna previdnost; študija OECD opozarja, da lahko prekomerna osredotočenost na dosežke v igri zmanjša poudarek na globljem razumevanju snovi, saj se učenci lahko bolj osredoto čajo na rezultate kot na samo vsebino (Paniagua in Instance, 2018). Projektno učenje se v ko"
+"očenost na dosežke v igri zmanjša poudarek na globljem razumevanju snovi, saj se učenci lahko bolj osredoto čajo na rezultate kot na samo vsebino (Paniagua in Instance, 2018). Projektno učenje se v kombinaciji z umetno inteligenco izkazuje kot izjemno učinkovit pristop za izboljšanje učnih dosežkov in učnih procesov v različnih okoljih in stopnjah izobraževanja. Raziskave jasno kažejo, da vključevanje UI znatno prispeva k uspešnosti študentov, krepi njihovo kritično razmišljanje ter občutek napredka. Študija kitajskih osmošolcev (Zheng idr., 2024) kaže, kako uporaba Gen -UI pri projektnem učenju vpliva na spodbujanje višjih miselnih procesov in samoučinkovitosti. Pri učenju v virt ualnih projektnih timih (Darban, 2023) UI izboljšuje učne dosežke študentov. Pozitivni rezultati se kažejo tudi v izobraževanju na področju zdravstvene nege (Kong idr., 2024), kjer avtorji poročajo tem, da projektno učenje z UI spodbuja osebni razvoj štude ntov, njihovo prilagajanje in izboljšuje možnosti individualizacije poučevanja. Te ugotovitve nedvoumno potrjujejo transformativno moč UI v projektnem učenju, saj zagotavlja inovativne načine uporabe, dviguje kakovost izobraževanja in učence učinkovitej"
+"ividualizacije poučevanja. Te ugotovitve nedvoumno potrjujejo transformativno moč UI v projektnem učenju, saj zagotavlja inovativne načine uporabe, dviguje kakovost izobraževanja in učence učinkoviteje pripravlja na zahteve sodobnega tehnološkega okolja. Integracija umetne inteligence (UI) z virtualno resničnostjo (VR) in obogateno resničnostjo (AR) odpira povsem nove dimenzije v izobraževanju, saj ustvarja napredna, personalizirana, potopitvena (imerzivna) in interaktivna učna okolja. Primeri dobre prakse že potrjujejo ta potencial: virtualni pomočniki, podprti z UI, ustvarjajo vključujoče učne prostore, ki se učinkovito spopadajo z asocialnim vedenjem učencev (Monem, 2024). Raziskava na področju trajnostne arhitekture (Cao idr., 2024) je pokazala, da sine rgija UI in VR prinaša bistveno 20 izboljšanje tako pri načrtovanju kot pri učnih rezultatih, pri čemer UI krepi proces načrtovanja, VR pa podpira pridobivanje znanja in dviguje digitalne spretnosti udeležencev. Učna analitika in nadzorni sistemi Učna analitika predstavlja ključno orodje za razumevanje in optimizacijo učnega procesa. S sistematičnim zbiranjem, analizo in vizualizacijo podatkov o učenju omogoča tako učiteljem kot"
+"dzorni sistemi Učna analitika predstavlja ključno orodje za razumevanje in optimizacijo učnega procesa. S sistematičnim zbiranjem, analizo in vizualizacijo podatkov o učenju omogoča tako učiteljem kot učencem vpogled v dinamiko izobraževanja. Ti analitični podatki, pogosto predstavljeni na preglednih nadzornih ploščah, nudijo informacije v realnem času o napredku, doseženih ciljih, času reševanja nalog in uspešnosti. Za učitelje to pomeni lažje prepoznavanje učencev, ki potrebujejo dodatno pomoč, in možnost hitrega odziva nja. Učencem pa nadzorne plošče omogočajo refleksijo lastnega učenja, kar spodbuja njihovo samostojnost, motivacijo in posledično boljše učne dosežke (Ramaswami idr., 2023). Prihodnost učne analitike se usmerja v napredne prediktivne in preskriptivne zmožnosti. Sodobni sistemi ne analizirajo le preteklih dogodkov (“deskriptivna analiza”), temveč tudi napovedujejo prihodnje učne poti (“prediktivna analiza)” in ponujajo konkretne nasvete za nadaljnje ukrepanje (“preskriptivna analiza”) (Hirsto idr., 2024). Možnosti, ki jih ponuja učna analitika in njeni nadzorni sistemi, predstavljajo pomembno povezavo med podatki o učnem procesu in pedagoškim delovanjem. S tem se p"
+"ptivna analiza”) (Hirsto idr., 2024). Možnosti, ki jih ponuja učna analitika in njeni nadzorni sistemi, predstavljajo pomembno povezavo med podatki o učnem procesu in pedagoškim delovanjem. S tem se potrjuje naša osrednja teza, da je lahko umetna inteligenca izjemno učinkovito orodje za izbolj šanje kakovosti učenja in poučevanja, vendar pa je njena integracija smiselna in prinaša optimalne rezultate le v sinergiji s strokovnim znanjem učitelja. Literatura Cao, Y., Gao, X., Yin, H., Yu, K. in Zhou, D. (2024). Reimagining Tradition: A Comparative Study of Artificial Intelligence and Virtual Reality in Sustainable Architecture Education. Sustainability, 16(24), 11135. https://doi.org/10.3390/su162411135 García-López (2025). Ethical and regulatory challenges of Generative AI in education. Frontiers in Education, 10, 1565938. https://doi.org/10.3389/feduc.2025.1565938 Kosmyna, N., Hauptmann, E., Yuan, Y. T., Situ, J., Liao, X.-H., Beresnitzky, A. V., Braunstein, I. in Maes, P. (2025). Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task (No. arXiv:2506.08872). arXiv. https://doi.org/10.48550/arXiv.2506.08872 Reich, J. in Dukes, J. (202"
+"Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task (No. arXiv:2506.08872). arXiv. https://doi.org/10.48550/arXiv.2506.08872 Reich, J. in Dukes, J. (2024). Toward a New Theory of Arrival Technologies. https://doi.org/10.35542/osf.io/x6vn7 21 Wang, S., Jiang, Z. in Liu, Y. (2025). The effect of ChatGPT on students' learning performance, learning perception, and higher-order thinking: Insights from a meta- analysis. Humanities and Social Sciences Communications, 12(1), 134. https://doi.org/10.1057/s41599-025-04787-y Cesaroni, V. (2025). Inclusive education in the age of AI: A critical perspective on policy guidelines through the lens of ecological-systemic theory of technological mediation. Education Sciences in Society - Open Access, 15(2). https://doi.org/10.3280/ess2- 2024oa18453 Darban, M. (2023). The future of virtual team learning: navigating the intersection of AI and education. Journal of Research on Technology in Education. https://doi.org/10.1080/15391523.2023.2288912 Hirsto, L., Väisänen, S., Sointu, E., Valtonen, T. (2024). Learning Analytics in Supporting Teaching and Learning: Pedagogical Perspectives. In: Sampson, D.G., I"
+"/doi.org/10.1080/15391523.2023.2288912 Hirsto, L., Väisänen, S., Sointu, E., Valtonen, T. (2024). Learning Analytics in Supporting Teaching and Learning: Pedagogical Perspectives. In: Sampson, D.G., Ifenthaler, D., Isaías, P. (eds) Smart Learning Environments in the Post Pandemic Era. Cognition and Exploratory Learning in the Digital Age. Springer, Cham. https://doi.org/10.1007/978-3- 031-54207-7_1 Holmes, W., Bialik, M. in Fadel, C. (2019). Artificial Intelligence in Education: Promises and Implications for Teaching and Learning. Boston: Center for Curriculum Redesign. Holmes, W., Porayska-Pomsta, K., Holstein, K., Sutherland, E., Baker, T. in Shum, S. B. (2022). Ethics of AI in education: Towards a community-wide framework. British Journal of Educational Technology, 53(3), 421-437. https://doi.org/10.1111/bjet.13119 Kivinen, K., Aslama Horowitz, M., Haasio, A., Havula, P., Laru, J., Miinin, M., Pönkä, H., Ruiz, P., Saariaho, A., Silander, P. in Toikkanen, T. (2025). AI guide for teachers. Faktabaari. https://www.oph.fi/sites/default/files/documents/AI_Guide_for_Teachers_Digital_Infor mation_Literacy.pdf Koivisto, J. in Hamari, J. (2019). The rise of motivational information syste"
+"hers. Faktabaari. https://www.oph.fi/sites/default/files/documents/AI_Guide_for_Teachers_Digital_Infor mation_Literacy.pdf Koivisto, J. in Hamari, J. (2019). The rise of motivational information systems: A review of gamification research. International Journal of Information Management, 45, 191-210. https://doi.org/10.1016/j.ijinfomgt.2018.10.013 Kong, W., Ning, Y., Ma, T., Song, F., Yang, C., Li, X., Guo, Y., Liu, H., Shi, J. in Liu, L. (2024). Experience of undergraduate nursing students participating in artificial intelligence + project task driven learning at different stages: a qualitative study. BMC Nursing, 23. https://doi.org/10.1186/s12912-024-01982-1 Luckin, R., Holmes, W., Griffiths, M. in Forcier, L. B. (2016). Intelligence Unleashed: An Argument for AI in Education. Pearson Education. Monem, A. A. (2024). Exploring the Role of AI and VR in Addressing Antisocial Behavior among Students: A Promising Approach for Educational Enhancement. IEEE Access, 1. https://doi.org/10.1109/access.2024.3433531 22 Pane, J. F., Steiner, E. D., Baird, M. D. in Hamilton, L. S. (2017). Informing Progress: Insights on Personalized Learning Implementation and Effects. RAND Corporation. Dostop"
+"9/access.2024.3433531 22 Pane, J. F., Steiner, E. D., Baird, M. D. in Hamilton, L. S. (2017). Informing Progress: Insights on Personalized Learning Implementation and Effects. RAND Corporation. Dostopno na: https://www.rand.org/pubs/research_reports/RR2042.html Paniagua, A. in D. Istance (2018), Teachers as Designers of Learning Environments: The Importance of Innovative Pedagogies, Educational Research and Innovation, OECD Publishing, Paris, https://doi.org/10.1787/9789264085374-en Ramaswami, G., Susnjak, T. in Mathrani, A. (2023). Effectiveness of a Learning Analytics Dashboard for Increasing Student Engagement Levels. Journal of Learning Analytics, 10(3), 115-134. https://doi.org/10.18608/jla.2023.7935 Selwyn, N. (2019). Should robots replace teachers? AI and the future of education. Polity Press. UNESCO (2023). Guidance for generative AI in education and research. Paris: UNESCO. UNESCO (2021). AI and Education: Guidance for Policy-makers. Paris: UNESCO. Varsik, S. Vosberg, in L. (2024). The potential impact of Artificial Intelligence on equity and inclusion in education, OECD Artificial Intelligence Papers, No. 23, OECD Publishing, Paris, https://doi.org/10.1787/15df715b-en. Wi"
+"024). The potential impact of Artificial Intelligence on equity and inclusion in education, OECD Artificial Intelligence Papers, No. 23, OECD Publishing, Paris, https://doi.org/10.1787/15df715b-en. Williamson, B. in Eynon, R. (2020). Historical threads, missing links, and future directions in AI in education. Learning, Media and Technology, 45(3), 223-235. https://doi.org/10.1080/17439884.2020.1798995 Zawacki-Richter, O., Marín, V. I., Bond, M. in Gouverneur, F. (2019). Systematic review of research on artificial intelligence applications in higher education–where are the educators? International Journal of Educational Technology in Higher Education, 16(1), 1-27. https://doi.org/10.1186/s41239-019-0171-0 Zheng, R., Huifen, X., Wang, M. in Lu, J. (2024). The Impact of Artificial General Intelligence-assisted Project-Based Learning on Students’ Higher Order Thinking and Self-efficacy. IEEE Transactions on Learning Technologies, 1–8. https://doi.org/10.1109/tlt.2024.3488086 23 Učiteljev vidik: Učiteljeva usposobljenost Avtorji: Andrej Flogie, Maja Vičič Krabonja Povzetek Generativna umetna inteligenca (Gen -UI) predstavlja radikalno tehnološko spremembo v izobraževanju. Vprašanje ni v"
+"idik: Učiteljeva usposobljenost Avtorji: Andrej Flogie, Maja Vičič Krabonja Povzetek Generativna umetna inteligenca (Gen -UI) predstavlja radikalno tehnološko spremembo v izobraževanju. Vprašanje ni več, ali naj jo sploh vključimo v izobraževalni sistem, temveč kako jo koristno uporabiti za učence in učitelje. Razumevanje razlike med poukom, ki je zgolj podprt z digitalno tehnologijo, in sistematičnim razvojem digitalnih kompetenc je zato ključnega pomena. Pouk, ki je podprt z digitalno tehnologijo, se osredotoča na doseganje predmetnih ciljev, medtem ko razvoj kompetenc učencem in učiteljem omogoča transverzalne spretnosti, kot so razumevanje algoritmov, varna raba interneta ali sposobnost ustvarjanja digitalnih vsebin. Uporaba Gen-UI mora biti načrtovana z vidika ciljev vzgoje in izobraževanja. Okviri, kot sta DigComp 2.2 in OECD-jev okvir UI pismenosti, poudarjajo, da je Gen-UI del digitalnih kompetenc, ki vključujejo razumevanje delovanja, kritično vrednotenje in etično rabo. Model umeščanja UI v pedagoški proces lahko razdelimo na tri podsklope: učenje o UI, učenje z UI in učenje za UI, k i pripravlja učence na aktivno sooblikovanje prihodnosti. Vloga učitelja je ključna: učit"
+"umeščanja UI v pedagoški proces lahko razdelimo na tri podsklope: učenje o UI, učenje z UI in učenje za UI, k i pripravlja učence na aktivno sooblikovanje prihodnosti. Vloga učitelja je ključna: učitelj ni le posrednik znanja, temveč oblikovalec učnih okolij, ki spodbuja aktivno rabo Gen-UI. Za učinkovito integracijo so ključnega pomena celostni pristopi, kot je m odel TPACK, ki omogoča povezovanje tehnološkega, pedagoškega/didaktičnega in vsebinskega znanja z upoštevanjem konteksta, ali model SAMR, ki služi kot pripomoček za refleksijo in učitelje usmerja k preoblikovanju in redefiniciji učnih nalog ter tako omogoča doseganje višjih kognitivnih ciljev. Uspešno vključevanje Gen -UI zahteva pogum, premišljenost in sodelovanje, pri čemer je učitelj konstruktor učnih okolij, moderator odnosa do tehnologije in etični voditelj v digitalnem svetu. Ključne besede: Generativna umetna inteligenca (Gen -UI), digitalne kompetence, učiteljeva usposobljenost, TPACK, SAMR, didaktično načrtovanje, UI pismenost. Uvod Zgodovina človeštva je prežeta z izumi, ki so korenito spremenili način učenja in poučevanja: od izuma pisave, tiska, računalnika do sodobnih digitalnih orodij. V tej tehnološki kont"
+"I pismenost. Uvod Zgodovina človeštva je prežeta z izumi, ki so korenito spremenili način učenja in poučevanja: od izuma pisave, tiska, računalnika do sodobnih digitalnih orodij. V tej tehnološki kontinuiteti danes izstopa generativna umetna inteligenca (Gen -UI), ki s svojo zmožnostjo generiranja 24 besedil, slik, programskih kod in drugih vsebin sproža nova vprašanja o naravi znanja, vlogi učitelja ter o temeljnih ciljih vzgoje in izobraževanja (Aberšek in Flogie, 2022; Flogie in Čotar Konrad, 2025). Tri leta po »velikem poku« velikih jezikovnih modelov (GPT-3.5, GPT-4 ipd.) ni več vprašanje ali bomo Gen-UI vključili v izobraževanje, temveč kako jo bomo uporabili na način, ki bo koristen za učence in učitelje. Pesek in Droždek razvrščata uporabo umetne inteligence v izobraževanju na tri ravni: podpora učencem, podpora učiteljem in podpora izobraževalnim institucijam (Drožđek in Pesek, 2024). Na ravni podpore učencem Ouyang in Jiao podrobneje opredeljujeta tri paradigme uporabe umetne inteligence, ki odražajo različne načine vključevanja UI v učni proce s. V prvi paradigmi UI predstavlja modele znanja in usmerja kognitivne procese, pri čemer učenci nastopajo kot pasivni prejemniki"
+"inteligence, ki odražajo različne načine vključevanja UI v učni proce s. V prvi paradigmi UI predstavlja modele znanja in usmerja kognitivne procese, pri čemer učenci nastopajo kot pasivni prejemniki storitev. Druga paradigma dojema umetno inteligenco kot podporni sistem, kjer učenci sodelujejo kot enakovredni partnerji, medtem ko tretja paradigma poudarja opolnomočenje učencev, saj UI postane orodje, s katerim prevzemajo aktivno vlogo in odgovornost za lastno učenje (Ouyang in Jiao, 2021). Miao in Shiohira pristopata nekoliko drugače. Namesto osredotočanja na vlogo UI v izob raževalnem sistemu se osredotoča na razvoj posameznikovih kompetenc za razumevanje in uporabo umetne inteligence. Predstavili sta model treh razvojnih ravni: razumevanje, uporaba in soustvarjanje UI (Miao, Shiohira in Lao, 2024). Prva raven zajema temeljno razumevanje osnovnih konceptov, delovanja, vplivov ter etičnih vprašanj umetne inteligence, druga raven vključuje praktično uporabo znanja v realnih ali simuliranih okoljih s poudarkom na odgovorni in premišljeni rabi, tretja raven pa označuje najvišjo stopnjo zrelosti, ko posameznik postane kritični soustvarjalec rešitev, ki upoštevajo etične, družbene in"
+"ranih okoljih s poudarkom na odgovorni in premišljeni rabi, tretja raven pa označuje najvišjo stopnjo zrelosti, ko posameznik postane kritični soustvarjalec rešitev, ki upoštevajo etične, družbene in trajnostne vidike njenega oblikovanja ter regulacije. Podobno sta Miao in Cukurova razvili okvir kompetenc za učitelje, ki opredeljuje znanja, veščine in vrednote, potrebne za delo v dobi umetne inteligence. Okvir vključuje 15 kompetenc, razdeljenih v pet dimenzij: človeško usmerjenost, etiko UI, osnove in uporabo UI, pedagoško uporabo UI ter uporabo UI za strokovni razvoj. Te kompetence so podobno kot pr i učencih razvrščene v tri razvojne ravni: pridobiti, poglobiti in soustvariti, pri čemer okvir služi kot referenca za razvoj nacionalnih programov usposabljanja učiteljev za uporabo umetne inteligence (Miao in Cukrova, 2024). Vendar pa sama uvedba tehnologije še ne pomeni razvoja digitalnih kompetenc. Prav ta razlika med tehnološko podprtim poukom in kompetenčno usmerjenim poukom je ključna za razumevanje vloge Gen -UI v šoli. Da bi lahko učenci odgovorno, ustvarjalno in samostojno uporabljali orodja umetne inteligence, mora biti njihova uporaba načrtovana z vidika ciljev vzgoje in i"
+"čna za razumevanje vloge Gen -UI v šoli. Da bi lahko učenci odgovorno, ustvarjalno in samostojno uporabljali orodja umetne inteligence, mora biti njihova uporaba načrtovana z vidika ciljev vzgoje in izobraževanja, ne le tehnološke izvedljivosti. 25 S tehnologijo podprt pouk in razvoj digitalnih kompetenc V sodobnem izobraževanju je pogosto prisotno zmotno prepričanje, da uporaba digitalne tehnologije že sama po sebi vodi v razvoj digitalnih kompetenc. Medtem ko se poučevanje, podprto z digitalno tehnologijo, osredotoča na motivacijo učencev in doseganje pr edmetnih ciljev s pomočjo tehnologije, se razvijanje digitalnih kompetenc osredotoča na opremljanje učencev in učiteljev s kompetencami, potrebnimi za samostojno, odgovorno, varno in učinkovito uporabo digitalnih orodij. S tehnologijo podprt pouk pomeni pr edvsem uporabo (digitalnih) orodij za podporo izvajanju učnega procesa – npr. pri prikazu predstavitev, uporabi kvizov, digitalnih učnih listov ali spletnih učilnic. Smiselna uporaba digitalne tehnologije, ki povečuje dostopnost do vsebin, motivacijo, sodelovanje, časovno prilagodljivost in preglednost učnega procesa omogoča uspešnejše učenje. Francoski raziskovalci so potrdili"
+"ba digitalne tehnologije, ki povečuje dostopnost do vsebin, motivacijo, sodelovanje, časovno prilagodljivost in preglednost učnega procesa omogoča uspešnejše učenje. Francoski raziskovalci so potrdili, da inovativna in sodelovalna uporaba digitalnih tehnologij na univerzah izboljšuje akademsko uspešnost študentov (Ben Youssef, Dahmani in Ragni, 2022). Raziskava tudi poudarja, da razvoj digitalnih spretnosti še dodatno izboljšuje učno uspešnost, čeprav ugotavlja, da je samo usposabljanje na področju digitalnih tehnologij manj učinkovito kot vključevanje digitalnih tehnologij v učne dejavnosti. Podobno poudarja tudi Milkova s skupino, da nekatere spretnosti in kompetence na področju digitalnih tehnologij izboljšujejo učno uspešnost študentov, vendar je to odvisno tudi od vsebine in izvedbe predmeta ter njihovih digitalnih kompetenc. Raziskava poudarja tudi pomen učiteljeve sposobnosti učinkovitega prepletanja dejavnosti s podporo digitalnih tehnologij in dejavnosti, ki so izvedene na tradicionalen način. Hkrati ugotavlja, da zgolj uporaba večjega števila digitalnih orodij ne izboljša vedno uspešnosti pouka, ki je v tem primeru odvisna od učiteljeve pedagoške spretnosti in n jegovih d"
+"dicionalen način. Hkrati ugotavlja, da zgolj uporaba večjega števila digitalnih orodij ne izboljša vedno uspešnosti pouka, ki je v tem primeru odvisna od učiteljeve pedagoške spretnosti in n jegovih digitalnih kompetenc ter motivacije študentov za učenje (Milkova, Moldoveanu in Krcil, 2025). Podobne rezultate so zabeležili tudi na nižjih ravneh izobraževanja. Tudi OECD na osnovi rezultatov raziskave PISA ugotavlja, da samo prisotnost digitalne tehnologije ne vpliva na izboljšanje učenja , temveč sta ključna učiteljevo posredovanje in ustrezno strokovno usposabljanje (OECD Digital Education Outlook, 2023: Towards an Effective Digital Education Ecosystem, 2023). Razvoj digitalnih kompetenc, kot jih opredeljuje DigComp 2.2 in vključuje tudi primere umetne inteligence, pomeni več kot le uporabo orodij. Vključuje tudi razumevanje delovanja tehnologije, zmožnost iskanja in vrednotenja virov, ustvarjanje digitalnih vse bin, samozavestno, učinkovito in odgovorno uporabo digitalne tehnologije za komunikacijo, zajema področje varnosti in razvijanje pozitivnega odnosa do digitalnega sveta (Vuorikari, 26 Kluzer in Punie, 2022). Na petih področjih digitalnih kompetenc je v DigComp 2.2 med 259 p"
+"a komunikacijo, zajema področje varnosti in razvijanje pozitivnega odnosa do digitalnega sveta (Vuorikari, 26 Kluzer in Punie, 2022). Na petih področjih digitalnih kompetenc je v DigComp 2.2 med 259 primeri znanj, spretnosti in stališč z umetno inteligenco povezanih 34, od tega 18 primerov znanj, 8 spretnosti in 8 stališč. Graf 1 prikazuje razporejenost teh primer ov po področjih digitalnih kompetenc. Pri tem je zanimivo izpostaviti, da je največ primerov na področju komuniciranja in sodelovanja, najmanj pa na področju ustvarjanja (generiranja) digitalnih vsebin, kjer učitelji in učenci večinoma Gen-UI uporabljajo: • 3.1 Razvoj digitalnih vsebin (znanje): Vem, da so lahko sistemi UI uporabljeni za samodejno ustvarjanje digitalnih vsebin (npr. besedil, novic, esejev, tvitov, glasbe, slik) z uporabo obstoječih digitalnih vsebin kot njihovih virov. Takšne vsebine je včasih težko ločiti od tistih, ki jih ustvarijo ljudje. • 3.2 Umeščanje in poustvarjanje digitalnih vsebin (spretnost): V svoje delo znam vključiti digitalne vsebine, urejene z uporabo UI (npr. v svojo glasbeno kompozicijo vključujem melodije, ustvarjene z uporabo UI). Takšna uporaba UI je lahko sporna, saj se ob tem poraj"
+"oje delo znam vključiti digitalne vsebine, urejene z uporabo UI (npr. v svojo glasbeno kompozicijo vključujem melodije, ustvarjene z uporabo UI). Takšna uporaba UI je lahko sporna, saj se ob tem porajajo vprašanja glede vloge UI v umetnosti in npr. koga v teh primerih navesti kot avtorja. Graf 1: Primeri znanj, spretnosti in stališč z umetno inteligenco v DigComp 2.2 Kompetence ne izhajajo iz orodij, temveč iz namena, načina in konteksta njihove rabe. Enako velja tudi za rabo orodij generativne umetne inteligence. Medtem ko prvi pristop obravnava digitalno tehnologijo kot orodje, ki izboljšuje doseganje predmetnospecifičnih učnih ciljev, drugi na uporabo tehnologije gleda kot na vsebino, ki jo je treba načrtno razvijati v okviru digitalnih kompetenc. Primeri iz pedagoške prakse kažejo, da lahko ista tehnologija (npr. ChatGPT) v enem primeru učencu zgolj poda odgovor (pasivna uporaba), v drugem pa ga spodbudi k primerjanju, 27 refleksiji, interpretaciji in ustvarjanju (aktivna raba). Ključna razlika torej ni v orodju, temveč v didaktičnem načrtovanju in v vlogi učitelja kot snovalca učnih situacij. Ključno razliko med pristopoma povzema spodnja tabela 1: Table 1: Razlika med pasivno"
+"jučna razlika torej ni v orodju, temveč v didaktičnem načrtovanju in v vlogi učitelja kot snovalca učnih situacij. Ključno razliko med pristopoma povzema spodnja tabela 1: Table 1: Razlika med pasivno in aktivno rabo tehnologije Vidik Pouk podprt z digitalno tehnologijo Razvijanje digitalnih kompetenc Primarni namen Podpora doseganju predmetnospecifičnih učnih ciljev Sistematičen razvoj znanja, spretnosti in stališč za uporabo digitalnih tehnologij Osrednji izid učenja globlje razumevanje predmetnih vsebin in izboljšana akademska uspešnost Usposobljenost za samostojno, odgovorno, učinkovito, kritično, ustvarjalno in varno rabo digitalne tehnologije Vloga učitelja Didaktična integracija IKT v poučevanje in učenje Poučevanje digitalnih kompetenc znotraj predmetnih vsebin, organizacija učnih situacij, kjer imajo učenci priložnost razvijati svoje digitalne kompetence Potrebna podpora Tehnična in pedagoško - didaktična podpora pri vključevanju tehnologije v pouk, dostop do orodij Sistemska podpora: kurikularni okvir, strokovna izobraževanja, dostop do orodij Primer pouka z “tradicionaln o” digitalno tehnologijo uporaba spletnih kvizov za hitro pridobivanje/dajanje povratnih informacij,"
+"podpora: kurikularni okvir, strokovna izobraževanja, dostop do orodij Primer pouka z “tradicionaln o” digitalno tehnologijo uporaba spletnih kvizov za hitro pridobivanje/dajanje povratnih informacij, uporaba orodij za predstavitve, spletnih virov, gradiva v spletni učilnici in podobno Učenci poiščejo orodje (npr. za izdelovanje spletnih kvizov, predstavitev…) se ga naučijo uporabiti (so pri tem pozorni na svoje osebne podatke), izdelajo gradivo in ga varno delijo z izbrano ciljno skupino 28 primer pouka z orodji umetne inteligence Učenci z orodjem UI oblikujejo kviz ali predstavitev na določeno temo Učenci uporabijo UI za primerjalno analizo dveh besedil, preverijo vire in napišejo refleksijo o postopku iskanja informacij Medtem ko prvi pristop primarno meri učinek tehnologije na učni dosežek znotraj posameznega predmeta, drugi gradi transverzalne spretnosti, kot so razumevanje algoritmov, varna raba interneta ali sposobnost ustvarjanja digitalnih vsebin. Takšno razlikovanje med uporabo digitalne tehnologije in razvojem digitalnih kompetenc sledi tudi evropskim okvirjem, kot sta DigComp 2.2 (Vuorikari, Kluzer in Punie, 2022) in DigCompEdu (Redecker, 2017), ki poudarjata, da morajo"
+"o digitalne tehnologije in razvojem digitalnih kompetenc sledi tudi evropskim okvirjem, kot sta DigComp 2.2 (Vuorikari, Kluzer in Punie, 2022) in DigCompEdu (Redecker, 2017), ki poudarjata, da morajo učitelji hkrati razvijati digitalno didaktično zmožnost in načrtno razvijati digitalne kompetence pri učencih. Ta razlika je še posebej pomembna v kontekstu Gen -UI. Če se bomo osredotočali zgolj na zamenjavo obstoječih učnih gradiv z generiranimi vsebinami ali pisanje povratnih informacij z Gen-UI, bomo ostali na ravni nadomestitve (angl. substitution). Če pa bomo Gen-UI uporabili kot priložnost za učenje z umetno inteligenco, o umetni inteligenci in za življenje z umetno inteligenco, bomo lahko soustvarjali učne procese, v katerih se razvijajo kompetence 21. stoletja. Zato je naloga odgovornega učitelja, da ustvarj a učne situacije, kjer učenec skozi skrbno načrtovane in premišljene aktivnosti razvija svoje digitalne kompetence, vključno z UI pismenostjo. Umetna inteligenca predstavlja pomemben segment nabora digitalnih tehnologij, uporabnih v izobraževanju sodobnega časa. Znanja, spretnosti in stališča glede njenega razvoja in rabe predstavljajo del digitalnih kompetenc učenca, štud"
+"omemben segment nabora digitalnih tehnologij, uporabnih v izobraževanju sodobnega časa. Znanja, spretnosti in stališča glede njenega razvoja in rabe predstavljajo del digitalnih kompetenc učenca, študenta, učitelja in državljana. Iz tega zornega kota lahko, kot okvir uporabe te pri pouku, uporabimo osnutek dokumenta »Opolnomočenje učečih se za dobo umetne inteligence: Okvir pismenosti na področju umetne inteligence za osnovno in srednješolsko izobraževanje« (OECD, 2025), ki za učeče se predvideva: • Soočanje z umetno inteligenco: Zavedam se vpliva umetne inteligence in njene prisotnosti v vsakdanjem življenju ter kritično razmišljam o njeni uporabi. • Ustvarjanje z umetno inteligenco: Sodelujem z umetno inteligenco pri ustvarjanju novih vsebin, rešitev ali idej. • Upravljanje umetne inteligence: Uporabljam umetno inteligenco za podporo, izboljšanje in optimizacijo svojih nalog in delovnih procesov. 29 • Oblikovanje umetne inteligence Razumem, kako umetna inteligenca deluje, in znam sooblikovati njeno vedenje ter rezultate delovanja. Poleg znanja in stališč, učenci pri razvijanju te kompetence razvijajo veščine kritičnega mišljenja, ustvarjalnosti, računalniškega načina razmišljanja"
+"blikovati njeno vedenje ter rezultate delovanja. Poleg znanja in stališč, učenci pri razvijanju te kompetence razvijajo veščine kritičnega mišljenja, ustvarjalnosti, računalniškega načina razmišljanja, samozavedanje in družbena zavest, sodelovanje, komunikacija, reševanje problemov - ki jih v šolah že ra zvijamo kot prečne veščine, ključne kompetence 21. stoletja, tokrat z uporabo in za uporabo druge tehnologije. S temi izhodišči lahko tabelo 1 nadgradimo za razvijanje specifične digitalne kompetence - razvijanja UI pismenosti: Tabela 2: Razvijanje UI pismenosti. Vidik Razvijanje UI pismenosti Primarni namen Razvijanje razumevanja, uporabe, nadzora in sooblikovanja delovanja umetne inteligence Osrednji izid učenja Učenci razvijajo: kritičnost, ustvarjalnost , odgovorno uporabo, razumevanje delovanja in vpliva UI Vloga učitelja Spodbuja raziskovanje in refleksijo, usmerja uporabo UI v etičnih okvirih, omogoča praktične vpoglede v delovanje UI Potrebna podpora Viri za eksperimentiranje z UI, primeri uporabe, odprta orodja, smernice za etično ravnanje, vpogled v ozadje delovanja, usposabljanje učiteljev Primer tradicionalne rabe Učencem predstavimo in pojasnimo, da npr. priporočila na"
+"UI, primeri uporabe, odprta orodja, smernice za etično ravnanje, vpogled v ozadje delovanja, usposabljanje učiteljev Primer tradicionalne rabe Učencem predstavimo in pojasnimo, da npr. priporočila na TikToku temeljijo na UI Primer rabe AI orodij Soočanje: Preverijo ustreznost UI odgovora Ustvarjanje:: Ustvarjajo vsebine s pomočjo UI Upravljanje: Določijo naloge za UI Oblikovanje: Premislijo, predvidevajo, kako spremembe podatkov vplivajo na izhod Model TPACK in vloga razmišljujočega učitelja Učenje in poučevanje sta kompleksni dejavnosti, ki se odvijata znotraj konkretnih družbenih in tehnoloških danosti. Model TPACK, ki opisuje prepletenost vsebinskega znanja (C) , 30 pedagoškega znanja (P) in tehnološkega znanja (T) učitelja sta avtorja Mishra in Koehler že predstavila že pred skoraj dvema desetletjema (Mishra in Koehler, 2018). Vendar pa zgolj prekrivanje teh področij ni dovolj. Interakcije vseh treh komponent so prikazane v modelu na Sliki 1. Prav tako znanje in sp retnost učitelja ne zadostujeta; potreben je tudi ustrezen odnos. Kompetenca pomeni zmožnost uporabe znanja v praksi z namenom, voljo in odgovornostjo. Tako kot pri vozniškem izpitu – znanje pravil in obvlad ovanje"
+"a ne zadostujeta; potreben je tudi ustrezen odnos. Kompetenca pomeni zmožnost uporabe znanja v praksi z namenom, voljo in odgovornostjo. Tako kot pri vozniškem izpitu – znanje pravil in obvlad ovanje vozila še ne pomenita varne vožnje; ključen je voznikov odnos do ceste, potnikov in pravil. Učitelj je tisti, ki z namenom doseganja zastavljenih ciljev (usvajanje znanja, razvijanje kompetenc, stališč itn.) načrtuje učni proces in pri tem premišlje no kombinira vsebine, različne pedagoške pristope in razpolaga z učnimi sredstvi (npr. digitalno tehnologijo) (Mishra P. in Koehler, 2006). Slika 1: Osnovni model TPACK avtorjev Punya in Koehler nastal leta 2009. Iz slike je razvidno, da na področju prekrivanja (TPACK), nastaja učinkovita integracija tehnologije v poučevanje in učenje. Ta tri področja med seboj niso neodvisna - z razvojem tehnologije (npr. pisave, tiska, svetovnega spleta, umetne inteligence - če zajamemo le nekaj najbolj očitnih) se spreminjajo tudi pedagoški in didaktični pristopi. Z vstopom digitalnega sveta v vzgojno-izobraževalni prostor se od učitelja ne pričakuje le premisleka na didaktičnem področju: kako bo poučevanje in učenje vsebin podp rl z tehnologijo, temveč"
+"stopi. Z vstopom digitalnega sveta v vzgojno-izobraževalni prostor se od učitelja ne pričakuje le premisleka na didaktičnem področju: kako bo poučevanje in učenje vsebin podp rl z tehnologijo, temveč tudi kako bo učence hkrati opolnomočil za samozavestno, samostojno, kritično in varno rabo v osebnem in poklicnem življenju - torej tudi razvijanje digitalnih kompetenc. V zadnji nadgradnji (2025) svojega modela avtorja izpostavljata predvsem pomen okolja, konteksta, v katerem se poučevanje in učenje odvijata (Petko, Mishra in Koehler, 2025). 31 Slika 2: Izpopolnjen model TPACK, 2025 V skladu s tem dodajata še ConteXtual Knowledge (XK), poznavanje konteksta in znanje o kontekstu: izpostavljata, da “TPACK obstaja hkrati kot znanje učiteljev, ki ga oblikujejo zunanji konteksti („kontekstualizirano znanje“), in kot znanje o izobraževalnih okoljih („kontekstualno znanje“)”. S tem avtorja zaokrožujeta splošni namen okvira TPACK, ki je zajeti vrste znanja učiteljev, ki so potrebne za smiselno in učinkovito vključevanje tehnologije v poučevanje in učenje. Pri tem se sklicujeta na Bronfenbrenne rjev ekološki pristop, in izpostavljata pomen konteksta od mikro ravni (med učiteljem in učencem zno"
+"učinkovito vključevanje tehnologije v poučevanje in učenje. Pri tem se sklicujeta na Bronfenbrenne rjev ekološki pristop, in izpostavljata pomen konteksta od mikro ravni (med učiteljem in učencem znotraj razreda), mezo sistema (ki vključuje učence na šole, učitelje v posameznem oddelku, šoli, starše), eksosistema (npr, lokalna skupnost, šola ali učni n ačrt) do makrosistema (npr. izobraževalne politike, etični vidiki, globalni tehnološki razvoj, trajnost in kultura) in kronosistema (npr. spremembe skozi čas) (Bronfenbrenner, 1993). Učiteljeva uspešnost je odvisna od zavestnega poznavanja konteksta in ne od nezavedne kontekstualizacije, saj le -ta odpira vrata premišljenemu načrtovanju in razmisleku. V kontekstu uvajanja umetne inteligence v pouk TPACK torej pomeni celovito znanje o tem, kako povezati tehnologijo Gen -UI, didaktiko in predmetne vsebine za lažje učinkovito poučevanje in učenje, vključno z izkoriščanjem tehnoloških orodij za učinkovito poučevanje vsebin UI z uporabo ustreznih pedagoških strategij (Yue, 2024). Na tem mestu lahko potrdimo razmišljanje Mishre in Hoehlerja ki se sprašujeta: “Odprto vprašanje ostaja, ali je potreben še en model TPACK v času, ko jih je že"
+"eznih pedagoških strategij (Yue, 2024). Na tem mestu lahko potrdimo razmišljanje Mishre in Hoehlerja ki se sprašujeta: “Odprto vprašanje ostaja, ali je potreben še en model TPACK v času, ko jih je že toliko. Trdimo, da bi morali biti teoretični modeli tako kompleksni, kot je potrebno, in nič več.” (Mishra in Koehler, 2006). 32 Enako velja za učitelja, ki vključuje Gen -UI v pouk. Za razvijanje digitalnih kompetenc ter poučevanje z in za uporabo umetne inteligence potrebujemo digitalno tehnologijo, ki jo zna učitelj tudi spretno uporabljati. Kljub temu poznavanje tehnologije ali v sebine ni dovolj – ključen je razmislek o pedagoški ustreznosti. Šele celostni pristop učitelja, ki ima znanje o orodju, pozna različne pedagoške strategije in ima pozitiven, a kritičen odnos do tehnologije, ga preobraža iz izvajalca v razmišljujočega uči telja, ki načrtuje, prilagaja in reflektira svojo prakso. Kontekst tehnološkega znanja Vloga učitelja v dobi umetne inteligence je torej še pomembnejša: ni več le posrednik znanja, temveč konstruktor učnih okolij, moderator odnosa do tehnologije in etični voditelj v digitalnem svetu. V razmislek o rabi umetne inteligence v šoli pomembno prispeva tudi shem"
+"eč le posrednik znanja, temveč konstruktor učnih okolij, moderator odnosa do tehnologije in etični voditelj v digitalnem svetu. V razmislek o rabi umetne inteligence v šoli pomembno prispeva tudi shema nastala na osnovi spoznanj v okviru projekta GEN -AI (Slika 3), ki razširja tradicionalne okvire razumevanja integracije tehnologije v izobraževanje. V nasprotju s splošnim tehnološki m pristopom, ki pogosto ostaja na ravni orodij in aplikacij, ta shema strukturira tri temeljne razsežnosti umeščanja umetne inteligence (UI) v izobraževalni sistem: • Učenje o UI (Learning about AI) – vključuje vsebine, pri katerih učenci in učitelji spoznavajo, kako umetna inteligenca deluje. Sem sodi: • poučevanje osnovnih pojmov, kot so nevronske mreže in strojno učenje, • razumevanje vpliva Gen-UI na družbo, znanje, medije in komunikacijo, • razvoj osnovne podatkovne in UI pismenosti. • Učenje in poučevanje z UI (Learning and teaching with AI) – predstavlja uporabo UI kot pedagoškega orodja. Lahko je usmerjeno: • k učencem (npr. personalizirano učenje, avtomatizirana povratna informacija), • k učiteljem (npr. priprava gradiv, analitika učenja), • k sistemom (npr. organizacijska optimizacija, napoved"
+"merjeno: • k učencem (npr. personalizirano učenje, avtomatizirana povratna informacija), • k učiteljem (npr. priprava gradiv, analitika učenja), • k sistemom (npr. organizacijska optimizacija, napovedni modeli uspešnosti). • Učenje za UI (Learning for AI) – pripravlja učence za življenje v dobi umetne inteligence in hkrati da postanejo aktivni ustvarjalci in oblikovalci tehnologij prihodnosti, ne zgolj uporabniki. To pomeni razvoj: • problemskega mišljenja, • algoritmičnega razmišljanja, • interdisciplinarnega znanja, potrebnega za poklice prihodnosti 33 • etičnega odnosa do razvoja in rabe umetne UI. Slika 3: Shema umeščanja UI v pedagoški proces Shema jasno nakazuje, da je treba področje umetne inteligence v izobraževanju obravnavati z več zornih kotov: kot predmet znanja, kot orodje in kot okolje. Pri tem se zastavlja vprašanje, koliko morajo učitelji o (generativni) umetni inteligenci in njenem delovanju vedeti, da jo bodo lahko varno in premišljeno uporabljali in o njej poučevali učence na vseh treh področjih. V skladu s tehnološkim znanjem znotra j TPACK okvira se od učitelja pričakujejo znanja o osnovnih konceptualnih načelih delovanja umetne inteligence, o tem, kako uporabl"
+"učence na vseh treh področjih. V skladu s tehnološkim znanjem znotra j TPACK okvira se od učitelja pričakujejo znanja o osnovnih konceptualnih načelih delovanja umetne inteligence, o tem, kako uporabljati tehnologije pri poučevanju in učenju UI, vključno z znanjem o različnih tehnoloških orodjih in platformah, ki so na vol jo za poučevanje UI, ter njihovih značilnostih, funkcionalnostih in omejitvah. V povezavi z didaktiko pa mora biti to znanje o UI zmožen uporabiti za podporo učinkovitim strategijam poučevanja in učenja, kot je npr. uporaba prilagodljivih učnih sistemov na podlagi UI za prilagajanje poučevanja ali uporaba UI za simulacijo ali modeliranje konceptov, ki se poučujejo pri določenem predmetu. Uporaba TPACK modela nas tako opozarja, da raba Gen -UI ni le tehnična odločitev, temveč pedagoško in profesionalno stališče. Učitelj se mora zato nenehno spraševati: • Kaj s to tehnologijo želim doseči? • Ali podpira cilje mojega predmeta in razvoj kompetenc? • Kakšen odnos do vsebine in učenja oblikujem z izbranim pristopom? 34 Kontekst pedagoškega znanja Pri uporabi modelov iz angleško govorečega območja v kontinentalni evropski prostor, torej tudi slovenski kontekst, imamo pr"
+"ne in učenja oblikujem z izbranim pristopom? 34 Kontekst pedagoškega znanja Pri uporabi modelov iz angleško govorečega območja v kontinentalni evropski prostor, torej tudi slovenski kontekst, imamo pri uporabi besede »pedagogika« in »pedagoško« izziv dobesednega prevoda. Kot ugotavlja Melissinopoulos, v kontinentalno evropski tradiciji pojma pedagogy in didactics jasno ločimo: pedagogy se navezuje na normativne dimenzije izobraževalnih ciljev in je širša, znanstvena disciplina, ki proučuje vzgojo in izobraževanje v najširšem smislu – medtem ko didactics označuje deskriptivno, znans tveno raziskovanje metod, oblike in strategije poučevanja, evalvacije in ocenjevanja znanja (Melissinopoulos, 2013; Aktan in Serpil, 2018). V angloameriški literaturi je termin didactics redkeje prisoten in ga pogosto nadomeščajo izrazi, kot so instructional design ali teaching methods. Pri prenosu modela TPACK v slovenščino: črka “P” v angleščini pomeni Pedagogy, torej teorijo in prakso poučevanja, medtem pedagogika, pri nas nosi še širši, družbenokulturni pomen. Če želimo ostati znotraj slovenske terminol oške tradicije, bi “P” dejansko ustrezala Didaktika, saj se znotraj TPACK-a načrtovanje poučevanja"
+"edagogika, pri nas nosi še širši, družbenokulturni pomen. Če želimo ostati znotraj slovenske terminol oške tradicije, bi “P” dejansko ustrezala Didaktika, saj se znotraj TPACK-a načrtovanje poučevanja razume kot ožje osredotočeno področje – didaktika, medtem ko širše diskurzne razmisleke o vzgoji in kontekstu model zajema izraz pedagogika. Praksa kaže, da učitelji generativno umetno inteligenco že uporabljajo na različnih področjih svojega dela. (Daskalaki, Psaroudaki in Fragopoulou, 2024; Pettersson, Hult, Eriksson in Adewumi, 2024; Granström in Oppi, 2025). V Sloveniji je leta 2024 umetno inteligenco uporabljalo 44 %, oz. 41,5 % učiteljev v osnovni šoli in 49,4 % v srednji šoli (Slivar, Sambolić Beganović in Baškarad, 2024; Likardo, in drugi, 2025). Nekatera najbolj pogosta so prikazana v sliki 4, pri čemer področje didaktike zajema predvse m izvedbo in načrtovanje pouka (slovenski viri) ter spremljanje in povratne informacije, ki pa sta zaradi etičnih dilem in varstva osebnih podatkov manj prisotna. Na tem področju učitelji sicer priznavajo, da jim tak način dela prihrani veliko časa, vendar umetni inteligenci ne zaupajo popolnoma in poudarjajo pomen človeškega faktorja (Bezjak,"
+"ov manj prisotna. Na tem področju učitelji sicer priznavajo, da jim tak način dela prihrani veliko časa, vendar umetni inteligenci ne zaupajo popolnoma in poudarjajo pomen človeškega faktorja (Bezjak, 2024; Roe, Perkins in Ruelle, 2024; Zewei, in drugi, 2025). 35 Slika 4: Vpliv GEN-AI na različne didaktične vidike Shema na Sliki 4 ponuja razmislek o tem, kako Gen-UI vpliva na različne vidike didaktičnega delovanja in osebnega profesionalnega razvoja učitelja. Namesto da bi se vprašali samo, katero orodje lahko uporabim, nas shema spodbuja k vprašanju: pri katerem didaktičnem pristopu me lahko umetna inteligenca smiselno podpre in s tem izboljša znanje učencev? Umetna inteligenca namreč odpira prostor za preoblikovanje klasičnih pristopov v sodobne oblike učenja, ki temeljijo na: • razvijanju kompetenc 21. stoletja (kritično mišljenje, kreativnost, sodelovanje, komunikacija, reševanje problemov, medkulturno razumevanje), • aktivnih učnih pristopih, kot so problemsko in projektno učenje, učenje učenja, obrnjeno poučevanje, • digitalni in medijski pismenosti, ki vključujeta tudi zmožnost kritičnega vrednotenja umetno generiranih vsebin. Učitelj, ki se srečuje z Gen-UI, se zato ne spre"
+"učenje učenja, obrnjeno poučevanje, • digitalni in medijski pismenosti, ki vključujeta tudi zmožnost kritičnega vrednotenja umetno generiranih vsebin. Učitelj, ki se srečuje z Gen-UI, se zato ne spreminja le v uporabnika tehnologije, temveč postaja: • načrtovalec učnih situacij, ki omogočajo razvoj različnih kompetenc, • mentor pri učenju z UI, ki učence vodi v odgovorno rabo tehnologije, • refleksivni praktik, ki razume in presoja vpliv tehnologije na učenje in odnose v razredu. 36 Pri tem se transformacija pouka ne zgodi avtomatsko z uvedbo novih orodij – temveč z aktivnim, zavestnim prevpraševanjem lastne prakse in vlog v razredu. Tako kot vsa druga orodja lahko tudi Gen-UI uporabljamo na različnih kvalitetnih nivojih, pri čemer nam je lahko v pomoč SAMR model. Kontekst vsebinskega znanja Vsebinsko znanje se običajno nanaša na vsebine, koncepte, spretnosti, kompetence in druga specifična znanja posameznega predmeta. Pri uporabi generativne umetne inteligence se od učitelja, ne glede na njegovo predmetno področje pričakuje tudi temeljno poznavanje Gen-UI. V kontektstu vsebinskega znanja izpostavimo pomen didaktičnega trikotnika, ki zajema tri temeljne sestavine učnega procesa: u"
+"e na njegovo predmetno področje pričakuje tudi temeljno poznavanje Gen-UI. V kontektstu vsebinskega znanja izpostavimo pomen didaktičnega trikotnika, ki zajema tri temeljne sestavine učnega procesa: učitelja, učenca in vsebino (Blažič, 2020). Pri poučevanju, podprtim z Gen-UI, pa ni postavljena v ospredje nobena izmed teh vlog, temveč proces učenja, ki se odvija med njimi in od učitelja zahteva ne le poznavanje predmetnih vsebin, ampak tudi nenehno preizpraševanje umeščenosti teh vsebin v izobraževalni proces. Posebej pomembni so odnosi: • odnos učenca do vsebine (ali je zanj relevantna), • odnos učitelja do vsebine (ali ga navdihuje, jo zmore učencem osmisliti, ne le razložiti), • odnos učitelja do učenca (ali vzpostavlja varno in zaupanja polno okolje za napake in rast). Didaktični trikotnik tako ne predstavlja statične strukture, temveč dinamično interakcijo, ki jo mora učitelj ves čas reflektirati in vzpostavljati – še posebej v kontekstu uvajanja novih tehnologij. Pri tem velja poudariti, da ta kontekst ni omejen na posamezne znanosti ali predmete. Tako kot (generativna) umetna inteligenca vstopa v različna podro��ja vsakdanjega življenja, gospodarstva in ustvarjanja, je lahko"
+"udariti, da ta kontekst ni omejen na posamezne znanosti ali predmete. Tako kot (generativna) umetna inteligenca vstopa v različna področja vsakdanjega življenja, gospodarstva in ustvarjanja, je lahko v šoli zmožnost njene uporabe kot ena izmed digitalnih kompetenc prečna, celo povezovalna med različnimi predmetnimi področji. SAMR kot okvir za refleksijo uporabe Gen-UI Model SAMR, ki ga je razvil Ruben Puentedura, ponuja enostaven, a učinkovit okvir za refleksijo o globini integracije tehnologije v pouk (Puentedura, 2006). 37 Slika 5: Predstavitev stopenj SAMR modela (navedeno v Jedrinović idr., 2018; prirejeno po Puentedura, R. R., 2006) Razdeljen je na štiri ravni, pri čemer pri uvajanju tehnologije v pouk ciljamo predvsem na dve najzahtevnejši ravni (preoblikovanje in redefinicija aktivnosti učencev), ki pomenita dejansko transformacijo pouka in z aktivnostjo učencev omogočata doseganje višjih kognitivnih ciljev pouka. Za boljše razumevanje nam lahko služi naslednja tabela. Table 3: Primeri umeščanja uporabe Gen-UI v pouk skladno s SAMR modelom Opis Primer uporabe “tradicionaln e” digitalne tehnologije Primer uporabe Gen_UI Utemeljitev rabe Gen-UI in priporočila Zamenjava (Substi"
+"Primeri umeščanja uporabe Gen-UI v pouk skladno s SAMR modelom Opis Primer uporabe “tradicionaln e” digitalne tehnologije Primer uporabe Gen_UI Utemeljitev rabe Gen-UI in priporočila Zamenjava (Substitution) Tehnologij a zgolj nadomešča obstoječe orodje brez funkcionaln e spremembe . Učenci namesto papirnega učbenika berejo PDF na napravi Učenci uporabijo ChatGPT za iskanje definicije Učenci se seznanijo z osnovami uporabe generativne UI za pridobivanje informacij; razvijajo iskalne spretnosti in primerjajo vire. Poudariti je treba preverjanje 38 zanesljivosti virov; priporočljivo je primerjati odgovore UI z učnimi viri. Nadgradnja (Augmentatio n) Tehnologij a nadgrajuje obstoječe naloge z nekaj dodatne funkcionaln osti. Učenci napišejo poročilo v skupnem dokumentu z vklopljenim komentarjem učitelja in sošolcev. Učenci uporabijo generativno UI za jezikovni slogovni pregled in izboljšave vnaprej napisanega besedila (pravopis, struktura). Povečanje samostojnosti pri jezikovnem izražanju; omogoča sprotno izboljševanje zmožnosti pisanja in natančnejšo samooceno. Učitelj mora preverjati plagiatorstvo in spodbujati zavestno uporabo AI kot orodja za izboljšavo, ne nadomestilo razmišljanja"
+"omogoča sprotno izboljševanje zmožnosti pisanja in natančnejšo samooceno. Učitelj mora preverjati plagiatorstvo in spodbujati zavestno uporabo AI kot orodja za izboljšavo, ne nadomestilo razmišljanja. Preoblikovanj e (Modification ) Tehnologij a omogoči pomembno prenovo naloge. Učenci ustvarijo interaktivno predstavitev s hiperpovezav ami in video posnetki. Učenci samostojno zbirajo podatke, jih interpretirajo in z UI oblikujejo infografiko ali analizo Spodbuja samostojno analizo in sintezo podatkov ter interpretacijo s pomočjo AI, kar razvija višje kognitivne ravni (Bloom). 39 Potrebno je usmerjanje pri vrednotenju kakovosti generiranih vsebin; AI naj služi kot pripomoček, ne kot avtor vsebine. Redefinicija (Redefinition ) Tehnologij a omogoči ustvarjanje novih nalog, ki jih brez nje ne bi bilo mogoče izvesti. Učenci ustvarijo podcast z vključenimi intervjuji in raziskovalni mi viri. Učenci uporabijo UI kot sogovornika pri simulaciji razprave, nato sestavijo reflektivno poročilo z vključeno analizo argumentov. Omogoča ustvarjalno in argumentacijsko razpravo, spodbuja kritično mišljenje, metakognicijo in refleksijo – učenci so avtorji znanja. Nujno je jasno določiti vlogo AI v nal"
+"ljučeno analizo argumentov. Omogoča ustvarjalno in argumentacijsko razpravo, spodbuja kritično mišljenje, metakognicijo in refleksijo – učenci so avtorji znanja. Nujno je jasno določiti vlogo AI v nalogi in spodbujati etično rabo; refleksija naj vključuje razmislek o vlogi človeka in UI v znanju. Model SAMR tako ni le klasifikacijsko orodje, temveč tudi refleksijski pripomoček. Učitelju omogoča razmislek, ali Gen -UI uporablja zgolj za nadomestitev obstoječih metod ali pa za oblikovanje avtentičnih, kompleksnih učnih izkušenj, ki omogočajo višje ravni kognitivnega razvoja. Vloga učitelja je pri tem ključna: Gen -UI sam po sebi ne določa ravni integracije – to določa učitelj s svojim načrtovanjem, usmeritvami in odnosom do učenja. 40 Zaključek Generativna umetna inteligenca v letu 2025 ni več vprašanje prihodnosti – je realnost sedanjosti. V šolski prostor vstopa hitro, raznoliko in pogosto z več vprašanji kot odgovori. Prav zato je ključno, da se šola, kot prostor refleksije, sodelovanja in vre dnotnega razvoja, na to odzove ne le tehnično, temveč tudi pedagoško in etično. Razlika med zgolj tehnološko podprtim poukom in razvojem digitalnih kompetenc je temeljnega pomena: šola ne sm"
+"ja in vre dnotnega razvoja, na to odzove ne le tehnično, temveč tudi pedagoško in etično. Razlika med zgolj tehnološko podprtim poukom in razvojem digitalnih kompetenc je temeljnega pomena: šola ne sme ostati pri orodjih, temveč mora usmeriti pogled v cilje učenja, procese mišljenja in vrednote, ki jih posreduje. Modeli TPACK, SAMR in DigComp 2 .2 učiteljem pomagajo pri refleksiji, kako lahko Gen-UI smiselno in odgovorno vpeljejo v pouk. Osrednja figura tega procesa je razmišljujoči učitelj – strokovnjak, ki razume, da njegova vloga v digitalni dobi ni zmanjšana, temveč okrepljena. Učitelj, ki se zaveda pomena odnosov, varnega okolja, pomena napak, avtonomije učencev in relevantnosti učnih vsebin, bo znal tehnologijo uporabiti kot zaveznico učenja, ne kot cilj sam po sebi. Za uspešno umeščanje Gen-UI v šolski prostor so potrebni trije temelji: • pogum, da tehnologijo sprejmemo in jo sooblikujemo; • premišljenost, da jo uporabljamo odgovorno, skladno z vrednotami izobraževanja; • sodelovanje, da gradimo skupnosti učiteljev, ki se učijo drug od drugega in skupaj ustvarjajo prakse prihodnosti. To pa ne veljal le za avtonomnega učitelja, ampak tudi za šole kot institucije. Šole se razl"
+"vanje, da gradimo skupnosti učiteljev, ki se učijo drug od drugega in skupaj ustvarjajo prakse prihodnosti. To pa ne veljal le za avtonomnega učitelja, ampak tudi za šole kot institucije. Šole se razlikujejo po svoji odprtosti za inovacije, načinu vodenja in podpori učiteljem. Tu pridejo v ospredje vprašanja: • Ali ima šola digitalno strategijo, ki vključuje Gen-UI? • Kako razvojni timi vključujejo tehnologijo v načrtovanje in evalvacijo? • Ali obstajajo priložnosti za skupno načrtovanje, medpredmetno povezovanje in izgradnjo profesionalne učeče se skupnosti? Vodstvo ima ključno vlogo pri ustvarjanju pogojev za odgovorno in ciljno naravnano uvajanje UI – tako na ravni opreme kot na ravni kulture. Uvajanje Gen -UI ne more zgoditi zgolj ""od spodaj navzgor"" ali ""od zgoraj navzdol"" – nujno je sodelovanje vseh ravni. V središču pa ostaja 41 učitelj kot strokovnjak, ki zna povezati vizijo sistema z vsakodnevnimi učnimi situacijami in se ob primerni podpori odloča: • ali bo vključil Gen-UI in kako, • kako bo načrtoval učne cilje in aktivnosti, • kako bo podpiral razvoj kompetenc učencev. Takšna razčlenitev odpira prostor za strateško načrtovanje vpeljave Gen -UI: šole lahko na tej osnovi"
+"kako, • kako bo načrtoval učne cilje in aktivnosti, • kako bo podpiral razvoj kompetenc učencev. Takšna razčlenitev odpira prostor za strateško načrtovanje vpeljave Gen -UI: šole lahko na tej osnovi načrtujejo aktivnosti, ki podpirajo vse tri razsežnosti. Učitelji pa lahko pri vsakem didaktičnem pristopu (npr. problemsko učenje, projektno delo, obrnjen i razred) reflektirajo, kako in zakaj naj Gen -UI vključijo – s tem pa ohranjajo svojo profesionalno avtonomijo in pedagoško odgovornost. V praksi to pomeni, da mora biti Gen -UI v šoli prisotna tako v vsebini pouka kot v njegovi organizaciji in v usposabljanju učiteljev. Ta pogled nas spodbuja, da razmišljamo sistemsko: če želimo, da Gen -UI dejansko prispeva k razvoju učencev, morajo biti po litikam dodane strukture podpore, šolam omogočen razvoj kulture inovativnosti, in učiteljem zagotovljeni prostori za poklicno rast in refleksijo. Če bo Gen-UI v šoli razumljena kot priložnost za razvoj – ne kot nevarnost ali nujno zlo – bo postala orodje, ki učencem pomaga postati ne le kompetentni uporabniki tehnologije, temveč tudi odgovorni, ustvarjalni in empatični državljani prihodnosti. Literatura Aberšek, B. in Flogie, A. (2022). Artifi"
+"orodje, ki učencem pomaga postati ne le kompetentni uporabniki tehnologije, temveč tudi odgovorni, ustvarjalni in empatični državljani prihodnosti. Literatura Aberšek, B. in Flogie, A. (2022). Artificial intelligence in education. In O. Lutsenko, Active learning - theory and practice (pp. 97-117). London: IntechOpen. Aktan, S. in Serpil, H. (2018). Didactic in Continental European pedagogy: An analysis of its origins and problems. Uluslararası Eğitim Programları ve Öğretim Dergisi, 111-134. Aktan, S. in Serpil, H. (2018). Didactic in Continental European pedagogy: An analysis of its origins and problems. Uluslararası Eğitim Programları ve Öğretim Dergisi, 111-134. Ben Youssef, A., Dahmani, M. in Ragni, L. (2022). ICT Use, Digital Skills and Students’ Academic Performance: Exploring the Digital Divide. Information, 1-19. Bronfenbrenner, U. (1993). Ecological models of human development. International Encyclopedia of Education, 3(2), 37-43. 42 Bezjak, S. (2024). Prihodnost umetne inteligence v učilnicah: pogledi srednješolskih učiteljev v Sloveniji. Sodobna pedagogika/Journal of Contemporary Educational Studies, 72-87. Daskalaki, E., Psaroudaki, K. in Fragopoulou, P. (2024, 10 28)."
+"gence v učilnicah: pogledi srednješolskih učiteljev v Sloveniji. Sodobna pedagogika/Journal of Contemporary Educational Studies, 72-87. Daskalaki, E., Psaroudaki, K. in Fragopoulou, P. (2024, 10 28). Navigating the Future of Education: Educators' Insights on AI Integration and Challenges in Greece, Hungary, Latvia, Ireland and Armenia. From Better Internet for Kids: https://better-internet-for- kids.europa.eu/en/news/navigating-future-education-educators-insights-ai- integration-and-challenges-greece-hungary Drožđek, L. in Pesek, I. (2024). The technological dimension of artificial intelligence in education. In M. Licardo in A. Lipovec, Artificial intelligence literacy and social -emotional skills as transversal competencies in education (p. 202). Maribor: Verlag Dr. Kovač. Flogie, A., Čotar Konrad, S. (2025). Izobraževanje v dobi umetne inteligence: mednarodne smernice in razisakve. Koper: Založba Univerze na Primorskem Granström, M. in Oppi, P. (2025). Assessing teachers’ readiness and perceived usefulness of AI in education: an Estonian perspective. Tallin: Frontiers in Education. Likardo, M., Kranjec, E., Lipovec, A., Dolenc, K., Arcet, B., Flogie, A., . . . Laure, M. (2025). G"
+"nd perceived usefulness of AI in education: an Estonian perspective. Tallin: Frontiers in Education. Likardo, M., Kranjec, E., Lipovec, A., Dolenc, K., Arcet, B., Flogie, A., . . . Laure, M. (2025). Generativna umetna inteligenca v izobraževanju: Analiza stanja v primarnem, sekundarnem in terciarnem izobraževanju. Maribor: Univerza v Mariboru. Melissinopoulos, S. (2013). From Pedagogy to Didactics: Clarifying the Discussion on Architectural Education. AAE#CONFERENCE#2013. Oxford: The University of Edinburg. Miao, F., Shiohira, K. in Lao, N. (2024). AI competency framework for students. France: Unesco. Miao, F. in Cukrova, M. (2024). AI competency framework for teacher. France: Unesco. Milkova, E., Moldoveanu, M. in Krcil, T. (2025). Sustainable Education Through Information and Communication Technology: A Case Study on Enhancing Digital Competence and Academic Performance of Social Science Higher Education Students. Sustainability, 4422. Mishra, P. in Koehler, M. (2018). Introducing Technological Pedagogical Content Knowledge. Michigan: Michigan State University. Mishra, P. in Koehler, M. (2006). Technological Pedagogical Content Knowledge: A Framework for Teacher Knowledge. Teache"
+"chnological Pedagogical Content Knowledge. Michigan: Michigan State University. Mishra, P. in Koehler, M. (2006). Technological Pedagogical Content Knowledge: A Framework for Teacher Knowledge. Teachers College Record, 1017-1054. 43 OECD. (2023). OECD Digital Education Outlook 2023: Towards an Effective Digital Education Ecosystem. France: OECD Publishing. OECD. (2025). Empowering Learners for the Age of AI An AI Literacy Framework for Primary and Secondary Education. France: OECD Publishing. Ouyang, F. in Jiao, P. (2021). Artificial intelligence in education: The three paradigms. Computers and Education: Artificial Intelligence, 1-6. Petko, D., Mishra, P. in Koehler, M. (2025). TPACK in context: An updated model. Computers and Education Open, 100244. Redecker, C. (2017). European Framework for the Digital Competence of Educators: DigCompEdu. Luxemburg: Publications Office of the European Union. Yue, M. J. (2024). Understanding K –12 teachers’ technological pedagogical content knowledge readiness and attitudes toward artificial intelligence education. In A. Tatnall, Education and Information Technologies (pp. 19505-19536). Springer. Pettersson, J., Hult, E., Eriksson, T. in Adewumi"
+"e readiness and attitudes toward artificial intelligence education. In A. Tatnall, Education and Information Technologies (pp. 19505-19536). Springer. Pettersson, J., Hult, E., Eriksson, T. in Adewumi, O. (2024). Generative AI and Teachers - For Us or Against Us? A Case Study. 14th Scandinavian Conference on Artificial Intelligence SCAI 2024. Jönköping, Sweden: Swedish Artificial Intelligence Society. Puentedura, R. (2006). Transformation, technology, and education . From Transformation, Technology, and Education: https://hippasus.com/resources/tte/ Roe, J., Perkins, M. in Ruelle, D. (2024). Understanding Student and Academic Staff Perceptions of AI Use in Assessment and Feedback. Slivar, B., Sambolić Beganović, A. in Baškarad, S. (2024). Umetna inteligenca kot učiteljev partner pri deluz nadarjenimi otroki. Vzgoja in izobraževanje, 41-45. Vuorikari, R., Kluzer, S. in Punie, Y. (2022). DigComp 2.2: The Digital Competence Framework for Citizens - With new examples of knowledge, skills and attitudes. Luxembourg: Publications Office of the European Union. Zewei, T., Alex, L., Esbenshade, L., Sarkar, S., Zhang, Z., He, K. in Sun, M. (2025, 06 17). Cornell University. From arxiv:2506.07"
+"nd attitudes. Luxembourg: Publications Office of the European Union. Zewei, T., Alex, L., Esbenshade, L., Sarkar, S., Zhang, Z., He, K. in Sun, M. (2025, 06 17). Cornell University. From arxiv:2506.07955: https://arxiv.org/abs/2506.07955 44 Psihološki dejavniki učenja in vključevanje orodij GEN-UI: pomen orodij za samoregulacijo učenja Alja Polanec Sonja Čotar Konrad UP PEF Povzetek Ključne besede: Generativna umetna inteligenca (Gen-UI) v izobraževanju; Samoregulacija učenja; kritično mišljenje; regulacija truda; testna anksioznost; 45 Organizacijski vidik: Predlog možnosti umestitve Gen-UI v kurikule, učne načrte, letne in sprotne priprave Avtorji: Petra Dermota … (dodati!) Povzetek Prispevek obravnava organizacijski vidik učinkovite umestitve generativne umetne inteligence (Gen-UI) v slovenskem vzgojno -izobraževalnem okolju. Umetna inteligenca (UI) ponuja številne priložnosti, vendar hkrati prinaša nove izzive za učence in učitelje. V prispevku je predstavljeno, kako naj Gen-UI vključimo v izobraževalne strukture, vključno s kurikulom za vrtce ter učnimi načrti in katalogi znanj poklicnega in strokovnega izobraževanja. Izhajamo iz analize nastajajočih kurikularnih dokumentov, k"
+"jučimo v izobraževalne strukture, vključno s kurikulom za vrtce ter učnimi načrti in katalogi znanj poklicnega in strokovnega izobraževanja. Izhajamo iz analize nastajajočih kurikularnih dokumentov, kjer smo preučili pogostost in način pojavljanja pojmov, povezanih z UI. Analiza, ki vključuje 231 dokumentov, kaže, da so pojmi, kot so umetna inteligenca, ChatGPT in veliki jezikovni modeli, že vključeni v nekatere predloge, vendar jih snovalci kurikula še niso sistematično in celovito umestili v vse ravni in predmete izobraževalnega sistema. Na podlagi ugotovitev analize predlogov prenovljenih kurikularnih dokumentov ugotavljamo, da se pojmi, povezani z UI, pojavljajo, vendar večinoma v splošnem kontekstu, deln o kot orodje za podporo pouku in redkeje kot koncept, ki zahteva kritično obravnavo. Na podlagi teh ugotovitev predlagamo večstopenjski pristop k implementaciji Gen- UI v izobraževalni sistem, in sicer umeščanje Gen-UI na: kurikularni ravni, tj. integracija ciljev, razvejanost ciljev v učnih načrtih in povezovanje s katalogi znanj; na didaktični ravni znotraj države, tj. didaktična priporočila, konkretni primeri rabe, redno posodabljanje; in na ravni učitelja, tj. strokovno us"
+"jev v učnih načrtih in povezovanje s katalogi znanj; na didaktični ravni znotraj države, tj. didaktična priporočila, konkretni primeri rabe, redno posodabljanje; in na ravni učitelja, tj. strokovno usposabljanje, podporna gradiva in učne skupnosti. Prihodnost kurikularne prenove mora temeljiti na načelih prilagodljivosti, varnosti, etičnosti in vključujočega pristopa, saj bo umetna inteligenca vse bolj vplivala na načine učenja, ocenjevanja in profesionalni razvoj učiteljev. Ključne besede: Generativna umetna inteligenca (Gen -UI), kurikulum, učni načrt, katalog znanja, didaktična priporočila, digitalna kompetentnost, načrtovanje pouka. Uvod V današnjem hitro razvijajočem se tehnološkem okolju je umetna inteligenca (UI) postala vseprisotna v našem vsakdanjiku. Njen vpliv sega globoko v različna področja znanosti, 46 umetnost, gospodarstvo in seveda v izobraževanje. Čeprav UI ponuja številne priložnosti za izboljšanje izobraževalnega procesa, je s seboj prinesla nov val izzivov, tako za učence kot tudi za učitelje. Eden od izzivov je zagotovo njeno učinkovito umeščanje v izobraževalni proces. V nadaljevanju sledi predlog umeščanja UI v učni proces. V prvem delu tega dokumenta najpre"
+"učence kot tudi za učitelje. Eden od izzivov je zagotovo njeno učinkovito umeščanje v izobraževalni proces. V nadaljevanju sledi predlog umeščanja UI v učni proces. V prvem delu tega dokumenta najprej osvežimo pojme kurikul, učni načrt, letna in sprotna učna priprava, v drugem delu se osredotočimo na nastajanje prenovljenih učnih načrtov in katalogov znanj. Sled i poglavje o vključevanju generativne umetne inteligence (Gen -UI), kjer želimo osvetliti vidik umeščanja generativne UI v izobraževalne strukture, kamor štejemo kurikulum za vrtce, učne načrte za izobraževalne programe osnovne šole in srednjega splošnega izobraževanja ter kataloge znanj poklicnega in strokovnega izobraževanja, druge dokumente vezane na prenovo (izhodišča, skupne cilje, usmeritve za didaktična priporočila), načrte izvedbenega kurikula (letne in sprotne učne priprave) ter ponuditi predloge za njegovo implementacijo. Pri oblikovanju predlogov izhajamo iz analize prenovljenih kurikularnih dokumentov, v katerih smo preučili pogostost in način pojavljanja pojmov, povezanih z UI. Analizirali smo kurikulum za vrtce in učne načrte ter kataloge znanja. Na osnovi teh ugotovite v predlagamo več možnosti umeščanja gen"
+"o preučili pogostost in način pojavljanja pojmov, povezanih z UI. Analizirali smo kurikulum za vrtce in učne načrte ter kataloge znanja. Na osnovi teh ugotovite v predlagamo več možnosti umeščanja generativne UI na različne ravni izobraževalnega sistema z namenom, da učenci in učitelji postanejo kompetentni, odgovorni in kritični uporabniki UI. Razumevanje pojmov kurikul in učni načrt z vidika kurikularne teorije Zaradi dilem pri razumevanju pojmov, se uvodoma posvetimo razlagi ključnih pojmov, uporabljenih v procesu kurikularne prenove. Pogosto se pojem učni načrt v šolskem prostoru nadomešča z besedo kurikul, čeprav se po mnenju dr. Grmekove beseda kurikul uporablja le v navezi s kurikularnimi teorijami (Ivanuš Grmek, 2009). Grmek Ivanuš (2025) ugotavlja, da se v tuji literaturi v sorodn em pomenu uporabljata tudi besedi kurikulum in program, ki predstavljata nadredni pojem učnim načrtom. Besedi kurikulum in kurikul se v slovenskem prostoru v vsakdanji rabi uporabljata kot sopomenki. Učni načrt je »strokovni šolskoupravni dokument, ki skupaj s predmetnikom določa vzgojno - izobraževalni profil šole.« (Strmčnik, 2001, str. 256). Na spletni strani ministrstva, pristojnega za šolstv"
+"Učni načrt je »strokovni šolskoupravni dokument, ki skupaj s predmetnikom določa vzgojno - izobraževalni profil šole.« (Strmčnik, 2001, str. 256). Na spletni strani ministrstva, pristojnega za šolstvo (2023) je zapisano, da učni načrt, ki ga določi Strokovni svet RS za izobraževanje obsega napotke in navodila za izvajanje pouka posameznega predmeta, v 29. členu Zakona o osnovni šoli pa, da se z učnim načrtom določi vsebina predmeta, standardi znanja in cilji pouka. 47 Ivanuš Grmek (2025) ugotavlja, da je učni načrt del kurikula, je dokument, ki »podrobneje opisuje, kaj in kdaj se bo poučevalo v določenem predmetu ali na določeni stopnji izobraževanja«. Kurikulum se po njenem mnenju »razume kot širši okvir, ki vključuje vse vidike izobraževalnega procesa – cilje, vsebine, metode, ocenjevanje in organizacijo. Učni načrt se osredotoča predvsem na učne vsebine in zaporedje vsebinskih tematik, medtem ko kurikulum lahko vključuje tudi vrednote, vzgojne cilje, socialne in kulturne dimenzije učenja. Podobno je v Priročniku visokošolske didaktike v razdelku Slovar pogostih izrazov kurikul opredeljen kot premišljen, znanstveno utemeljen in razmeroma stabilen algoritem načrtovanja, izvajanja"
+"učenja. Podobno je v Priročniku visokošolske didaktike v razdelku Slovar pogostih izrazov kurikul opredeljen kot premišljen, znanstveno utemeljen in razmeroma stabilen algoritem načrtovanja, izvajanja in evalvacije vzgojno -izobraževalnih programov, predmetov, tudi pouka v ožjem smislu (Štefanc, Urbančič 2022). V Izhodiščih za prenovo učnih načrtov v osnovni šoli in gimnaziji (2022) (v nadaljevanju Izhodišča) je kurikulum opredeljen v Prilogi Pojasnilo nekaterih pojmov: »z izrazom kurikulum (tudi kurikul) označujemo kompleksno celoto součinkujočih dejavnikov, ki vplivajo na načrtovanje, izvajanje in evalvacijo posameznega izobraževaln ega programa ali učnega procesa, ki poteka v okviru posameznega programa. Med te dejavnike spadajo zlasti uradni kurikularni dokumenti (npr. učni načrti), organizacija izvedbe program a na ravni šole (npr. LDN), učiteljevo načrtovanje in konkretno izvajanje pouka, komunikacija z učenci ter med učenci, neposredno učno okolje, načini vrednotenja pouka in znanja ipd. v teoriji ločujemo med eksplicitnim (prikritim) in zamolčanim kurikulom, v praksi pa se v neposredni vzgojno - izobraževalni dejavnosti odražajo vsi omenjeni kurikularni dejavniki.« (Izhodiš"
+"anja ipd. v teoriji ločujemo med eksplicitnim (prikritim) in zamolčanim kurikulom, v praksi pa se v neposredni vzgojno - izobraževalni dejavnosti odražajo vsi omenjeni kurikularni dejavniki.« (Izhodišča, str. 24). Na to opredelitev termina kurikul se bomo oprli tudi za potrebe te publikacije. Kurikularne teorije pomagajo razumeti razmerje med pojmi kurikulum, kurikul in učni načrt ter se ukvarjajo z načrtovanjem, izvajanjem, analizo in vrednotenjem kurikula. Med pionirji velja omeniti Franklina Bobbitta, ki je kurikulum razumel kot niz izkušenj , usmerjenih v pripravo učencev na življenje in poklicne vloge, pri čemer je zagovarjal praktično uporabnost znanja in učno načrtovanje na podlagi analize življenjskih nalog. Nadalje je Ralph Tyler oblikoval model s štirimi temeljnimi elementi kurikuluma: cilji, vsebinami, metodami in evalvacijo. Pomemben prispevek je dal tudi Arthur Victor Kelly, ki kurikulum pojmuje kot načrt poučevanja in učenja, usmerjen v celovit razvoj učenca. V Sloveniji so k razvoju kurikularnih teorij največ prispevali Širec in Sag adin, ki sta s svojimi razpravami spodbudila razumevanje in strokovno razpravljanje o kurikulu. Skozi čas so se uveljavile različne deli"
+"so k razvoju kurikularnih teorij največ prispevali Širec in Sag adin, ki sta s svojimi razpravami spodbudila razumevanje in strokovno razpravljanje o kurikulu. Skozi čas so se uveljavile različne delitve kurikula – na primer na uradni in dejanski, formalni in neformalni, prikriti ter javni, pa tudi na odprti in zaprti kurikulum. 48 Na državni ravni se oblikuje vrsta programskih dokumentov, ki določajo vzgojno - izobraževalni sistem, kamor sodijo nacionalni kurikulum oz. vzgojno-izobraževalni program s predmetnikom, učnimi načrti in katalogi znanja, izpitni katalogi, seznami predpisanih učbenikov in drugi izvedbeni dokumenti, ki ščitijo temeljne človekove pravice udeležencev vzgojno-izobraževalnega procesa (Kroflič, 1997). Na ravni šole oz. izobraževalne institucije se oblikujejo izvedbeni kurikuli. V tuji literaturi najdemo tovrstno vsebino pod besedno zvezo »school -based curriculum« (Komljanec, 2014). Pri izvedbenem kurikulu gre najpogosteje za letni delovni načrti (LDN), razvojno strategijo šole (Skubic Ermenc, Cen cen in Klančnik, 2007) in publikacije, s katerimi šola seznanja šolajoče in njihove starše o posebnostih vzgojno-izobraževalne ponudbe (Kroflič, 1997). Povzetek: Pri"
+"rategijo šole (Skubic Ermenc, Cen cen in Klančnik, 2007) in publikacije, s katerimi šola seznanja šolajoče in njihove starše o posebnostih vzgojno-izobraževalne ponudbe (Kroflič, 1997). Povzetek: Pri nastajanju tega dokumenta se avtorji zavzemamo za smiselno uporabo pojmov kurikulum, kurukul in učni načrt tako, da razumemo kurikulum holistično, kot nadrejeni pojem kurikulu (kurikulum določene stopnje ali smeri) in učnemu načrtu (posameznega predmeta). Načrtovanje vzgojno-izobraževalnega procesa Načrtovanje pouka je temelj kakovostnega izobraževalnega procesa, saj učitelju omogoča jasno usmeritev in njegovo učinkovito izvedbo glede na učne načrte in kataloge znanj. Načrtovanje pouka je, kot pravita Ivanuš Grmek in Mithans (2025), neločljivo poveza no s profesionalno vlogo učitelja. Učitelj začne načrtovati ob samem začetku poklicne poti in traja do njenega zaključka. Magajna in Umek (2019) povzameta po številnih avtorjih, da je v slovenski literaturi načrtovanje razdeljeno na tri ravni, in sicer: • globalno ali makronačrtovanje, kjer gre za dolgoročno ali letno načrtovanje; • etapno načrtovanje, ki se osredotoča na pripravo posameznega tematskega sklopa; • mikronačrtovanje, kamor št"
+"in sicer: • globalno ali makronačrtovanje, kjer gre za dolgoročno ali letno načrtovanje; • etapno načrtovanje, ki se osredotoča na pripravo posameznega tematskega sklopa; • mikronačrtovanje, kamor štejemo sprotne priprave, poimenovane tudi urne, dnevne priprave ali priprave na posamezno učno enoto. Osrednji del izvedbenega kurikula tvorijo groba oz. globalna učna priprava, letna učna priprava in sprotna priprava. Globalna priprava zajema »načrtovanje celotnega vzgojno - izobraževalnega procesa na ravni šole oziroma celotnega pouka.« (Ivanuš Grmek in Mi thans, 2025). Skubic Ermenc, Cencen in Klančnik (2007) dodajo, da je namen globalne učne priprave razporeditev učnih ciljev in vsebine za celotno trajanje programa, zatem pa se šole lotijo bolj konkretnega načrtovanja za posamezno šolsko leto. Učitelji obi čajno na začetku vsakega šolskega leta pripravijo svoje letne učne priprave na ravni posameznega predmeta ali 49 predmetnega področja. Učitelj pri oblikovanju letne učne priprave »preučuje učni načrt, preverja možnosti za medpredmetno povezovanje in analizira tako objektivne kot subjektivne okoliščine, ki lahko vplivajo na izvedbo pouka.« (Kramar, 2003, v Ivanuš Grme k in Mithans,"
+"učuje učni načrt, preverja možnosti za medpredmetno povezovanje in analizira tako objektivne kot subjektivne okoliščine, ki lahko vplivajo na izvedbo pouka.« (Kramar, 2003, v Ivanuš Grme k in Mithans, 2025). Poudarita tudi, da je letna učna priprava strokovni dokument učitelja, ki predstavlja izvedbeno obliko učnega načrta in je osnova za pripravo sprotnih učnih priprav. Na podlagi letne učne priprave učitelji načrtujejo sprotne učne priprave, ki so »usmerjene v konkretizacijo in pripravo neposrednega izvajanja praviloma ene učne enote, ki najpogosteje sovpada z eno šolsko uro.« (Magajna in Umek, 2019). Sprotna in letna priprava predstavljata torej dva ključna vidika načrtovanja pouka, ki se med seboj dopolnjujeta in zagotavljata celostno pedagoško strategijo. Načrtovanje pouka zapoveduje tudi šolska zakonodaja. Zakon o organizaciji in financiranju vzgoje in izobraževanja (1996) v 119. členu opredeljuje delovno obveznost učitelja. Med drugim vključuje pripravo na pouk, ki obsega sprotno vsebinsko in metodično pripravo ter pripravo didaktičnih pripomočkov. Dokumenta in njuna vsebina sta za osnovno šolo opre deljena v Pravilniku o dokumentaciji v osnovni šoli in njegovi Prilogi. V Pr"
+"o vsebinsko in metodično pripravo ter pripravo didaktičnih pripomočkov. Dokumenta in njuna vsebina sta za osnovno šolo opre deljena v Pravilniku o dokumentaciji v osnovni šoli in njegovi Prilogi. V Prilogi je v točki 3. Dokumentacija o delu strokovnih delavcev navedeno, da je: • vsebina dokumenta letna priprava strokovnega delavca letna razporeditev ciljev, standardov ter vsebine vzgojno-izobraževalnega in drugega strokovnega dela, • vsebina dokumenta sprotna priprava na vzgojno-izobraževalno delo metodična in vsebinska priprava na vzgojno-izobraževalno delo. Nastajanje prenovljenih kurikularnih dokumentov z vidika umeščanja UI Proces nastajanja kurikularnih dokumentov je zahteven in dolgotrajen proces. Poteka v več stopnjah in vključuje strokovnjake različnih področij. Za lažje razumevanje nastajanja teh dokumentov na kratko orišimo proces nastajanja učnih načrtov v slovenskem prostoru. 1. Pobudo za spremembo oziroma pripravo novih učnih načrtov podajo različni deležniki v izobraževanju (učitelji, starši, strokovna združenja ali ministrstvo, pristojno za šolstvo). 2. Imenovanje skupine za pripravo Izhodišč za prenovo učnih načrtov in katalogov znanj po opozorilih strokovne javnost"
+"ju (učitelji, starši, strokovna združenja ali ministrstvo, pristojno za šolstvo). 2. Imenovanje skupine za pripravo Izhodišč za prenovo učnih načrtov in katalogov znanj po opozorilih strokovne javnosti o nujni prenovi programov vzgoje in izobraževanja, upoštevajoč novosti in mednarodnih trendov na področju vzgoje in izobraževanja ter ugotovitev in predlogov analize obstoječih učnih načrtih, ki jo je 50 izvedel Zavod RS za šolstvo (Izhodišča za prenovo učnih načrtov v osnovni šoli in gimnaziji, 2022), katere naloga je priprava strateških dokumentov za prenovo učnih načrtov. 3. Oblikovanje predmetnih kurikularnih komisij , ki združuje strokovnjake določenih področij (npr. matematike, zgodovine, psihologije), učiteljev praktikov, akademikov iz univerz in predstavnikov Zavoda RS za šolstvo. 4. Priprava predlogov prenovljenih učnih načrtov . Predmetne kurikularne komisije na podlagi pripravljenih izhodišč, analize obstoječega stanja in upoštevanja razvojnih potreb pripravijo predloge prenovljenih učnih načrtov, ki vključujejo opredelitev predmeta, cilje, standarde znanja in didaktična priporočila.. 4. Spremljanje prenove in strokovna presoja . Predlogi prenovljenih učnih načrtov gredo v"
+"ljenih učnih načrtov, ki vključujejo opredelitev predmeta, cilje, standarde znanja in didaktična priporočila.. 4. Spremljanje prenove in strokovna presoja . Predlogi prenovljenih učnih načrtov gredo v strokovno presojo oziroma javno razpravo različnim institucijam, zainteresirani javnosti in posameznikom. Ti podajo svoje mnenje na podane predloge. Sam potek prenove spremlja več komisij (kurikularni svet za s premljanje in usmerjanje prenove, komisija za koordinacijo prenove, komisija za skupne cilje) (Ahačič idr., 2022). 5. Dopolnitev in potrditev. Na podlagi prejetih mnenj in predlogov predmetne kurikularne komisije predloge učnih načrtov dopolnijo in jih predložijo v potrditev pristojnemu Strokovnemu svetu . Po določitvi ministrstvo, pristojno za šolstvo objavi učne načrte in nato stopijo v veljavo. 6. Implementacija in spremljanje . Po uvedbi učnih načrtov v prakso sledi usposabljanje učiteljev in spremljanje njihove učinkovitosti. Po potrebi se izvajajo evalvacije ter manjše prilagoditve. 51 Slika 1: Proces razvoja kurikula v Sloveniji (oblikovano z Napkin, 2025) Doslej prehojeno kurikularno pot v slovenskem prostoru do trenutne prenove dobro opiše dr. Štefanc v razpravi Prihod"
+"oditve. 51 Slika 1: Proces razvoja kurikula v Sloveniji (oblikovano z Napkin, 2025) Doslej prehojeno kurikularno pot v slovenskem prostoru do trenutne prenove dobro opiše dr. Štefanc v razpravi Prihodnost kurikula: nekaj razmislekov ob načrtovani prenovi učnih načrtov (Krapše, 2023). V Sloveniji od leta 2021 poteka prenova kurikularnih dokumentov za vrtce, osnovne šole, gimnazije in poklicne ter strokovne srednje šole. V letih 2022 in 2023 so bili na pristojnih strokovnih svetih sprejeti naslednji ključni nacionalni strateški dokumenti , ki so postavili okvire za prenovo učnih načrtov, katalogov znanj in kurikuluma za vrtce: Izhodišča za prenovo učnih načrtov v osnovni šoli in gimnaziji (2022), Izhodišča za prenovo katalogov znanja za 52 splošnoizobraževalne predmete v poklicnem in strokovnem izobraževanju (2024) in Izhodišča za prenovo kurikuluma za vrtce (2022). Izhodišča za prenovo učnih načrtov v osnovni šoli in gimnaziji (str. 2) so izpostavila naslednje cilje prenove učnih načrtov: • »učne načrte horizontalno in vertikalno povezati oz. uskladiti ter jih aktualizirati, • učne načrte strukturno in terminološko poenotiti, • prilagoditi obseg ciljev v učnih načrtih številu ur pre"
+"v: • »učne načrte horizontalno in vertikalno povezati oz. uskladiti ter jih aktualizirati, • učne načrte strukturno in terminološko poenotiti, • prilagoditi obseg ciljev v učnih načrtih številu ur predmeta v predmetniku, • ustrezno opredeliti cilje in standarde znanja ter povezave med njimi, • v učne načrte predmetov umestiti skupne cilje programov osnovne šole in gimnazij, • posodobiti in razširiti didaktična priporočila ter priporočila za preverjanje in ocenjevanje znanja.« Podobno so cilje, ki bi jim morala slediti prenova katalogov znanja, izpostavila Izhodišča za prenovo katalogov znanja za splošnoizobraževalne predmete v poklicnem in strokovnem izobraževanju (str. 14): • »zmanjšati obseg ciljev v katalogih znanja ali cilje zamenjati z drugimi, • cilje jasneje opredeliti ter povezati s standardi znanja, • aktualizirati predlagane vsebine, • kataloge znanj horizontalno in vertikalno povezati oz. uskladiti, • posodobiti didaktična priporočila in • kataloge znanj terminološko poenotiti.« Za namen doseganja ciljev prenove skozi prenovljene učne načrte in kataloge znanj so bile oblikovane Predmetne kurikularne komisije (v nadaljevanju PKK), ki so bile sestavljene tripartitno: iz pr"
+"ti.« Za namen doseganja ciljev prenove skozi prenovljene učne načrte in kataloge znanj so bile oblikovane Predmetne kurikularne komisije (v nadaljevanju PKK), ki so bile sestavljene tripartitno: iz predstavnikov šol, fakultet in Zavoda RS za šolstvo. Pri svojem delu so se komisije upoštevale veljavno zakonodajo, programske kurikularne dokumente (program osnovne šole in gimnazije) in spoznanja različnih strokovnih in znanstvenih disciplin. Pri tem so morale komisije pri učnih načrtih slediti temeljnim načelom: 1. načelo ciljne zasnovanosti učnih načrtov ter institucionalne avtonomije učiteljev, 2. načelo horizontalne in vertikalne povezanosti učnih načrtov, 53 3. načelo notranje konsistentnosti učnih načrtov, 4. načelo individualizacije in spodbujanju inkluzivne naravnanosti ter 5. načelo vključevanja skupnih ciljev programa v učne načrte posameznih predmetov. Pri pripravi katalogov znanj so morale komisije poseben poudarek namenjati razvoju poklicnih kompetenc, pri čemer so sledile naslednjim načelom: 1. načelo zagotavljanja horizontalne in vertikalne prehodnosti, 2. načelo eksemplarnosti in izbirnosti na podlagi avtonomije učitelja, 3. načelo ciljne zasnovanosti in navezljivosti ("
+"lednjim načelom: 1. načelo zagotavljanja horizontalne in vertikalne prehodnosti, 2. načelo eksemplarnosti in izbirnosti na podlagi avtonomije učitelja, 3. načelo ciljne zasnovanosti in navezljivosti (znotraj stroke in s skupnimi cilji), 4. načelo povezovanja s poklicnim področjem, osmišljanja in življenjskosti, 5. načelo individualizacije in inkluzivne naravnanosti. Za zagotavljanje vertikalne in horizontalne povezanosti in usklajenosti imajo učni načrti in katalogi znanj tri temeljna poglavja, kar zagotavlja poenoteno strukturo: • Opredelitev predmeta • Cilji in teme • Standardi znanja Nadaljnje členjenje strukture učnih načrtov in katalogov znanj je prikazano na Sliki 2. Podobni grafični prikaz, kot je na Sliki 3, je v uvodnem razdelku Kako se znajti? sestavni del vsakega učnega načrta in kataloga znanja. 54 Slika 2: Struktura prenovljenih učnih načrtov in katalogov znanj Pomembno novost v prenovi predstavljajo didaktična priporočila, ki skupaj z učnim načrtom oz. katalogom znanj tvorijo koherentno celoto. Didaktična priporočila so zastavljena večplastno in po načelu od splošnega h konkretnemu. V učnih načrtih in katalogih znanj so tako vključena na ravni predmeta, ravni teme in"
+"rijo koherentno celoto. Didaktična priporočila so zastavljena večplastno in po načelu od splošnega h konkretnemu. V učnih načrtih in katalogih znanj so tako vključena na ravni predmeta, ravni teme in ravni skupine ciljev. Natančno strukturo didaktičnih priporočil skupaj z učnimi načrti in katalogi znanj prikazuje Slika 3. 55 Slika 3: Struktura prenovljenih učnih načrtov in katalogov znanj z didaktičnimi priporočili Predmetne kurikularne komisije so si pri oblikovanju didaktičnih priporočil pomagale s skupnimi Usmeritvami za pripravo didaktičnih priporočil k učnim načrtom za osnovne in srednje (Nolimal idr., 2024). Usmeritve so izhajale iz Izhodišč (2022) in so usmerjale PKK pri pripravi splošnih in specialnodidaktičnih priporočil, priporočil za vrednotenje znanja ter navodila za vnos didaktičnih priporočil v aplikacijo za prenovljene učne načrte. Prenova na področju predšolske vzgoje se je pričela z oblikovanjem dokumenta Izhodiščih za prenovo kurikuluma za vrtce (2022). V dokumentu je ekspertna skupina navedla razloge za prenovo kurikuluma za vrtce, sistemske in konceptualne razloge za prenovo kurikuluma, ki so podprti z izsledki nekaterih relevantnih raziskav o učinku vrtca na ra"
+"ekspertna skupina navedla razloge za prenovo kurikuluma za vrtce, sistemske in konceptualne razloge za prenovo kurikuluma, ki so podprti z izsledki nekaterih relevantnih raziskav o učinku vrtca na razvoj in učenje malčkov/otrok, opredelila cilje in načela za prenovo kurikuluma. Na podlagi razlogov, ciljev 56 in načel je pripravila predlog strukture posodobljenega dokumenta, v dodatku k Izhodiščem pa opredelila tudi nadaljnji potek prenove kurikularnega dokumenta v Akcijskem načrtu za prenovo kurikuluma za vrtce. Nadalje so bile imenovane Komisija za koordinaci jo prenove kurikuluma za vrtce, Kurikularna komisija za Splošna Poglavja, Kurikularna komisija za področje dejavnosti DRUŽBA, Kurikularna komisija za področje dejavnosti GIBANJE, Kurikularna komisija za področje dejavnosti JEZIK, Kurikularna komisija za po dročje dejavnosti MATEMATIKA, Kurikularna komisija za področje dejavnosti NARAVA in Kurikularna komisija za področje dejavnosti UMETNOST. Kurikulum za vrtce pa je Strokovni svet RS za splošno izobraževanje sprejel na 241. seji dne 20. februarja 2025. V Kurikulumu (2025), ki je strokovna podlaga za delo v vrtcih, so navedeni naslednji cilji kurikuluma za vrtce: Otrokom zago"
+"et RS za splošno izobraževanje sprejel na 241. seji dne 20. februarja 2025. V Kurikulumu (2025), ki je strokovna podlaga za delo v vrtcih, so navedeni naslednji cilji kurikuluma za vrtce: Otrokom zagotavljati okolje za dobro počutje, čustveno varno navezanost ter ustrezne pogoje in spodbude za celovit razvoj, pridobivanje novih izkušenj, spretnosti in znanja. 1. Otrokom omogočati pogoste in kakovostne medsebojne odnose, sodelovanje v skupini in družbi ter pri otrocih spodbujati razvoj samozavedanja in empatije, socialnega razumevanja, spretnosti sporazumevanja in sodelovanja. 2. Pri otrocih spodbujati ponotranjenje temeljnih družbenih norm in vrednot, kot so človekove pravice in dolžnosti, enakost, svoboda, strpnost, odgovornost do sebe, drugih živih bitij in okolja, spoštovanje dogovorjenih pravil. 3. Otrokom zagotavljati pogoje za ozaveščanje o individualnih in skupinskih razlikah in njihovo izražanje ne glede na spol, socialno, ekonomsko in kulturno ozadje, svetovni nazor, narodno in jezikovno pripadnost, posebnosti v razvoju. 4. Omogočati razvojno-procesno, fleksibilno in uravnoteženo izvajanje dejavnosti Kurikuluma za vrtce v različnih programih za predšolske otroke. 5. Omogoč"
+"n jezikovno pripadnost, posebnosti v razvoju. 4. Omogočati razvojno-procesno, fleksibilno in uravnoteženo izvajanje dejavnosti Kurikuluma za vrtce v različnih programih za predšolske otroke. 5. Omogočati uporabo različnih metod, pristopov in vsebin za spodbujanje otrokovega razvoja in učenja, upoštevajoč razvojne značilnosti in potrebe različno starih otrok, spoznanja vzgojno- izobraževalnih ter drugih znanstvenih ved, s posebnim poudarkom na otroški igri. 6. Omogočati avtonomno in strokovno odgovorno delo v vrtcu, ki temelji na samoevalvaciji. 7. Razumeti čas in prostor v vrtcu kot ključna elementa kurikuluma, ki otroku omogočata varnost, izbiro, individualno izražanje in tudi možnost umika. 8. Vzpostavljati kakovostno, sistematično in sprotno informiranje staršev otrok, sodelovanje s starši pri načrtovanju in izvajanju posameznih dejavnosti v vrtcu, upoštevajoč korist otrok in strokovno avtonomijo vrtca. 57 Skupni cilji v prenovljenih kurikularnih dokumentih V sodobni, globalizirani in digitalizirani družbi postaja vse bolj očitno, da kakovostna splošna izobrazba in vseživljenjsko učenje predstavljata osnovo za uspešno vključevanje posameznikov v kompleksne in hitro spreminjajoče"
+"in digitalizirani družbi postaja vse bolj očitno, da kakovostna splošna izobrazba in vseživljenjsko učenje predstavljata osnovo za uspešno vključevanje posameznikov v kompleksne in hitro spreminjajoče se okoliščine. V tem kontekstu je razvoj digitalnih kompetenc eden ključnih vidikov sodobnega izobraževanja, saj omogoča posamezniku ne le uspešno delovanje v digitalnem svetu, temveč tudi aktivno, odgovorno in etično državljanstvo. S tem, ko se v procesu učenja razvijajo kompetence 21. stoletja, je predhodno ključnega pomena, da jih razume, razvije in uporablja učitelj pri svojem delu. O profesionalnem razvoju, didaktični uporabi, tehnoloških virih, relaciji o učenju o UI, učenju in poučevanju z UI in učenje za UI je celostno zapisano v poglavju Učiteljeva usposobljenost, znotraj publikacije z naslovom Izhodišča za uporabo UI v izobraževanju, 2025. V okviru kurikularne prenove 2025 in na podlagi Izhodišč za prenovo učnih načrtov v osnovni šoli in gimnaziji je med drugimi komisija za skupne cilje pripravila kurikularni dokument Skupni cilji in njihovo umeščanje v učne načrte in kataloge znanj, ki združuje ključne temeljne cilje petih področij: 1. Jezik, državljanstvo, kultura in umetn"
+"ne cilje pripravila kurikularni dokument Skupni cilji in njihovo umeščanje v učne načrte in kataloge znanj, ki združuje ključne temeljne cilje petih področij: 1. Jezik, državljanstvo, kultura in umetnost, 2. Trajnostni razvoj, 3. Zdravje in dobrobit, 4. Digitalna kompetentnost in 5. Podjetnost. Predstavlja temelj predmetnim kurikularnim komisijam pri povezovanju ključnih temeljnih ciljev s predmetnimi cilji v učnih načrtih in didaktičnih priporočilih. Ključni temeljni cilji, ki jih avtorji imenujejo skupni cilji in združujejo pojme kompetenc, prečnih kompetenc in različnih vrst pismenosti (Ahačič idr., 2024) se r azvijajo skozi različne učne in obšolske dejavnosti in se uresničujejo v vseh predmetih in na vseh stopnjah izobraževanja. 58 Slika 4: Področja skupnih ciljev (oblikovano z Napkin, 2025) Didaktična priporočila v prenovljenih kurikularnih dokumentih Prenovljeni kurikularni dokumenti (maj 2025) so za vzgojitelje predšolskih otrok in učitelje osnovnošolskega in srednješolskega izobraževanja ključnega pomena pri načrtovanju procesa vzgoje in izobraževanja, ki je smiselno podprto z digitalno tehnologijo (Resolucija Sveta, 2021). V ciljih in standardih znanja so predvidene vsebi"
+"obraževanja ključnega pomena pri načrtovanju procesa vzgoje in izobraževanja, ki je smiselno podprto z digitalno tehnologijo (Resolucija Sveta, 2021). V ciljih in standardih znanja so predvidene vsebine, ki spodbujajo optimalen in celosten razvoja slehernega učenca, s poudarkom na doseganju kakovostnega znanja. Pri tem je poudarek na razvijanju prečnih veščin kot so: socialne spretnosti, ustvarjalnost, reševanje problemov, kritično mišljenje, sodelovanje, raziskovanje, preiskovanje, kar je temeljno za nadaljnje izobraževanje, življenje in delo (Nolimal idr., 2024). Pri tem učitelji izbirajo raznolike didaktične strategije, da bi se čim bolj približali značilnostim in potrebam učencev. Učenci na podlagi izkušenj, opazovanja, preiskovanja primerov posplošujejo, oblikujejo sklepe, pravila, teorije in zakonitosti (prav tam str. 5, 6). Ob načrtovanju in izvajanju u čnega procesa z različnimi didaktičnimi strategijami , učitelj oblikuje raznoliko učno okolje, s poudarkom na reševanju avtentičnih izzivov. Pri tem smiselno uporabljamo tudi digitalna učna okolja, vire in tehnologije. Vključevanje generativne UI v vzgojno-izobraževalni proces Preučeni primeri v okviru delovnega paketa 1 proj"
+"čnih izzivov. Pri tem smiselno uporabljamo tudi digitalna učna okolja, vire in tehnologije. Vključevanje generativne UI v vzgojno-izobraževalni proces Preučeni primeri v okviru delovnega paketa 1 projekta Generativna umetna inteligenca (v nadaljevanju Generativne UI v izobraževanju) v izobraževanju kažejo, da ni prave ali napačne 59 poti vključevanja UI v izobraževalni proces. Vsaka država, regija ali izobraževalna ustanova sprejme svoj pristop, ki ga oblikuje glede na nacionalne izobraževalne politike in digitalne strategije, tehnološko infrastrukturo in dostopnost orodij, kulturne vrednote in etične smernice in nenazadnje usposobljenosti učiteljev ter potreb in specifik učencev. Nekatere države so se odločile za zgodnje uvajanje UI v učne načrte (UNESCO, 2022), druge dajejo prednost uporabi UI kot orodja za podporo učiteljem. Pri tem se postavlja vprašanje, kateri pristop bo sprejela Slovenija? Zahtevno vprašanje, na katerega zaradi bliskovitega razvoja tehnologije v tako kratkem času ne moremo ponuditi enoznačnega odgovora. Vse kar zapišemo danes, bo jutri že zgodovina. Delovna skupina projekta Generativne UI v izobraževanju na Zavodu RS za šolstvo je zato za pripravo tega dokum"
+"u ne moremo ponuditi enoznačnega odgovora. Vse kar zapišemo danes, bo jutri že zgodovina. Delovna skupina projekta Generativne UI v izobraževanju na Zavodu RS za šolstvo je zato za pripravo tega dokumenta najprej preučila trenutno stanje vključenosti elementov UI v že potrjenem kurikulumu za vrtce in v nastajajočih prenovljenih učnih načrtih in katalogih znanja. Najprej se zato osredotočimo na rezultate izvedene analize nastajajočih kurikularnih dokumentov, zatem sledijo predlogi možnosti umeščanja gen -UI v izobraževaln i proces. Pri pripravi predlogov smo izhajali iz Evropskega referenčnega okvirja DigComp 2.2, novo nastajajočega okvirja DigComp 3.0, Unescovega okvirja kompetenc za umetno inteligenco za učence (UNESCO, 2024a), Unescovega okvirja kompetenc za umetno inteligenco z a učitelje (UNESCO, 2024b), avstralskega okvira za generativno UI v šolah (Austral ian Goverment, 2023), drugih nastalih kurikularnih dokumentov v trenutni prenovi ter nastajajočih izhodišč in smernic za uporabo generativne umetne inteligence v izobraževanju. Pregled umeščanja generativne UI v nastajajoče kurikularne dokumente Da bi ugotovili, ali so v prenovljenih kurikularnih dokumentih že morebiti vklj"
+"abo generativne umetne inteligence v izobraževanju. Pregled umeščanja generativne UI v nastajajoče kurikularne dokumente Da bi ugotovili, ali so v prenovljenih kurikularnih dokumentih že morebiti vključeni pojmi, ki so povezani z uporabo umetne inteligence pri poučevanju in učenju, smo v okviru delovne skupine projekta generativne UI v izobraževanju na Zavodu RS za šolstvo i zvedli analizo nastajajočih kurikularnih dokumentov. V analizi smo se omejili na prenovljeni kurikulum za vrtce, predloge prenovljenih učnih načrtov za izobraževalni program osnovne šole in izobraževalne programe srednjega splošnega izobraževanja ter prenovljene kataloge znanj za izobraževalne programe pokli cnega in strokovnega izobraževanja. Sprva nas je zanimalo, ali so pojmi umetne inteligence vključeni v skupne cilje. 60 Zanimalo nas je tudi, ali so snovalci v prenovljenih kurikularnih dokumentih uporabili najpogosteje uporabljene besede oziroma besedne zveze kot so umetna inteligenca, UI, generativna umetna inteligenca, generativne UI, strojno učenje, veliki jezikovni modeli, LMM, ChatGPT, Copilot, Gemini, virtualna resničnost, navidezna resničnost idr. Po potrditvi vključenosti zgoraj omenjenih besed ozi"
+"nteligenca, generativne UI, strojno učenje, veliki jezikovni modeli, LMM, ChatGPT, Copilot, Gemini, virtualna resničnost, navidezna resničnost idr. Po potrditvi vključenosti zgoraj omenjenih besed oziroma besednih zvez, povezanih z UI v predlogih kurikularnih dokumentov, smo v nadaljevanju želeli odgovoriti na naslednja vprašanja: 1. Ali so besede oziroma besedne zveze v povezavi z umetno inteligenco vključene v prenovljene kurikularne dokumente? 2. V katerih izobraževalnih programih in predmetih so bile uporabljene besede oziroma besedne zveze v povezavi z umetno inteligenco? 3. Na katerih mestih v kurikularnih dokumentih so bile uporabljene besede oziroma besedne zveze v povezavi z umetno inteligenco? 4. Na kakšen način so besede oziroma besedne zveze o UI vključene v predloge kurikularnih dokumentov kot orodje ali koncept? Podatke iz predlogov prenovljenih učnih načrtov za izobraževalni program osnovne šole in izobraževalne programe srednjega splošnega izobraževanja ter kataloge znanj za izobraževalne programe poklicnega in strokovnega izobraževanja smo zbrali z razvitim oro djem za načrtovanje in zapis kurikularnih dokumentov z možnostjo različnih iskalnih filtrov (Ahačič idr.,"
+"nj za izobraževalne programe poklicnega in strokovnega izobraževanja smo zbrali z razvitim oro djem za načrtovanje in zapis kurikularnih dokumentov z možnostjo različnih iskalnih filtrov (Ahačič idr., 2022). Razvito orodje vključuje tudi elemente UI in se uporablja za spremljanje analitike vključenih skupnih ciljev pri posameznih ciljih in didaktič nih priporočilih učnih načrtov in katalogov znanj. Podatke iz razvitega orodja smo prenesli v urejevalnik preglednic in jih analizirali s pomočjo vrtilnih tabel in grafikonov ter rezultate primerjali z rezultati, ki nam jih je podalo orodje umetne inteligence Copilot. Kurikulum za vrtce je nastal s klasičnim urejevalnikom besedila, zato smo podatke zbrali s pomočjo orodij umetne inteligence Copilot (Microsoft Copilot, ) in ChatGPT (ChatGPT, 2024) . V analizi je bilo skupaj vključenih 230 nastajajočih predlogov kurikularnih dokumentov in en dokument, ki je že bil potrjen, kar je razvidno iz tabele 1. 61 Tabela 1: Število vključenih kurikularnih dokumentov po izobraževalnih programih izobraževalni program št. kurikularnih dokumentov Predšolska vzgoja 1 Osnovna šola 25 Osnovna šola s prilagojenim predmetnikom za osnovno šolo s slovenskim uč"
+"ih dokumentov po izobraževalnih programih izobraževalni program št. kurikularnih dokumentov Predšolska vzgoja 1 Osnovna šola 25 Osnovna šola s prilagojenim predmetnikom za osnovno šolo s slovenskim učnim jezikom na narodno mešanem območju slovenske Istre 2 Osnovna šola s prilagojenim predmetnikom za osnovno šolo z italijanskim učnim jezikom na narodno mešanem območju slovenske Istre 7 Osnovna šola s prilagojenim predmetnikom za dvojezično osnovno šolo na narodno mešanem območju Prekmurja 9 Srednje splošno izobraževanje 127 Gimnazija z italijanskim učnim jezikom na narodno mešanem območju v slovenski Istri 6 Dvojezična gimnazija na narodno mešanem območju Prekmurja 6 Poklicno in strokovno izobraževanje 27 Poklicno in strokovno izobraževanje z italijanskim učnim jezikom na narodno mešanem območju slovenske Istre 9 Poklicno in strokovno izobraževanje za dvojezično izvajanje na narodno mešanem območju Prekmurja 12 Skupaj: 231 V okviru analize predlogov prenovljenih kurikularnih dokumentov smo želeli ugotoviti, kako pogosto in na kakšen način se pojavljajo izrazi, povezani z umetno inteligenco (UI), ter v katerih programih, predmetih in delih dokumentov so vključeni. V analizi podatkov"
+"smo želeli ugotoviti, kako pogosto in na kakšen način se pojavljajo izrazi, povezani z umetno inteligenco (UI), ter v katerih programih, predmetih in delih dokumentov so vključeni. V analizi podatkov bomo postopoma odgovorili na vsa štiri vprašanja. 62 Analiza prenovljenega kurikula z vidika uvajanja generativne UI Rezultati vključenosti UI v skupne cilje Po pregledu vseh ciljev po posameznih področjih smo ugotovili, da je omenjen veliki jezikovni model v skupnem cilju z oznako 1. 1. 3. 1 področja Jezik, državljanstvo, kultura in umetnost. Drugih pojmov, ki bi bili povezani z umetno inteligenco, nismo našli. Podroben opis skupnega cilja je prikazan na sliki 5. Slika 5: Opis skupnega cilja 1.1.3.1 Rezultati z analizo vključenosti UI v kurikulumu za vrtce V orodji Copilot in ChatGPT smo prenesli PDF datoteko kurikuluma in vnesli enak poziv » V dokumentu poišči, če so morda vključeni pojmi o uporabi umetne inteligence.« Copilotov odgovor je predstavljen na sliki 5. 63 Slika 6: Copilotov odgovor na dani poziv o vključenosti pojmov umetne inteligence v kurikulumu za vrtce Odgovor ChatGPT-ja je nekoliko drugačen in je prikazan na sliki 6. Slika 7: Odgovor ChatGPT -ja na dani poziv o vklj"
+"dgovor na dani poziv o vključenosti pojmov umetne inteligence v kurikulumu za vrtce Odgovor ChatGPT-ja je nekoliko drugačen in je prikazan na sliki 6. Slika 7: Odgovor ChatGPT -ja na dani poziv o vključenosti pojmov umetne inteligence v kurikulumu za vrtce Umetna inteligenca je v kurikulumu za vrtce torej omenjena le enkrat, in sicer kot del sodobnih komunikacijskih sredstev, s katerimi naj bi se otroci seznanjali. Drugih pojmov v povezavi z umetno inteligenco ni bilo najti. Rezultati z analizo vključenosti UI v učnih načrtih in katalogih znanj Zbrane podatke v urejevalniku preglednic (tabela 2) smo najprej analizirali z vrtilnimi tabelami in vrtilnimi grafikoni, nato pa še s pomočjo orodja Copilot. Tabela 2: Prikaz primerov zapisa uporabe UI v učnem procesu v prenovljenih UN in KZ PREDMET PROGRA M LOKACIJA ZAPISA ZAPIS DRUGI TUJI JEZIK SPI, SSI, PTI Specialno DP področja/predmeta Poklicne in strokovne vsebine: – digitalna tehnologija (npr. programska in 64 strojna oprema, odgovorna raba svetovnega spleta, umetna inteligenca) (gl. tudi SC, področje 4) DRUŽBOSLO VJE SPI Strokovni termini umetna inteligenca DRUŽBOSLO VJE SPI (IS) Strokovni termini umetna inteligenca DRUŽBOSLO VJE IN"
+"ba svetovnega spleta, umetna inteligenca) (gl. tudi SC, področje 4) DRUŽBOSLO VJE SPI Strokovni termini umetna inteligenca DRUŽBOSLO VJE SPI (IS) Strokovni termini umetna inteligenca DRUŽBOSLO VJE IN NARAVOSLO VJE NPI DP za skupino ciljev Učitelj naj poišče čim več zanimivih primerov, s katerimi dijakom pokaže pomen znanosti za družbo, poklice idr. in jih poveže tudi s trajnostnostjo (izdelava zdravil, odpornost organizmov pred škodljivci, večja proizvodnja hrane, umetna inteligenca, novi materiali v športu, kontrola dopingov, obnovljivi viri). FILOZOFIJA SPLOŠN A GIM Opis teme Etični izzivi v rabi tehnologije in sistemov umetne inteligence (npr. transhumanizem, umetna inteligenca, zasebnost in varnost podatkov, kibernetska varnost, tehnologija in družben nadzor, avtorske pravice, neenakost dostopa do tehnologije …) FIZIKA 3.VIO Specialno DP področja/predmeta V pouk fizike smiselno vključujemo in pokažemo koristi ter omejitve uporabe tehnologije in umetne inteligence. INFORMATIK A PTI Standard znanja – ustvari digitalno identiteto za uporabo v šoli ali prostem času in pri tem: – nastavi uporabniške nastavitve, s katerimi omogoči ali prepreči sledenje, zbiranje in analiziranje podat"
+"Standard znanja – ustvari digitalno identiteto za uporabo v šoli ali prostem času in pri tem: – nastavi uporabniške nastavitve, s katerimi omogoči ali prepreči sledenje, zbiranje in analiziranje podatkov, ki ga izvaja umetna inteligenca, 65 – preveri, katere digitalne sledi pušča na spletu, in jih zna odstraniti; – na primerih razloži, kaj je zdrava, varna in etična oblika vedenja na spletu; KEMIJA 3.VIO Specialno DP področja/predmeta Delo z viri je z opisniki opredeljeno v NP, gradnik 1.2: iz virov pridobiva ustrezne in relevantne informacije za razlago pojmov in pojavov ter pozna/uporablja znanstvene podatkovne zbirke. V učenje in poučevanje kemije vključujemo raznolike digitalne vire in e-vsebine (svetovni splet, e -učna gradiva, d-učbenike, i-učbenike, družbena omrežja in umetno inteligenco). MADŽARŠČI NA materinščina 1.VIO (DV) Specialno DP področja/predmeta Mesterséges intelligencia (Copilot, ChatGPT) Pogostost uporabe pojmov UI po programih Vrtilna tabela v urejevalniku preglednic je zabeležila najpogosteje vključene pojme UI v programih splošne gimnazije 24 pojavitev, 3. vzgojno -izobraževalnem obdobju osnovne šole 23 pojavitev in gimnazije z italijanskim učnim jezikom na n"
+"ic je zabeležila najpogosteje vključene pojme UI v programih splošne gimnazije 24 pojavitev, 3. vzgojno -izobraževalnem obdobju osnovne šole 23 pojavitev in gimnazije z italijanskim učnim jezikom na narodno mešanem obmo čju v slovenski Istri 18 pojavitev. 66 Slika 8: Vrtilni grafikon pogostosti vključenosti pojmov UI v posameznih izobraževalnih programih Copilot je preštel 23 pojavitev v programih splošne gimnazije, 21 pojavitev v 3. vzgojno - izobraževalnem obdobju programa osnovne šole in 18 pojavitev v programu gimnazije z italijanskim učnim jezikom na narodno mešanem območju v slovenski Istri. 67 Slika 9: Odgovor in vizualizacija pogostosti pojavitev pojmov UI v posameznih izobraževalnih programih Pogostost uporabe pojmov UI po predmetih Pojmi UI so po štetju vrtilne tabele in Copilota najpogosteje vključeni pri predmetu zgodovina (62 pojavitev), sledi informatika (22 pojavitev) pri štetju vrtilne tabele in (23 pojavitev) pri štetju Copilota. Na tretjem mestu je umetnost z enakim številom pojavitev v obeh orodjih (11 pojavitev). Umetnostna zgodovina, drugi tuji jezik, ruščina, francoščina, tuji jezik – angleščina, podjetništvo, strojništvo, mehanika, elektronski sistemi in drug"
+"tevilom pojavitev v obeh orodjih (11 pojavitev). Umetnostna zgodovina, drugi tuji jezik, ruščina, francoščina, tuji jezik – angleščina, podjetništvo, strojništvo, mehanika, elektronski sistemi in drugi so na repu pogostosti pojavitev. Predpostavljamo, da je razlog za odskok številčnosti pojavitve pri zgodovini v številu predlogov učnih načrtov in katalogov znanj, skupaj 14 dokumentov, kjer so vključeni 2. in 3. vzgojno-izobraževalno obdobje programa osnovne šole, 2. in 3. vzgojno -izobraževalno obdobje programa s prilagojenim predmetnikom za osnovno šolo z italijanskim učnim jezikom na narodno mešanem območju slovenske Istre, 2. in 3. vzgojno -izobraževalno obdobje programa s prilagojenim predmetnikom za dvojezično osnovno ��olo na narodno mešanem območju Prekmurja, programi splošne, klasične in strokovne gimnazije, program dvojezične gimnazije na narodno mešanem območju Prekmurja, program gimnazije z italijanskim učnim jezikom na narodno mešanem območju v slovenski Istri, program srednjeg a strokovnega izobraževanja in programi poklicno-tehniškega izobraževanja, programi srednjega strokovnega izobraževanja in poklicno -tehniškega izobraževanja za dvojezično izvajanje na narodno meš"
+"jeg a strokovnega izobraževanja in programi poklicno-tehniškega izobraževanja, programi srednjega strokovnega izobraževanja in poklicno -tehniškega izobraževanja za dvojezično izvajanje na narodno mešanem območju Prekmurja ter programi srednjega strokovnega izo braževanja in poklicno- tehniškega izobraževanja z italijanskim učnim jezikom na narodno mešanem območju v slovenski Istri. 68 Slika 10: Vrtilni grafikon pogostosti vključenosti pojmov UI pri posameznih predmetih 69 Slika 11: Odgovor in vizualizacija pogostosti pojavitev pojmov UI pri posameznih predmetih Pogostost uporabe pojmov UI na določenih mestih Snovalci učnih načrtov in katalogov znanj so pojme UI po štetju vrtilne tabele in Copilota najpogosteje uporabili v didaktičnih priporočilih za temo (45 pojavitev). Na drugem mestu so po štetju Copilota specialnodidaktična priporočila področja/predmeta (37 pojavitev). Vrtilna tabela je na drugo mesto uvrstila didaktična priporočila za skupino ciljev (39 pojavitev). Na tretjem mestu se ponovno izmenjata mesti didaktična priporočila za skupino ciljev (36 pojavitev) po štetju Copilota in specialnodidaktična pr iporočila področja/predmeta (36 pojavitev) po štetju vrtilne tabele. 2"
+"u se ponovno izmenjata mesti didaktična priporočila za skupino ciljev (36 pojavitev) po štetju Copilota in specialnodidaktična pr iporočila področja/predmeta (36 pojavitev) po štetju vrtilne tabele. 24 pojavitev sta našli obe orodji v terminih. Najmanj pojavitev sta obe orodji našli na poljih ime skupine skupine ciljev (2 pojavitvi), ime teme in opisni kriteriji (1 pojavitev). Slika 12: Vrtilni grafikon pogostosti vključenosti pojmov UI na določenih mestih učnega načrta oz. kataloga znanj 70 Slika 13: Odgovor in vizualizacija pogostosti pojavitev pojmov UI na določenih mestih učnega načrta oz. kataloga znanj Rezultati z analizo vključenosti UI kot orodje ali koncept Odgovor na zadnje vprašanje smo dobili samo s pomočjo orodja Copilot, saj bi bila analiza z vrtilno tabelo nekoliko bolj zahtevna. Največji delež predstavljajo primeri splošnih omemb (102 primera), kjer je UI zgolj omenjena, brez jasnega konteksta uporabe ali razlage (npr. navedba pojmov UI v sklopu terminov). V 52 primerih predlogov kurikularnih dokumentov se UI uporablja kot orodje za podporo učenju (npr. »Uporaba različnih didaktičnih aplikacij, platform in spletnih orodij ter programov, ki temeljijo na uporabi umetn"
+"predlogov kurikularnih dokumentov se UI uporablja kot orodje za podporo učenju (npr. »Uporaba različnih didaktičnih aplikacij, platform in spletnih orodij ter programov, ki temeljijo na uporabi umetne inteligence.«, »Učenci naj pri izdelavi nalog uporabijo orodja umetne inteligence.«, »Smotrno vključevanje vedno bolj prisotne umetne inteligence (UI)...«). 45 primerov je takšnih, kjer se UI obravnava kot koncept, ki odpira vprašanja o etiki, vplivu na družbo, kritično mišljenje itd. (npr. » Etični izzivi v rabi tehnologije in sistemov umetne inteligence.«, »Kakšne bodo posledice, če družbi ne bo uspelo nadzorovati razvoja in uporabe 71 umetne inteligence?«, »Dijak se prav tako nauči kritično vrednotiti sodobna področja v umetnosti (npr. umetnost umetne inteligence ipd.)«, »…kritično vrednoti uporabo različne digitalne tehnologije, informacije pridobljene na spletu in z umetno inteligenco.« ). Slika 14: Odgovor in vizualizacija vključenosti pojmov UI kot orodje ali koncept Predlogi umeščanja generativne UI v vzgojno-izobraževalni proces Umeščanje generativne UI v didaktična priporočila Glede na to, da so snovalci kurikuluma za vrtce, učnih načrtov in katalogov znanj posamezne pojme"
+"čanja generativne UI v vzgojno-izobraževalni proces Umeščanje generativne UI v didaktična priporočila Glede na to, da so snovalci kurikuluma za vrtce, učnih načrtov in katalogov znanj posamezne pojme povezane z UI najpogosteje vključili v sklop didaktičnih priporočil (didaktična priporočila za temo, specialnodidaktična priporočila področja/predmeta in dida ktična priporočila za skupino ciljev), je prvi predlog poglobljeno umeščanje generativne UI v didaktična priporočila pri vseh predmetih vseh izobraževalnih programov. Po izhodiščih prenove je namreč predvideno, da so didaktična priporočila ločen kurikularni dokument, ki »odražajo sodobna spoznanja na področju vseh za pouk posameznega predmeta relevantnih strok in se praviloma spreminjajo pogosteje kot učni načrt sam« (Izhodišča, 2022). 72 To pomeni, da se ob morebitnih kasnejših dopolnitvah in aktualizacijah priporočil Strokovni svet RS seznani z njihovimi spremembami, učni načrti in katalogi znanj pa ostanejo nespremenjeni. Zapise v didaktičnih priporočilih, povezane z generativno UI, lahk o učitelji vključijo že pri načrtovanju vzgojno-izobraževalnega procesa. Didaktična priporočila lahko učitelj uporabi kot okvir, ki mu pomaga"
+"didaktičnih priporočilih, povezane z generativno UI, lahk o učitelji vključijo že pri načrtovanju vzgojno-izobraževalnega procesa. Didaktična priporočila lahko učitelj uporabi kot okvir, ki mu pomaga odločati kdaj, zakaj in kako vključiti UI v pouk, da bo to v podporo učnemu procesu in ne zgolj tehnična novost. Lahko jih razume kot priporočila, ki ga usmerjajo, kako UI vključevati v pouk in učno prakso na pedagoško premišljen način. Pri tem upošteva ključna načela, kot npr.: Načelo aktivnega učenja - UI lahko učencem omogoča interaktivno učenje (npr. orodja za simulacije, ustvarjanje vsebin, vizualizacije podatkov). Učitelj torej ne uporablja UI zgolj kot pripomoček za hitre odgovore, temveč kot orodje, ki učence spodbuja k raziskovanju in ustvarjalnosti. Pomemben pedagoški vidik z uporabo generativne UI je na področju personalizacije učenja (prilagajanje učnim potrebam posameznika). UI omogoča personalizirano učenje (npr. prilagoditev zahtevnosti nalog, dodatne razlage, individualni povratni odzivi). Učitelj uporablja UI za diferenciacijo in individualizacijo, a ostaja ključen pri presoji, kaj je za posameznega učenca primerno. Gen-UI lahko pomembno pripomore k razvoju kritičnega"
+"povratni odzivi). Učitelj uporablja UI za diferenciacijo in individualizacijo, a ostaja ključen pri presoji, kaj je za posameznega učenca primerno. Gen-UI lahko pomembno pripomore k razvoju kritičnega mišljenja. Didaktična priporočila s tega vidika usmerjajo učitelja k načrtovanju pouka, kjer bo imel učenec dovolj priložnosti za razvoj kritičnega mišljenja. UI lahko generira odgovore, primere ali rešitve. Učenci se učijo kritično presojati informacije, ki jih ponuja UI, ter razlikovati med verodostojnimi in napačnimi vsebinami. Vsekakor raba Gen -UI v učnem procesu odpira vprašanja o plagiatorstvu, avtorskih pravicah, varovanju podatkov. Zato je ključnega pomena, da se tako učitelj, kot učenec uči, kako uporabljati generativne UI kot pomoč, ne pa kot nadomestilo za lastno delo. Učitelj z učenci obravnava etično in odgovorna uporabo UI. Uporaba UI ni sama sebi namen, ampak mora prispevati k doseganju ciljev učnega načrta. UI se uporablja tam, kjer izboljša razumevanje učne vsebine ali razvija ključne kompetence (npr. digitalna pismenost, problemsko mišljenje). Umeščanje generativne UI v skupne cilje področja digitalna kompetentnost Digitalna kompetenca je večdimenzionalna in se prep"
+"azvija ključne kompetence (npr. digitalna pismenost, problemsko mišljenje). Umeščanje generativne UI v skupne cilje področja digitalna kompetentnost Digitalna kompetenca je večdimenzionalna in se prepleta z drugimi pomembnimi področji, kot so kritično mišljenje, etična presoja, komunikacijske spretnosti in pismenost. 73 V skladu z evropskim okvirom DigComp 2.2 in predlogom novega okvira DigComp 3.0 digitalna kompetentnost vključuje pet ključnih področij: • informacijska in podatkovna pismenost, • komunikacija in sodelovanje z digitalnimi tehnologijami, • ustvarjanje digitalnih vsebin, • varnost ter • reševanje problemov. Vse te dimenzije so vključene v prenovljene učne načrte in kataloge znanj, s ciljem, da učenci digitalno znanje in veščine usvajajo v različnih učnih okoljih in kontekstih. Drugi predlog umeščanja generativne UI v izobraževanje je vključitev ciljev povezanih z generativne UI k obstoječim skupnim ciljem področja digitalne kompetentnosti. Predloge dodanih ciljev, povezanih z generativne UI (slika 15) bo potrebno preučiti, jih p o potrebi preoblikovati ali celo vtkati v obstoječe cilje, da jih bo moč vključiti ob naslednji prenovi kurikula. Na sliki 15 je prikazan pri"
+"ih z generativne UI (slika 15) bo potrebno preučiti, jih p o potrebi preoblikovati ali celo vtkati v obstoječe cilje, da jih bo moč vključiti ob naslednji prenovi kurikula. Na sliki 15 je prikazan primer konkretizacije umeščanja generativne UI v obstoječe skupne ključne cilje, pri čemer so dodani cilji obarvani rdeče. Osrednji poudarek vključevanja generativne UI v skupne ključne cilje je razumevanje in kritična uporaba umetne inteligence – vključevanje UI v pouk, ob tem pa poudarjanje pomena etične rabe in kritičnega razumevanja njenih zmožnosti in omejitev. 74 Slika 15: Primer predloga vključevanja UI v skupne cilje področja digitalna kompetentnost Vsebine, kot so digitalna varnost, zaščita osebnih podatkov, razumevanje delovanja algoritmov in etična raba umetne inteligence, morajo biti smiselno integrirane v učne načrte, šolske strategije in politiko varne uporabe digitalnih tehnologij. Le tako bomo učencem omogočili, da postanejo samozavestni, odgovorni in kritični uporabniki digitalnih tehnologij ter aktivni državljani sodobne družbe. Umeščanje generativne UI v načrtovanje, izvedbo in evalvacijo vzgojno- izobraževalnega procesa Velik del področja umeščanja generativne UI je op"
+"alnih tehnologij ter aktivni državljani sodobne družbe. Umeščanje generativne UI v načrtovanje, izvedbo in evalvacijo vzgojno- izobraževalnega procesa Velik del področja umeščanja generativne UI je opisan v Smernicah za uporabo generativne umetne inteligence v izobraževanju (2025), kjer med drugim združujejo priporočila za sodelujoče v izobraževanju, za učitelje in strokovne delavce v kontekstu razvoja digitalne pismenosti na področju UI, razvoju digitalno-pedagoških kompetenc učiteljev in priporočil za delo z učečimi. Pomembno je, da učitelj umešča generativne UI v učni proces v vseh fazah, od načrtovanja do vrednotenja in evalvacije. Tako lahko uporabi generativne UI za namene: 75 • pridobivanja informacij o vsebinah, učnem procesu, možnem izboru metod dela ipd. iz digitalnih virov; • iskanju skupnih ciljev in vsebin po vertikali in horizontali znotraj enega ali več digitaliziranih učnih načrtov posameznih predmetov (znotraj določenega programa); • iskanja aktualnih izzivov v danem učnem okolju; • oblikovanja nalog in dejavnosti za odkrivanje učenčevega predznanja; • razvijanja razumevanja pojmov/konceptov/procesov z vizualizacijskimi elementi; • spremljanja in dokumentiranja uče"
+"čnem okolju; • oblikovanja nalog in dejavnosti za odkrivanje učenčevega predznanja; • razvijanja razumevanja pojmov/konceptov/procesov z vizualizacijskimi elementi; • spremljanja in dokumentiranja učenja ter izkazovanja in vrednotenja znanja na raznolike načine (kot. npr. naloge, načini pridobivanja hitre povratne informacije o učenčevih dosežkih, z vnaprej postavljenimi kriteriji uspešnosti) (prav tam, str. 6); • pridobivanja takojšnje povratne informacije o učenčevih dosežkih že med učnim procesom; • evalviranja v vseh fazah učnega procesa z namenom dviga kakovosti učnih dosežkov. Glede na pridobljene informacije z uporabo generativne UI učitelj avtonomno izbere ustrezno didaktično strategijo. Ob izboru različnih didaktičnih strategij, ki jih učitelji najdejo v že nekaterih zapisih specialnodidaktičnih priporočil posameznih učnih načrtov in katalogov znanj, pripravijo raznolike predmetne ali medpredmetne učne izzive za učence. Generativne UI pri tem uporabijo tako, da izberejo najustreznejši program generativne UI glede na vsebino, starost učencev in glede na lastno digitalno kompe tentnost. Pri tem je smiselno, da med seboj delajo timsko. Učitelji lahko na daljavo ali hibridno i"
+"reznejši program generativne UI glede na vsebino, starost učencev in glede na lastno digitalno kompe tentnost. Pri tem je smiselno, da med seboj delajo timsko. Učitelji lahko na daljavo ali hibridno izmenjujejo in se med seboj konzultirajo med vsako fazo učnega procesa. Tako kritično prijateljujejo in se s pomočjo generativne UI profesionalno razvijajo. M ed seboj se učitelji spodbujajo in podpirajo z neposrednimi povratnimi informacijami v vseh fazah učnega procesa (še posebej v fazi načrtovanja, analize učnega procesa in evalvacije le tega). Prav avtonomija izbora didaktičnih strategij pri načrtovanju, izvajanju in evalvaciji pouka učiteljem v največji možni meri omogoča, da s pomočjo generativne UI skrbno načrtujejo in izvajajo učni proces z uporabo raznolikih digitalnih tehnologij. Kako si lahko učitelj pomaga z UI pri načrtovanju učnega procesa, da bi učenci realizirali cilje določenega predmeta in hkrati razvijali kompetence 21. stoletja? UI v fazi načrtovanja učnega procesa: • Izhodiščno je, da vzgojitelj dobro pozna Kurikulum za vrtce, učitelj učni načrt oziroma katalog znanja s cilji in standardi znanja za posamezni predmet in druge 76 kurikularne dokumente: Izhodišča kuri"
+"zhodiščno je, da vzgojitelj dobro pozna Kurikulum za vrtce, učitelj učni načrt oziroma katalog znanja s cilji in standardi znanja za posamezni predmet in druge 76 kurikularne dokumente: Izhodišča kurikularne prenove, Usmeritve za didaktična priporočila in Ključne cilje po področjih skupnih ciljev. • Na osnovi poznavanja zgoraj navedenih kurikularnih dokumentov, učitelj uporabi generativno UI v različnih fazah načrtovanja (letna priprava, etapna in sprotna priprava na pouk). • pri letnem načrtovanju je smiselno, da učitelj smotrno načrtuje zaporedje ciljev, standardov znanja in vsebin, pri čemer lahko uporabi orodja UI tako, da izdela različne modele letne priprave, upoštevajoč vse specifike oddelka (učenci s posebnimi potrebami, nadarjeni, učenci tujci, velikost razreda…). • v fazi etapnega načrtovanja vključuje zgoraj navedeno, s tem, da s pomočjo generativne UI izdela konkretne dejavnosti, prilagojene specifikam oddelka. • v fazi sprotne priprave pa s pomočjo genUI izdela potek učnega procesa v določeni učni etapi (učni uri, blok uri, dnevu…) • Na osnovi izbora ciljev, ki naj bi jih učenci dosegli in s pomočjo generativne umetne inteligence, učitelj izdela shematični zapis učnega"
+"a procesa v določeni učni etapi (učni uri, blok uri, dnevu…) • Na osnovi izbora ciljev, ki naj bi jih učenci dosegli in s pomočjo generativne umetne inteligence, učitelj izdela shematični zapis učnega procesa. Pri tem vključi tudi fazi preverjanja in ocenjevanja, saj je sestavni del že v fazi načrtovanja. Zavedamo se, da načrtovanje vzgojno -izobraževalnega dela predstavlja eno temeljnih komponent profesionalnega delovanja strokovnih in vodstvenih delavcev v osnovnošolskem in srednješolskem prostoru, saj omogoča sistematično uresničevanje kurikularnih ciljev ter zagotavlja kakovostno in ciljno usmerjeno izobraževalno prakso. Vse večje potrebe po izboljšani prilagodljivosti digitalnega podpornega okolja za načrtovanje vzgojno - izobraževalnega dela so vzpodbudile nadaljnji razvoj platforme za načrtovanje, skupaj z izkoriščanjem napredka umetne inteligence. V slovenskem prostoru je tako načrtovana nova spletna platforma za načrtovanje vzgojno -izobraževalnega dela z uporabo naprednih rešitev umetne inteligence in učne analitike za podporo strokovnim in vodstvenim delavcem v vzgoji in izobraževanju Platon. Platforma bo omogočala celovito digitalno okolje za podporo uporabnikom pri dos"
+"itev umetne inteligence in učne analitike za podporo strokovnim in vodstvenim delavcem v vzgoji in izobraževanju Platon. Platforma bo omogočala celovito digitalno okolje za podporo uporabnikom pri dostopu do prenovljenih kurikularnih dokumentov in pripravi pedagoške dokumentacije. Javni del platforme bo omogočal pregledovanje vseh prenovljenih kurikularnih dokumentov, dostop s prijavo pa bo omogočil oblikovanje in shranjevanje lastnih sprotnih in letnih priprav ter uporabo orodij za načrtovanje vrednotenja znanja. Ob tem bo vključena pomoč umetne inteligence, ki bo skrajšala čas za i zdelavo letne in sprotne priprave. Obsegala bo med ostalim tudi predizpolnitev priprav ter predloge personaliziranih rešitev didaktičnih priporočil za realizacijo ciljev in standardov znanja za različne skupine učencev/dijakov. Ob tem se krepi vloga učitelja, ki na podlagi celostne pedagoške presoje, vključujoč aktualno stanje 77 v razredu ter poglobljeno poznavanje učencev oziroma dijakov, sprejema strokovno utemeljene odločitve o izbiri ponujenih rešitev umetne inteligence, ki najbolj ustrezajo konkretni učni situaciji. Pri tem velja spomniti na varnostni in etični vidik, ki sta podrobneje opisana v"
+"vno utemeljene odločitve o izbiri ponujenih rešitev umetne inteligence, ki najbolj ustrezajo konkretni učni situaciji. Pri tem velja spomniti na varnostni in etični vidik, ki sta podrobneje opisana v Izhodiščih in Smernicah za uporabo generativne UI v izobraževanju. Umeščanje generativne UI po zgledu avstralskega okvira Avstralija je pogosto omenjena kot primer dobre prakse v mednarodnih primerjavah. McNulty v poročilu o primerjalni analizi politik generativne UI v izobraževanju navaja, da so Japonska, Nova Zelandija, Južna Koreja in Združeno kraljestvo razvile lastne pri stope, ki pa se v določenih vidikih zgledujejo po Avstraliji. Japonska in Nova Zelandija spodbujata odgovorno uporabo in jasna pravila za učence, Južna Koreja se osredotoča na racionalno uporabo UI in vključevanje v učne načrte, Združeno kraljestvo pa spodbuja šole k oblikovanju lastnih politik, ki vključujejo varnost, etiko in preglednost (McNulty, 2024). Čeprav nobena od teh držav ni formalno prevzela avstralskega modela, se zdi, da Avstralija postavlja standard, ki ga druge države upoštevajo pri oblikovanju svojih smernic. Okvir si prizadeva usmerjati odgovorno in etično uporabo orodij generativne UI na načine,"
+"odela, se zdi, da Avstralija postavlja standard, ki ga druge države upoštevajo pri oblikovanju svojih smernic. Okvir si prizadeva usmerjati odgovorno in etično uporabo orodij generativne UI na načine, ki koristijo učencem, šolam in družbi (Australian Goverment, 2023). Zasnovan je tako, da pomaga avstralskim šolskim skupnostim (učencem, učiteljem, osebju, staršem in skrbnikom) pri podpori: Izobraževalnih dosežkov: Cilj okvira je prepoznati, kako lahko ustrezna uporaba orodij generativne umetne inteligence izboljša rezultate poučevanja in učenja za vse člane avstralskih šolskih skupnosti. Etičnega ravnanja: Cilj okvira je doseči varno, odgovorno in etično uporabo orodij generativne umetne inteligence v avstralskih šolah. Pravičnosti in vključenosti: Cilj okvira je zagotoviti, da se orodja generativne umetne inteligence uporabljajo na načine, ki so pošteni, dostopni in vključujoči za vse avstralske šolske skupnosti. Ti cilji so temelj šestih načel (slika 16) in 25 usmerjevalnih izjav okvira. 78 Slika 16: Vizualizacija načel avstralskega okvira za generativno umetno inteligenco v šolah The Australian Framework for Generative Artificial Intelligence (AI) in Schools, 2023 Commonwealth of"
+"ra. 78 Slika 16: Vizualizacija načel avstralskega okvira za generativno umetno inteligenco v šolah The Australian Framework for Generative Artificial Intelligence (AI) in Schools, 2023 Commonwealth of Australia, 2023. Licensed under a Creative Commons Attribution 4.0 International (CC BY 4.0) licence. Avstralija se je zavezala, da bo okvir zaradi hitro razvijajoče narave generativne UI pregledala v prvem letu po objavi in s pregledi nadaljevala vsako leto. Prvi pregled okvira za leto 2024 je bil opravljen junija 2025. V pregledu okvira je bilo ugotovlje no, da okvir ni le pravilno opredelil in predvidel obstoječih izzivov. Učinkovito je napovedal nastajajoča in trenutna tveganja, kot so povečana uporaba globokih ponaredkov (Australian Goverment, 2025). Nenehno vrednotenje in prilagodljiva struktura okvira omogoča hitro odzivanje na tveganja in priložnosti, povezane z generativne UI v šolah, kar potrjuje njegovo ustreznost in učinkovitost. V ta namen smo se odločili, da prevedemo 25 usmerjevalnih izjav okvira, ki so prikazani na sliki 17. 79 Slika 17: Poster usmerjevalnih izjav avstralskega okvirja za generativno umetno inteligenco v šolah V primeru, da bi se Slovenija odločila za p"
+"erjevalnih izjav okvira, ki so prikazani na sliki 17. 79 Slika 17: Poster usmerjevalnih izjav avstralskega okvirja za generativno umetno inteligenco v šolah V primeru, da bi se Slovenija odločila za podobno rešitev, svetujemo, da se v načrtovanje vključi širši krog strokovnjakov, institucij in odločevalcev s področja UI. Pri tem bo potrebno upoštevati vse vidike (organizacijske, tehnične, varnostne, etične in pravne), ki so zajeti v nastajajočih Izhodiščih in smernicah za uporabo generativne umetne inteligence v izobraževanju (2025). Sklepni del in usmeritve za prihodnost Ugotovitve v analizi kurikularnih dokumentov kažejo, da so pojmi, kot so umetna inteligenca, ChatGPT, generativna umetna inteligenca, UI, veliki jezikovni modeli in drugi, že vključeni v nekaterih predlogih prenovljenih kurikularnih dokumentih, vendar še n iso sistematično in celovito umeščeni v vse ravni in predmete izobraževalnega sistema. Pojmi UI se najpogosteje pojavljajo v didaktičnih priporočilih. V skupnih ciljih so omenjeni le enkrat. Vsebinsko so prisotni v dokaj širokem spektru izobraževalnih programov in predmetih. Poudarek je tako na praktični uporabi orodij UI za doseganje kognitivnega znanja kot tud"
+"jih so omenjeni le enkrat. Vsebinsko so prisotni v dokaj širokem spektru izobraževalnih programov in predmetih. Poudarek je tako na praktični uporabi orodij UI za doseganje kognitivnega znanja kot tudi na razumevanju UI. 80 Umeščanje UI v kurikularne dokumente, še posebej v učne načrte in kataloge znanj, ni več vprašanje prihodnosti, temveč nujnost sedanjosti. Države, ki razvijajo celostne strategije – od kurikularnih vsebin do didaktičnih priporočil – bodo bolje pripravljene na izzive digitalne družbe. Ključno je, da UI ne razumemo le kot tehnološko orodje, temveč kot priložnost za razvoj kritičnega mišljenja, ustvarjalnosti in etične odgovornosti. Umeščanje generativne UI v izobraževanje ni enkraten dogodek, temveč dolgoročen in dolgotrajen proces, ki zahteva sodelovanje vseh deležnikov – od oblikovalcev politik do učiteljev in učencev. Na podlagi ugotovitev analize predlogov prenovljenih kurikularn ih dokumentov ugotavljamo, da se pojmi, povezani z UI, pojavljajo, vendar večinoma v splošnem kontekstu, delno kot orodje za podporo pouku in redkeje kot koncept, ki zahteva kritično obravnavo. Za učinkovito implementacijo predlagamo večstopenjski pristop načrtovanja učnega procesa z"
+"splošnem kontekstu, delno kot orodje za podporo pouku in redkeje kot koncept, ki zahteva kritično obravnavo. Za učinkovito implementacijo predlagamo večstopenjski pristop načrtovanja učnega procesa z uporabo UI: 1. Na kurikularni ravni • Integracija ciljev: Cilji, povezani z razumevanjem delovanja in uporabo umetne inteligence, se vključijo v okvir ciljev predmeta in skupnih ciljev. Tako postanejo sestavni del obveznega izobraževalnega procesa in ne ostanejo le kot dodatna dejavnost. • Razvejanost ciljev v učnih načrtih: Učne vsebine se strukturirajo po stopnjah šolanja – od osnovnega razumevanja osnovnih pojmov (npr. kaj je UI in kje jo srečujemo v vsakdanjem življenju) v osnovni šoli, do kompleksnejših vsebin (npr. etika uporabe, samostojno ustvarjanje projektov z uporabo UI orodij) v srednji šoli. • Povezovanje s katalogi znanj: Znanja in spretnosti, ki jih morajo učenci osvojiti, se jasno opredelijo in vključijo v kataloge znanj za posamezne predmete in področja, kar zagotavlja sistematičnost in enotne standarde. 2. Na didaktični ravni znotraj države • Didaktična priporočila: Nacionalne institucije (npr. pristojno ministrstvo, Zavod RS za šolstvo) so pripravila in sprejela dida"
+"tematičnost in enotne standarde. 2. Na didaktični ravni znotraj države • Didaktična priporočila: Nacionalne institucije (npr. pristojno ministrstvo, Zavod RS za šolstvo) so pripravila in sprejela didaktična priporočila, ki učiteljem nudijo smernice za smiselno vključevanje generativne UI v pouk. • Konkretni primeri uporabe: Priporočila usmerjajo učitelja, da načrtuje konkretne učne priprave (npr. uporaba UI za analizo besedil, generiranje idej, simulacije v 81 naravoslovju, ustvarjalno pisanje). Znotraj posameznih aktivov se na osnovi tega izdelajo konkretni primeri, s čimer učiteljem olajšajo izvedbo pouka. • Redno posodabljanje: Ker se UI hitro razvija, se gradiva in priporočila posodabljajo v krajših intervalih, s čimer se zagotovi ažurnost in relevantnost vsebin. • Spodbujanje kritičnega mišljenja in etične presoje: Ob uporabi UI se ne razvijajo le tehnične spretnosti, temveč tudi zavedanje o zanesljivosti virov, morebitnih pristranskostih algoritmov, vplivu na družbo in odgovorni rabi tehnologij. 3. Na ravni posameznega učitelja • Strokovno usposabljanje: Učiteljem se omogoči dostop do stalnega strokovnega razvoja – delavnic, spletnih seminarjev, certificiranih programov – kje"
+"rabi tehnologij. 3. Na ravni posameznega učitelja • Strokovno usposabljanje: Učiteljem se omogoči dostop do stalnega strokovnega razvoja – delavnic, spletnih seminarjev, certificiranih programov – kjer pridobijo znanja o uporabi UI orodij ter o pedagoških pristopih. Usposabljanje praviloma temelji na razširjanju učiteljevega poznavanja pedagoškega procesa z uporabo UI. Vse skupaj pa izhaja iz konkretnih primerov. • Podporna gradiva: Razvijejo se priročniki, zbirke nalog, interaktivni vodiči in digitalni pripomočki, ki učiteljem nudijo takojšnjo podporo pri pripravi pouka. • Učne skupnosti: Učitelji se povezujejo v profesionalne učne skupnosti (v živo in virtualno), kjer izmenjujejo izkušnje, primere dobre prakse in gradiva. V ta namen je smiselno oblikovati učiteljske skupnosti (predmetne in širše), ki se permanentno sestajajo, kritično presojajo nastajajoča gradiva in tako stalno nadgrajuje lasten profesionalni razvoj na področju digitalne kompetentnosti. Skupnosti lahko delujejo na različnih ravneh (v okviru države, lokalne skupnosti – npr. v okviru območnih enot Zavoda RS za šolstvo ali pa na ravni šole). Tako se krepi sodelovalna kultura in spodbuja inovativnost pri vključevanj"
+"azličnih ravneh (v okviru države, lokalne skupnosti – npr. v okviru območnih enot Zavoda RS za šolstvo ali pa na ravni šole). Tako se krepi sodelovalna kultura in spodbuja inovativnost pri vključevanju UI. 82 Slika 18: Prikaz možnega večstopenjskega pristopa pri načrtovanju učnega procesa o in z uporabo UI. (oblikovano z Napkin, 2025) Prihodnost kurikularne prenove mora temeljiti na načelih prilagodljivosti, varnosti, etičnosti in vključujočega pristopa , saj bo umetna inteligenca vse bolj vplivala na načine učenja, ocenjevanja in profesionalni razvoj učiteljev. Ob tem je nujno slediti dinamičnemu razvoju tehnologije ter v kurikularne dokumente uvajati prilagodljive rešitve, ki bodo omogočale sprotno posodabljanje vsebin in strategij poučevanja. Le s premišljenim in strokovno podprtim vključevanjem generativne UI bomo lahko zagotovili, da bo njen vpliv na izobraževanje pozitiven, usmerjen v podporo učenju in razvoju kompetenc za življenje in delo v prihodnosti. 83 Literatura Ahačič, K., Rojc, J., Slivar, B., idr. (2022). Izhodišča za prenovo učnih načrtov v osnovni šoli in gimnaziji. Zavod RS za šolstvo. https://www.zrss.si/pdf/izhodisca_za_prenovo_UN.pdf Ahačič, K., Banjac, M., Ba"
+", Rojc, J., Slivar, B., idr. (2022). Izhodišča za prenovo učnih načrtov v osnovni šoli in gimnaziji. Zavod RS za šolstvo. https://www.zrss.si/pdf/izhodisca_za_prenovo_UN.pdf Ahačič, K., Banjac, M., Baškarad, S., idr. (2024). Skupni cilji in njihovo umeščanje v učne načrte in kataloge znanj. Zavod RS za šolstvo. https://www.zrss.si/pdf/skupni_cilji.pdf Antič, S., Berčnik, S., Cotič Pajntar, J., Marjanovič Umek, L., Hmelak, M., Hohnjec, D., Hudovernik, S., Jaunik, M., Jerše, L., Klobasa, H., Kovaček, B., Kovačič Prah, M., Kristan, A., Madronič, P., Pirc Podgoršek, Š., Pustoslemšek, J., Sivec, M., Štirn Ja nota, P., Zore, N. (2022). Izhodišča za prenovo kurikuluma za vrtce. Zavod RS za šolstvo. www.zrss.si/pdf/izhodisca_za_prenovo_KZV.pdf Australian Goverment. (2023). Australian Framework for Generative Artificial Intelligence in Schools. https://www.education.gov.au/schooling/resources/australian-framework- generative-artificial-intelligence-ai-schools Australian Goverment. (2025). 2024 Review of the Australian Framework for Generative Artificial Intelligence in Schools. https://www.education.gov.au/schooling/announcements/2024-review-australian- framework-generative-artificial-intel"
+"Review of the Australian Framework for Generative Artificial Intelligence in Schools. https://www.education.gov.au/schooling/announcements/2024-review-australian- framework-generative-artificial-intelligence-schools Bauman, T. (2016). Učne priprave učiteljev slovenščine v tretjem vzgojno -izobraževalnem obdobju osnovne šole [Diplomsko delo]. Univerza v Ljubljani. Filozofska fakulteta. https://slov.si/dipl/bauman_teja.pdf Cindrić, M., Miljković, D., Strugar, V. (2016). Didaktika i kurikulum. Zagreb. https://www.scribd.com/document/609185845/Didaktika-i-kurikulum-Cindric-Miljkovic- Strugar DigComp 2.2: Okvir digitalnih kompetenc za državljane. Z novimi primeri rabe znanja, spretnosti in stališč. (2023). Zavod RS za šolstvo. https://www.zrss.si/wpcontent/uploads/2023/08/DigComp-2-2-Okvir-digitalnih- kompetenc.pdf Digitalizirani učni načrti https://dun.zrss.si/#/ Stoica I. (2021). Curriculum Theory. EBSCO. https://www.ebsco.com/research- starters/social-sciences-and-humanities/curriculum-theory 84 Grašič, S., Pevec Grm, S., Slivar, B. (2008). Kriteriji kakovosti izvedbenega kurikula – Priročnik za moderatorje. https://munus2.scng.si/files/2010/03/Kriteriji_kakovosti_izvedbenega_kurikul"
+"heory 84 Grašič, S., Pevec Grm, S., Slivar, B. (2008). Kriteriji kakovosti izvedbenega kurikula – Priročnik za moderatorje. https://munus2.scng.si/files/2010/03/Kriteriji_kakovosti_izvedbenega_kurikula- gradivo_nov_08.doc McNulty, N. (2024). Comparative Analysis of Generative AI Policies in Education From Australia, Japan, NewZealand, Korea, United Kingdom. https://www.niallmcnulty.com/wp- content/uploads/2025/02/Comparative-Analysis-of-Generative-AI-Policies-in-Education.pdf Ivanuš Grmek, M. (2009). Načrtovanje vzgojno -izobraževalnega procesa – koncepti načrtovanja kurikula [Zaključno poročilo ciljno raziskovalnega projekta, Univerza v Mariboru, Pedagoška fakulteta]. https://www.dlib.si/stream/URN:NBN:SI:DOC- GURJWWRD/84015566-0452-4d07-b64a-24f325258fd0/PDF Ivanuš Grmek, M., Javornik, M. (2025.) ""Kurikulum."" V Pedagoški leksikon, izbrani temeljni pojmi, prvi zvezek, ur. Sabina Autor, Igor Bijuklič, Damijan Štefanc in Janja Žmavc, 105–118. Ljubljana: Pedagoški inštitut. https://www.doi.org/10.32320/978-961-270-362-2.105-118 Ivanuš Grmek, M., Mithans, M. (2025). Načrtovanje in priprava vzgojno -izobraževalnega procesa. https://doi.org/10.18690/um.pef.7.2025.3 Kelly, A. V. (2009)."
+"oi.org/10.32320/978-961-270-362-2.105-118 Ivanuš Grmek, M., Mithans, M. (2025). Načrtovanje in priprava vzgojno -izobraževalnega procesa. https://doi.org/10.18690/um.pef.7.2025.3 Kelly, A. V. (2009). The Curriculum. Theory and Practice. Sixth Edition. https://api.pageplace.de/preview/DT0400.9781446205570_A24010285/preview- 9781446205570_A24010285.pdf Komljanec, N. (2014). Koncept izvedbenega kurikuluma. https://skupnost.sio.si/pluginfile.php/516724/mod_folder/content/0/Izvedbeni%20kurikulu m%20institucije%20s%20podrocja%20vzgoje%20in%20%20izobrazevanja%20Alenkin%20pre gled.pdf?forcedownload=1 Košir, S. (2010). Sociološki vidiki kurikularne prenove osnovnošolskega šolstva v konceptu izobraževanja človekovih pravic [Doktorska disertacija, Univerza v Mariboru, Filozofska fakulteta]. Repozitorij UM. https://dk.um.si/Dokument.php?id=21350&lang=slv Krapše, T., Bone, J., dr. Polšak, A. in dr. Mršnik, S. (ur.). (2023). Pogled na šolo 21. stoletja v duhu kompetenc in pismenosti. Zavod RS za šolstvo. https://www.zrss.si/pdf/Pogled_na_solo_21_stoletja.pdf Kroflič, R. (1997). Kurikulum - Raznovrstnost kurikularnega načrtovanja. Andragoška Spoznanja. https://doi.org/10.4312/AS.3.1.3-12 85 Kurik"
+"stvo. https://www.zrss.si/pdf/Pogled_na_solo_21_stoletja.pdf Kroflič, R. (1997). Kurikulum - Raznovrstnost kurikularnega načrtovanja. Andragoška Spoznanja. https://doi.org/10.4312/AS.3.1.3-12 85 Kurikulum za vrtce (2025). https://www.gov.si/assets/ministrstva/MVI/Dokumenti/Sektor-za- predsolsko-vzgojo/Programi/Kurikulum-za-vrtce-2025.pdf Magajna, Z., Umek, M. (2019). Učne priprave na nastope bodočih učiteljev. Revija za elementarno izobraževanje, 12(3), 325-350. https://doi.org/10.18690/rei.12.3.325-350.2019 Merriam-Webster. (b. d.). Curriculum. In Merriam -Webster.com dictionary. Pridobljeno 24. julija 2025, s https://www.merriam-webster.com/dictionary/curriculum Ministrstvo za šolstvo in šport. (2011). Bela knjiga o vzgoji in izobraževanju v Republiki Sloveniji (J. Krek in M. Metljak, ur.). Zavod Republike Slovenije za šolstvo. Ministrstvo za vzgojo in izobraževanje. (22.5.2023). Programi in učni načrti v osnovni šoli. Gov.si. https://www.gov.si/teme/programi-in-ucni-nacrti-v-osnovni-soli/ Ministrstvo za vzgojo in izobraževanje. (2025). Prenova sistema vzgoje in izobraževanja v Sloveniji. https://www.gov.si/zbirke/projekti-in-programi/prenova-sistema-vzgoje-in- izobrazevanja-v-sl"
+"-soli/ Ministrstvo za vzgojo in izobraževanje. (2025). Prenova sistema vzgoje in izobraževanja v Sloveniji. https://www.gov.si/zbirke/projekti-in-programi/prenova-sistema-vzgoje-in- izobrazevanja-v-sloveniji/ NAESP. (2023). 5 Strategies for Success in Bringing AI to Schools. Iste.org/ai. https://www.naesp.org/resource/5-strategies-for-success-in-bringing-ai-to-schools/ Napkin. (2025). [Generirana slika na zahtevo o prikazu procesa nastajanja kurikularne prenove]. https://www.napkin.ai/ Nolimal, F., Brodnik, V., Holcar, A., Skvarč, M., Suban, M., Poberžnik, A. (2024). Usmeritve za pripravo didaktičnih priporočil k učnim načrtom za osnovne in srednje šole . Zavod za šolstvo. usmeritve_didakticna_priporocila.pdf OECD. (2021). AI and the Future of Skills, Volume 1: Capabilities and Assessments, Educational Research and Innovation. OECD: Paris. https://doi.org/10.1787/5ee71f34-en OECD (2025). Empowering learners for the age of AI: An AI literacy framework for primary and secondary education (Review draft). OECD. Paris. https://ailiteracyframework.org Ogrizek, M. (2006). Leksikon Sova (4. dopolnjena in posodobljena izd, 1. natis). Cankarjeva založba – založništvo, d. o. o. OpenAI. (2024)"
+"(Review draft). OECD. Paris. https://ailiteracyframework.org Ogrizek, M. (2006). Leksikon Sova (4. dopolnjena in posodobljena izd, 1. natis). Cankarjeva založba – založništvo, d. o. o. OpenAI. (2024). ChatGPT (različica 4o). https://chat.openai.com/chat Pravilnik o dokumentaciji v osnovni šoli https://pisrs.si/pregledPredpisa?id=PRAV11251 Priloga Pravilnika o dokumentaciji v osnovni šoli 2024-01-2211-2012-01-2532-npb3-p1.pdf 86 Resolucija Sveta o strateškem okviru za evropsko sodelovanje v izobraževanju in usposabljanju pri uresničevanju evropskega izobraževalnega prostora in širše (2021 –2030). (2021/C 66/01). https://eur-lex.europa.eu/legal- content/SL/TXT/PDF/?uri=CELEX:32021G0226(01) Skubic Ermenc, K., Makovec Radovan, D., Čop, J., Žnidarič, H., Pipan, E., Ahčin A., Jug Skledar, M., Kovač Hace, S., Butinar Mužina, M., Mandeljc, M., Kočica, J., Robnik, V., Klopčič, P., Sambolić Beganović, A., Andrin, A., Vidovič, M. (2024). Izhodišča za prenovo katalogov znanja za splošnoizobraževalne predmete v poklicnem in strokovnem izobraževanju. Zavod RS za šolstvo. www.zrss.si/pdf/izhodisca_za_prenovo_KZ.pdf Skubic Ermenc, K., Cencen, Z., Klančnik, B. (2007). Priprava izvedbenega kurikula"
+"lne predmete v poklicnem in strokovnem izobraževanju. Zavod RS za šolstvo. www.zrss.si/pdf/izhodisca_za_prenovo_KZ.pdf Skubic Ermenc, K., Cencen, Z., Klančnik, B. (2007). Priprava izvedbenega kurikula. https://cpi.si/wp-content/uploads/2020/08/priprava_izvedbenega_kurikula.pdf Strmčnik, F. (2021). Didaktika. Osrednje teoretične teme. Znanstveni inštitut Filozofske fakultete. Štefanc, D. in Urbančič, M. (2022). Priročnik visokošolske didaktike: priročnik za načrtovanje in izvajanje visokošolskega pouka . Univerza v Ljubljani, Filozofska fakulteta. https://doi.org/10.51746/9789617128963 UNESCO. (2021). AI and education. Guidance for policy -makers. Paris: UNESCO. https://teachertaskforce.org/sites/default/files/2023-07/2021_UNESCO_AI-and-education- Guidande-for-policy-makers_EN.pdf UNESCO. (2024a). AI competency framework for students. Paris: UNESCO. https://doi.org/10.54675/JKJB9835 UNESCO. (2024b). AI competency framework for teachers. Paris: UNESCO. https://doi.org/10.54675/ZJTE2084 UNESCO. (2022). K-12 AI curricula. A mapping of goverment -endorsed AI curricula. Paris: UNESCO. https://doi.org/10.54675/ELYF6010 Vilčnik, P. (2015). Nekateri vidiki prikritega kurikuluma [Diplomsko d"
+"NESCO. (2022). K-12 AI curricula. A mapping of goverment -endorsed AI curricula. Paris: UNESCO. https://doi.org/10.54675/ELYF6010 Vilčnik, P. (2015). Nekateri vidiki prikritega kurikuluma [Diplomsko delo, Univerza v Mariboru, Pedagoška fakulteta]. ]. Repozitorij UM. https://dk.um.si/Dokument.php?id=78692&lang=slv Zakon o osnovni šoli (ZOsn -I). (1996). Uradni list RS, št. 81/06 – uradno prečiščeno besedilo, 102/07, 107/10, 87/11, 40/12 – ZUJF, 63/13, 46/16 – ZOFVI- 87 K, 76/23, 16/24 in 54/25. https://zakonodaja.com/zakon/zosn/29-clen-predmetnik-in-ucni- nacrt Zakon o organizaciji in financiranju vzgoje in izobraževanja (ZOFVI). (1996). Uradni list RS, št. 16/07 – uradno prečiščeno besedilo, 36/08, 58/09, 64/09 – popr., 65/09 – popr., 20/11, 40/12 – ZUJF, 57/12 – ZPCP-2D, 47/15, 46/16, 49/16 – popr., 25/17 – ZVaj, 123/21, 172/21, 207/21, 105/22 – ZZNŠPP, 141/22, 158/22 – ZDoh- 2AA, 71/23, 22/25 – ZZZRO-1 in 48/25. https://pisrs.si/pregledPredpisa?id=ZAKO445 Wakounig, V. (2004). Skriti kurikulum – senca javnega kurikuluma. Sodobna pedagogika, 55(2), 6–12. 88 Tehnični vidik: infrastrukturne možnosti in pregled orodij Gen-UI Avtorji: Vili Podgorelec, Jana Janković, Lucija Brezočnik, G"
+"kurikulum – senca javnega kurikuluma. Sodobna pedagogika, 55(2), 6–12. 88 Tehnični vidik: infrastrukturne možnosti in pregled orodij Gen-UI Avtorji: Vili Podgorelec, Jana Janković, Lucija Brezočnik, Grega Vrbančič Povzetek Generativna umetna inteligenca (Gen -UI) hitro preoblikuje izobraževanje in predstavlja pomemben korak v digitalizaciji. Učitelji lahko Gen-UI uporabljajo kot pomočnika pri pripravi učnih gradiv, oblikovanju vprašanj ali kot orodje za spodbujanje ustvarjaln osti pri učencih. Takšna orodja so tehnično kompleksne računalniške rešitve, ki zahtevajo zmogljivo infrastrukturo. Način tehnične izvedbe pomembno vpliva na dostopnost orodij, nadzor nad podatki, etično skladnost in prilagodljivost sistema. Prispevek pred stavi štiri tipične načine izvedbe: spletne aplikacije v javnem oblaku, aplikacije v zasebnem oblaku, lokalno nameščene aplikacije in uporaba namenske nacionalne infrastrukture. Spletne aplikacije v javnem oblaku (npr. ChatGPT, Gemini) ponujajo izjemno dos topnost in nizke vstopne ovire, saj se obdelava izvaja na oddaljenih strežnikih. Vendar pa ta model odpira pomembna vprašanja glede zasebnosti podatkov in transparentnosti, saj orodja delujejo kot »črna šk"
+"st in nizke vstopne ovire, saj se obdelava izvaja na oddaljenih strežnikih. Vendar pa ta model odpira pomembna vprašanja glede zasebnosti podatkov in transparentnosti, saj orodja delujejo kot »črna škatla.« Aplikacije v zasebnem oblaku izobraževalnim ustanovam zagotavljajo bistveno večji nadzor nad podatki in sistemsko prilagodljivost, a hkrati zahtevajo višje finančne vložke in več tehničnega znanja. Lokalna namestitev daje instituciji popoln nadzor nad podatki, saj ti nikoli ne zapustijo lokalnega ok olja, vendar zahteva ogromna vlaganja v drago in zmogljivo opremo ter usposobljen IT kader. Namenska nacionalna infrastruktura (kot je Slovenska tovarna umetne inteligence – SLAIF) bi lahko omogočila institucijam izkoristiti prednosti zasebnega obl aka (varnost, nadzor) brez visokih stroškov ter z manj kadrovskih zahtev. Na tovrstni infrastrukturi bi lahko razvili oz. prilag odili rešitve dejanskim potrebam izobraževalnih institucij. Poleg infrastrukturnih možnosti prispevek ponuja tudi pregled orodij Gen-UI, ki jih razvrščamo glede na vsebino, ki jo generirajo (besedilo, slike, zvok, video, 3D vizualizacije, koda in igre). Ključne besede: Generativna umetna inteligenca (Gen -UI), Te"
+"pregled orodij Gen-UI, ki jih razvrščamo glede na vsebino, ki jo generirajo (besedilo, slike, zvok, video, 3D vizualizacije, koda in igre). Ključne besede: Generativna umetna inteligenca (Gen -UI), Tehnična izvedba, Javni oblak, Zasebni oblak, Lokalna namestitev, Nacionalna infrastruktura, Orodja Gen-UI. Uvod Generativna umetna inteligenca (Gen -UI) hitro spreminja različne vidike našega življenja in predstavlja nov korak v digitalizaciji izobraževanja(OECD, 2023; OECD, 2021). Omogoča ustvarjanje novih vsebin, kot so besedila, slike, zvok, video posnetki, 3D modeli, računalniška 89 koda in interaktivne igre (OpenAI, 2023; Bommasani idr., 2021). Učitelji jo lahko uporabljajo kot pomočnika pri pripravi učnih gradiv, oblikovanju vprašanj, simulaciji pogovorov, preverjanju znanja ali kot orodje za spodbujanje ustvarjalnosti pri učencih(Kasneci idr., 2023; Zawacki-Richter idr., 2019). Orodja Gen -UI so tehnično zelo kompleksne računalniške rešitve, ki zahtevajo ogromne količine podatkov in zelo zmogljivo računalniško infrastrukturo. Kljub temu so danes pogosto dostopna prek uporabniku prijaznih spletnih vmesnikov, kar omogoča njihovo upo rabo tudi brez poglobljenega tehničnega znanja. A"
+"zelo zmogljivo računalniško infrastrukturo. Kljub temu so danes pogosto dostopna prek uporabniku prijaznih spletnih vmesnikov, kar omogoča njihovo upo rabo tudi brez poglobljenega tehničnega znanja. A takšna poenostavitev uporabe zapletenih rešitev prinaša določene izzive in tveganja, zato je potrebno pred uporabo posameznih orodij Gen-UI dobro premisliti o prednostih in slabostih ter morebitnih pasteh n jihove uporabe(Bommasani idr., 2021; Floridi in Chiriatti, 2020; OECD, 2023). Orodja Gen -UI se lahko uporabljajo na različne načine, ki se razlikujejo glede na tehnično izvedbo in s tem povezanimi prednostmi ter slabostmi za šole, učitelje in učeče se. Sam način tehnične izvedbe takšnih orodij pomembno vpliva na njihovo dostopnost, nadzor nad podatki, etično skladnost ter prilagodljivost sistema (European Commission, 2023; UNESCO, 2021). V splošnem poznamo štiri tipične načine tehnične izvedbe: • Spletne aplikacije v javnem oblaku (angl. public cloud). • Aplikacije v zasebnem (plačljivem, najetem) oblaku (angl. private cloud). • Lokalno nameščene aplikacije (angl. on-premise). • Uporaba namenske nacionalne infrastrukture (angl. dedicated national infrastrucutre). Spletne aplikacij"
+"vem, najetem) oblaku (angl. private cloud). • Lokalno nameščene aplikacije (angl. on-premise). • Uporaba namenske nacionalne infrastrukture (angl. dedicated national infrastrucutre). Spletne aplikacije v javnem oblaku Spletne aplikacije v javnem oblaku se nanašajo na storitve, ki jih prek interneta zagotavljajo velika tehnološka podjetja. Gre za uporabo orodij prek spletnih brskalnikov, kjer se obdelava podatkov in generiranje vsebine izvaja na oddaljenih strežnikih pon udnika storitve. Takšne platforme praviloma delujejo po modelu programske opreme kot storitve (angl. Software as a Service — SaaS), kar uporabnikom omogoča dostop do uporabe UI prek spletnih aplikacij ali programskih vmesnikov (API -jev), brez potrebe po up ravljanju osnovne računalniške infrastrukture(Armbrust idr., 2010; OECD, 2023). V izobraževalnem kontekstu je ta model pridobil na priljubljenosti zaradi svoje dostopnosti, hitre razširljivosti in nizkih vstopnih ovir, zlasti v ustanovah, ki razpolagajo z omejenimi IT viri (UNESCO, 2021). Storitve Gen-UI, kot so ChatGPT (OpenAI, 2023), Gemini (Google DeepMind, 2023) in Copilot (Microsoft, 90 2023so reprezentativni primeri tega pristopa. Ta orodja gostujejo v cent"
+"T viri (UNESCO, 2021). Storitve Gen-UI, kot so ChatGPT (OpenAI, 2023), Gemini (Google DeepMind, 2023) in Copilot (Microsoft, 90 2023so reprezentativni primeri tega pristopa. Ta orodja gostujejo v centraliziranih podatkovnih središčih svojih ponudnikov in so globalno dostopna prek spletnih brskalnikov. Takšen model distribucije omogoča enostavno uporabo Gen -UI v izobraževalnem okolj u, saj lahko tako učitelji kot učeči se začnejo z uporabo skoraj brez predhodne tehnične priprave ali usposabljanja. Kljub prednostim izvedba v javnem oblaku odpira pomembna vprašanja v zvezi z varstvom podatkov in transparentnostjo. Ker se uporabniški podatki pogosto prenašajo na strežnike tretjih oseb in se tam tudi obdelujejo, se pojavljajo pomisleki glede skladnosti z zakonodajo, kot sta v Evropski uniji Splošna uredba o varstvu podatkov (GDPR) in Uredba o umetni inteligenci (AI Act) (European Parliament in Council, 2016; European Commission, 2021). Poleg tega številne takšne storitve delujejo kot t.i. »črne škatle« (angl. black-box systems), kar pomeni omejeno transparentnost glede uporabljenih učnih podatkov in postopkov, ki vodijo do generiranih rezultatov(Burrell, 2016; Floridi in Chiriatti, 202"
+"»črne škatle« (angl. black-box systems), kar pomeni omejeno transparentnost glede uporabljenih učnih podatkov in postopkov, ki vodijo do generiranih rezultatov(Burrell, 2016; Floridi in Chiriatti, 2020). Ta netransparentnost lahko oteži učiteljem presojanje točnosti vseb in ter obravnavo morebitnih pristranskosti ali etičnih dilem. Kljub omenjenim omejitvam pa javne oblačne rešitve ostajajo privlačne zaradi svoje izjemne dostopnosti in hitro razvijajočih se inovacij(OECD, 2023). Ob nenehnem napredku zmogljivosti Gen-UI predstavljajo te platforme pomembno izhodišče za učitelje, ki raziskujejo možnosti integracije UI v pedagoški proces (Armbrust idr., 2010; UNESCO, 2021). Ključne prednosti za učitelje oz. šole: • Enostavna dostopnost in uporaba. Dostop do orodij je možen s katerekoli naprave z internetno povezavo, brez potrebe po namestitvi programske opreme. • Samodejne posodobitve. Ponudniki storitev skrbijo za posodobitve in vzdrževanje orodij. • Nizki začetni stroški. Večina ponudnikov ponuja brezplačne ali cenovno ugodne osnovne pakete. • Velika izbira orodij. Širok nabor specializiranih orodij za različne vrste generiranja vsebine. • Ne zahteva tehnične podpore. Uporaba orodij"
+"ov ponuja brezplačne ali cenovno ugodne osnovne pakete. • Velika izbira orodij. Širok nabor specializiranih orodij za različne vrste generiranja vsebine. • Ne zahteva tehnične podpore. Uporaba orodij ne zahteva lastne računalniške infrastrukture (razen osebnega računalnika s spletnim brskalnikom) ali podpore tehničnega osebja. Slabosti: 91 • Odvisnost od internetne povezave. Za uporabo je potrebna stabilna internetna povezava. • Omejitve brezplačnih različic. Brezplačne različice pogosto vključujejo omejitve pri dolžini generirane vsebine, manj napredne funkcije ali dodajanje vodnega žiga generirani vsebini. • Vprašljiva zasebnost podatkov. Občutljivi podatki, ki se vnesejo v orodje, se prenašajo v oblak in se lahko shranjujejo na oddaljenih strežnikih. • Omejena transparentnost. Nabor podatkov, nad katerimi je učen temeljni model, ni poznan, prav tako ni znan proces učenja modela, kar poveča možnost pristranskosti. • Manjša prilagodljivost. Možnosti prilagajanja orodja so lahko omejene. Potrebna tehnična podpora : osnovno razumevanje spletnih brskalnikov in internetne povezave. Aplikacije v zasebnem oblaku Pri aplikacijah v zasebnem oblaku gre za uporabo orodij, ki so gostovana na"
+"e. Potrebna tehnična podpora : osnovno razumevanje spletnih brskalnikov in internetne povezave. Aplikacije v zasebnem oblaku Pri aplikacijah v zasebnem oblaku gre za uporabo orodij, ki so gostovana na namenskem strežniškem prostoru, ki ga izobraževalna ustanova najame od ponudnika oblačnih storitev. Zasebne oblačne rešitve označujejo uporabo računalniških oblačnih okolij, ki so namenjena izključno določeni instituciji ali konzorciju institucij, na primer šoli, univerzi, konzorciju šol ali nacionalnemu izobraževalnemu organu (Mell in Grance, 2011; UNESCO, 2021). Za razliko od javnih oblačnih storitev, ki so razpršene med milijone uporabnikov in v celoti upravljane s strani komercialnih ponudnikov, so infrastrukture zasebnega oblaka izolirane in konfigurirane tako, da služijo potrebam točno določenega kr oga uporabnikov(Armbrust idr., 2010). Ta izolacija izobraževalnim ustanovam omogoča večjo stopnjo nadzora nad upravljanjem podatkov, prilagajanjem sistemov in politiko dostopa uporabnikov. V izobraževalnem kontekstu se zasebne oblačne rešitve običajno uporabljajo takrat, ko institucije na eni strani potrebujejo razširljivost in prilagodljivost obla��nega računalništva, po drugi pa več"
+"v. V izobraževalnem kontekstu se zasebne oblačne rešitve običajno uporabljajo takrat, ko institucije na eni strani potrebujejo razširljivost in prilagodljivost oblačnega računalništva, po drugi pa večja zagotovila glede varstva podatkov, skladnosti z zakonoda jo ter integracije z obstoječo digitalno infrastrukturo(European Commission, 2023). Takšne implementacije lahko upravljajo interni IT oddelki zlasti v večjih izobraževalnih organizacijah (npr. univerze ali ministrstvo, pristojno za izobraževanje), ali pa p otekajo v okviru pogodbenih partnerstev z zaupanja vrednimi zunanjimi ponudniki, specializiranimi za izobraževalne tehnologije in oblačne storitve. Glede na dogovor so lahko modeli umetne inteligence in povezane storitve gostovani na virtualiziranih strežn ikih znotraj podatkovnega centra, ki ga upravlja sama institucija, ali pa na posebej namenjeni oblačni infrastrukturi, ki jo najamejo pri ponudnikih, 92 kot so AWS, Microsoft Azure ali Google Cloud(AWS, 2023; Microsoft, 2023; Google Cloud, 2023). Pri tem je infrastruktura konfigurirana tako, da omejuje dostop in pretok podatkov izključno na izobraževalno ustanovo. To omogoča skrbnikom, da izvajajo natančne varnostne politi"
+"Google Cloud, 2023). Pri tem je infrastruktura konfigurirana tako, da omejuje dostop in pretok podatkov izključno na izobraževalno ustanovo. To omogoča skrbnikom, da izvajajo natančne varnostne politike, nadzirajo uporabo ter zagotovijo skladnost orodij UI z institucionalnimi vrednotami, učnimi načrti in pravnimi okviri. Zasebne oblačne storitve predstavljajo ravnotežje med nadzorom in skalabilnostjo. Ustanovam omogočajo, da izkoristijo inovacije na področju umetne inteligence v izobraževanju, kot so avtomatizirano podajanje povratnih informacij, prilagodljivo ustvarjanje vsebin ali večjezična podpora, hkrati pa ohranjajo zaupanje v varnost, celovitost in pedagoško usklajenost uporabljenih tehnologij(UNESCO, 2021). Ključni pomanjkljivosti tovrstnega načina izvedbe sta seveda bistveno višji finančni vložek (vsaj začetni) in pa višje zahteve po tehnični podpori. Prednosti za učitelje oz. šole: • Večji nadzor nad podatki. Podatki ostanejo v okolju, ki ga nadzira šola, ali so znani mehanizmi varovanja podatkov in zagotavljanja zasebnosti. • Boljša zmogljivost in prilagodljivost. Možnost prilagoditve strojne in programske opreme glede na potrebe. Možno je tudi prilagajanje in fino uglaš"
+"mi varovanja podatkov in zagotavljanja zasebnosti. • Boljša zmogljivost in prilagodljivost. Možnost prilagoditve strojne in programske opreme glede na potrebe. Možno je tudi prilagajanje in fino uglaševanje modelov nad izbranimi, lastnimi vsebinami. • Napredne funkcije. Plačljive rešitve pogosto ponujajo naprednejše funkcije in večjo prilagodljivost, omogočajo tudi generiranje vsebine večjega obsega. • Možnost integracije z obstoječimi sistemi. Lažja integracija z drugimi šolskimi informacijskimi sistemi. Slabosti: • Višji stroški. Zahteva investicijo v najem strežniške infrastrukture in licenčnine za programsko opremo. • Potrebno tehnično znanje. Za upravljanje, vzdrževanje in konfiguracijo okolja je potrebno tehnično znanje in ustrezno usposobljen kader. • Odvisnost od internetne povezave. Kljub najemu zasebnih storitev je za dostop do orodij potrebna internetna povezava. Potrebna tehnična podpora: strokovnjaki za upravljanje oblačnih storitev in IT infrastrukturo. Lokalno nameščene aplikacije Namestitev in uporaba rešitev Gen-UI na lastni infrastrukturi šole pomeni, da institucija izvaja modele UI izključno na svojih lastnih strežnikih in računalniških napravah. Ta pristop je po"
+"aplikacije Namestitev in uporaba rešitev Gen-UI na lastni infrastrukturi šole pomeni, da institucija izvaja modele UI izključno na svojih lastnih strežnikih in računalniških napravah. Ta pristop je posebej priljubljen v okoljih, kjer so nadzor, avtonomija ali varnost podatkov ključnega 93 pomena(Mell in Grance, 2011; OECD, 2023) . Z vzdrževanjem infrastrukture, na kateri se v celoti izvajajo modeli in rešitve UI, na lastni lokaciji lahko institucije zagotovijo, da občutljivi podatki ostanejo pod njihovim neposrednim nadzorom, kar povečuje z asebnost podatkov in skladnost z regulatornimi zahtevami(European Commission, 2021; European Parliament in Council, 2016). Taka konfiguracija omogoča instituciji popoln nadzor nad podatki, saj ti nikoli ne zapustijo lokalnega okolja(UNESCO, 2021). Vendar p a je treba poudariti, da tovrstne namestitve zahtevajo znatna vlaganja v infrastrukturo in strokovno znanje ter nenehno podporo in vzdrževanje(Armbrust idr., 2010). Institucije morajo biti pripravljene na upravljanje strojne opreme, kontinuirano posodablja nje strojne in programske računalniške opreme ter zaposlovanje usposobljenega kadra za nadzor nad delovanjem sistemov umetne inteligence. P"
+"ljene na upravljanje strojne opreme, kontinuirano posodablja nje strojne in programske računalniške opreme ter zaposlovanje usposobljenega kadra za nadzor nad delovanjem sistemov umetne inteligence. Prednosti za učitelje oz. šole: • Popoln nadzor nad podatki. Podatki ostanejo v lokalnem okolju in niso izpostavljeni zunanjim strežnikom ali zunanjim ponudnikom. • Delovanje brez internetne povezave. Orodja se lahko uporabljajo tudi brez internetne povezave (po namestitvi na lokalno infrastrukturo). • Potencialno nižji dolgoročni stroški. Po začetni nabavi strojne opreme in enkratnem strošku nakupa programske opreme (če le-ta ni odprtokodna) ni neposrednih stroškov z uporabo programskih rešitev ali omejevanja uporabe. Se pa je potrebno zavedati potrebe po kontinuiranem vzdrževanju in nadgrajevanju računalniške infrastrukture. • Maksimalna prilagodljivost in transparentnost. Možnost popolne prilagoditve programske in strojne opreme. Prav tako je možno uporabljati povsem odprtokodne in transparentne modele. Slabosti: • Zahtevna namestitev in konfiguracija. Postopek namestitve in konfiguracije praviloma zahteva poglobljeno tehnično znanje in dobro usposobljene strokovnjake IT. • Potrebna"
+"parentne modele. Slabosti: • Zahtevna namestitev in konfiguracija. Postopek namestitve in konfiguracije praviloma zahteva poglobljeno tehnično znanje in dobro usposobljene strokovnjake IT. • Potrebna zmogljiva računalniška oprema. Orodja Gen-UI zahtevajo zelo zmogljivo in posledično drago računalniško opremo (zmogljiv procesor, namenske grafične kartice, velik in hiter primarni in sekundarni pomnilnik). • Ročne posodobitve. Učitelji ali tehnično podporno osebje morajo skrbeti za redno vzdrževanje in nadgradnjo ter pogosto izvajati ročne posodobitve programske opreme. • Omejena mobilnost. Dostop do orodij je omejen na naprave, na katerih so orodja nameščena. 94 Potrebna tehnična podpora : IT strokovnjaki za namestitev, konfiguracijo in vzdrževanje lokalne programske in strojne opreme. Uporaba namenske nacionalne infrastrukture Če se ne bi bilo potrebno ozirati na višje stroške (za najem in vzdrževanje) ter potrebo po tehničnem znanju (strokovnjaki za upravljanje oblačnih storitev in IT infrastrukturo), bi bila za večino učiteljev in šol verjetno najboljša izbira uporaba storitev v zasebnem oblaku, ki poleg enostavne uporabe zagotavlja še varnost podatkov ter nudi dobro stopnjo nadzo"
+"infrastrukturo), bi bila za večino učiteljev in šol verjetno najboljša izbira uporaba storitev v zasebnem oblaku, ki poleg enostavne uporabe zagotavlja še varnost podatkov ter nudi dobro stopnjo nadzora in možnost integracije z ostalimi izobraževalnimi informacijskimi sistemi(Mell in Grance, 2011; UNESCO, 2021). Pristop, ki bi ohranil prednosti sto ritev v zasebnem oblaku ter hkrati izobraževalne ustanove razbremenil stroškov najema in zmanjšal zahteve po njihovih usposobljenih kadrih, je razvoj in uporaba namenske nacionalne infrastrukture(OECD, 2023; European Commission, 2023). V tem primeru bi se na državni ravni zagotovilo potrebno računalniško infrastrukturo (tako strojno opremo, kot tudi ustrezne programske rešitve) ter strokovnjake za vzpostavitev in vzdrževanje programskih storitev. Še več, z vključitvijo raziskovalcev in strokovnjakov za razv oj umetne inteligence bi lahko razvili oz. prilagodili rešitve dejanskim potrebam in zahtevam izobraževalnih institucij v državi. Primer tovrstne nacionalne infrastrukture je Slovenska tovarna umetne inteligence (angl. Slovenian AI Factory, SLAIF), ki se ravno v času pisanja prispevka vzpostavlja v Sloveniji(IRCAI, 2023; Arnes, 2023)."
+"tovrstne nacionalne infrastrukture je Slovenska tovarna umetne inteligence (angl. Slovenian AI Factory, SLAIF), ki se ravno v času pisanja prispevka vzpostavlja v Sloveniji(IRCAI, 2023; Arnes, 2023). Poleg gradnje lastnih temeljnih modelov UI (npr. velikega jezikovnega modela, naučenega nad največjim zbranim naborom slovenskih besedil) bo poskrbljeno za razvoj na uporabnika osredinjenih storitev UI, ki se bodo izvajale na zmogljivem super-računalniku. Tovarna UI bo ponujala rešitve za nekaj izbranih domen; z vključitvijo rešitev za področje izobraževanja bi lahko s tovrstno platformo odlično naslovili potrebe slovenskega šolstva. Povzetek ocen po posameznih vidikih za različne vrste tehnične izvedbe orodij generativne UI je podan v spodnji tabeli (tabela ??). Tabela ??. Povzetek po posameznih vidikih glede na tehnično izvedbo orodij generativne UI. Vidik Javni oblak Zasebni oblak Lokalna namestitev 95 Preprostost uporabe ✅ preprosto ⚠️ srednje zahtevno ❌ zahtevno Tehnično znanje ✅ minimalno ⚠️ zmerno visoko ❌ visoko Stroški ✅ nizki (višji pri naprednih funkcijah) ❌ visoki (najem, vzdrževanje) ❌ lahko visoki (predvsem za strojno opremo) Varnost in zasebnost ❌ nizka (omejeno nadzoro"
+"imalno ⚠️ zmerno visoko ❌ visoko Stroški ✅ nizki (višji pri naprednih funkcijah) ❌ visoki (najem, vzdrževanje) ❌ lahko visoki (predvsem za strojno opremo) Varnost in zasebnost ❌ nizka (omejeno nadzorovana) ✅ večji nadzor ✅ popoln nadzor Etičnost in transparentnost ❌ slaba (ni jasno, kako je model učen) ⚠️ odvisno (od izbranega modela) ✅ dobra (možnost uporabe odprtokodnih rešitev) Orodja generativne UI Orodja generativne UI lahko razvrstimo v več kategorij glede na vrsto vsebine, ki jo generirajo – osnovna taksonomija orodij, skupaj z nekaj trenutno najbolj znanimi rešitvami, je prikazana na spodnji sliki ( slika ??). Za vsako kategorijo orodij obstaja množica konkretnih rešitev in aplikacij, ki se med seboj razlikujejo glede na množico lastnosti, omejitev in tehničnih parametrov, ki vplivajo tako na način uporabe, kot tudi na ustvarjen rezultat. – mogoče tu vir iz katerega članka ali pa od kje je vzeta ta slika… 96 Slika ??. Ključne kategorije orodij generativne UI, glede na vrsto vsebine, ki jo generirajo. Generatorji besedila Generatorji besedila so orodja, ki na podlagi besedilnih ukazov oz. pozivov (angl. prompt) ustvarjajo različne oblike pisne vsebine, kot so eseji, članki,"
+"bine, ki jo generirajo. Generatorji besedila Generatorji besedila so orodja, ki na podlagi besedilnih ukazov oz. pozivov (angl. prompt) ustvarjajo različne oblike pisne vsebine, kot so eseji, članki, povzetki, pesmi, scenariji, prevodi itd. So najpogosteje uporabljana vrsta orodij generativne UI, za delovanje katere so ključni veliki jezikovni modeli (angl. Large Language Models, LLM) (Brown idr., 2020; OpenAI, 2023)., ki omogočajo generiranje besedil. Tehnični parametri, lastnosti in omejitve, ki pomembno vplivajo na delovanje: • Velikost modela (število parametrov). Večji modeli pogosto generirajo bolj smiselno, vsebinsko povezano in kompleksno besedilo, vendar zahtevajo več računalniških virov. • Kontekstno okno. Določa dolžino besedila, ki ga model upošteva pri generiranju nadaljnje vsebine. Daljše kontekstno okno omogoča generiranje daljših in vsebinsko bolj ustreznih besedil. • Učna množica podatkov (angl. training data). Kakovost in obseg podatkov, na katerih je bil model učen, vplivata na kakovost in relevantnost generiranega besedila. 97 • Možnost prilagajanja (angl. fine-tuning). Nekatera orodja omogočajo dodatno učenje oz. fino prilagajanje modela na specifičnih naborih"
+"vplivata na kakovost in relevantnost generiranega besedila. 97 • Možnost prilagajanja (angl. fine-tuning). Nekatera orodja omogočajo dodatno učenje oz. fino prilagajanje modela na specifičnih naborih podatkov, kar izboljša njegovo učinkovitost za določene naloge. Tako lahko npr. učitelj prilagodi model na specifično učno gradivo, orodje pa v nadaljevanju generira vsebino v skladu s to vsebino. • Jezikovna podpora. Različna orodja podpirajo različne jezike. Praviloma modeli najbolje generirajo besedila v angleškem jeziku, medtem ko nekateri modeli bistveno slabše delujejo z besedili v slovenskem jeziku. Nekatera brezplačna/odprtokodna orodja za generiranje besedil: • GPT-2 (OpenAI, 2019).Starejši, a še vedno uporaben model za generiranje besedila. Na voljo so tudi odprtokodne implementacije. • Hugging Face Transformers (Wolf idr., 2020). Knjižnica, ki ponuja dostop do številnih predhodno usposobljenih jezikovnih modelov (vključno z odprtokodnimi različicami modelov GPT, T5, itd.). Zahteva tehnično znanje za uporabo. • Nekatere spletne platforme ponujajo brezplačne omejene preizkusne različice naprednejših modelov (npr. ChatGPT, Google Gemini). Pred izbiro konkretnega orodja naj učit"
+"va tehnično znanje za uporabo. • Nekatere spletne platforme ponujajo brezplačne omejene preizkusne različice naprednejših modelov (npr. ChatGPT, Google Gemini). Pred izbiro konkretnega orodja naj učitelji ocenijo jezikovno podporo (Bommasani idr., 2021; Bubeck idr., 2023; Zhuang idr., 2021)., dolžino in kompleksnost besedila, ki ga potrebujejo, ter ali brezplačna različica ustreza njihovim potrebam. Za naprednejšo uporabo znotraj šole je smiselno razmisliti o prilagoditvi odprtokodnih modelov, kar pa zahteva tehnično znanje. Generatorji slik Generatorji slik so orodja, ki na podlagi besedilnih opisov in pozivov ustvarjajo digitalne slike(Rombach idr., 2022; Ramesh idr., 2021). Tehnični parametri, lastnosti in omejitve, ki pomembno vplivajo na delovanje: • Število korakov generiranja (angl. diffusion steps). Večje število korakov običajno vodi do bolj kakovostnih in detajlnih slik, vendar zahteva več časa in računalniških virov. • Ločljivost generirane slike. Določa število pikslov v generirani sliki in s tem njeno ostrino in raven detajlov. Slike z višjo ločljivostjo so praviloma bolj kakovostne, a se za njihovo generiranje porabi več računskih virov. • Uporabljeni model. Obstaja v"
+"nerirani sliki in s tem njeno ostrino in raven detajlov. Slike z višjo ločljivostjo so praviloma bolj kakovostne, a se za njihovo generiranje porabi več računskih virov. • Uporabljeni model. Obstaja več modelov za generiranje slik(npr. Stable Diffusion, DALL-E), na katerih temeljijo orodja. Različni modeli imajo različne prednosti in slabosti glede na stil generiranja, realističnost in razumevanje pozivov uporabnika. • Možnost naprednega urejanja. Funkcije, ki omogočajo urejanje obstoječih slik z dodajanjem ali odstranjevanjem elementov. 98 • Slog generiranja. Nekatera orodja omogočajo izbiro želenega umetniškega sloga (npr. foto-realistično, impresionistično, anime) (Ramesh idr., 2022).; nekatera orodja omogočajo, da uporabnik naloži obstoječo sliko kot primer sloga, v katerem bi želel generiran rezultat. Nekatera brezplačna/odprtokodna orodja za generiranje slik: • Stable Diffusion. Zelo priljubljen odprtokodni model za generiranje slik (Rombach idr., 2022). Zahteva namestitev in konfiguracijo, vendar ponuja veliko prilagodljivosti. Na voljo so tudi spletne platforme, ki ga uporabljajo (nekatere brezplačne z omejitvami). • InvokeAI. Odprtokodna platforma, ki temelji na Stable Dif"
+"figuracijo, vendar ponuja veliko prilagodljivosti. Na voljo so tudi spletne platforme, ki ga uporabljajo (nekatere brezplačne z omejitvami). • InvokeAI. Odprtokodna platforma, ki temelji na Stable Diffusion in ponuja uporabniku prijaznejši vmesnik. • Craiyon (prej DALL-E mini). Brezplačna spletna aplikacija, ki generira manj kakovostne slike, a precej hitro. Pred odločitvijo o posameznem orodju naj učitelji ocenijo želeno kakovost in ločljivost slik, enostavnost uporabe ter ali so pripravljeni na morebitno namestitev in konfiguracijo programske opreme. Za hitre ilustracije lahko zadostujejo brezplačne spletne aplikacije, za kakovostnejše slike pa je smiselno razmisliti o zahtevnejših modelih, kot je Stable Diffusion, ali podobnih rešitvah. Generatorji zvoka Generatorji zvoka ustvarjajo različne vrste zvoka, kot so človeški glas, glasba, zvočni učinki itd., na podlagi besedilnih opisov ali različnih zvočnih vhodov(Dhariwal idr., 2020; Thorsten idr., 2021). Tehnični parametri, lastnosti in omejitve, ki pomembno vplivajo na delovanje: • Kakovost zvoka (bitna globina, vzorčna frekvenca). Višje vrednosti pomenijo boljšo kakovost zvoka, a zahtevajo več računalniških virov. • Raznolikost"
+"in omejitve, ki pomembno vplivajo na delovanje: • Kakovost zvoka (bitna globina, vzorčna frekvenca). Višje vrednosti pomenijo boljšo kakovost zvoka, a zahtevajo več računalniških virov. • Raznolikost glasov in stilov glasbe. Različna orodja ponujajo različne možnosti izbire generiranja človeškega glasu (npr. moški, ženski, otroški) in glasbenih žanrov. • Možnost urejanja zvoka. Nekatera orodja omogočajo osnovno urejanje generiranega zvoka. • Podpora za različne jezike (za generiranje govora). Pomembno za ustvarjanje kakovostnih glasovnih vsebin v različnih jezikih. Nekatera brezplačna/odprtokodna orodja za generiranje slik: • Mozilla TTS (Thorsten idr., 2021),. Odprtokodna knjižnica za sintezo govora (pretvorba besedila v govor). Zahteva tehnično znanje za uporabo. 99 • V osk (Povey idr., 2011). Odprtokodna knjižnica za prepoznavanje govora, ki se lahko uporablja v kombinaciji z generatorji govora. • Nekatere spletne platforme () ponujajo brezplačne omejene preizkusne različice orodij za generiranje govora(Huang idr., 2020; Povey idr., 2011) in glasbe. Učitelji naj ocenijo želeno kakovost zvoka, raznolikost glasov oz. glasbenih stilov in enostavnost uporabe. Za enostavno generiranj"
+"za generiranje govora(Huang idr., 2020; Povey idr., 2011) in glasbe. Učitelji naj ocenijo želeno kakovost zvoka, raznolikost glasov oz. glasbenih stilov in enostavnost uporabe. Za enostavno generiranje govora lahko zadostujejo brezplačne spletne platforme, za naprednejše ustvarjanje zvoka pa je treba poseči po plačljivih re šitvah ali se osredotočiti na uporabo naprednejših knjižnic, ki pa zahtevajo tehnično znanje. Generatorji videoposnetkov Generatorji videa so zmogljiva orodja, ki na podlagi besedilnih opisov, podanih slik ali drugih video posnetkov ustvarjajo video posnetke(Ho idr., 2022; Singer idr., 2022). Tehnični parametri, lastnosti in omejitve, ki pomembno vplivajo na delovanje: • Ločljivost videa (npr. HD, Full HD, 4K). Določa kakovost in ostrino video posnetka. • Število sličic na sekundo (FPS). Vpliva na gladkost gibanja v videu. • Dolžina generiranega videa. Brezplačne različice imajo pogosto omejitve glede dolžine videoposnetka, ki ga lahko ustvarimo. Daljši posnetek seveda zahteva več računskih virov. Možnost prilagajanja in urejanja(Wu idr., 2021). • . Nekatera orodja omogočajo dodajanje besedila, glasbe, prehodov in druge podobne funkcionalnosti. Nekatera brezplač"
+"eda zahteva več računskih virov. Možnost prilagajanja in urejanja(Wu idr., 2021). • . Nekatera orodja omogočajo dodajanje besedila, glasbe, prehodov in druge podobne funkcionalnosti. Nekatera brezplačna/odprtokodna orodja za generiranje videoposnetkov: • Trenutno je število kakovostnih brezplačnih ali odprtokodnih generatorjev videa zelo omejeno. Večina naprednih orodij je plačljivih. • Nekatere spletne platforme ponujajo brezplačne omejene preizkusne različice. Pri izbiri orodja za generiranje videoposnetkov naj učitelji ocenijo želeno kakovost in dolžino videa, enostavnost uporabe ter možnosti brezplačnih orodij. Za enostavne kratke videoposnetke lahko zadostujejo brezplačne preizkusne različice, za kompleksnejš e projekte pa bo verjetno potrebna uporaba plačljivih orodij. Generatorji 3D vizualizacij Vse bolj zanimiva postajajo orodja generativne UI, ki znajo generirati nekatere bolj specifične oblike vsebin. Med njimi so generatorji 3D prikazov, ki ustvarjajo tridimenzionalne modele in 100 scene na podlagi besedilnih opisov ali drugih vhodnih podatkov(Poole idr., 2022; Lin idr., 2023). Tehnični parametri, lastnosti in omejitve, ki pomembno vplivajo na delovanje: • Kompleksnost g"
+"in 100 scene na podlagi besedilnih opisov ali drugih vhodnih podatkov(Poole idr., 2022; Lin idr., 2023). Tehnični parametri, lastnosti in omejitve, ki pomembno vplivajo na delovanje: • Kompleksnost generiranih 3D modelov (število ploskev oz. poligonov). Večje število poligonov omogoča bolj detajlne 3D modele, vendar hkrati zahteva več računalniških virov. • Nabor tekstur in materialov. Realističnost 3D modelov je odvisna od kakovosti tekstur in materialov, ki jih orodja uporabijo na ustvarjenih 3D modelih. • Možnost animacije. Nekatera orodja omogočajo tudi animiranje 3D modelov. • Formati izvoza. Različna orodja podpirajo različne formate za shranjevanje in izvoz 3D modelov (npr. OBJ, STL, FBX).(Jun in Nichol, 2023). Nekatera brezplačna/odprtokodna orodja za generiranje 3D modelov in prikazov: • Blender (Blender Foundation, 2023). Zmogljivo in brezplačno odprtokodno orodje za 3D modeliranje, animacijo in vizualizacijo, ki pa zahteva precej učenja. • Nekatera spletna orodja ponujajo osnovno generiranje 3D modelov iz besedila v brezplačnih ali preizkusnih različicah, vendar so njihove zmožnosti pogosto omejene. Pred izbiro orodja naj učitelji ocenijo kompleksnost potrebnih modelov"
+"snovno generiranje 3D modelov iz besedila v brezplačnih ali preizkusnih različicah, vendar so njihove zmožnosti pogosto omejene. Pred izbiro orodja naj učitelji ocenijo kompleksnost potrebnih modelov in želeno stopnjo realističnosti. Prav tako naj dobro premislijo, koliko časa so pripravljeni vložiti v učenje kompleksnejšega orodja. Generatorji kode Generatorji kode so orodja, ki z uporabo generativne UI generirajo računalniško kodo v različnih programskih jezikih na podlagi pozivov v naravnem jeziku ali drugih vhodnih podatkov(Chen idr., 2021; Li idr., 2023). Tehnični parametri, lastnosti in omejitve generatorjev programske kode: • Podprti programski jeziki. Različna orodja podpirajo različne programske jezike (npr. Python, Java, JavaScript); prav tako so lahko rezultati v različnih programskih jezikih precej različne kakovosti. • Kakovost in učinkovitost generirane kode. Generirana programska koda mora biti pravilna in kolikor se da slediti dobrim praksam programiranja. Sama sestava kode je pri tem lahko bolj ali manj učinkovita. • Možnost prilagajanja kode. Nekatera orodja omogočajo prilagajanje generirane kode glede na specifične potrebe. Pomembna funkcionalnost je tudi prilaga"
+"kode je pri tem lahko bolj ali manj učinkovita. • Možnost prilagajanja kode. Nekatera orodja omogočajo prilagajanje generirane kode glede na specifične potrebe. Pomembna funkcionalnost je tudi prilagajanje že 101 obstoječi programski kodi, ki jo želimo dopolniti ali nadgraditi z novimi funkcionalnostmi. • Integracija z razvojnimi okolji (IDE) (OpenAI, 2023). Posamezna orodja omogočajo, da generiranje programske kode integriramo neposredno v obstoječa razvojna okolja, kar omogoča bolj učinkovito delo. Nekatera brezplačna/odprtokodna orodja za generiranje programske kode: • GitHub Copilot (GitHub, 2023) (omejeno brezplačno za nekatere uporabnike). Čeprav orodje ni popolnoma brezplačno, ponuja brezplačne možnosti za študente in učitelje. • Tabnine (Tabnine, 2023). Podobno kot Copilot, ponuja brezplačne in plačljive različice. • Nekateri veliki jezikovni modeli (npr. GPT-4) imajo zmožnost generiranja kode in so dostopni preko API-ja, kar omogoča integracijo v lokalne rešitve; možnost uporabe preko API-jev je sicer praviloma plačljiva. Učitelji naj ocenijo, katere programske jezike potrebujejo, kakšno raven nadzora potrebujejo nad generirano kodo in ali imajo dostop do razvojnih okolij,"
+"be preko API-jev je sicer praviloma plačljiva. Učitelji naj ocenijo, katere programske jezike potrebujejo, kakšno raven nadzora potrebujejo nad generirano kodo in ali imajo dostop do razvojnih okolij, ki podpirajo integracijo z generatorji kode. Generatorji iger Generatorji iger so zmogljiva orodja, ki ustvarjajo računalniške igre ali njihove posamezne elemente (npr. like, scenarije, igralne stopnje) na podlagi uporabnikovih pozivov v naravnem jeziku ali drugih vhodnih podatkov(Summerville idr., 2018; Risi in Togelius, 2020). Tehnični parametri, lastnosti in omejitve generatorjev programske kode: • Žanr igre. Različna orodja so lahko bolj ali manj primerna za različne žanre iger (npr. pustolovske, strateške, arkadne). • Kompleksnost igre. Orodja se razlikujejo po tem, kako kompleksne igre lahko ustvarijo. • Možnost prilagajanja igralnega okolja in likov. Nekatera orodja omogočajo podrobno prilagajanje videza in obnašanja likov v igri ter samega okolja igre. • Izvoz in združljivost(Sarkar idr., 2022). Pomembno je, v kakšnem formatu se lahko igra izvozi in na katerih platformah jo je mogoče igrati. Nekatera brezplačna/odprtokodna orodja za generiranje računalniških iger: • Godot Engi"
+"ar idr., 2022). Pomembno je, v kakšnem formatu se lahko igra izvozi in na katerih platformah jo je mogoče igrati. Nekatera brezplačna/odprtokodna orodja za generiranje računalniških iger: • Godot Engine (Godot Engine, 2023). Odprtokodni pogon za razvoj 2D in 3D iger, ki se lahko uporablja za ustvarjanje iger z elementi, generiranimi z generativno UI. 102 • Unity (Unity Technologies, 2023) (z odprtokodnimi komponentami in dodatki). Čeprav Unity sam po sebi ni odprtokoden, obstajajo odprtokodne komponente in dodatki, ki se lahko uporabljajo za integracijo z orodji Gen-UI. Pred izbiro posameznega generatorja računalniških iger naj učitelji ocenijo želeni žanr in kompleksnost iger, ki jih želijo ustvariti, kakšne možnosti prilagajanja potrebujejo in na katerih platformah želijo, da so igre dostopne. Literatura Bommasani, R., Hudson, D. A., Adeli, E., Altman, R., … in Liang, P. (2021). On the opportunities and risks of foundation models (arXiv:2108.07258). https://arxiv.org/abs/2108.07258 Floridi, L. in Chiriatti, M. (2020). GPT -3: Its nature, scope, limits, and consequences. Minds and Machines, 30(4), 681–694. https://doi.org/10.1007/s11023-020-09548-1 Kasneci, E., Seßler, K., Küchema"
+"loridi, L. in Chiriatti, M. (2020). GPT -3: Its nature, scope, limits, and consequences. Minds and Machines, 30(4), 681–694. https://doi.org/10.1007/s11023-020-09548-1 Kasneci, E., Seßler, K., Küchemann, S., Bannert, M., … in Kasneci, G. (2023). ChatGPT for good? On opportunities and challenges of large language models for education. Learning and Individual Differences, 103, 102274. https://doi.org/10.1016/j.lindif.2023.102274 OECD. (2021). OECD Digital Education Outlook 2021: Pushing the Frontiers with Artificial Intelligence, Blockchain and Robots. OECD Publishing. https://doi.org/10.1787/589b283f-en OECD. (2023). Opportunities, guidelines and guardrails for effective and equitable use of AI in education (Discussion paper). https://www.oecd.org/content/dam/oecd/en/about/projects/edu/smart-data-and-digital- technology-in- education/Opportunities%2C%20guidelines%20and%20guardrails%20for%20effective%20a nd%20equitable%20use%20of%20AI%20in%20education.pdf OECD. (2023). Emerging governance of generative AI in education (Chapter in OECD Digital Education Outlook 2023 ). https://www.oecd.org/en/publications/oecd -digital-education- outlook-2023_c74f03de-en/full-report/emerging-governanc"
+"e of generative AI in education (Chapter in OECD Digital Education Outlook 2023 ). https://www.oecd.org/en/publications/oecd -digital-education- outlook-2023_c74f03de-en/full-report/emerging-governance-of-generative-ai-in- education_3cbd6269.html OpenAI (Achiam, J., et al.). (2023). GPT-4 Technical Report (arXiv:2303.08774). https://arxiv.org/abs/2303.08774 103 Zawacki-Richter, O., Marín, V. I., Bond, M. in Gouverneur, F. (2019). Systematic review of research on artificial intelligence applications in higher education – Where are the educators? International Journal of Educational Technology in Higher Education, 16 (1), 39. https://doi.org/10.1186/s41239-019-0171-0 European Commission. (2023). Ethics guidelines for trustworthy AI in education. Publications Office of the European Union. https://digital -strategy.ec.europa.eu/en/library/ethics- guidelines-trustworthy-ai UNESCO. (2021). AI and education: Guidance for policy-makers. United Nations Educational, Scientific and Cultural Organization. https://unesdoc.unesco.org/ark:/48223/pf0000376709 OECD. (2023). Opportunities, guidelines and guardrails for effective and equitable use of AI in education (Discussion paper). OECD Publishin"
+"ization. https://unesdoc.unesco.org/ark:/48223/pf0000376709 OECD. (2023). Opportunities, guidelines and guardrails for effective and equitable use of AI in education (Discussion paper). OECD Publishing. https://www.oecd.org/en/publications/oecd-digital-education-outlook-2023_c74f03de-en/full- report/emerging-governance-of-generative-ai-in-education_3cbd6269.html Armbrust, M., Fox, A., Griffith, R., Joseph, A. D., Katz, R., Konwinski, A., … in Zaharia, M. (2010). A view of cloud computing. Communications of the ACM, 53 (4), 50 –58. https://doi.org/10.1145/1721654.1721672 Google DeepMind. (2023). Introducing Gemini 1.5 . https://deepmind.google/technologies/gemini/ Microsoft. (2023). Microsoft Copilot. https://copilot.microsoft.com OECD. (2023). Opportunities, guidelines and guardrails for effective and equitable use of AI in education (Discussion paper). OECD Publishing. https://www.oecd.org/en/publications/oecd-digital-education-outlook-2023_c74f03de-en/full- report/emerging-governance-of-generative-ai-in-education_3cbd6269.html OpenAI. (2023). GPT-4 Technical Report (arXiv:2303.08774). https://arxiv.org/abs/2303.08774 UNESCO. (2021). AI and education: Guidance for policy-makers. U"
+"-of-generative-ai-in-education_3cbd6269.html OpenAI. (2023). GPT-4 Technical Report (arXiv:2303.08774). https://arxiv.org/abs/2303.08774 UNESCO. (2021). AI and education: Guidance for policy-makers. United Nations Educational, Scientific and Cultural Organization. https://unesdoc.unesco.org/ark:/48223/pf0000376709 Armbrust, M., Fox, A., Griffith, R., Joseph, A. D., Katz, R., Konwinski, A., … in Zaharia, M. (2010). A view of cloud computing. Communications of the ACM, 53 (4), 50 –58. https://doi.org/10.1145/1721654.1721672 104 Burrell, J. (2016). How the machine ‘thinks’: Understanding opacity in machine learning algorithms. Big Data & Society, 3(1), 1–12. https://doi.org/10.1177/2053951715622512 European Commission. (2021). Proposal for a regulation laying down harmonised rules on artificial intelligence (Artificial Intelligence Act). https://eur -lex.europa.eu/legal- content/EN/TXT/?uri=CELEX:52021PC0206 European Parliament & Council. (2016). Regulation (EU) 2016/679 (General Data Protection Regulation – GDPR). https://eur-lex.europa.eu/eli/reg/2016/679/oj Floridi, L. in Chiriatti, M. (2020). GPT -3: Its nature, scope, limits, and consequences. Minds and Machines, 30(4), 681–694."
+"tection Regulation – GDPR). https://eur-lex.europa.eu/eli/reg/2016/679/oj Floridi, L. in Chiriatti, M. (2020). GPT -3: Its nature, scope, limits, and consequences. Minds and Machines, 30(4), 681–694. https://doi.org/10.1007/s11023-020-09548-1 OECD. (2023). Opportunities, guidelines and guardrails for effective and equitable use of AI in education (Discussion paper). OECD Publishing. https://www.oecd.org/en/publications/oecd-digital-education-outlook-2023_c74f03de-en/full- report/emerging-governance-of-generative-ai-in-education_3cbd6269.html UNESCO. (2021). AI and education: Guidance for policy -makers. UNESCO Publishing. https://unesdoc.unesco.org/ark:/48223/pf0000376709 Amazon Web Services. (2023). AWS education cloud solutions . https://aws.amazon.com/education/ Armbrust, M., Fox, A., Griffith, R., Joseph, A. D., Katz, R., Konwinski, A., … in Zaharia, M. (2010). A view of cloud computing. Communications of the ACM, 53 (4), 50 –58. https://doi.org/10.1145/1721654.1721672 European Commission. (2023). Ethics guidelines for trustworthy AI in education. Publications Office of the European Union. https://digital -strategy.ec.europa.eu/en/library/ethics- guidelines-trustworthy-ai Googl"
+"mission. (2023). Ethics guidelines for trustworthy AI in education. Publications Office of the European Union. https://digital -strategy.ec.europa.eu/en/library/ethics- guidelines-trustworthy-ai Google Cloud. (2023). Google Cloud for education . https://cloud.google.com/solutions/education Mell, P. in Grance, T. (2011). The NIST definition of cloud computing (NIST Special Publication 800 -145). National Institute of Standards and Technology. https://doi.org/10.6028/NIST.SP.800-145 Microsoft. (2023). Azure education solutions . https://azure.microsoft.com/en - us/solutions/education/ 105 UNESCO. (2021). AI and education: Guidance for policy -makers. UNESCO Publishing. https://unesdoc.unesco.org/ark:/48223/pf0000376709 Arnes. (2023). Slovenska tovarna umetne inteligence (SLAIF) . Akademska in raziskovalna mreža Slovenije. https://www.arnes.si/slovenska-tovarna-umetne-inteligence-slaif IRCAI. (2023). Slovenian AI Factory (SLAIF) . International Research Centre on Artificial Intelligence under the auspices of UNESCO. https://ircai.org/slovenian-ai-factory-slaif Brown, T., Mann, B., Ryder, N., Subbiah, M., Kaplan, J. D., Dhariwal, P., … in Amodei, D. (2020). Language models are few -sho"
+"nder the auspices of UNESCO. https://ircai.org/slovenian-ai-factory-slaif Brown, T., Mann, B., Ryder, N., Subbiah, M., Kaplan, J. D., Dhariwal, P., … in Amodei, D. (2020). Language models are few -shot learners. Advances in Neural Information Processing Systems, 33, 1877–1901. https://arxiv.org/abs/2005.14165 Wolf, T., Debut, L., Sanh, V., Chaumond, J., Delangue, C., Moi, A., … in Rush, A. M. (2020). Transformers: State -of-the-art natural language processing. Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing: System Demonstrations , 38–45. https://doi.org/10.18653/v1/2020.emnlp-demos.6 Dayma, B., Patil, S., Cuenca, P., Saifullah, K., Abraham, T., Le Khac, P. in Wolf, T. (2021). DALL·E mini. Hugging Face. https://github.com/borisdayma/dalle-mini Ramesh, A., Pavlov, M., Goh, G., Gray, S., Voss, C., Radford, A., … in Sutskever, I. (2021). Zero-shot text -to-image generation. Proceedings of the 38th International Conference on Machine Learning (ICML). https://arxiv.org/abs/2102.12092 Ramesh, A., Dhariwal, P., Nichol, A., Chu, C. in Chen, M. (2022). Hierarchical text - conditional image generation with CLIP latents. arXiv preprint arXiv:2204.06125 ."
+"https://arxiv.org/abs/2102.12092 Ramesh, A., Dhariwal, P., Nichol, A., Chu, C. in Chen, M. (2022). Hierarchical text - conditional image generation with CLIP latents. arXiv preprint arXiv:2204.06125 . https://arxiv.org/abs/2204.06125 Rombach, R., Blattmann, A., Lorenz, D., Esser, P. in Ommer, B. (2022). High-resolution image synthesis with latent diffusion models. arXiv preprint arXiv:2112.10752 . https://arxiv.org/abs/2112.10752 Dhariwal, P., Jun, H., Payne, C., Kim, J. W., Radford, A. in Sutskever, I. (2020). Jukebox: A generative model for music. arXiv preprint arXiv:2005.00341 . https://arxiv.org/abs/2005.00341 Huang, C. A., Vaswani, A., Uszkoreit, J., Simon, I., Hawthorne, C., Shazeer, N., … in Eck, D. (2020). Music Transformer: Generating music with long -term structure. Proceedings of the International Conference on Learning Representations (ICLR) . https://arxiv.org/abs/1809.04281 106 Povey, D., Ghoshal, A., Boulianne, G., Burget, L., Glembek, O., Goel, N., … in Veselý, K. (2011). The Kaldi speech recognition toolkit. IEEE 2011 Workshop on Automatic Speech Recognition and Understanding (ASRU). https://kaldi-asr.org Thorsten, M., Müller, J. in drugi. (2021). Mozilla TTS: An"
+"1). The Kaldi speech recognition toolkit. IEEE 2011 Workshop on Automatic Speech Recognition and Understanding (ASRU). https://kaldi-asr.org Thorsten, M., Müller, J. in drugi. (2021). Mozilla TTS: An open-source speech synthesis system. Mozilla Foundation. https://github.com/mozilla/TTS Ho, J., Jain, A. in Abbeel, P. (2022). Imagen Video: High definition video generation with diffusion models. arXiv preprint arXiv:2210.02303. https://arxiv.org/abs/2210.02303 Wu, T., Ge, Y., Wang, X., Lei, Y., Wu, Y. in Shan, Y. (2021). Godiva: Generating open - domain videos from natural descriptions. arXiv preprint arXiv:2104.14806 . https://arxiv.org/abs/2104.14806 Blender Foundation. (2023). Blender – Free and open source 3D creation suite . https://www.blender.org Jun, H. in Nichol, A. (2023). Shap -E: Generating conditional 3D implicit functions. arXiv preprint arXiv:2305.02463. https://arxiv.org/abs/2305.02463 Lin, C., Gao, J., Chen, Z., Wang, T., Wang, Z., Han, K., … in Zhang, F. (2023). Magic3D: High-resolution text -to-3D content creation. arXiv preprint arXiv:2211.10440 . https://arxiv.org/abs/2211.10440 Poole, B., Jain, A., Barron, J. T. in Mildenhall, B. (2022). DreamFusion: Text-to-3D"
+": High-resolution text -to-3D content creation. arXiv preprint arXiv:2211.10440 . https://arxiv.org/abs/2211.10440 Poole, B., Jain, A., Barron, J. T. in Mildenhall, B. (2022). DreamFusion: Text-to-3D using 2D diffusion. arXiv preprint arXiv:2209.14988. https://arxiv.org/abs/2209.14988 Chen, M., Tworek, J., Jun, H., Yuan, Q., Pinto, H. P. de O., Kaplan, J., … in Zaremba, W. (2021). Evaluating large language models trained on code. arXiv preprint arXiv:2107.03374. https://arxiv.org/abs/2107.03374 GitHub. (2023). GitHub Copilot documentation. https://docs.github.com/en/copilot Li, R., Allal, L. B., Zi, Y., Muennighoff, N., Kocetkov, D., Ben Allal, L., … in Wolf, T. (2023). StarCoder: May the source be with you! arXiv preprint arXiv:2305.06161 . https://arxiv.org/abs/2305.06161 OpenAI. (2023). GPT-4 Technical Report . arXiv preprint arXiv:2303.08774 . https://arxiv.org/abs/2303.08774 Tabnine. (2023). AI code completions for your IDE. Tabnine. https://www.tabnine.com 107 Godot Engine. (2023). Godot Engine: Free and open source game engine . https://godotengine.org Risi, S. in Togelius, J. (2020). Increasing generality in machine learning through procedural content generation. Nature Mac"
+"). Godot Engine: Free and open source game engine . https://godotengine.org Risi, S. in Togelius, J. (2020). Increasing generality in machine learning through procedural content generation. Nature Machine Intelligence, 2 (8), 428 –436. https://doi.org/10.1038/s42256-020-0210-7 Sarkar, A., Cooper, S. in Liapis, A. (2022). Creativity in co -creativity: Human –AI collaboration in game design. Proceedings of the AAAI Conference on Artificial Intelligence and Interactive Digital Entertainment, 18 (1), 177 –185. https://ojs.aaai.org/index.php/AIIDE/article/view/21969 Summerville, A. J., Snodgrass, S., Mateas, M. in Ontañón, S. (2018). Procedural content generation via machine learning (PCGML). IEEE Transactions on Games, 10 (3), 257–270. https://doi.org/10.1109/TG.2018.2846639 Unity Technologies. (2023). Unity documentation. https://docs.unity.com 108 Etični in pravni vidik: pravice, tveganja in obveznosti šole doc. dr. Benjamin Lesjak, Univerza na Primorskem Povzetek Uporaba generativne umetne inteligence (Gen -UI) v izobraževanju prinaša šolam in drugim deležnikom nove možnosti za učenje, poučevanje in administrativno podporo, hkrati pa odpira pomembna etična in pravna vprašanja. Prisp"
+"tne inteligence (Gen -UI) v izobraževanju prinaša šolam in drugim deležnikom nove možnosti za učenje, poučevanje in administrativno podporo, hkrati pa odpira pomembna etična in pravna vprašanja. Prispevek sistematično obravnava ključn a pravna tveganja, obveznosti izobraževalnih institucij ter priporočila za oblikovanje zakonitih in odgovornih praks uporabe UI v šolskem okolju. Šola kot »uvajalec umetne inteligence« mora delovati znotraj pravnega okvira, ki ga določajo Splošna uredba o varstvu podatkov (GDPR), Akt o umetni inteligenci (EU AI Act) in ZVOP -2. EU AI Act klasificira sisteme glede na tveganje, pri čemer šola izrecno prepoveduje visoko tvegane sisteme, kot so analiza čustvenih odzivov učencev ali socialno točkovanje. Za visoko tvegane aplikacije, denimo samodejno ocenjevanje ali profiliranje, šola uvaja stroge zaščitne mehanizme, kot so obvezna presoja tveganj (DPIA/FRIA), dokumentacija in zagotavljanje človeškega posredovanja v procesu odločanja. Pri vključevanju UI v izobraže vanje ugotavljamo, da obstajajo resna tveganja, vključno z »halucinacijami« (generiranje netočnih informacij) ter preveliko odvisnostjo učencev, kar zmanjšuje samozavest in kritično mišljenje. Za"
+"raže vanje ugotavljamo, da obstajajo resna tveganja, vključno z »halucinacijami« (generiranje netočnih informacij) ter preveliko odvisnostjo učencev, kar zmanjšuje samozavest in kritično mišljenje. Zato učitelj prevzema vlogo mentorja in usmerjevalca, ki prilag aja stopnjo nadzora in samostojnosti glede na starost učencev – od popolnega nadzora v nižjih razredih do poučevanja akademske integritete v srednjem in visokem šolstvu. Za uravnoteženo in varno integracijo UI je smiselno oblikovati transparentne notranje politike. Te politike naj jasno opredeljujejo dovoljeno rabo (npr. lektoriranje, generiranje idej) in prepovedi (npr. lastna avtorska produkcija) ter zahtevajo označevanje uporabe UI v izdelkih učencev. Šola s tem zagotavlja transparentnost, ustrezno uspos abljanje osebja ter obvešča starše o pravilih za varno rabo doma. Le s celovitim razumevanjem zakonodajnih in pedagoških omejitev bo uporaba UI prispevala k uspešnejšemu in kritičnemu učenju. 109 Ključne besede: Generativna umetna inteligenca (Gen -UI), EU Akt o umetni inteligenci (AI Act), GDPR, Izobraževanje, Pravna tveganja, Vloga učitelja, Šolske politike, Varstvo podatkov. Uvod Uporaba generativne umetne inteligence"
+"metna inteligenca (Gen -UI), EU Akt o umetni inteligenci (AI Act), GDPR, Izobraževanje, Pravna tveganja, Vloga učitelja, Šolske politike, Varstvo podatkov. Uvod Uporaba generativne umetne inteligence (UI) v izobraževanju odpira nove možnosti za učenje, poučevanje in administrativno podporo, hkrati pa prinaša tudi številna pravna vprašanja. Učitelji, vodstva šol in drugi deležniki se morajo zavedati starostnih omejitev, pogojev uporabe posameznih orodij in svojih odgovornosti pri uvajanju UI v pedagoški proces. Posebno pozornost zahtevajo pravna tveganja, povezana z netočnostmi, diskriminacijo, obdelavo osebnih podatkov ter morebitnim učenjem modelov na podlagi vnos a učencev. To poglavje nudi pregled možnosti uporabe UI glede na stopnjo izobraževanja, predstavlja pravni okvir (vključno z GDPR, ZVOP -2 in Aktom o umetni inteligenci), ter podaja praktična priporočila za učitelje in vodstva šol pri oblikovanju varnih, zakonitih in premišljenih praks uporabe UI v šolskem okolju. Možnost uporabe UI v šolstvu za učenje, poučevanje in administrativno podporo Generativna umetna inteligenca omogoča širok nabor uporabe v izobraževanju, ki ga lahko razdelimo na tri ključna področja: učenje uč"
+"orabe UI v šolstvu za učenje, poučevanje in administrativno podporo Generativna umetna inteligenca omogoča širok nabor uporabe v izobraževanju, ki ga lahko razdelimo na tri ključna področja: učenje učencev, delo učiteljev (poučevanje) in administrativna podpora v šoli. Tovrstna razdelitev se pojavlja tudi v priporočilih mednarodnih organizacij, ki opozarjajo na potrebo po jasni diferenciaciji med vlogami uporabnikov ter cilji uporabe (UNESCO, 2023; OECD, 2023a). Na področju učenja se Gen -UI uporablja kot podpora pri pridobivanju razlag, razvijanju besedilnih spretnosti, simulaciji dialogov in preverjanju znanja. Pri tem je pomembno, da se vloga UI ne razume kot nadomestilo učitelja, temveč kot dopolnilo individualiziranemu učenju (Kloosterman, 2023). OECD (2023b) ob tem poudarja potrebo po vključitvi smernic, ki spodbujajo odgovorno in premišljeno uporabo takšnih orodij pri učencih. Učitelji uporabljajo generativna orodja predvsem kot pomoč pri pripravi učnih vsebin, prilagajanju nalog glede na zmožnosti učencev, prevajanju in povzemanju strokovnih gradiv ter ustvarjanju povratnih informacij. Kot izpostavlja Burns (2025), so ti proces i lahko 110 pomembna podpora pri razbremenitvi"
+"g glede na zmožnosti učencev, prevajanju in povzemanju strokovnih gradiv ter ustvarjanju povratnih informacij. Kot izpostavlja Burns (2025), so ti proces i lahko 110 pomembna podpora pri razbremenitvi učiteljevega delovnega časa in pri oblikovanju učnega okolja, prilagojenega potrebam razreda. Na ravni šole pa UI ponuja možnost avtomatizacije rutinskih nalog, kot so priprava e-sporočil, zapisnikov, analiz anket, poročil ter načrtovalnih dokumentov. Kot opozarja OECD (2023a), je to področje pogosto spregledano, a lahko pomembno prispeva k izboljš anju učinkovitosti administrativnega dela, še posebej če se uporaba orodij uskladi z notranjimi pravili in zakonskimi zahtevami. Možna tveganja pri uporabi Ena od osrednjih težav, ki jo izpostavljajo Abbas idr. (2024), je t. i. »over -reliance« ali prevelika odvisnost študentov od generativne umetne inteligence. Avtorji so v empirični študiji ugotovili, da lahko redna uporaba LLM (tj. Large Language Model ali veliki jezikovni model, kjer gre za vrsto umetne inteligence usposobljeno za razumevanje in generiranje človeškega jezika) vodi do zmanjšanja samozavesti pri reševanju nalog, površinskega razumevanja vsebine in slabše razvite sposobnos"
+"vrsto umetne inteligence usposobljeno za razumevanje in generiranje človeškega jezika) vodi do zmanjšanja samozavesti pri reševanju nalog, površinskega razumevanja vsebine in slabše razvite sposobnosti kritičnega mišlje nja. Ugotovitve so pokazale tudi povečano tveganje za akademsko nepoštenost, saj študenti pogosto uporabljajo generirane vsebine brez njihovega razumevanja ali ustreznega navajanja virov. Podobno Chan in Hu (2023) poročata, da sicer študenti prepoznavajo u porabnost orodij za pridobivanje razlag in strukturiranje esejev, vendar obenem izražajo zaskrbljenost glede vpliva na lastno učno avtonomijo ter možnost nenamernega plagiatorstva. Na tehnični ravni so resna tveganja povezana s t. i. “halucinacijami”, ki jih obširno opisujejo Ji idr. (2023). Na podlagi analize več kot 100 raziskav so ugotovili, da je generiranje prepričljivih, a napačnih informacij strukturni problem LLM in ne zgolj občasna napaka. Halucinacije so posebej problematične pri učenju, kjer lahko študenti sprejmejo napačne razlage kot dejstva, še posebej, če nimajo ustreznega predznanja za preverjanje. Yan idr. (2023) pa v sistematičnem pregledu dodajajo, da so ta tveganja še večja v okoljih, kjer uči"
+"sprejmejo napačne razlage kot dejstva, še posebej, če nimajo ustreznega predznanja za preverjanje. Yan idr. (2023) pa v sistematičnem pregledu dodajajo, da so ta tveganja še večja v okoljih, kjer učitelji niso ustrezno usposobljeni za kritično uporabo LLM ali kjer primanjkuje ustaljenih smernic za vključevanje teh orodij v pedagoški proces. 111 Kdaj in kako lahko učenci uporabljajo UI Statistični podatki jasno kažejo, da je uporaba generativnih UI orodij med učenci, dijaki in študenti v vzponu, pri čemer močno prevladuje nekaj vodilnih platform. Najbolj razširjeno orodje je ChatGPT, ki je po podatkih različnih analiz v letu 2025 beležil povprečno 122 milijonov dnevno aktivnih uporabnikov ter kar 800 milijonov tedenskih uporabnikov, ob več kot 1 milijardi poizvedb na dan (DesignRush, 2025; DataStudios, 2025). Sledita mu Google Gemini (prej Bard) s približno 270 milijoni mesečnih obiskovalcev in Microsoft Copilot (preko Bing Chat), ki ima med 100 in 140 milijoni dnevno aktivnih uporabnikov (DataStudios, 2025). Empirične raziskave potrjujejo, da je uporaba generativnih orodij umetne inteligence med učenci in študenti v izobraževalnih okoljih že močno razširjena. Bittner idr. (2023) v"
+"kov (DataStudios, 2025). Empirične raziskave potrjujejo, da je uporaba generativnih orodij umetne inteligence med učenci in študenti v izobraževalnih okoljih že močno razširjena. Bittner idr. (2023) v reprezentativni nemški študiji poročajo, da je več kot 50 % študentov že uporabi lo ChatGPT pri študijskih obveznostih, sledijo pa mu DeepL, Grammarly in DALL·E kot pogosto uporabljena orodja. Podobno ugotavljata Sublime in Renna (2024), ki sta v mednarodni raziskavi pokazala, da skoraj 70 % anketiranih srednješolcev redno uporablja vs aj eno LLM orodje za šolske naloge, pri čemer je ChatGPT daleč najpogostejša izbira, sledijo mu Bing AI, YouChat in Poe. Zhu, Zhang in Wang (2024) pa v študiji, osredotočeni na uporabo v srednjih šolah, izpostavljajo, da več kot 40 % učencev uporablja LLM tedensko, najpogosteje za pridobivanje razlag, povzetkov besedil in pisanje esejev. Med alternativnimi orodji so sicer omenjeni tudi Google Gemini (kot nadgradnja Barda), Microsoft Copilot kot integrirana rešitev v Office okolju ter Mistral kot odprtokodni model, vendar je njihova dejanska razširjenost med učenci v času raziskav še omejena (Zhu idr., 2024; Sublime in Renna, 2024). Starostne meje in sog"
+"rešitev v Office okolju ter Mistral kot odprtokodni model, vendar je njihova dejanska razširjenost med učenci v času raziskav še omejena (Zhu idr., 2024; Sublime in Renna, 2024). Starostne meje in soglasja Uporaba orodja ChatGPT, ki ga razvija OpenAI, je dovoljena uporabnikom, starim najmanj 13 let, kar velja za vse uporabnike v Evropski uniji. Pri tem morajo uporabniki, ki so mlajši od 18 let, pridobiti soglasje starša ali zakonitega skrbnika, kljub varnost nim ukrepom pa lahko ChatGPT včasih ustvari neprimerne vsebine. V pogojih uporabe OpenAI poudarja, da odgovornost za takšno uporabo nosi skrbnik, zlasti če gre za uporabo v šolskem okolju. Ti pogoji veljajo za vse aplikacije ChatGPT, ne glede na dostop pre k spleta, mobilnih naprav ali vgrajenih sistemov (OpenAI, 2024). 112 Google Gemini, prej znan kot Bard, ima prav tako določeno starostno mejo za uporabo. Po splošnih pogojih uporabe Gemini Apps morajo biti uporabniki najmanj 13 let stari. V okviru izobraževalnih okolij, kjer se uporablja Google Workspace for Education, so ti pogoji dodatno opredeljeni: mladoletni uporabniki morajo imeti aktiviran način »Youth Experience«, ki je namenjen posebej uporabnikom, starim 13 let ali"
+"porablja Google Workspace for Education, so ti pogoji dodatno opredeljeni: mladoletni uporabniki morajo imeti aktiviran način »Youth Experience«, ki je namenjen posebej uporabnikom, starim 13 let ali več, ob nadzoru s strani izobraževalne ustanove. Za dostop do naprednih funkcij in API -ja – tj. vmesnik aplikacijskega programa, ki predstavlja niz pravil in protokolov za izdelavo in interakcijo s programskimi aplikacijami - pa je zahtevana starost 18 let ali več (Google, 2024a; Google, 2024b). Tudi Microsoft Copilot, vključno z Bing Chat in integracijo v Microsoft 365, zahteva jasno izpolnjevanje starostnih pogojev. Po splošnem sporazumu o uporabi Microsoftovih storitev je osnovna starostna omejitev 18 let. Vendar je v izobraževalnih okoljih dov oljena uporaba za učence in dijake od 13. leta dalje, če to dopušča zakonodaja posamezne države in če je zagotovljeno ustrezno soglasje staršev ali upravljavca sistema. Uporaba Copilota znotraj Microsoft 365 za šole zahteva dodatno pogodbeno razmerje s šol o oziroma izobraževalno ustanovo (Microsoft, 2024). Uporaba doma in v šoli Uporaba generativne umetne inteligence (UI) se pogosto dogaja na dveh ravneh – v šolskem okolju in domačem okolju"
+"merje s šol o oziroma izobraževalno ustanovo (Microsoft, 2024). Uporaba doma in v šoli Uporaba generativne umetne inteligence (UI) se pogosto dogaja na dveh ravneh – v šolskem okolju in domačem okolju, kar odpira različna vprašanja glede odgovornosti, nadzora in primernosti uporabe. Medtem ko imajo šole možnost postavljanja pravil, nadzora omrežij in usmerjanja rabe orodij, starši doma pogosto nimajo na voljo enakih informacij ali strokovnega znanja, da bi otroke usmerjali k varni in smiselni uporabi. V šoli mora biti vsaka raba UI orodij povezana s cilji pouka in podprta s smernicami, ki jih določi učitelj ali šola. Uporaba UI brez jasnega pedagoškega cilja lahko vodi v zmedo ali celo napačno razumevanje učne vsebine. Poleg tega so šole zavezane tudi p ravnim in etičnim okvirjem, kot so zaščita osebnih podatkov, spoštovanje avtorskih pravic ter odgovornost za vsebine, ki se obdelujejo z uporabo teh orodij (Mai, Can in Hanh, 2024). Zato ni dovolj, da je orodje tehnično dostopno – pomembno je, kdo ga uporablja, za kaj in kako. Uporaba mora biti ustrezno zabeležena, učencem pa morajo biti jasno predstavljene meje odgovorne uporabe. Uporaba orodja ChatGPT v učnem okolju zahteva posebn"
+"bno je, kdo ga uporablja, za kaj in kako. Uporaba mora biti ustrezno zabeležena, učencem pa morajo biti jasno predstavljene meje odgovorne uporabe. Uporaba orodja ChatGPT v učnem okolju zahteva posebno previdnost s strani pedagoškega osebja, saj generirane vsebine niso nujno primerne za vse starostne skupine učencev. V 113 primerih, ko se ChatGPT uporablja v izobraževalne namene z otroki, mlajšimi od 13 let, mora interakcijo z orodjem izvajati oziroma neposredno upravljati odrasla oseba. Doma pa je zgodba pogosto bolj razpršena. Veliko otrok uporablja orodja, kot so ChatGPT, Gemini ali Copilot, brez nadzora odraslih, včasih tudi brez razumevanja, da gre za sisteme, ki lahko generirajo netočne, pristranske ali neprimerne vsebine. Ker večina teh orodij (po svojih pogojih uporabe) določa starostno mejo 13 let, mora biti pri mlajših učencih uporaba vedno nadzorovana s strani staršev ali skrbnikov. V praksi pa se pogosto dogaja, da otroci ta orodja uporabljajo samoiniciativno, predvsem kot pomoč pri domačih nalogah ali ustvarjalnem pisanju, brez jasnega razumevanja, kdaj so rezultati uporabni in kdaj zavajajoči (Tan in Subramonyam, 2023). Za šole to pomeni potrebo po komunikaciji s star"
+"pomoč pri domačih nalogah ali ustvarjalnem pisanju, brez jasnega razumevanja, kdaj so rezultati uporabni in kdaj zavajajoči (Tan in Subramonyam, 2023). Za šole to pomeni potrebo po komunikaciji s starši, osveščanju o varni rabi ter skupnem oblikovanju pravil in priporočil. Smiselno je pripraviti tudi kratka navodila za domov, ki učencem in staršem pomagajo razumeti, katera raba UI je primerna, kako jo upo rabljati odgovorno in kdaj se obrniti na učitelja ali šolo za pojasnila. Odgovornost vodstva šole in učiteljev Pravni okvir Uvajanje generativne umetne inteligence v šolsko okolje odpira številna pravna vprašanja, ki zadevajo predvsem obdelavo osebnih podatkov, transparentnost sistemov ter vpliv UI na pravice otrok. Temeljni pravni okvir, ki ureja te vidike, sestavljajo Splošna uredba o varstvu podatkov (GDPR), Akt o umetni inteligenci (EU AI Act) ter slovenski Zakon o varstvu osebnih podatkov (ZVOP-2). GDPR določa, da mora biti vsaka obdelava osebnih podatkov zakonita, poštena in pregledna. V kontekstu UI je posebej pomembna prepoved avtomatiziranega odločanja, ki ima pravne učinke na posameznika – razen če so izpolnjeni določeni pogoji, kot je izrecno s oglasje ali ustrezna zako"
+"gledna. V kontekstu UI je posebej pomembna prepoved avtomatiziranega odločanja, ki ima pravne učinke na posameznika – razen če so izpolnjeni določeni pogoji, kot je izrecno s oglasje ali ustrezna zakonita podlaga. Za šole to pomeni, da morajo skrbno preveriti, ali orodje UI (npr. za ocenjevanje, usmerjanje učencev ali profiliranje) posega v pravice posameznika in ali vključuje kakršnokoli avtomatizirano odločanje brez človeškega posredovanja (Poth, 2024). 114 Akt o umetni inteligenci (EU AI Act), ki bo v celoti začel veljati do leta 2026, šole obravnava kot »uvajalce umetne inteligence« (AI deployers). Pri tem zakon določa stopnje tveganja: uporaba UI za generiranje besedil, povzetkov ali vaj običajno ne sodi m ed tvegane uporabe, medtem ko se uporaba sistemov za ocenjevanje uspešnosti ali profiliranje lahko razvrsti kot visoko tvegana. V teh primerih mora šola zagotoviti dodatne ukrepe – vključno z nadzorom, sledljivostjo delovanja, razlago delovanja sistema in možnostjo človeškega posredovanja (Ghimire in Edwards, 2024). V Sloveniji veljavni ZVOP-2 kot nacionalni zakon nadgrajuje in konkretizira uporabo določb GDPR, zlasti na področju javnega sektorja, kamor sodijo tudi šole. Čep"
+"sredovanja (Ghimire in Edwards, 2024). V Sloveniji veljavni ZVOP-2 kot nacionalni zakon nadgrajuje in konkretizira uporabo določb GDPR, zlasti na področju javnega sektorja, kamor sodijo tudi šole. Čeprav se ne nanaša neposredno na uporabo UI, opozarja na pomen načela sorazmernosti in varnosti obdelave, kar ima pomembne posledice pri izbiri orodij, ki morda zbirajo ali obdelujejo osebne podatke učencev. Vsem šolam se zato priporoča, da pred uvedbo katerega koli orodja umetne inteligence presodijo, ali obdelava vključuje osebne podatke in ali sistem deluje na način, ki lahko vpliva na pravice otrok. Če je odgovor pritrdilen, je priporočljivo izvesti oceno učinkov na varstvo podatkov (DPIA), zagotoviti jasne informacije staršem in učencem ter oblikovati notranja pravila za odgovorno rabo UI. Podrobneje o uporabi različnih orodji UI v izobraževanju Akt o umetni inteligenci (EU AI Act) razvršča sisteme umetne inteligence v štiri kategorije tveganja: nesprejemljivo, visoko, omejeno in minimalno. Ta razvrstitev ima ključen pomen za šolsko prakso, saj določa, pod kakšnimi pogoji je posamezno orodje dopus tno za uporabo v izobraževalnem okolju. Za šole to pomeni, da morajo ob vsakem uvajanj"
+"lno. Ta razvrstitev ima ključen pomen za šolsko prakso, saj določa, pod kakšnimi pogoji je posamezno orodje dopus tno za uporabo v izobraževalnem okolju. Za šole to pomeni, da morajo ob vsakem uvajanju umetne inteligence najprej presoditi, ali sistem sodi v katero od teh kategorij in kako vpliva na pravice učencev. Nekateri sistemi umetne inteligence so v izobraževalnem okolju izrecno prepovedani, saj predstavljajo nesprejemljivo tveganje za temeljne pravice posameznikov. Akt o umetni inteligenci (EU AI Act) v členu 5 opredeljuje in prepoveduje uporabo sistemov, ki posegajo v 115 človekovo dostojanstvo, zasebnost in samostojno odločanje, razen če obstajajo posebne izjeme, denimo na področju zdravstva ali javne varnosti. V šolskem kontekstu to vključuje sisteme, ki zaznavajo in analizirajo čustvene odzive učencev med poukom ali prev erjanjem znanja, biometrične tehnologije za zaznavanje utrujenosti, stresa ali motivacije, pa tudi sisteme, ki temeljijo na socialnem točkovanju oziroma sistematičnem vrednotenju vedenja učencev z namenom napovedovanja prihodnjih odločitev. Prav tako so pr epovedani manipulativni sistemi, ki zlorabljajo ranljivost mladoletnikov zaradi njihove starosti, č"
+"tematičnem vrednotenju vedenja učencev z namenom napovedovanja prihodnjih odločitev. Prav tako so pr epovedani manipulativni sistemi, ki zlorabljajo ranljivost mladoletnikov zaradi njihove starosti, čustvene občutljivosti ali socialnega položaja in jih vodijo k odločitvam brez njihove jasne zavesti. Takšna orodja v šolskem prostoru niso dopustna niti v pr eizkusni fazi in ne glede na namen, razen če bi bila njihova uporaba izrecno dovoljena s posebnim zakonom in pod strogim nadzorom. Šole morajo zato vsakršno uporabo naprednih UI sistemov presojati tudi z vidika teh mej, saj uporaba prepovedanih sistemov ne pomeni le kršitev zakonodaje, temveč lahko povzroči tudi dolgoročno škodo za pravice in dobrobit otrok. Visoko tvegani sistemi so tisti, ki lahko neposredno vplivajo na pravice posameznikov, kot so orodja za samodejno ocenjevanje, sistemska razvrščanja učencev, določanje izobraževalnih poti ali nadzor vedenja pri preverjanju znanja. Opredeljeni so v EU Aktu o umetni inteligenci (EU AI Act) v členu 6 in Prilogi III, oziroma v točki 3 navedene priloge, ki posebej vključuje izobraževanje in poklicno usposabljanje. Taka uporaba ni prepovedana, vendar zahteva izpolnjevanje strogih po"
+"AI Act) v členu 6 in Prilogi III, oziroma v točki 3 navedene priloge, ki posebej vključuje izobraževanje in poklicno usposabljanje. Taka uporaba ni prepovedana, vendar zahteva izpolnjevanje strogih pogojev: izvedbo ocene tveganj ( DPIA oz. FRIA), skladnost z zakonodajo (AIA, GDPR, ZVOP-2), dokumentirano uvajanje, tehnično preverjanje, vključitev človeka v odločanje ter jasna obvestila vsem vpletenim. V teh primerih mora biti šola popolnoma zavedna zakonodajnega okvira in pripraviti vse potrebne zaščitne mehanizme. Orodja z omejenim tveganjem so najpogosteje uporabljena v šolah danes – gre za orodja, ki nudijo priporočila, slovnično pomoč, ustvarjanje povzetkov, učnih gradiv ali razlago vsebin, pogosto tudi na podlagi predhodnih učenčevih dejavnosti. Tovrstna raba za hteva ustrezno raven preglednosti, saj morajo biti učenci in učitelji jasno seznanjeni, da gre za umetno ustvarjene vsebine. V skladu s členom 50 Akta o umetni inteligenci (EU AI Act) morajo ponudniki in uvajalci UI sistemov, ki generirajo ali manipulirajo z besedilom, slikami, zvokom ali videom, uporabnike na pregleden način obvestiti o tem, da je vsebina ustvarjena z umetno 116 inteligenco. To pomeni, da mora biti tud"
+"v, ki generirajo ali manipulirajo z besedilom, slikami, zvokom ali videom, uporabnike na pregleden način obvestiti o tem, da je vsebina ustvarjena z umetno 116 inteligenco. To pomeni, da mora biti tudi pri uporabi teh orodij v šolskem prostoru jasno označeno, kdaj je neka vsebina rezultat delovanja UI. Minimalno tvegana orodja pa so tista, ki delujejo brez sledenja uporabniku, ne ustvarjajo odločitev in nimajo vpliva na učenje ali ocenjevanje. V to skupino sodijo številna orodja, ki se v izobraževalnem kontekstu uporabljajo za podporo, avtomatizacijo in večjo dostopnost do informacij, pomoč pri ocenjevanju testov in nalog, samodejno povzemanje učbenikov in člankov, generiranje kvizov in vaj na podlagi učne snovi. Sem med drugim spadajo orodja kot so pametni slovnični in slogovni korektorji, prilagodljivi učni asistenti, interaktivni chatboti za pomoč pri učenju, sistemi za transkripcijo in podnapise predavanj ter orodja za vizualizacijo podatkov in konceptov. Za lažje razlikovanje med ravnmi tveganja lahko šole uporabijo matriko praktičnih primerov, kot je v Tabeli. Npr. chatbot, ki zgolj odgovarja na splošna vprašanja brez povezave z uporabnikom, velja za minimalno tveganje; če za"
+"ravnmi tveganja lahko šole uporabijo matriko praktičnih primerov, kot je v Tabeli. Npr. chatbot, ki zgolj odgovarja na splošna vprašanja brez povezave z uporabnikom, velja za minimalno tveganje; če začne prilagajati odgovore glede na učenčev napredek, je tveganje že omejeno; če pa sprejema odločitve o uspešnosti učenca, govorimo o visokem tveganju. Podobno velja za UI sisteme pri nadzoru izpitov: zgolj beleženje časa ali prisotnosti pomeni minimalno tveganje, medtem ko samodejna od ločitev o prepisovanju brez človeškega nadzora sodi v visoko tveganje. Tabela: Matrika različnih orodij UI v izobraževanju glede na tveganje Področje uporabe UI Minimalno tveganje Omejeno tveganje Visoko tveganje Uporaba podatkov za prilagajanje učnih vsebin UI priporoča učne vire brez analiziranja osebnih podatkov učenca. UI prilagaja učni načrt na podlagi učenčevih rezultatov. UI samodejno odloča, kateri učni program ali stopnjo izobrazbe bo učenec lahko dosegel. Avtomatizirana interakcija z učenci Chatbot odgovarja na splošna vprašanja brez personalizacije. Chatbot prilagaja svoje odgovore glede na učenčev napredek. Chatbot ocenjuje učenčeve odgovore in sprejema odločitve o njegovem učnem uspehu. 117"
+"odgovarja na splošna vprašanja brez personalizacije. Chatbot prilagaja svoje odgovore glede na učenčev napredek. Chatbot ocenjuje učenčeve odgovore in sprejema odločitve o njegovem učnem uspehu. 117 Sprejem in razvrščanje učencev UI zgolj zbira podatke za sprejemni postopek. UI analizira podatke in pripravi priporočila za razvrstitev učencev. UI avtomatsko odloča, kateri učenci so sprejeti v šolo ali kateri program lahko nadaljujejo. Spremljanje in nadzor pri preizkusih znanja UI zgolj beleži potek izpita brez analize vedenja učencev. UI zaznava sumljive aktivnosti in jih označi za nadaljnji pregled. UI samostojno odloča o morebitnem prepisovanju ali nepravilnostih pri izpitu. Digitalna asistenca učiteljem UI pomaga pri oblikovanju učnih gradiv in pripravi učnih načrtov. UI analizira odzive učencev in predlaga izboljšave učnih metod. UI samodejno določa metode poučevanja brez možnosti učiteljevega pregleda. Analiza vedenja in motivacije učencev UI analizira splošne trende v angažiranosti učencev. UI spremlja posamezne učence in predlaga prilagoditve poučevanja. UI ocenjuje motivacijo in vedenje učencev ter vpliva na njihove ocene ali napredovanje. Vloga učitelja glede na stopnjo i"
+"sti učencev. UI spremlja posamezne učence in predlaga prilagoditve poučevanja. UI ocenjuje motivacijo in vedenje učencev ter vpliva na njihove ocene ali napredovanje. Vloga učitelja glede na stopnjo izobraževanja (osnovna šola / srednja šola / visokošolstvo) Učiteljeva vloga pri uporabi generativne umetne inteligence (UI) se pomembno spreminja glede na starost učencev in stopnjo izobraževanja. Ne gre le za vprašanje pedagoškega pristopa, temveč tudi za zagotavljanje varnosti, zakonitosti in etične uporabe orodij, ki lahko ustvarjajo nepredvidljive ali netočne vsebine. Raziskave poudarjajo, da je uspešna uvedba UI v učni proces odvisna predvsem od vloge učitelja kot posrednika, mentorja in zagovornika digitalne odgovornosti (Mai, Can in Hanh, 2024). Na osnovnošolski ravni je treba posebno pozornost nameniti razvojnim zmožnostim otrok, kar pomeni, da se vloga učitelja razlikuje po triadah. V prvi triadi (1. –3. razred) učenci še nimajo razvite zmožnosti bralnega razumevanja, kritične presoje ali digitalne samostojnosti, zato mora učitelj odgovornost za uporabo UI orodij prevzeti popolnoma nase – uporablja jih lahko za prikaz vsebin, nikakor pa ne za samostojno uporabo s strani otrok."
+"soje ali digitalne samostojnosti, zato mora učitelj odgovornost za uporabo UI orodij prevzeti popolnoma nase – uporablja jih lahko za prikaz vsebin, nikakor pa ne za samostojno uporabo s strani otrok. V drugi triadi (4.–6. razred) lahko učenci že sodelujejo v vodenih deja vnostih z UI, vendar mora biti vsak stik z orodjem neposredno nadzorovan. Vloga učitelja tu vključuje ustvarjanje varnega okolja, določanje mej 118 in razlago pravilne rabe. V tretji triadi (7. –9. razred) se učenci lahko že bolj samostojno vključujejo v uporabo UI – ob jasnih smernicah, ki jih postavi učitelj. Poudarek mora biti na usmerjanju kritične presoje in ozaveščanju o varnosti podatkov (Fikri, 2024). Na srednješolski ravni postane učitelj predvsem moderator in svetovalec. Tan in Subramonyam (2023) opozarjata, da učitelji pri vključevanju ChatGPT -ja pogosto pogrešajo jasna pravila in didaktične smernice, zato je ključno, da se sami aktivno vključujejo v oblikovanje pravil rabe. Učence morajo učiti preverjanja verodostojnosti generiranih vsebin, jih opozarjati na nevarnosti halucinacij, predsodkov in plagiatorstva ter zagotoviti, da uporaba UI ne nadomesti razvijanja lastnih miselnih procesov. V visokošols"
+"verodostojnosti generiranih vsebin, jih opozarjati na nevarnosti halucinacij, predsodkov in plagiatorstva ter zagotoviti, da uporaba UI ne nadomesti razvijanja lastnih miselnih procesov. V visokošolskem izobraževanju se vloga učitelja preusmeri v mentorsko in normativno. Študenti praviloma že samostojno uporabljajo orodja UI, a raziskave kažejo, da pogosto niso dovolj ozaveščeni o mejah dopustne uporabe ali posledicah kršitev akademske integritete (Mai idr., 2024). Naloga učitelja je, da oblikuje in jasno komunicira pravila (npr. ali je uporaba UI pri seminarskih nalogah dovoljena in v kakšnem obsegu), hkrati pa skrbi za etično ozaveščanje in opozarjanje na pasti, kot so avtorske pravice, manipulacije in pristranskost modelov. Na tabeli prikazujemo vlogo učitelja glede na izobraževalno stopnjo, ki omogoča hiter pregled ravni odgovornosti, priporočenega nadzora in stopnje samostojnosti učencev pri uporabi generativne UI. Tabela: Vloga učitelja glede na izobraževalno stopnjo Izobraževalna stopnja Starost učencev Vloga učitelja Stopnja samostojnosti učencev pri uporabi UI Osnovna šola – 1. triada (1.–3. razred) 6–9 let Aktivni posrednik, popoln nadzor Zelo nizka – uporaba le ob prika"
+"na stopnja Starost učencev Vloga učitelja Stopnja samostojnosti učencev pri uporabi UI Osnovna šola – 1. triada (1.–3. razred) 6–9 let Aktivni posrednik, popoln nadzor Zelo nizka – uporaba le ob prikazu učitelja Osnovna šola – 2. triada (4.–6. razred) 9–12 let Vodič, skupinsko delo, neposreden nadzor Nizka – voden skupinski dostop 119 Osnovna šola – 3. triada (7.–9. razred) 12–15 let Moderator, usmerjevalec kritične rabe Srednja – pogojna uporaba ob jasnih pravilih Srednja šola 15–18 let Moderator in svetovalec Srednje visoka – samostojna raba z nadzorom Višje/visokošolsko izobraževanje 18+ Mentor in etični vodja Visoka – ob spoštovanju institucionalnih pravil Pristojnosti in obveznosti šole Ko šola uvede uporabo generativne umetne inteligence v pedagoški, svetovalni ali administrativni namen, vstopa v vlogo t. i. »uvajalca umetne inteligence« (AI deployer), kot jo opredeljuje Uredba (EU) 2024/1689 Evropskega parlamenta in Sveta z dne 13. juni ja 2024 o določitvi harmoniziranih pravil o umetni inteligenc (AIA). Ta vloga šoli nalaga specifične pravne in upravljavske obveznosti, zlasti kadar gre za uporabo sistemov umetne inteligence, ki se štejejo kot visoko tvegani – denimo sistemi"
+"o umetni inteligenc (AIA). Ta vloga šoli nalaga specifične pravne in upravljavske obveznosti, zlasti kadar gre za uporabo sistemov umetne inteligence, ki se štejejo kot visoko tvegani – denimo sistemi za profiliran je učencev, avtomatizirano ocenjevanje ali podpora pri odločanju o napredovanju. Kot uvajalka UI mora šola najprej zagotoviti, da je vsaka uvedba orodja predmet predhodne presoje tveganj. V primeru, da se uporaba šteje kot visoko tvegana (npr. sistem posega v pravice učenca ali temelji na profiliranju), je treba izvesti formalno oceno učinkov na temeljne pravice (FRIA) ali, če orodje obdeluje osebne podatke, oceno učinkov na varstvo podatkov (DPIA), kot jo zahteva člen 35 GDPR. Presoja mora vključevati oceno namena uporabe, vrste podatkov, vpliva na pravice učencev ter predvidene zaščit ne ukrepe, kot so anonimizacija, dostopna politika in transparentnost uporabe. Nadalje AIA določa, da mora uvajalec UI zagotavljati sistem upravljanja tveganj, kar za šolo pomeni oblikovanje notranjih pravil, postopkov in nadzora nad delovanjem uporabljenega sistema. Sem sodi tudi dolžnost, da šola v celotnem času uporabe vodi ustrezno dokumentacijo o sistemu UI – vključno s podatki o tem"
+"notranjih pravil, postopkov in nadzora nad delovanjem uporabljenega sistema. Sem sodi tudi dolžnost, da šola v celotnem času uporabe vodi ustrezno dokumentacijo o sistemu UI – vključno s podatki o tem, kdaj in kako je bil sistem uporabljen, katere odločitve je podprl ter ali je prišlo do incidentov. V primeru zaznane neskladnosti ali škode mora šola o tem poročati pristojnim organom. 120 Ena ključnih obveznosti šole kot uvajalca UI je tudi zagotavljanje transparentnosti. Šola mora vsem učencem, staršem ali zakonitim zastopnikom omogočiti jasno in razumljivo informacijo o tem, da se uporablja sistem umetne inteligence, za kakšen namen ter ali se ob tem obdelujejo osebni podatki. Če orodje omogoča generiranje vsebin, mora biti uporabniku razkrito, da gre za umetno ustvarjeno vsebino. AIA tudi izrecno zahteva, da pri visoko tveganih sistemih odločanje vključuje človeka – torej šola ne sme v celoti prepustiti odločitev umetni inteligenci, temveč mora zagotoviti t. i. »human-in-the-loop« nadzor. Pomemben element zakonodajne skladnosti je tudi usposobljenost osebja. Ponudniki in uvajalci sistemov UI morajo sprejeti ukrepe, da v najboljši možni meri zagotovijo zadostno raven pismenosti sv"
+"dzor. Pomemben element zakonodajne skladnosti je tudi usposobljenost osebja. Ponudniki in uvajalci sistemov UI morajo sprejeti ukrepe, da v najboljši možni meri zagotovijo zadostno raven pismenosti svojega osebja in tudi drugih oseb, ki se v njihovem imenu ukvar jajo z obratovanjem in uporabo sistemov UI, na področju UI, upoštevajoč njihovo tehnično znanje, izkušnje, izobrazbo in usposobljenost ter okolje, v katerem se bodo uporabljali sistemi UI, pa tudi osebe ali skupine oseb, v zvezi s katerimi se bodo uporabljali ti sistemi v skladu s členom 4 AIA. Iz tega izhaja, da morajo biti vsi zaposleni, ki sodelujejo pri uporabi ali nadzoru UI, ustrezno usposobljeni o delovanju orodij, njihovih omejitvah in možnih tveganjih za temeljne pravice. To vključuje učitelje, svetovalne delavce, IT osebje in vodstvo šole. Poleg obveznosti iz AIA je šola kot upravljavec osebnih podatkov odgovorna tudi za skladnost z določbami Splošne uredbe o varstvu podatkov (GDPR) in nacionalnega Zakona o varstvu osebnih podatkov (ZVOP-2). Vsaka obdelava osebnih podatkov mora imeti zakonit o podlago (npr. izvajanje javne naloge ali zakoniti interes), spoštovati načela minimalizacije, omejitve namena, in zagotavl"
+"ebnih podatkov (ZVOP-2). Vsaka obdelava osebnih podatkov mora imeti zakonit o podlago (npr. izvajanje javne naloge ali zakoniti interes), spoštovati načela minimalizacije, omejitve namena, in zagotavljati uresničevanje pravic posameznikov. Zagotovljena mora biti njihova točnost, čas hrambe mora biti omejen glede na namen obdelave, varnost pa ustrezno zagotovljena s tehničnimi in organizacijskimi ukrepi. Uvajanje generativne umetne inteligence torej za šolo ne pomeni zgolj tehnične ali didaktične novosti, temveč zahteva celovit pravni in organizacijski okvir, v katerem mora šola uravnotežiti koristi z dolžnostjo zaščite učencev in spoštovanja zakonodaje. 121 Priporočila za pravila in politike uporabe UI Vpeljava generativne umetne inteligence (UI) v šolski prostor ne sme temeljiti zgolj na tehnični dostopnosti orodij, temveč zahteva premišljen normativni in organizacijski okvir. Tako domače kot mednarodne institucije poudarjajo potrebo po oblikovanju šols kih pravil in politik, ki uravnotežijo inovativno rabo UI s spoštovanjem zakonodaje, etike in pedagoških ciljev (UNESCO, 2023; OECD, 2023a). Ker šola pri uporabi umetne inteligence (UI) vstopa v razmerje, ki lahko vključuje občutlj"
+"otežijo inovativno rabo UI s spoštovanjem zakonodaje, etike in pedagoških ciljev (UNESCO, 2023; OECD, 2023a). Ker šola pri uporabi umetne inteligence (UI) vstopa v razmerje, ki lahko vključuje občutljive podatke, vpliva na pravice učencev in odpira kompleksna etična vprašanja, je oblikovanje jasnih notranjih pravil in politik nujno. Praksa kaže, da šole, ki vnaprej določijo okvire uporabe UI, lažje upravljajo tveganja, hkrati pa omogočijo učiteljem in učencem bolj varno in odgovorno eksperimentiranje z novimi orodji (Tan in Subramonyam, 2023; 9ine, 2024). Vsaka šola bi morala pripraviti notranjo politiko uporabe UI, ki jasno opredeli namen, načine in omejitve uporabe takih orodij pri učenju, poučevanju in administraciji. Ta pravila naj vključujejo: • določitev primerov dovoljenih uporab (npr. generiranje idej, lektoriranje, priprava povzetkov), • omejitve ali prepovedi uporabe pri nalogah, kjer je pričakovana lastna avtorska produkcija ali ocenjevanje znanja, • načela odgovorne uporabe, vključno z označevanjem uporabe UI v izdelkih učencev ter preverjanjem točnosti izpisanih podatkov (Kloosterman, 2023; Abbas, Jam in Khan, 2024). Pomemben del politike je tudi zagotavljanje transpar"
+", vključno z označevanjem uporabe UI v izdelkih učencev ter preverjanjem točnosti izpisanih podatkov (Kloosterman, 2023; Abbas, Jam in Khan, 2024). Pomemben del politike je tudi zagotavljanje transparentnosti – učenci, starši in zaposleni morajo biti jasno in pravočasno obveščeni o tem, katera UI orodja se uporabljajo, s kakšnim namenom in ali prihaja do obdelave osebnih podatkov (UNESCO, 2023; Europe an Union, 2024). V primeru uporabe orodij, kot so ChatGPT, Gemini ali Copilot, mora šola preveriti skladnost s pogoji uporabe, ki pogosto vključujejo starostne omejitve in izključujejo uporabo brez soglasja staršev za mladoletne osebe (OpenAI, 2024; Google, 2024a; Microsoft, 2024). 122 Z vidika pravne skladnosti je priporočljivo, da šola vzpostavi postopek za presojo tveganj pred uvedbo novega orodja. V primeru obdelave osebnih podatkov ali vpliva na pravice posameznikov je treba izvesti oceno učinka (DPIA), kot zahteva člen 35 GDPR, ter pri sistemih, ki se štejejo za visoko tvegane (npr. avtomatizirano odločanje, profiliranje), upoštevati tudi določila Akta o umetni inteligenci (European Union, 2024; Yan idr., 2023). Nenazadnje naj šola zagotovi usposabljanje osebja, ki naj vključuje"
+"avtomatizirano odločanje, profiliranje), upoštevati tudi določila Akta o umetni inteligenci (European Union, 2024; Yan idr., 2023). Nenazadnje naj šola zagotovi usposabljanje osebja, ki naj vključuje temeljno razumevanje delovanja generativne UI, njenih omejitev (kot so t. i. »halucinacije«), tveganj diskriminacije ali zavajanja ter pedagoških vidikov uporabe (Ji idr., 2023; Chan in Hu , 2023; Burns, 2025). Vloga učitelja se ne konča pri dovoljenju za uporabo, temveč vključuje tudi podporo pri razumevanju tehnologije in njenem odgovornem vključevanju v učenje. Sklep Uporaba generativne umetne inteligence v izobraževanju ponuja številne možnosti za nadgradnjo učnih procesov, podporo učiteljem in optimizacijo administrativnih nalog. Vendar pa so s tem povezane tudi nove odgovornosti in tveganja, ki jih morajo učitelji, šole in drugi deležniki razumeti in ustrezno obvladovati. Tehnologija, ki temelji na velikih jezikovnih modelih, lahko podpira razvoj kompetenc, če je uporabljena premišljeno, odgovorno in zakonito. Analiza pravnega okvira je pokazala, da šole pri uporabi umetne inteligence nastopajo kot upravljavci osebnih podatkov in uvajalci UI sistemov, kar pomeni, da morajo spošt"
+"jeno, odgovorno in zakonito. Analiza pravnega okvira je pokazala, da šole pri uporabi umetne inteligence nastopajo kot upravljavci osebnih podatkov in uvajalci UI sistemov, kar pomeni, da morajo spoštovati obveznosti iz GDPR, AIA in ZVOP -2. Te obveznosti vključujejo zagotavljanje transparentnosti, ocenjevanje tveganj (DPIA, FRIA), ustrezno usposabljanje zaposlenih in nadzor nad delovanjem orodij. Posebej občutljivo je vprašanje avtomatiziranega odločanja in vpliva UI na pravice otrok. Ugotovljeno je bilo, da je vloga učitelja ključna pri usmerjanju in nadzoru uporabe UI – tako v razredu kot v domačem okolju. Vključevanje UI mora biti razvojno ustrezno in podprto s pedagoškim premislekom, od popolnega nadzora v nižjih razredih do oblikov anja pravil akademske integritete v srednjem in visokem šolstvu. V tem okviru je pomembno tudi ozaveščanje staršev in učencev ter oblikovanje jasnih notranjih pravil. 123 Za uspešno in varno vključitev umetne inteligence v izobraževanje je nujno, da šola vzpostavi celovito politiko uporabe UI. Takšna politika mora temeljiti na zakonodaji, biti jasna, transparentna in prilagojena vsakodnevni pedagoški praksi. Le s celovitim razumevanjem tehnoloških"
+"la vzpostavi celovito politiko uporabe UI. Takšna politika mora temeljiti na zakonodaji, biti jasna, transparentna in prilagojena vsakodnevni pedagoški praksi. Le s celovitim razumevanjem tehnoloških zmogljivosti in pravnih meja bo mogoče zagotoviti, da uporaba UI ne bo ogrožala pravic učencev, temveč bo prispevala k njihovemu uspešnejšemu in bolj kritičnemu učenju. Literatura 9ine. (2024). AI literacy: What do schools need to know? https://www.9ine.com/newsblog/ai- in-education-ai-literacy.-what-do-schools-need-to-know Abbas, M., Jam, F. A. in Khan, T. I. (2024). Is it harmful or helpful? Examining the causes and consequences of generative AI usage among university students. International Journal of Educational Technology in Higher Education, 21, Article 10. https://doi.org/10.1186/s41239- 024-00444-7 Burns, M. (2025, June 13). ChatGPT features that are useful for teachers. Edutopia. https://www.edutopia.org/article/chatgpt-features-useful-teachers Chan, C. K. Y. in Hu, W. (2023). Students’ voices on generative AI: Perceptions, benefits, and challenges in higher education. International Journal of Educational Technology in Higher Education, 20, Article 43. https://doi.org/10.1186/"
+"dents’ voices on generative AI: Perceptions, benefits, and challenges in higher education. International Journal of Educational Technology in Higher Education, 20, Article 43. https://doi.org/10.1186/s41239-023-00411-8 European Union. (2024). Artificial Intelligence Act (EU) 2024/1689. EUR -Lex. https://eur- lex.europa.eu/eli/reg/2024/1689/oj Fikri, H. (2024). The role of teachers in using ChatGPT as a feedback provider. Zenodo. https://doi.org/10.5281/zenodo.13985913 Ghimire, A. in Edwards, J. (2024). From guidelines to governance: A study of AI policies in education. arXiv. https://doi.org/10.48550/arXiv.2403.15601 Google. (2024a). Gemini Apps – Terms of service. https://ai.google.dev/gemini-api/terms Google. (2024b). Google Workspace for Education – Service-specific terms. https://workspace.google.com/terms/education_terms.html Ji, Z., Lee, N., Frieske, R., Yu, T. in Su, D. (2023). Survey of hallucination in natural language generation. ACM Computing Surveys, 56(12), 1 –38. https://dl.acm.org/doi/abs/10.1145/3571730 124 Kloosterman, M. (2023, October 24). Using ChatGPT to support student-led inquiry. Edutopia. https://www.edutopia.org/article/using-chatgpt-support-student-led-in"
+"dl.acm.org/doi/abs/10.1145/3571730 124 Kloosterman, M. (2023, October 24). Using ChatGPT to support student-led inquiry. Edutopia. https://www.edutopia.org/article/using-chatgpt-support-student-led-inquiry Mai, D. T. T., Can, V. D. in Hanh, N. V. (2024). The use of ChatGPT in teaching and learning: a systematic review through SWOT analysis approach. Frontiers in Education, 9, 1328769. https://doi.org/10.3389/feduc.2024.1328769 Microsoft. (2024). Microsoft services agreement. https://www.microsoft.com/en/servicesagreement/ OpenAI. (2024). Terms of use – European Union. https://openai.com/policies/eu-terms-of-use Organisation for Economic Co-operation and Development. (2023a). Emerging governance of generative AI in education. In Generative AI in the classroom: From hype to reality? OECD. https://www.oecd.org/en/publications/oecd-digital-education-outlook-2023_c74f03de-en/full- report/emerging-governance-of-generative-ai-in-education_3cbd6269.html Organisation for Economic Co-operation and Development. (2023b). Opportunities, guidelines and guardrails for effective and equitable use of AI in education. OECD. https://www.oecd.org/content/dam/oecd/en/about/projects/edu/smart-data-and-d"
+"nd Development. (2023b). Opportunities, guidelines and guardrails for effective and equitable use of AI in education. OECD. https://www.oecd.org/content/dam/oecd/en/about/projects/edu/smart-data-and-digital- technology-in- education/Opportunities,%20guidelines%20and%20guardrails%20for%20effective%20and% 20equitable%20use%20of%20AI%20in%20education.pdf Poth, R. D. (2024, October 29). AI and the Law: What Educators Need to Know. Edutopia. https://www.edutopia.org/article/laws-ai-education/ Tan, M. in Subramonyam, H. (2023). More than model documentation: uncovering teachers’ bespoke information needs for informed classroom integration of ChatGPT. arXiv. https://doi.org/10.48550/arXiv.2309.14458 UNESCO. (2023, September 7). Guidance for generative AI in education and research (F. Miao & W. Holmes, Eds.). United Nations Educational, Scientific and Cultural Organization. https://www.unesco.org/en/articles/guidance-generative-ai-education-and-research Yan, L., Sha, L., Zhao, L., Li, Y., Martinez -Maldonado, R., Chen, G., … Gašević, D. (2023). Practical and ethical challenges of large language models in education: A systematic scoping review. arXiv. https://arxiv.org/abs/2303.13379 125 12"
+"inez -Maldonado, R., Chen, G., … Gašević, D. (2023). Practical and ethical challenges of large language models in education: A systematic scoping review. arXiv. https://arxiv.org/abs/2303.13379 125 126 Etični vidik rabe GEN-UI v izobraževanju Ernest Ženko UP Dopisano do 24.10 127 Pravičnostni vidik: Generativna umetna inteligenca kot potencialna zmanjševalka ali povečevalka digitalnega razkoraka? Karmen Strel Filozofska fakulteta Univerze v Ljubljani karmen.strel@ff.uni-lj.si + Maja Lebeničnik in Karmen Drljić UP Povzetek Prispevek konceptualno razgradi digitalni razkorak kot večnivojski pojav: od (1) fizičnega dostopa do digitalnih tehnologij, prek (2) kompetenc uporabe, do (3) izidov/učinkov uporabe. Na tej osi vzpon generativne umetne inteligence (Gen -UI) umesti kot novo obdobje digitalne preobrazbe, ki lahko razkorak hkrati zmanjšuje ali poglablja. Na strani zmanjševanja digitalnega razkoraka Gen -UI orodja ponujajo prednosti v nizkih stroških personalizirane podpore. Empirično potrjeni učinki na učne dosežke in produktiv nost se v največji meri izkazujejo pri doslej depriviligiranih skupinah, zlasti kadar se orodja uporabljajo ob usmerjenih usposabljanjih in učiteljski/mentor"
+"trjeni učinki na učne dosežke in produktiv nost se v največji meri izkazujejo pri doslej depriviligiranih skupinah, zlasti kadar se orodja uporabljajo ob usmerjenih usposabljanjih in učiteljski/mentorski podpori. Na strani tveganj izstopajo novi sloji prvega razkoraka (npr. razlike med brezplačnimi in plačljivimi dostopi) in pomanjkljiva UI-pismenost, ki lahko položaj doslej depriviligiranih še poslabšajo, hkrati pa ustvarijo nove neenakosti tudi med doslej priviligiranimi. Avtorice poudarijo, da zgolj učinkovitostni izidi niso zadostno merilo; potr ebno je normativno sidrišče v raziskovalni drži in avtonomiji učečih se. Med predlogi je posebej izpostavljeno to, da naj bodo prihodnje strategije Gen -UI usmerjene v kombinacijo dostopnosti, pismenosti in etičnega upravljanja, kar omogoča uresničitev emancipatornega potenciala brez poglabljanja neenakosti. Ključne besede: Digitalni razkorak, Generativna umetna inteligenca, Socio -digitalne neenakosti, Pravičnost dostopa, UI-pismenost, Inkluzivnost 128 Uvod Digitalni razkorak je koncept, o katerem se je pričelo pisati v sredini devetdesetih letih prejšnjega stoletja (Dolničar idr. 2002, str. 84). Sprva je bil digitalni razkorak razumlj"
+"luzivnost 128 Uvod Digitalni razkorak je koncept, o katerem se je pričelo pisati v sredini devetdesetih letih prejšnjega stoletja (Dolničar idr. 2002, str. 84). Sprva je bil digitalni razkorak razumljen kot razkorak med posamezniki oz. posameznimi skupinami, ki so v različni h merah dostopali do računalnikov in internetne povezave, natančneje med tistimi, ki so do računalnikov in internetne povezave dostopali, in med tistimi, ki tega dostopa niso imeli. Razreševanje digitalnega razkoraka so v tem obdobju razumeli predvsem v sm islu razširjanja fizičnega dostopa do takratne informacijsko-komunikacijske tehnologije (v nadlajevanju: IKT) (van Dijk 2020, str. 1). V Sloveniji pomemben mejnik v tem kontekstu predstavlja leto 2006, ko je dostop do interneta pridobila večina slovenskih gospodinjstev (Oblak Črnič 2012, str. 46). Ko je velik del prebivalstva – zlasti v razvitih državah – imel fizični dostop do informacijsko- komunikacijske tehnologije, so se pričeli pojavljati zapisi o tem, da je digitalni razkorak že presežen (gl. Thierer 2000). A kaj kmalu se je pokazalo, da se kljub temu, da imajo posamezniki dostop do IKT, med njimi pojavljajo razlike, vezane predvsem na njihove spretnos"
+"e digitalni razkorak že presežen (gl. Thierer 2000). A kaj kmalu se je pokazalo, da se kljub temu, da imajo posamezniki dostop do IKT, med njimi pojavljajo razlike, vezane predvsem na njihove spretnosti oz. kompetence pri uporabi IKT. To je spodbudilo razpravo o drugem digitalnem razkoraku (Hargittai 2002). Dolničar idr. (2002, str. 87) so to fazo opredelili kot vrzel v izkušnjah pri uporabi interneta, ki izhaja iz različnih uporabniških kompetenc. Gre za to, da se, kot to povzemata Daepp in Counts (2025, str. 444) med posamezniki pojavljajo razlike v znanju, načinih rabe in odnosu do digitalni h tehnologij. Če t. i. drugi digitalni razkorak pogledamo skozi perspektivo DigComp okvira (Vuorikari idr. 2022, str. 3–4), se razlike med posamezniki kažejo na vseh petih področjih digitalnih kompetenc. Nekateri posamezniki znajo le osnovno poiskati informacije, drugi pa jih znajo tudi kritično vrednotiti in organizirati. Podobno se pri komunikaciji manj kompetentni omejujejo na preprosto rabo e -pošte ali družbenih omrežij, bolj kompetentni pa aktivno sodelujejo, skrbijo za spletni bonton in zavestno gradijo digitalno identiteto. Pri ustvarjanju vsebin nekateri ostajajo pri enostavnih doku"
+"e -pošte ali družbenih omrežij, bolj kompetentni pa aktivno sodelujejo, skrbijo za spletni bonton in zavestno gradijo digitalno identiteto. Pri ustvarjanju vsebin nekateri ostajajo pri enostavnih dokumentih, drugi pa obvladajo multimedijo in programiranje. Na področju varnosti so nekateri skoraj brez zaščitnih praks, drugi pa dosledno varujejo podatke, so pozorni na varovanje zdravja in dobrega počutja, pa tudi na okoljski vpliv. Tudi pri reševanju problemov manj kompetentni težko odpravljajo tehnične zaplete, bolj kompetentni pa tehnologijo uporabljajo ustvarjalno in znajo prepoznati ter nadgrajevati lastne vrzeli v znanju. Na ta razmislek se navezuje koncept tretjega digitalnega razkoraka. Gre za to, da se razlike med posamezniki na obravnavanem področju ne kažejo in raziskujejo več le v kontekstu raznolikega fizičnega dostopa ali raznolikih kompetenc uporabe, temveč tudi v kontekstu 129 različnih rezultatov oz. učinkov uporabe digitalne tehnologije. Na tej ravni se tako pojavljajo razlike med tistimi, ki digitalna orodja uporabljajo za izboljšanje svojih življenjskih izidov (denimo na ekonomskem, socialnem, političnem, kulturnem ... področju), in tistimi, ki slednjih ne izboljša"
+"azlike med tistimi, ki digitalna orodja uporabljajo za izboljšanje svojih življenjskih izidov (denimo na ekonomskem, socialnem, političnem, kulturnem ... področju), in tistimi, ki slednjih ne izboljšajo ali jih celo poslabšajo (Daepp in Counts 2025, str. 444; van Dijk 2020, str. 4). Razumevanje digitalnega razkoraka se je tako razvilo od vprašanja zgolj fizičnega dostopa k vprašanjem kompetenc in nadalje k razumevanju rezultatov oz. učinkov uporabe. S tem, ko pod drobnogled vzamemo vse tri (zgodovinske) opredelitve digitalnega razkora ka, lahko obravnavano tematiko raziskujemo bolj celostno. Kot izpostavlja van Dijk namreč neenakosti med posamezniki še vedno obstajajo na ravni vseh treh ravneh digitalnega razkoraka. Čeprav ima v razvitih državah dostop do tehnologij in interneta približ no 70–98 % posameznikov, je ta odstotek v državah v razvoju precej nižji in sega od 40 do 42 %. Pri tem se razlika med državami od leta 2000 vztrajno zvišuje. Tudi tam, kjer je odstotek visok, se pojavljajo novi razkoraki, in sicer med tistimi, ki imajo ve č digitalnih naprav, boljše povezave, več naročnin ter aplikacij, ter tistimi, ki imajo dostop do tega v manjšem obsegu (van Dijk 2020, str. 3)."
+"jajo novi razkoraki, in sicer med tistimi, ki imajo ve č digitalnih naprav, boljše povezave, več naročnin ter aplikacij, ter tistimi, ki imajo dostop do tega v manjšem obsegu (van Dijk 2020, str. 3). To pomeni, da imamo tudi v sodobnosti še vedno obstoječ t. i. prvi digitalni razkorak, ki tako že v sami osnovi ne izenačuje začetnih pogojev za nadaljnjo potencialno kompetentno uporabo digitalnih tehnologij, ki bi potencialno lahko rezultirala v ugodnih življenjskih izidih. Čeprav se je v začetnih fazah razvoja interneta slednjega dojemalo kot potencialno emancipatorni medij, van Dijk izpostavlja, da so se ta zgodnja pričakovanja izkazala za preoptimistična. Digitalna neenakost, ki je izražena v konceptu digitalnega razkoraka, namreč obstoječo socialno neenakost le še krepi (prav tam, str. 4 –5). Družbene neenakosti, ki se v mnogih okoljih povečuje, namreč sledi tudi digitalna, kar pomeni, da digitalna orodja bolj podpirajo tiste, ki imajo že v sami osnovi boljši položaj (denim o intelektualni, materialni, socialni, kulturni ... kapital). Priviligirano pozicijo v razponu digitalnega razkoraka imajo tako skozi zgodovino mlajši, višje izobraženi in višje poklicno pozicionirani, pogosto"
+"tualni, materialni, socialni, kulturni ... kapital). Priviligirano pozicijo v razponu digitalnega razkoraka imajo tako skozi zgodovino mlajši, višje izobraženi in višje poklicno pozicionirani, pogosto moški, etnične večine, urbani prebivalci in prebivalci razvitih držav (prav tam, str. 2–3). V zadnjih letih (še posebej pa od uvedbe ChatGPT konec leta 2022) se je v družbi močno popularizirala uporaba generativne umetne inteligence. Generativna umetna inteligenca se je med uporabnike razširila izjemno hitrostjo. ChatGPT je po ocenah v dveh mesec ih namreč dosegel približno 100 milijonov mesečno aktivnih uporabnikov, kar je, kot povzemajo Kishore idr. (2023, str. 5), najhitreje rastoča oblika digitalne tehnologije do sedaj. Pojav generativne umetne inteligence bi lahko šteli za nov tehnološki preobrat, ki bi lahko vplival tudi na digitalni razkorak. 130 Namen tega prispevka je raziskati, kakšen vpliv ima razmah generativne umetne inteligence na pojavne oblike in dinamiko digitalnega razkoraka. Osrednje raziskovalno vprašanje, ki nas bo vodilo skozi analizo, se glasi: Kakšna je vloga generativne umetne inteligence pri zmanjševanju oziroma povečevanju digitalnega razkoraka? Princip delo"
+"raka. Osrednje raziskovalno vprašanje, ki nas bo vodilo skozi analizo, se glasi: Kakšna je vloga generativne umetne inteligence pri zmanjševanju oziroma povečevanju digitalnega razkoraka? Princip delovanja generativne umetne inteligence Osnova delovanja generativne umetne inteligence so nevronske mreže, ki jih sestavljajo plasti medsebojno povezanih nevronov oz. vozlišč. Med procesom učenja mreža postopno prilagaja uteži povezav med temi vozlišči. To pomeni, da je z učenjem vzpostavljajo stabilni vzorci. V terminologiji strojnega učenja je tovrstno učenje znano kot nadzorovano učenje, saj obstaja nekdo, ki že vnaprej pozna pravilen odgovor. Ko med učenjem mreža prejme vhodne podatke, primerja svoj izhod z želenim izhodom (tj. pravilnim odg ovorom), izračuna napako, ki jo je storila s svojim izhodom, in na tej podlagi prilagodi uteži med vozlišči tako, da v prihodnosti zmanjša napake oz. izboljša prihodnje izhode v smeri t. i. pravilnega odgovora (Dehaene 2020, str. 69–70; Breznau in Nguyen 2025, str. 3). Ob podajanju odgovorov veliki jezikovni modeli, ki predstavljajo velik del orodij generativne umetne inteligence, uporabljajo t. i. tokene. Vsak token predstavlja del podatkovnega"
+"uyen 2025, str. 3). Ob podajanju odgovorov veliki jezikovni modeli, ki predstavljajo velik del orodij generativne umetne inteligence, uporabljajo t. i. tokene. Vsak token predstavlja del podatkovnega zaporedja, na podlagi katerega model napoveduje naslednji najverjetnejši tok en (Breznau in Nguyen 2025, str. 4 –5). Izhod se gradi zaporedno: vsak novi token se generira na podlagi predhodnih, model pa ob vsakem koraku izračuna porazdelitev verjetnosti vseh možnih naslednjih tokenov in izbere najverjetnejšega (prav tam, str. 5). Pr i izračunavanju najverjetnejšega tokena so pomembne tudi tehnične nastavitve modela, še posebej t. i. temperatura, ki uravnava stopnjo naključnosti vsakega naslednjega tokena v zaporedju. Nižja vrednost temperature nam poda najbolj verjeten naslednji token , medtem ko višje vrednosti vodijo do večje naključnosti v odgovoru (Davis idr. 2024) Pri tem je treba poudariti, da so ti postopki vpeti v širše podatkovne in družbene kontekste. Veliki jezikovni modeli so namreč trenirani na velikih korpusih spletnih besedil, kar pomeni, da prevzemajo pristranskosti, ki so zaznane v teh spletnih besedilih (Arora 2023, str. 114–122) V zadnjih letih potekajo tudi prizadev"
+"amreč trenirani na velikih korpusih spletnih besedil, kar pomeni, da prevzemajo pristranskosti, ki so zaznane v teh spletnih besedilih (Arora 2023, str. 114–122) V zadnjih letih potekajo tudi prizadevanja za uskladitev modelov s človeškimi vrednotami, kar poteka preko okrepitvenega učenja na podlagi človeških povratnih informacij ( ang. reinforcement learning from human feedback, RLHF). Sam postopek pogosto vključuje ljudi, ki ocenjujejo in razvrščajo možne izide, da bi zgradili klasifikacijski model. Ta model nato napoveduje, ali bi človek določeno izhodno vsebino ocenil kot sprejemljivo. Začetni model se 131 postopoma izboljšuje tako, da ta klasifikacijski model uporablja za povratne informacije, kar omogoča iterativno učenje in usklajevanje z človeško presojo skozi čas (González Barman idr. 2025, str. 2). Ouyang idr. tako opisujejo, kako so pri projektu Inst ructGPT zbirali človeške povratne informacije. Najeli so 40 posameznikov, ki so prejeli podrobna navodila za označevanje izhodnih besedil po kriterijih uporabnosti, resničnosti in neškodljivosti. Poleg tega so morali razvrščati izhode po kakovosti in poročati o prisotnosti občutljivih vsebin. Navodila so se med projektom spr"
+"nih besedil po kriterijih uporabnosti, resničnosti in neškodljivosti. Poleg tega so morali razvrščati izhode po kakovosti in poročati o prisotnosti občutljivih vsebin. Navodila so se med projektom spreminjala: sprva je imela prednost uporabnost za uporabnika, v končnih fazah pa resničnost in neškodljivost (Ouyang idr. 2022, str. 27732–27737). Avtorji poročajo o tem, da se je pri zbir anju demografskih značilnosti izkazalo pomanjkanje raznolikosti posameznikov, na podlagi katerih so se zbirale povratne informacije (prav tam, str. 27737 – 27738). Kasneje se je s širšo uporabo ChatGPT -ja odprla možnost povratnih informacij širše baze uporab nikov iz 193 držav, kar je izboljšalo raznolikost virov povratnih informacij (González Barman 2025, str. 11), a pristranskosti še vedno ni razrešilo. V vsakem izmed teh primerov namreč jezikovni modeli odražajo pristrankosti tistih, ki sodelujejo pri njen em uglaševanju. Tao idr. (2024) so denimo raziskovali kulturno pristranskost petih v času študije najpogosteje uporabljenih jezikovnih modelov (GPT-4o, 4-turbo, 4, 3.5-turbo, 3) in ugotovili, da vsi modeli odražajo kulturne vrednote, podobne prevladujočim vrednotam v angleško govorečih državah te"
+"najpogosteje uporabljenih jezikovnih modelov (GPT-4o, 4-turbo, 4, 3.5-turbo, 3) in ugotovili, da vsi modeli odražajo kulturne vrednote, podobne prevladujočim vrednotam v angleško govorečih državah ter protestanskih evropskih državah. Odgovori velikih jezikovnih modelov so rezultat verjetnostnih vzorcev, ki nastanejo v procesu nadzorovanega učenja. A ker je pojem ‘pravilnega’ odgovora določen znotraj okvirjev, ki jih postavijo odločevalci pri izbiri podatkovnih virov in človeški kurator ji pri nadaljnjem uglaševanju, so tudi ti verjetnostni vzorci produkt partikularnih predpostavk. Kot povzemata Breznau in Nguyen (2025, str. 5–6) lahko generativna umetna inteligenca, ker deluje na podlagi statističnega ugibanja brez zunenjega preverjanja dejstev, včasih samozavestno ustvari napačne trditve (t. i. halucinacije), ali pa je – na podlagi pristranskih vhodnih podatkov med procesom učenja – v svojih odgovorih pristranska (Breznau in Nguyen 2025, str. 5–6). Generativna umetna inteligenca kot (potencialna) zmanjševalka (digitalnega) razkoraka Kljub predstavljenim šibkim področjem generativne umetne inteligence številni avtorji izpostavljajo, da ta prinaša vrsto potencialnih prednosti. Delu"
+"(potencialna) zmanjševalka (digitalnega) razkoraka Kljub predstavljenim šibkim področjem generativne umetne inteligence številni avtorji izpostavljajo, da ta prinaša vrsto potencialnih prednosti. Deluje lahko kot tutor oziroma študijski partner, ki posamezniku nudi personalizirano podporo z neprestanimi ra zlagami, povratnimi informacijami in interaktivno pomočjo. S tem pomoč, ki je bila doslej pogosto 132 dostopno le privilegiranim skupinam, postaja dosegljiva širšemu krogu uporabnikov. Poleg tega, da deluje kot pomočnik pri učenju, omogoča hitrejše opravljanje administrativnih in rutinskih nalog. Generativna umetna inteligenca je finančno dostopna ter časo vno in geografsko relativno vseprisotna platforma, za uporabo katere zaradi enostavnega vmesnika niso potrebne visoke ravni digitalne pismenosti (Capraro idr., 2025, str. 4 –10; James in Andrews, 2024, str. 252 –253; Zhang idr. 2024, str. 2). S tem bi lahko orodja generativne umetne inteligence pripomogla tudi skupinam, ki sicer v razponu digitalnega razkoraka zavzemajo depriviligirano pozicijo – starejši, nižje izobraženi in nižje poklicno pozicionirani, etnične manjšine, prebivalci ruralnih okolij in držav v razvoju (gl. Van"
+"razponu digitalnega razkoraka zavzemajo depriviligirano pozicijo – starejši, nižje izobraženi in nižje poklicno pozicionirani, etnične manjšine, prebivalci ruralnih okolij in držav v razvoju (gl. Van Dijk 2020). Empirične študije potrjujejo, da pomoč generativne umetne inteligence omogoča izboljšanje učnih rezultatov in izboljšanje učinkovitosti na delovnih mestih. Metaanaliza, ki sta jo opravila Ma in Zhong (2025) na podlagi pregleda 34 eksperimentalnih in kvazieksperimentalnih študij, ugotavlja, da ima uporaba generativne umetne inteligence skupni učinek velikosti 0,68 (p < 0,001), kar kaže na zmerno do visoko izboljšanje učnih rezultatov. Avtorja učne dosežke razvrščata v tri dimenzije: kognitivno, kompetenčno in afektivno. Največji učinek se je pokazal na kognitivni ravni (g = 0,795), kjer gre predvsem za pridobivanje znanja in logično sklepanje. Sledila je kompetenčna raven (g = 0,711), ki zajema razvoj spretnosti reševanja problemov ter samoreguliranega učenja. Najnižji, a še vedno statistično pomemben učinek, se je pokazal na afektivni ravni (g = 0,507), ki vključuje motivacijo in interes za učenje. Zanimive so tudi ugotovitve, do katerih sta z metaanalizo 19 študij s tega p"
+"no statistično pomemben učinek, se je pokazal na afektivni ravni (g = 0,507), ki vključuje motivacijo in interes za učenje. Zanimive so tudi ugotovitve, do katerih sta z metaanalizo 19 študij s tega področja prišla Gu in Yan (2025). Metaanaliza je pokazala velik skupni učinek generativne umetne inteligence na akademske dosežke študentov oz. učečih se (g = 0,683; p = 0,01). Vend ar pa so rezultati med študijami kazali visoko heterogenost (I² = 94,4 %). Od 19 analiziranih študij jih je namreč 14 poročalo o pozitivnih učinkih, medtem ko jih je 5 pokazalo na negativne učinke generativne umetne inteligence na akademske dosežke študent ov. V tem kontekstu se je kot posebej pomembna izkazala vloga učiteljeve podpore pri uporabi generativne umetne inteligence: kadar je bila uporaba Gen -UI kombinirana z učiteljevo asistenco, je bil učinek izjemno velik (g = 1,426), medtem ko je bila uporaba brez učiteljeve pomoči skoraj neučinkovita (g = 0,077). Poleg tega so se večji učinki pokazali v naravoslovnih in aplikativnih vedah (g = 0,958) kot v humanistiki in družboslovju (g = 0,017), pa tudi pri predmetno specifičnih orodjih (g = 0,848) v primerjavi s splošnimi (g = 0,600). Da ima generativna u"
+"lovnih in aplikativnih vedah (g = 0,958) kot v humanistiki in družboslovju (g = 0,017), pa tudi pri predmetno specifičnih orodjih (g = 0,848) v primerjavi s splošnimi (g = 0,600). Da ima generativna umetna inteligenca pozitiven vpliv na področje izboljšanja učinkovitosti in kakovosti delovnih nalog se jasno kaže tudi na delovnih mestih. 133 Brynjolfsson idr. (2025) poročajo o študiji primera, kjer so v enem izmed podjetij postopoma uvajali klepetalnega pomočnika. Ta je spremljal klepete v službi za pomoč strankam in agentom v realnem času podajal predloge za odgovore. Povprečno izboljšanje učinkovitosti je znašalo približno 14 %. Peng idr. (2023) so izvedli kontroliran poskus z GitHub Copilotom, programskim asistentom, ki temelji na umetni inteligenci. Programerji z dostopom do Gen-UI so nalogo opravili v povprečju v 71 minutah, kar je manj ko t polovica časa kontrolne skupine (161 minut). Pomembne empirične dokaze o vplivu generativne umetne inteligence na delovno uspešnost ponuja tudi eksperimentalna študija Dell’Acqua idr. (2023). V raziskavi s 758 svetovalci so udeleženci z dostopom do GPT -4 opravili 12,2 % več nalog, jih zaključili 25,1 % hitreje in dosegli več kot 40 % višjo"
+"i eksperimentalna študija Dell’Acqua idr. (2023). V raziskavi s 758 svetovalci so udeleženci z dostopom do GPT -4 opravili 12,2 % več nalog, jih zaključili 25,1 % hitreje in dosegli več kot 40 % višjo kakovost rezultatov kot kontrolna skupina. Noy in Zhang (2023) sta v raziskavi s strokovnjaki, ki opravljajo raznolike poklice z zahtevami po srednje zahtevnih pisnih n alogah (npr. trženje, pisanje poročil, analize, komunikacija v kadrovskih službah), ugotovila, da ChatGPT občutno poveča učinkovitost vseh. Pri tem pomemben uvid za naše vprašanje prinašajo primerjave med različnimi skupinami, ki kažejo na to, da bi lahko v fazi generativne umetne inteligence prišlo do zmanjševanja digitalnih in družbenih neenakoti, saj naj bi generativna umetna inteligenca – kot to izpostavljajo tudi Capraro idr. (2024, str. 6) – največje koristi potencialno prinašala prav skupinam, ki so bile v prejšnjih fazah digitalnih transformacij depriviligirane. Brynjolfsson idr. (2025) tako poročajo, da je njihov klepetalni pomočnik najbolj koristil manj usposobljenim in neizkušenim delavcem, katerih učinkovitost je izboljšal za kar 34 %. Agenti, ki so imeli le dva meseca delovne dobe v podjetju, so bili s pom"
+"klepetalni pomočnik najbolj koristil manj usposobljenim in neizkušenim delavcem, katerih učinkovitost je izboljšal za kar 34 %. Agenti, ki so imeli le dva meseca delovne dobe v podjetju, so bili s pomočj o klepetalnega pomočnika tako enako uspešni kot agenti, ki so imeli več kot šest mesecev delovne dobe v podjetju in klepetalnega pomočnika niso uporabljali (Brynjolfsson idr. 2025). Peng idr. (2023) so ugotovili, da je njihov programski asistent največje koristi ponudil manj izkušenim in starejšim programerjem, (Peng idr. 2023). Dell’Acqua idr. (2023) poročajo o tem, da so nadpovprečno uspešni zaposleni ob dostopu do GPT -4 zabeležili 17 % izboljšanje pri opravljanju delovnih nalog, medtem ko so posamezniki pod povprečno ravnjo predhodne uspešnosti svojo učinkovitost povečali za kar 43 %. Noy in Zhang (2023) sta zabeležila posebno izboljšavo kakovosti izhodov in hitrejše opravljanje nalog pri manj sposobnih delavcih, medtem ko sta pri visoko sposo bnih zaposl enih opazila ohranitev kakovosti pri sicer prav tako hitrejšemu opravljanju nalog. Ma in Zhong (2025) sta podoben trend opazila tudi v šolskem prostoru. V svoji metaanalizi moderirajočih učinkov ugotavljata, da so koristi upor"
+"ovosti pri sicer prav tako hitrejšemu opravljanju nalog. Ma in Zhong (2025) sta podoben trend opazila tudi v šolskem prostoru. V svoji metaanalizi moderirajočih učinkov ugotavljata, da so koristi uporabe generativne umetne inteligence 134 izrazitejše pri učencih z manj predhodnega znanja (g = 0,828) kot pri tistih z višjo ravnjo predznanja (g = 0,590). Brunton idr. (2025) so v svoji akcijsko -raziskovalni študiji pokazali, da so učenci iz ranljivih skupin z uporabo generativne umetne intelig ence izrazito izboljšali svoje učne rezultate. V raziskavo je bilo vključenih 11 učencev s slabimi začetnimi dosežki, ki so spadali vsaj v eno izmed kategorij ranljivosti: socialno -ekonomska prikrajšanost, materni jezik, ki ni enak učnemu jeziku pouka, ali posebne izobraževalne potrebe. Učenci so uporabljali ChatGPT za sprotno ocenjevanje nalog, oblikovanje prilagojenih povratnih informacij in pripravo dopolnilnih nalog. Povprečna ocena na poskusnem izpitu v prvem letu je znašala 1,3, pri čemer uporaba generativne umetne inteligence v zadnjem mesecu pred izpitom ni prinesla izboljšav. V drugem letu pa so bili učenci sistematično seznanjeni z načinom uporabe Gen-UI pri učenju. Podporo so prejel"
+"oraba generativne umetne inteligence v zadnjem mesecu pred izpitom ni prinesla izboljšav. V drugem letu pa so bili učenci sistematično seznanjeni z načinom uporabe Gen-UI pri učenju. Podporo so prejeli tudi starši, ki jim je bilo prav tako pojasnjeno, kako lahko generativna umetna inteligenca izboljša učne rezultate njihovih otrok. V tem obdobju se je povprečna ocena učencev na poskusnem izpitu dvignila na 4,8. Za primerjavo: drugi učenci iz ranljivih skupin, ki niso uporabljali generativne umetne inteligence, so nap redovali le z 2,55 na 2,7, medtem ko so učenci, ki niso spadali med ranljive in prav tako niso uporabljali Gen - UI, izboljšali svoj rezultat s 3,4 na 4,4. Čeprav na podlagi te študije ne moremo reči, da so učenci iz ranljivih skupin s pomočjo generativne um etne inteligence prejeli večje koristi v primerjavi z učenci, ki ne spadajo v ranljive skupine (v študiji namreč slednji – vsaj sistematično – niso prejemali pomoči s strani generativne umetne inteligence), lahko vidimo, da generativna umetna inteligenca r anljivim skupinam ob sistematičnem uvajanju prinaša koristi in s tem potencialno zmanjšuje digitalni razkorak. V literaturi lahko sicer zasledimo kar nekaj napov"
+"o, da generativna umetna inteligenca r anljivim skupinam ob sistematičnem uvajanju prinaša koristi in s tem potencialno zmanjšuje digitalni razkorak. V literaturi lahko sicer zasledimo kar nekaj napovedi o tem, kako bi lahko generativna umetna inteligenca pripomogla tudi osebam, ki se sicer v svojem okolju srečujejo z ovirami. Orodja generativne umetne inteligence bi lahko pripomogle k sprotnemu prevajanju besedila, kar bi lahko koristilo predvsem učencem, ki ne obvladajo jezika učnega okolja (Fitas 2025). Kuerban idr. (2025) denimo ugotavljajo, da orodja generativne umetne inteligence učencem z disleksijo omogočajo hitrejše branje in razumevanje vsebine. Hadar Souval idr. (2025) pri osebah s primanjkljaji v kognitivnem delovanju (npr. z motnjami v duševnem razvoju, s specifičnimi učnimi težavami, ADHD) prepoznavajo vrednost generativne umetne inteligence v vlogi pomočnika. Avtorji tako izpostavljajo tri področja, pri katerih bi lahko generativna umetna inteligenca igrala ključno vlogo: osebam bi lahko pomagala pri boljšem razumevanju lastnih misli, doživljanj in potreb (npr. z na migi za spoprijemanje z izzivi), osebe bi lahko podpirala pri razumevanju socialnega okolja in odnosov"
+": osebam bi lahko pomagala pri boljšem razumevanju lastnih misli, doživljanj in potreb (npr. z na migi za spoprijemanje z izzivi), osebe bi lahko podpirala pri razumevanju socialnega okolja in odnosov (npr. s spodbujanjem jasnejšega 135 izražanja ter razumevanja verbalne in neverbalne komunikacije drugih), lahko pa bi tudi prevzela vlogo pri prevajanju kompleksnih informacij iz okolja v bolj preprosto in uporabniku prijazno obliko. Poseben potencial generativne umetne inteligence se lahko prepozna v primerih, ko se ta povezuje z drugimi orodji umetne inteligence, ki že delujejo kot podporna tehnologija za osebe z različnimi oblikami oviranosti (gl. Zaraii Zavaraki 2025). Takšna siner gija lahko okrepi dostopnost in hkrati omogoči višjo raven personalizacije. Primer tega je kombinacija Gen -UI s tehnologijami za prepoznavanje govora, ki učencem z govorno -jezikovnimi motnjami ali naglušnostjo omogočajo sprotno pretvorbo govora v besedilo, ob tem pa Gen -UI zagotavlja povratne informacije in prilagojene razlage. Možnosti se odpirajo tudi pri uporabi Gen -UI skupaj s tehnologijami navidezne in razširjene resničnosti (gl. Kuerban idr. 2025), ki posameznikom, ki se v svojem okolju sreču"
+"e in prilagojene razlage. Možnosti se odpirajo tudi pri uporabi Gen -UI skupaj s tehnologijami navidezne in razširjene resničnosti (gl. Kuerban idr. 2025), ki posameznikom, ki se v svojem okolju srečujejo z ov irami, omogočajo varno učenje socialnih spretnosti, simulacijo vsakdanjih situacij (npr. nakupovanje, vožnja z avtobusom) ali postopno uvajanje v kompleksne naloge. V kombinaciji z generativno umetno inteligenco, ki lahko sproti prevaja, pojasnjuje ali poe nostavlja informacije, takšna orodja ustvarjajo bolj inkluzivno in interaktivno učno okolje. Čeprav za zdaj še nimamo nam znanih empiričnih študij, ki bi sistematično preučevale učinke generativne umetne inteligence pri omenjenih osebah, ki se v svojem okolju srečujejo z ovirami, napovedi kažejo, da bi orodja generativne umetne inteligence lahko koristile tudi tem skupinam. Generativna umetna inteligenca kot (potencialna) povečevalka (digitalnega) razkoraka Čeprav teoretski razmisleki in empirične raziskave poudarjajo, da generativna umetna inteligenca omogoča personalizirano podporo pri dostopu do znanja, se tovrstni scenarij v praksi pogosto ne uresniči. Prav dotedaj pogosto depriviligirani posamezniki, ki bi lahko od teh"
+"ativna umetna inteligenca omogoča personalizirano podporo pri dostopu do znanja, se tovrstni scenarij v praksi pogosto ne uresniči. Prav dotedaj pogosto depriviligirani posamezniki, ki bi lahko od tehnologij generativne umetne inteligence imeli največ koristi – denimo starejši, nižje izobraženi in nižje poklicno pozicionirani, etnične manjšine, prebivalci ruralnih območij itd. – teh orodij v praksi pogosto ne uporabljajo ali pa jih upora bljajo brez ustrezne pismenosti na tem področju. Orodja generativne umetne inteligence zahtevajo sodobno tehnološko opremo in internetno povezavo. V Sloveniji ima od leta 2006 dostop do interneta večina slovenskih gospodinjstev (gl. Oblak Črnič 2012), kar pa še ne pomeni, da v sklopu generativne umetne i nteligence nimamo potencialnih izzivov na tej prvi ravni digitalnega razkoraka. Van Dijk (2020) namreč 136 opozarja, da se na področju prvega razkoraka pojavljajo novi razkoraki glede na obseg dostopa do posamezne tehnologije. Kot izpostavljajo Beckman idr. (2025, str. 7) se na tej ravni lahko pojavijo neenakosti med tistimi, ki dostopajo le od brezplačnih razl ičic, in tistimi, ki uporabljajo plačljive različice, ki ponujajo tudi bolj napredne fun"
+"idr. (2025, str. 7) se na tej ravni lahko pojavijo neenakosti med tistimi, ki dostopajo le od brezplačnih razl ičic, in tistimi, ki uporabljajo plačljive različice, ki ponujajo tudi bolj napredne funkcije (Beckman idr. 2025, str. 7). Posamezniki brez teh virov težko izkoristijo napredne prednosti generativne umetne inteligence, kar lahko vodi v povečevanje digitalnega razkoraka. Študije glede (pogostosti) dostopa do orodij generativne umetne inteligence med sabo niso skladne. Daepp in Counts, ki sta analizirala milijard iskalnih poizvedb med decembrom 2022 in majem 2023 v ZDA, sta pokazala na izrazite prostorske razlike v pogostos ti uporabe generativne umetne inteligence (v tem primeru ChatGPT). Izpostavljata, da so okrožja z najvišjimi stopnjami uporabe generativne umetne inteligence praviloma bolj urbanizirana, z večjim deležem posameznikov, ki so visoko izobraženi, imajo višje d ohodke in zastopajo delovna mesta na področju tehnologije (Daepp in Counts 2025, str. 449). Tudi Ma idr. (2024) v svoji študiji, ki temelji na analizi interakcij 8306 uporabnikov z generativno umetno inteligenco, poročajo o tem, da moški, mlajši uporabniki ter posamezniki z višjo izobrazbo in s predhod"
+". (2024) v svoji študiji, ki temelji na analizi interakcij 8306 uporabnikov z generativno umetno inteligenco, poročajo o tem, da moški, mlajši uporabniki ter posamezniki z višjo izobrazbo in s predhodnim znanjem iz informacijske tehnologije bistveno pogosteje uporabljajo ChatGPT. Primerjalna raziskava med študenti računalništva v ZDA in Bangladešu tu pokaže drugačno sliko: čeprav imajo bangladeški študenti bistveno slabši in manj zanesljiv dostop do Gen -UI, jo zaradi pomanjkanja alternativnih virov uporabljajo pogosteje kot ameriški kolegi (Haque in Hundhausen 2025). Podobno Zhang idr. (2024, str. 17) opozarjajo, da se posamezniki z višjo digitalno pismenos tjo včasih generativne umetne inteligence poslužujejo celo manj, ker se zanašajo na lastne kompetence ali pa do nje zadržani zaradi tveganj, ki jih prinaša. Ta opažanja kažejo, da orodja generativne umetne inteligence v nekaterih primerih pogosteje uporabl jajo prav doslej nepriviligirane osebe. A Haque na tem mestu izpostavlja da so bangladeški študenti, kljub pogostejši uporabi, izkazali manjšo sposobnost oblikovanja učinkovitih pozivov ter kritičnega vrednotenja odgovorov, prav tako so se pogosteje zanašali na celostne rešit"
+"so bangladeški študenti, kljub pogostejši uporabi, izkazali manjšo sposobnost oblikovanja učinkovitih pozivov ter kritičnega vrednotenja odgovorov, prav tako so se pogosteje zanašali na celostne rešitve, ki jih ponudi generativna umetna inteligenca (Haque 2025, str. 120 –121). Podobno ugotavljajo tudi Zhang idr. (2024, str. 17), ki povzemajo, da študenti iz nižjega socialno-ekonomskega statusa, ki imajo več finančnih in socialnih izzivov sicer v večji meri uporabljajo ChatGPT, a so na tem področju slabše pismeni. To pomeni, da pogostost uporabe sama po sebi še ne razrešuje digitalnega razkoraka; odločilna je namreč pismenost glede generativne umetne inteligence, ki določa, ali bo uporaba vodila k zmanjševanju ali k poglabljanju neenakosti. 137 A študije kažejo, da je določena stopnja dostopnosti, ki se lahko kaže tudi skozi pogostost uporabe, za zmanjševanje digitalnega razkoraka, prav tako pomembna. O tem v svoji študiji govorijo Ma idr. (2024). Njihova študija uvaja pojem pasti prepričanj. Gre za pojav, pri katerem posamezniki zaradi začetnih negativnih izkušenj ali nizkega zaupanja v tehnologijo ostanejo pri svojih napačnih predstavah o neuporabnost i generativne umetne intelige"
+"ičanj. Gre za pojav, pri katerem posamezniki zaradi začetnih negativnih izkušenj ali nizkega zaupanja v tehnologijo ostanejo pri svojih napačnih predstavah o neuporabnost i generativne umetne inteligence, prenehajo z eksperimentiranjem in se raje vračajo k poznanim (a pogosto manj primernim) orodjem, kot so tradicionalni iskalniki. S tem se izognejo vsem pozitivnim platem generativne umetne inteligence. Avtorji v analizi ugotavljajo, da posamezniki pogosto napačno ocenjujejo dejansko koristnost generativne umetne inteligence (v tem primeru ChatGPT -ja), kar pa se še posebej izkaže prav pri doslej že tako depriviligiranih posameznikih. Kot primer izpostavijo 25 -letno pripadnico etnične skupine, ki ni bele rase, ima nizko izobrazbo in ni zaposlena v IT sektorju. Čeprav bi lahko iz generativne umetne inteligence iztržila večje koristi kot povprečni uporabnik, njeno začetno prepričanje o koristnosti tega orodja ni usklajeno z izračunano dejansko koristnostjo. Po izračunih avtorjev je pri posameznikih iz skupine, kamor uvrščajo omenjeno posameznico, povprečno prepričanje o koristnosti ChatGPT-ja približno 70 % nižje od izračunane dejanske koristnosti generativne umetne inteligence z a"
+"posameznikih iz skupine, kamor uvrščajo omenjeno posameznico, povprečno prepričanje o koristnosti ChatGPT-ja približno 70 % nižje od izračunane dejanske koristnosti generativne umetne inteligence z a te posameznike (Ma idr. 2024, str. 29). Študija simulira tudi uporabniške poti in ponovno pokaže, da doslej depriviligirani posamezniki (kot je denimo omenjena uporabnica) potrebujejo več usmerjene izpostavljenosti in podpore, da bi dosegli enako verjetn ost sprejetja tehnologije kot bolj privilegirane skupine (prav tam). Pri tem izpostavljamo, da moramo posebno pozornost nameniti posameznikom, ki pri uporabi generativne umetne inteligence še posebej potrebujejo podporo. To so denimo osebe z motnjami v duševnem razvoju. Murphy idr. tako izpostavljajo, da imajo te osebe že v osnovi otežen dostop do digitalnih orodij zaradi pomanjkanja lastnih naprav, pri čemer pa se soočajo tudi z omejenim dostopom do informacij zaradi zahtevnosti in kompleksnosti vsebin. Morebitna samostojna raba generativne umetne inteligence je zanje pogosto prezahtevna, zato potrebujejo dodatno, kontinuirano podporo, tako pri oblikovanju razumljivih in ustreznih pozivov kot tudi pri kritični presoji izhodov (Murphy"
+"ne umetne inteligence je zanje pogosto prezahtevna, zato potrebujejo dodatno, kontinuirano podporo, tako pri oblikovanju razumljivih in ustreznih pozivov kot tudi pri kritični presoji izhodov (Murphy idr. 2025). Brez namenskega izobraževanja, usmerjenega vodenja in sprotne podpore lahko Gen-UI v tem kontekstu dodatno poglablja digitalni razkorak. Ma idr. izpostavljajo, da lahko dobro načrtovani programi usposabljanj bistveno ublažijo učni razkorak. Takšni posegi bi tako omogočili pravičnejše udejanjanje koristi generativne umetne inteligence in preprečili, da bi ta nova tehnologija nehote poglablja la obstoječe digitalne in 138 družbene neenakosti (Ma idr. 2024, str. 32–33). Če do teh usposabljanj ne pride, namreč lahko tvegamo, da doslej depriviligirani posamezniki zaradi pasti prepričanj orodij generativne umetne inteligence sploh ne uporabljajo in tako povsem zaobidejo potencialne prednosti, ki jih ta prinaša, ali pa se zaradi pretiranega zanašanja srečajo s pastmi ki jih prinaša nekompetentna uporaba generativne umetne inteligence (denimo prehitro in nekritično sprejemanje zapisov generativne umetne inteligence, ki lahko halic unira ali pa podaja zelo enostranske in partikularn"
+"kompetentna uporaba generativne umetne inteligence (denimo prehitro in nekritično sprejemanje zapisov generativne umetne inteligence, ki lahko halic unira ali pa podaja zelo enostranske in partikularne odgovore). Pri tem pa je treba izpostaviti, da tudi posamezniki, ki so bili doslej v kontekstu digitalne tehnologije priviligirani, niso imuni na tveganja, ki jih prinaša generativna umetna inteligenca. Wecks (2024, str. 17–20) podaja konkretne empirične dokaze: študenti, ki so za pripravo esejev uporabili Gen-UI, so na izpitih dosegali bistveno nižje rezultate, pri čemer je bilo to opaziti zlasti pri študentih z visokim učnim potencialom. To se je izkaza lo v primerih, ko študenti generativne umetne inteligence niso uporabljali kot pomočnika, temveč kot orodje, ki je v veliki meri nadomeščalo njihovo samostojno učenje oz. raziskovanje. Tudi Brynjolfsson idr. so pokazali, da lahko tudi pri visoko usposobljenih posameznikih uporaba generativne umetne inteligence vodi do slabše reševanih nalog, saj se ti posamezniki zaradi pretiranega zanašanja na predloge generativne umetne inteligence nagibajo k manj premišljenim rešitvam (Brynjolfsson idr. 2024, str. 19 –20). Poleg tega tudi ti posa"
+"alog, saj se ti posamezniki zaradi pretiranega zanašanja na predloge generativne umetne inteligence nagibajo k manj premišljenim rešitvam (Brynjolfsson idr. 2024, str. 19 –20). Poleg tega tudi ti posamezniki niso imuni na past prepričanj. Ma idr. so namreč simulirali tudi vedenje v dosedanjih okoliščinah priviligarnega učenca – npr. 28-letnega moškega IT-strokovnjaka z visoko izobrazbo. Ugotovili so, da tudi pri teh posamezniki h nekaj negativnih začetnih izkušenj z generativno umetno inteligenco lahko zadošča, da opustijo njeno uporabo, čeprav bi bila ta zanje dolgoročno lahko koristna. Ma idr. zato opozarjajo, da se mora vsaka strategija za zmanjševanje razkoraka osredotočiti ne le na izobraževanje depriviligiranih učencev, temveč tudi na podporo pri oblikovanju realističnih pričakovanj za vse uporabnike (Ma idr. 2024 str. 30). V nasprotnem primeru lahko namreč ob pomanjkanju pismenosti, povezane z generativno umetno inteligenco, prihaja do novih pojavnih oblik neenakosti znotraj digitalnega razkoraka. Zaključek Generativna umetna inteligenca je finančno dostopna ter časovno in geografsko relativno vseprisotna platforma, za uporabo katere zaradi enostavnega vmesnika niso potrebne"
+"italnega razkoraka. Zaključek Generativna umetna inteligenca je finančno dostopna ter časovno in geografsko relativno vseprisotna platforma, za uporabo katere zaradi enostavnega vmesnika niso potrebne visoke ravni digitalne pismenosti. S tem, ko generativna umetna inteligenca deluje kot personalizirana 139 podpora, ki je dostopna širokemu krogu posameznikov, lahko nudi pomembno pomoč pri usvajanju znanja in reševanju problemov. Pri tem je, da ne bi prihajalo že do začetnih neenakosti na področju uporabe generativne umetne inteligence, pomembno razmisliti, kako dostop do vseh – tudi naprednejših orodij – omogočiti vsem posameznikom. Poleg tega je pomembno razmisliti tudi o tem, ka ko nadalje razvijati orodja, da bodo ta sinhronizirana z drugimi orodji, ki jih za uspešno uporabo potrebujejo osebe, ki se sicer v svoji okolici srečujejo z ovirami. Pomembno je razvijati tudi področje kompetenc. Posebej veliko koristnost namreč izkazujejo primeri, kjer se generativna umetna inteligenca uporablja kot pomočnik skupinam, ki so bile na področju digitalnega razkoraka doslej depriviligirane. A ravno doslej depriviligrane skupine, ki generativno umetno inteligenco pogosto uporabljajo kot kompen"
+"blja kot pomočnik skupinam, ki so bile na področju digitalnega razkoraka doslej depriviligirane. A ravno doslej depriviligrane skupine, ki generativno umetno inteligenco pogosto uporabljajo kot kompenzacijo za manjkajoče učne vire, so paradoksalno tudi bolj izpostavljene njenim tveganjem: halucinacijam, pretiranemu zanašanju na odgovore ter pastem prepričanj. Ti posamezniki zato pri deli z generativno umetno inteligenco potrebujejo največ sistematične podpore. Pri tem se izkaže, da lahko v pasti obravnavanih orodij zaradi neustrezne ravni pismenosti na področju generativne umetne inteligence zapadejo tudi tisti, ki s o bili doslej znotraj digitalnega razkoraka priviligirani. Zato se na tem mestu izraža nujnost dvigovanja pismenosti na področju orodij generativne umetne inteligence tudi za doslej priviligirane posameznike, saj lahko v nasprotnem primeru prihaja do novih pojavnih oblik neenakosti znotraj digitalnega razkoraka. Če je bil digitalni razkorak sprva pretežno povezan s fizičnim dostopom do tehnologije in nato s kompetencami uporabe, danes prihajamo do točke, ko ga moramo razumeti tudi skozi prizmo rezultatov uporabe. Pri tem pa je ključno pod drobnogled vzeti tudi pod ročj"
+"m dostopom do tehnologije in nato s kompetencami uporabe, danes prihajamo do točke, ko ga moramo razumeti tudi skozi prizmo rezultatov uporabe. Pri tem pa je ključno pod drobnogled vzeti tudi pod ročje rezultatov oz. učinkov uporabe digitalne tehnologije. Predstavljene raziskave učinkovitost oz. pridobljeni merijo predvsem na ravni učinkovitosti, kjer gre za posameznikovo zmožnost, da ta v čim večji meri sledi neoliberalni logiki, ki celoten prosto r spreminja v proizvodnjo visoko učinkovitih ter sistemu ustreznih kompetenc. Zgolj s sledenjem tovrstnim rezultatom v družbi se namreč ne bi smeli zadovoljiti, saj smisel naših prizadevanj ne bi smel biti le v pripenjanju posameznika na obstoječe dominant ne vzorce delovanja, temveč formiranje avtonomnih posameznikov, ki bodo skladno s svojim življenjskim svetom na odgovoren način stopali v dialog s svetom (gl. Biesta 2020). Na tovrstno preusmeritev k raziskovalnemu učenju opozarjata tudi Driggers in Boyles (2025), ki pri tem izhajata iz pragmatizma Charlesa S. Peircea. Po njunem mnenju Peirceov model 140 ponuja ključen epistemološki okvir za razmislek o vlogi generativne umetne inteligence. V središču tega modela je razločevanje med »p"
+"agmatizma Charlesa S. Peircea. Po njunem mnenju Peirceov model 140 ponuja ključen epistemološki okvir za razmislek o vlogi generativne umetne inteligence. V središču tega modela je razločevanje med »poučevanjem« in »učenjem«: medtem ko je poučevanje definirano kot prenos že uveljavljenega, fiksnega znanja, ki zavira raziskovanje, je učenje opredeljeno kot odprt in samokorektivni proces, ki se začne s priznanjem nevednosti in pripravljenostjo na spremembo prepričanj. Temelj Peirceovega razumevanja učenja je t. i. »volja do učenja«, ki zahteva nezadovoljstvo z obstoječim zna njem in zavezanost iskanju resnice skozi izkušnje, napake in presenečenja. Ključna nevarnost sodobnega izobraževanja, kot opozarjata avtorja, je prav v tem, da absolutizira znanje kot dokončno in s tem »blokira pot raziskovanja«, kar lahko generativa umetn a inteligenca, če je uporabljena le na način zagotavljanja učinkovitosti skladno z vnaprej predpisanimi normami, le še utrdi. Driggers in Boyles (2025) zato izpostavljata, da bi morali kot enega izmed pomembni rezultatov, h katerih lahko prispeva generativna umetna inteligenca, videti v učinkovitosti na področju raziskovanja, presojanja, preverjanja in izkustve"
+"avljata, da bi morali kot enega izmed pomembni rezultatov, h katerih lahko prispeva generativna umetna inteligenca, videti v učinkovitosti na področju raziskovanja, presojanja, preverjanja in izkustvenega preoblikovanja prepričanj – ne pa le v učinkovitosti na področju reprodukcije vnaprej posredovanih partikularnih resnic. Napovedi razvoja generativne umetne inteligence kažejo, da se nahajamo šele na začetku globlje transformacije razmerja med človekom in tehnologijo. Aboodi (2025) napoveduje pojav umetnih »supersvetovalcev«, torej naprednih sistemov, ki bodo sposobni ne le odgovarjati na kompleksna vprašanja z visoko zanesljivostjo, temveč tudi pomagati uporabnikom pri oblikovanju vprašanj, razumevanju konteksta in moralnem presojanju. Ti sistemi bodo delovali z dialoško metodo, kar bo zahtevalo nove oblike epistemološkega sodelovanja med človekom in umetno inteligenco (Aboodi 2025, str. 631–633). Celo v primeru razvoja previdnih, t. i. skromnih svetovalcev, ki ne dajejo dokončnih odgovorov, ampak ponujajo razlage in alternativne interpretacije, bo za njihovo učinkovito upora bo po napovedi Aboodi še vedno ključno človeško kritično mišljenje (prav tam, str. 643–645). Da bi prepre"
+"govorov, ampak ponujajo razlage in alternativne interpretacije, bo za njihovo učinkovito upora bo po napovedi Aboodi še vedno klju��no človeško kritično mišljenje (prav tam, str. 643–645). Da bi preprečili ali vsaj omejili negativne posledice, ki jih na področju digitalnega razkoraka lahko povzroči neenak dostop in neustrezna uporaba generativne umetne inteligence, so nujni sistemski ukrepi. Med najpomembnejšimi so zagotavljanje enakopravneg a dostopa do tehnologij ter ciljno usmerjeni programi usposabljanja. Le ob hkratni tehnološki dostopnosti in podpori za učinkovito, a odgovorno uporabo bo mogoče uresničiti emancipatorni potencial generativne umetne inteligence in preprečiti, da bi postala orodje, ki povečuje neenakosti med posamezniki. 141 Literatura Aboodi, R. (2025). The Worrisome Potential of Outsourcing Critical Thinking to Artificial Intelligence. Educ Theory, 75, str. 626–645. Arora, A., Kaffee, L. -A. in Augenstein, I. (2023). Probing pre -trained language models for cross-cultural differences in values. V: S. Dev, V. Prabhakaran, D. I. Adelani, D. Hovy in L. Benotti (ur.), Proceedings of the First Workshop on Cross -Cultural Considerations in NLP (C3NLP), (str. 114–130)"
+"ultural differences in values. V: S. Dev, V. Prabhakaran, D. I. Adelani, D. Hovy in L. Benotti (ur.), Proceedings of the First Workshop on Cross -Cultural Considerations in NLP (C3NLP), (str. 114–130). Beckman, K., Apps, T., Howard, S. K., Rogerson, C., Rogerson, A. in Tondeur, J. (2025). The GenAI divide among university students: A call for action. The Internet and Higher Education, 67. Biesta, G. J. (2015). Beautiful risk of education. Routledge. Brynjolfsson, E., Li, D. in Raymond, L. (2025). Generative AI at work. Quarterly Journal of Economics, 140, št. 2, str. 889–942. Breznau, N. in Nguyen, H. H. V. (2025). An introduction to generative artificial intelligence for academics. F1000 Research, 14. Brunton, R., Rhazzafe, S., Moodley, R., Kuhn, S., Caraffini, F., Wilford, S., Higginbottom, R., Colreavy-Donnelly, S. in Gongora, M. (2025). Using generative artificial intelligence to enhance the performance of disadvantaged students in secondary education. SSRN. Capraro, V., Lentsch, A., Acemoglu, D., Akgun, S., Akhmedova, A., Bilancini, E., Bonnefon, J.-F., Brañas -Garza, P., Butera, L., Douglas, K. M., Everett, J. A. C., Gigerenzer, G., Greenhow, C., Hashimoto, D. A., Holt -Lunst"
+"., Acemoglu, D., Akgun, S., Akhmedova, A., Bilancini, E., Bonnefon, J.-F., Brañas -Garza, P., Butera, L., Douglas, K. M., Everett, J. A. C., Gigerenzer, G., Greenhow, C., Hashimoto, D. A., Holt -Lunstad, J., Jetten, J., Johnson, S., Ku nz, W. H., Longoni, C. … in Viale, R. (2024). The impact of generative artificial intelligence on socioeconomic inequalities and policy making. PNAS Nexus, 3, št. 6, str. 191. Daepp, M. IN Counts, S. (2025). The emerging generative artificial intelligence divide in the United States. Proceedings of the International AAAI Conference on Web and Social Media, 19, št. 1, str. 443–456. Davis, J., Van Bulck, L., Durieux, B. in Lindvall C (2014). The Temperature Feature of ChatGPT: Modifying Creativity for Clinical Research. MIR human factors, 11, št. 1. Dehaene, S. (2020). How we learn: The New Science of Education and the Brain. Penguin Books Ltd. 142 Dell’Acqua, F., McFowland, E., III, Mollick, E., Lifshitz -Assaf, H., Kellogg, K., Rajendran, S., Krayer, L., Candelon, F. in Lakhani, K. (2023). Navigating the jagged technological frontier: Field experimental evidence of the effects of AI on knowledge wor ker productivity and quality. SSRN Electronic Journ"
+"Candelon, F. in Lakhani, K. (2023). Navigating the jagged technological frontier: Field experimental evidence of the effects of AI on knowledge wor ker productivity and quality. SSRN Electronic Journal. Dolničar, V., Vukčevič, K., Kronegger, L. in Vehovar, V. (2002). Digitalni razkorak v Sloveniji. Družboslovne razprave, 18, št. 40, str. 83–106. Driggers, K. and Boyles, D. (2025), Educational Implications of Artificial Intelligence: Peirce, Reason, and the Pragmatic Maxim. Educ Theory, 75, str. 682–701. González Barman, K., Lohse, S. in de Regt, H. W. (2025). Reinforcement learning from human feedback in LLMs: Whose culture, whose values, whose perspectives? Philosophy and Technology, 38, št. 2, str. 1–26. Gu, J. in Yan, Z. (2025). Effects of GenAI interventions on student academic performance: A meta-analysis. Journal of Educational Computing Research, 63, št. 6, str. 1460–1492. Hadar Souval, D., Haber, Y., Tal, A., Simon, T., Elyoseph, T. in Elyoseph, Z. (2025). Transforming Perceptions: Exploring the Multifaceted Potential of Generative AI for People With Cognitive Disabilities. JMIR Neurotech, 4. Hargittai, E. 2002. Second-level digital divide: Mapping differences in people’s"
+"ions: Exploring the Multifaceted Potential of Generative AI for People With Cognitive Disabilities. JMIR Neurotech, 4. Hargittai, E. 2002. Second-level digital divide: Mapping differences in people’s online skills. First Monday, 7, št. 4. Haque, S. in Hundhausen, C. (2025). Generative AI access, usage, and perceptions: An empirical comparison of computing students in the United States and Bangladesh. V: Proceedings of the 2025 ACM Conference on International Computing Education Research, str. 109–124. James, T. in Andrews, G. (2024). Levelling the playing field through GenAI: Harnessing artificial intelligence to bridge educational gaps for equity and disadvantaged students. Widening Participation and Lifelong Learning, 26, št. 3, str. 250–259. Kishore, S., Hong, Y., Nguyen, A. in Qutab, S. (2023). Should ChatGPT be Banned at Schools? Organizing Visions for Generative Artificial Intelligence (AI) in Education. ICIS 2023 Proceedings, 5. Kuerban, Y., Oyelere, S.S. in Sanusi, I.T. (2025). ReadSmart: Generative AI and augmented reality solution for supporting students with dyslexia learning disabilities. International Journal of Technology in Education and Science 143 Ma, L., Xu, X., H"
+"ReadSmart: Generative AI and augmented reality solution for supporting students with dyslexia learning disabilities. International Journal of Technology in Education and Science 143 Ma, L., Xu, X., He, Y. in Tan, Y. (2024). Learning to Adopt Generative AI . Dostopno na: https://ssrn.com/abstract=4990170 (pridobljeno 12. 7. 2025). Ma, N. in Zhong, Z. (2025). A meta‐analysis of the impact of generative artificial intelligence on learning outcomes. Journal of Computer Assisted Learning, 41. Murphy, E., Shiels, O., Fiori, S., McCausland, D., Bergström, H., Koster, R., Noorlandt, H., Korfage, I. in Wallén, E. F. (2024). Bridging the digital divide for individuals with intellectual disabilities: Implications for well‐being and inclusion. British Journal of Learning Disabilities, 53, št. 1, str. 17–31. Noy, S. in Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381. št. 6654, str. 187–192. Ouyang, L., Wu, J., Jiang, X., Almeida, D., Wainwright, C., Mishkin, P. in Lowe, R. (2022). Training Language Models to Follow Instructions with Human Feedback. Advances in Neural Information Processing Systems, 35, 27730–27744. Peng, S"
+"da, D., Wainwright, C., Mishkin, P. in Lowe, R. (2022). Training Language Models to Follow Instructions with Human Feedback. Advances in Neural Information Processing Systems, 35, 27730–27744. Peng, S., Kalliamvako E., Cihon, P. in Demirer M. The Impact of AI on Developer Productivity: Evidence from GitHub Copilot . Dostopno na: https://arxiv.org/abs/2302.06590 (pridobljeno 15. 7. 2025) Tao, Y., Viberg, O., Baker, R. S. in Kizilcec, R. F. (2024). Cultural bias and cultural alignment of large language models. PNAS Nexus, 3, št. 9, str. 346. Thierer, A. (2000). How free computers are filling the digital divide. Heritage Foundation Backgrounder. Dostopno na: https://www.heritage.org/technology/report/how -free- computers-are-filling-the-digital-divide (pridobljeno 7. 7. 2025). Van Deursen AJAM in van Dijk JAGM. (2019) The first -level digital divide shifts from inequalities in physical access to inequalities in material access. New Media & Society, 21, št. 2, str. 354–375. Van Dijk, JAGM. (2020). Closing the Digital Divide. The Role of Digital Technologies on Social Development, Well -Being of All and the Approach of the Covid -19 Pandemic. Dostopno na: https://www.un.org/development/"
+"(2020). Closing the Digital Divide. The Role of Digital Technologies on Social Development, Well -Being of All and the Approach of the Covid -19 Pandemic. Dostopno na: https://www.un.org/development/desa/dspd/wp - content/uploads/sites/22/2020/07/Closing-the-Digital-Divide-by-Jan-A.G.M-van-Dijk-.pdf (pridobljeno 12. 8. 2025) 144 Vuorikari, R., Kluzer, S. in Punie, Y. (2022). DigComp 2.2: The Digital Competence Framework for Citizens – With new examples of knowledge, skills and attitudes. Luxembourg: Publications Office of the European Union. Zaraii Zavaraki, E. (2024). Artificial Intelligence for People with Special Educational Needs. IntechOpen. Zhang, C. X., Rice, R. E. in Wang, L. H. (2024). College students’ literacy, ChatGPT activities, educational outcomes, and trust from a digital divide perspective. New Media & Society, str. 1–23. Wecks, J. O., Voshaar, J., Plate, B. J. in Zimmermann, J. (2024) Generative AI Usage and Exam Performance. Dostopno na: https://arxiv.org/abs/2404.19699 (pridobljeno 20. 7. 2025). 145 Celostni in trajnostni vidik: kako zagotoviti, da izobraževalni sektor sledi hitremu razvoju novih tehnologij? Avtorji: Boris Aberšek, Maja Vičič Krabonja, Andrej F"
+"9699 (pridobljeno 20. 7. 2025). 145 Celostni in trajnostni vidik: kako zagotoviti, da izobraževalni sektor sledi hitremu razvoju novih tehnologij? Avtorji: Boris Aberšek, Maja Vičič Krabonja, Andrej Flogie"