Tehnike primjene umjetne inteligencije za poticanje aktivnog učenja

1. Uvod

Aktivno učenje podrazumijeva pristupe u kojima studenti ne ostaju pasivni promatrači, već aktivno razmišljaju, primjenjuju, raspravljaju i preispituju sadržaje tijekom procesa učenja. Takvi pristupi omogućuju dublje razumijevanje koncepata, razvoj kritičkog mišljenja i povećavaju trajnost znanja. U visokom obrazovanju važnost aktivnog učenja dodatno je naglašena potrebom za razvojem samostalnosti studenata i vještina potrebnih u profesionalnom životu.

Unatoč brojnim dokazima o njegovoj učinkovitosti aktivno učenje u praksi često susreće izazove, poput velikih skupina studenata, nedostatka vremena za individualizirani pristup i različitih razina predznanja u istom razredu. 

Umjetna inteligencija može pridonijeti prevladavanju ovih izazova, no važno je naglasiti da ona ne zamjenjuje nastavnika, nego služi kao podrška koja nastavnicima omogućuje kvalitetnije planiranje aktivnosti, a studentima više prilika za angažiran i smislen rad.

Aktivno učenje uz potporu umjetne inteligencije odnosi se na situacije u kojima se AI koristi kao alat za osmišljavanje i provedbu pedagoških aktivnosti, a ne kao automatizirani izvor gotovih odgovora. Aktivno učenje nastaje kada studenti:

• analiziraju i interpretiraju informacije
• donose odluke i argumentiraju stavove
• razmjenjuju ideje s drugima
• preispituju vlastite pogreške
• reflektiraju proces učenja.

Umjetna inteligencija u tome pomaže tako što povećava broj mogućnosti za aktivnost, prilagođava razinu kognitivnog izazova, pruža pravodobnu povratnu informaciju i nudi autentične situacije učenja uz koje studenti mogu aktivno primjenjivati znanje.

2. Tehnike umjetne inteligencije za poticanje aktivnog učenja u obrazovanju

Primjena umjetne inteligencije u obrazovanju dobiva sve važniju ulogu u osiguravanju aktivnog i interaktivnog procesa učenja. Aktivno učenje temelji se na ideji da studenti preuzimaju aktivnu ulogu u izgradnji vlastitog znanja, što zahtijeva dublju kognitivnu obradu, sudjelovanje u raspravi, refleksiju i primjenu koncepata u različitim kontekstima. 

Umjetna inteligencija može poboljšati ove procese personalizacijom sadržaja, automatiziranom analitikom, podrškom refleksiji i omogućavanjem autentičnih iskustava učenja.

Kako bi se ostvario puni potencijal umjetne inteligencije u obrazovanju, potrebno je poznavati konkretne tehnike njezine primjene koje izravno podupiru aktivno učenje i doprinose većoj angažiranosti, interakciji i dubljem razumijevanju sadržaja. 

U tom su kontekstu u nastavku prikazane temeljne tehnike umjetne inteligencije usmjerene razvoju aktivnog učenja:

• generiranje kognitivno poticajnih pitanja
• adaptivno učenje prilagođeno napretku studenata
• automatizirani povratni odgovor u stvarnom vremenu
• interaktivne simulacije i scenariji odlučivanja
• potpora samoreguliranom učenju i metakogniciji
• analitika učenja za poticanje refleksije i donošenja odluka
• obrazovni chatbotovi za razvoj kritičkog mišljenja i argumentacije.

Svaka od navedenih tehnika obuhvaća specifične didaktičke mogućnosti koje mogu pridonijeti povećanju kvalitete obrazovnoga procesa i poticanju dubljeg razumijevanja obrazovnih sadržaja.

3. Generiranje kognitivno poticajnih pitanja

Kognitivno zahtjevna pitanja predstavljaju važan element pedagoškog dizajna u obrazovanju, jer potiču polaznike na procesiranje informacija na višim razinama mišljenja. Pitanja koja zahtijevaju objašnjenje, uspoređivanje, evaluaciju ili oblikovanje vlastite interpretacije podržavaju dublje učenje i razvoj samostalnosti u učenju. Time se polaznici premještaju iz uloge pasivnih primatelja informacija u ulogu aktivnih sudionika koji konstruktivno oblikuju svoje znanje.

Sustavi koji se temelje na umjetnoj inteligenciji mogu nastavniku pomoći u izradi takvih pitanja analizom nastavnih materijala i automatskim predlaganjem različitih vrsta pitanja. To olakšava pripremu aktivnosti i omogućuje da se tijekom nastavnog procesa veća pažnja posveti pedagoškoj interakciji i raspravi sa studentima. 

Aktivno učenje ostvaruje se tek tijekom argumentiranja i promišljanja različitih odgovora u interakciji s kolegama i nastavnikom.

Važno je napomenuti da umjetna inteligencija ne preuzima stručnu odgovornost nastavnika u oblikovanju i vrednovanju pitanja. Njezina je uloga podrška u procesu stvaranja materijala koji će potaknuti kognitivnu aktivnost studenata i doprinijeti ostvarivanju ishoda učenja.

Primjer alata umjetne inteligencije za izradu složenih pitanja:

Quillionz - sustav temeljen na umjetnoj inteligenciji koji izrađuje pitanja različite razine složenosti (prema Bloomovoj taksonomiji) na temelju učitanog obrazovnog sadržaja.

Pogledati uputu za korištenje: Alat Quillionz – izrada pitanja na temelju teksta (EDUBlic, CARNET)

Važno: Sva generirana pitanja zahtijevaju stručnu provjeru i didaktičku doradu nastavnika. Osnovna verzija alata je dostupna bez naknade tijekom izrade ovog obrazovnog sadržaja, uz ograničen broj generiranja sadržaja i mogućnosti izvoza. Navedeno se može tijekom vremena mijenjati.

4. Adaptivno učenje prilagođeno napretku studenata

Adaptivno učenje odnosi se na dinamičko prilagođavanje nastavnih aktivnosti razini razumijevanja, tempu napretka i potrebama pojedinog studenta. 

Sustavi utemeljeni na umjetnoj inteligenciji analiziraju studentske odgovore, vrijeme rješavanja zadataka i razinu samostalnosti te na temelju tih podataka pružaju personalizirane preporuke, dodatne izazove ili ciljanu podršku.

Takav pristup potiče aktivno učenje jer studenti dobivaju povratne informacije u trenutku učenja, samostalno donose odluke o daljnjim koracima i preuzimaju odgovornost za vlastiti napredak. Umjesto jedinstvenog zadatka za sve, svaki student ulazi u zonu optimalnoga izazova, koja povećava angažiranost i motivaciju.

Uloga nastavnika pritom ostaje ključna: nastavnik nadzire napredak, analizira podatke, potiče refleksiju i po potrebi prilagođava nastavne aktivnosti kako bi se osigurao uravnotežen razvoj kompetencija cijele skupine.

Primjer sustava umjetne inteligencije:

ALEKS (Assessment and Learning in Knowledge Spaces) je adaptivni sustav koji se često koristi u visokom obrazovanju, posebno u matematici i STEM područjima. Sustav procjenjuje razinu razumijevanja putem inicijalnog testa i zatim dodjeljuje personalizirane zadatke koji se prilagođavaju rezultatima studenta. Međutim, potrebna je stručna provjera sadržaja kako bi se osigurala usklađenost s programom studija. Pristup sustavu može zahtijevati institucionalnu licencu ili naknadu za studente.

Primjer primjene u visokoškolskom obrazovanju: 

Na kolegiju iz primijenjene matematike studenti započinju rad u alatu ALEKS inicijalnom procjenom znanja. Na temelju rezultata svaki student dobiva osobni plan rada i zadatke prema razini vlastita razumijevanja. Tijekom seminara studenti u manjim skupinama razmjenjuju strategije rješavanja i obrazlažu postupke, a nastavnik koristi analitičke izvještaje alata kako bi moderirao raspravu, prepoznao izazove i potaknuo dublju analizu rezultata.

Time se umjetna inteligencija koristi kao podrška aktivnom učenju kroz argumentaciju, suradnju i refleksiju.

5. Automatizirani povratni odgovor u stvarnom vremenu

Povratni odgovor jedan je od najsnažnijih elemenata učenja i poučavanja u visokom obrazovanju, jer pruža polaznicima uvid u kvalitetu njihova razumijevanja, argumentacije i primjene znanja. U tradicionalnim uvjetima polaznici često dobivaju povratni odgovor tek nakon što je nastavna aktivnost završena, što ograničava mogućnosti učenja u trenutku kada je kognitivna aktivnost još aktivna.

Automatizirani povratni odgovor u stvarnom vremenu omogućuje polaznicima da odmah prepoznaju pogreške, dobiju smjernice i prilagode svoj pristup rješavanju zadataka tijekom samoga procesa učenja, čime se potiče aktivna analiza, refleksija i razvoj samoprocjene.

Sustavi temeljeni na umjetnoj inteligenciji omogućuju polaznicima trenutni, informativni i personalizirani povratni odgovor tijekom rješavanja zadataka. Takav pristup potiče aktivno učenje jer polaznik:

• odmah uočava pogrešku i razloge pogreške
• preispituje vlastito razmišljanje
• donosi odluku o tome kako prilagoditi svoj pristup
• usvaja obrazovni sadržaj kroz iteraciju i refleksiju u stvarnom vremenu.

Instruktor pritom preuzima ulogu stručnog moderatora koji tumači podatke koje sustav prikuplja i potiče raspravu o pogreškama i različitim strategijama rješavanja problema.

Primjer alata umjetne inteligencije:

Gradescope je sustav temeljen na umjetnoj inteligenciji koji se široko koristi u visokom obrazovanju za ocjenjivanje i analizu studentskih zadataka, uključujući eseje, matematičke probleme i računalne kodove. Sustav omogućuje digitalno skeniranje papirnatih radova ili učitavanje zadataka u PDF-obliku, a zatim automatsku analizu i grupiranje sličnih odgovora. Dakle, sustav prepoznaje pravilne i pogrešne obrasce rješavanja i omogućuje personalizirani povratni odgovor u kratkom vremenu. 

Kvaliteta povratnog odgovora zahtijeva pedagoški nadzor instruktora. Primjena naprednih funkionalnosti zahtijeva institucionalnu pretplatu.

Primjer u visokoškolskom obrazovanju:

Na kolegiju „Linearna algebra” studenti rješavaju zadatke koji uključuju računanje determinanti i rješavanje sustava linearnih jednadžbi. Nakon što predaju rješenja putem Gradescopea, sustav automatski analizira postupke i prepoznaje najčešće matematičke pogreške, na primjer, krivo izvedenu elementarnu transformaciju ili pogrešku u računanju determinante.

Studenti odmah dobivaju povratni odgovor koji ih upućuje na konkretan korak u kojem je došlo do pogreške, uz kratku smjernicu koja potiče provjeru logike postupka. Nakon ispravka rješenja, studenti uspoređuju svoj početni i poboljšani pristup i obrazlažu koja ih je dodatna razmišljanja dovela do točnog rješenja.

Nastavnik pritom koristi pregled najčešćih pogrešaka kako bi otvorio raspravu o različitim strategijama rješavanja sustava jednadžbi i o važnosti provjere postupaka. Takva rasprava aktivira dublje razumijevanje matematičkih koncepata i potiče studente na metakognitivnu refleksiju o vlastitome učenju.

6. Interaktivne simulacije i scenariji odlučivanja utemeljeni na umjetnoj inteligenciji

Interaktivne simulacije i scenariji odlučivanja predstavljaju snažan oblik aktivnog učenja jer polaznicima omogućuju učenje na temelju vlastitoga djelovanja. Umjesto pasivnog praćenja izlaganja, polaznici u digitalnom okruženju donose odluke, promatraju posljedice svojih postupaka i kontinuirano prilagođavaju strategiju rješavanja problema. Sustavi temeljeni na umjetnoj inteligenciji prilagođavaju daljnji tijek simulacije u skladu s odlukama polaznika, čime se osigurava personalizirano iskustvo učenja.

Ovakav oblik učenja posebno je vrijedan u visokom obrazovanju, jer pridonosi razvoju profesionalnih kompetencija koje se teško mogu usvojiti isključivo teorijskim pristupom, kao što su kritičko promišljanje, rješavanje složenih problema, donošenje odluka u neizvjesnim situacijama i odgovornost za ishode tih odluka.

Interaktivne simulacije izravno povezuju ključne elemente aktivnog učenja sa stvarnim profesionalnim okruženjima.

Primjer alata umjetne inteligencije u visokoškolskom okruženju:

Body Interact je simulacijski sustav koji koristi umjetnu inteligenciju za modeliranje kliničkih situacija u području zdravstvenih znanosti. Studenti aktivno sudjeluju u procesu dijagnostike i donošenja terapijskih odluka, dok se stanje virtualnog pacijenta mijenja u stvarnom vremenu u skladu s njihovim postupcima. Alat zahtijeva institucionalnu pretplatu za puni pristup i napredne funkcionalnosti, dok osnovna verzija nudi ograničen broj scenarija bez naknade.
Uspješnost nastavne aktivnosti podržane ovim alatom ovisi o pedagoškoj pripremi i moderiranju nastavnika.

Pedagoška vrijednost: 

• studenti uče prema posljedicama vlastitih odluka, što potiče dublje razumijevanje uzročno-posljedičnih veza
• simulacijsko okruženje omogućuje sigurno učenje iz pogrešaka
• potiče se refleksija, argumentacija i timsko donošenje odluka
• znanje se primjenjuje u autentičnim profesionalnim okruženjima.

Ovaj alata omogućuje aktivno iskustveno učenje koje nadilazi teorijsko usvajanje sadržaja i izravno razvija profesionalne kompetencije potrebne u visokoškolskom obrazovanju zdravstvenih područja. Umjetna inteligencija dinamički prilagođava tijek simulacije postupcima studenata, čime se osnažuje odgovornost u učenju.

Na kolegiju iz hitne medicine studenti u skupinama zbrinjavaju virtualnog pacijenta s akutnim respiratornim tegobama. Nakon simulacije slijedi strukturirana rasprava u kojoj studenti obrazlažu svoje odluke i analiziraju različite pristupe. Time se razvija kritičko promišljanje o postupcima i potiče refleksija o vlastitoj procjeni.

7. Potpora umjetne inteligencije samoreguliranom učenju i metakogniciji

Metakognicija obuhvaća svjesno praćenje i upravljanje vlastitim procesima učenja, uključujući planiranje pristupa učenju, procjenu razine razumijevanja i prilagodbu strategija u skladu s napretkom. Riječ je o sposobnosti promišljanja o vlastitom razmišljanju i učenju, što polaznicima omogućuje preuzimanje veće autonomije i odgovornosti za ostvarivanje obrazovnih ciljeva.

Samoregulirano učenje predstavlja sposobnost polaznika za organiziranje i kontroliranje vlastitog procesa učenja. To je jedna od ključnih kompetencija u visokom obrazovanju jer razvija akademsku autonomiju i potiče odgovornost studenta za kontinuitet učenja i postizanje kvalitete ishoda učenja.

Važno je razlikovati ovaj pristup od adaptivnog učenja. U adaptivnom učenju umjetna inteligencija automatski prilagođava sadržaje i zadatke sposobnostima studenta, dok je u samoreguliranom učenju naglasak na tome da student sam upravlja svojim učenjem. Umjetna inteligencija pritom djeluje kao podrška koja studentu pomaže u planiranju, praćenju i refleksiji o učenju, ali ne preuzima odgovornost za učenje.

Sustavi utemeljeni na umjetnoj inteligenciji prikupljaju podatke o napretku studenata i pružaju im personalizirane preporuke koje mogu poboljšati strategije učenja i potaknuti donošenje odluka o daljnjim koracima. Time se studenti potiču na aktivno uključivanje u proces učenja samoprocjenom, refleksijom i razvojem metakognitivnih sposobnosti.

Primjer alata umjetne inteligencije:

Cerego koristi umjetnu inteligenciju kako bi pratio razumijevanje sadržaja i preporučio optimalno vrijeme za ponavljanje gradiva. Polaznici vizualnim prikazima napretka stječu uvid u vlastite snage i izazovne koncepte i prilagođavaju strategije učenja. Osnovna verzija dostupna je bez naknade za ograničen raspon funkcionalnosti, dok je za institucionalnu primjenu i napredne značajke potrebna licenca.

Nastavnik učitava sadržaje u sustav, povezuje ih s ishodima učenja i prati podatke o napretku polaznika, čime zadržava kontrolu nad pedagoškim procesima. 

Pedagoška vrijednost alata Cerego:
• potiče refleksiju i preuzimanje odgovornosti za učenje
• jača trajno pamćenje primjenom raspodijeljenog ponavljanja utemeljenog na analitici učenja
• motivira studente jasnim prikazom ostvarenoga napretka i dosegnutih ciljeva.

Primjer primjene u visokoškolskom okruženju:

Na kolegiju iz metodologije istraživanja studenti u platformi Cerego prate razinu usvojenosti temeljnih pojmova, uključujući uzorak, varijablu i hipotezu. Sustav analizira njihove odgovore i prepoznaje koncepte koji zahtijevaju dodatno uvježbavanje. Ako student ponavljano pogrešno objašnjava određeni pojam, Cerego mu nudi prilagođene kratke aktivnosti, ilustracije i pojašnjenja i predlaže optimalno vrijeme za ponavljanje, u skladu s načelima kognitivne psihologije i teorije pamćenja.

Studenti tijekom seminara imaju priliku zajednički analizirati vlastite obrasce učenja, usporediti strategije i raspraviti o napretku koji uočavaju nakon korištenja alata. Istodobno, nastavnik raspolaže preglednim analitičkim izvještajima koji ukazuju na izazovne sadržaje na razini cijele grupe, što mu omogućuje pravodobnu prilagodbu nastavnih aktivnosti. Takva integracija tehnologije i pedagoškog promišljanja potiče aktivno učenje, argumentaciju i sustavnu samoprocjenu, a u konačnici doprinosi razvoju trajnih akademskih kompetencija.

8. Umjetna inteligencija i analitika učenja kao potpora aktivnom i samoreguliranom učenju

Analitika učenja podržana umjetnom inteligencijom odnosi se na sustavno prikupljanje i analizu podataka o studentskom učenju uz primjenu algoritama umjetne inteligencije koji omogućuju dublje razumijevanje procesa učenja, prepoznavanje obrazaca ponašanja i predviđanje mogućih rizika u ostvarivanju obrazovnih ciljeva. 

Rezultati takve analize koriste se za pružanje personaliziranih preporuka studentima i pravovremenu pedagošku intervenciju nastavnika, pri čemu studenti stječu jasniji uvid u vlastite obrasce učenja, donose informiranije odluke o daljnjim koracima i reflektiraju o napretku. 

Ovakav pristup izravno potiče aktivno učenje i razvoj akademske autonomije jer student postaje aktivni donositelj odluka o vlastitom učenju.

Analitika učenja podržana umjetnom inteligencijom podržava samostalno upravljanje učenjem, ali ne upravlja učenjem umjesto studenta.

Primjer alata umjetne inteligencije:

IntelliBoard je sustav za analitiku učenja koji se može integrirati s Moodleom i drugim visokoškolskim sustavima za upravljanje učenjem. Koristi elemente umjetne inteligencije, osobito metode strojnog učenja, kako bi analizirao angažman i uspješnost polaznika i prepoznao obrasce koji upućuju na potrebu za dodatnom podrškom. Polaznicima i instruktorima daje vizualne prikaze napretka i preporuke za poboljšanje procesa učenja. Naprednije analitičke funkcionalnosti nalaze se u komercijalnoj verziji alata i za punu primjenu je potrebna institucionalna licenca.

Primjer u visokoškolskom okruženju:

Na kolegiju „Uvod u programiranje” studenti redovito rješavaju kratke problemske zadatke u digitalnom sustavu za učenje (LMS) koji koristi umjetnu inteligenciju za analizu podataka o njihovim aktivnostima. Sustav prati učestalost pristupa materijalima, razinu uspješnosti u kvizovima i pravovremenost predaje zadataka i studentima prikazuje vizualne pokazatelje napretka u odnosu na ishode učenja.

Ako sustav uoči da pojedini student zaostaje u određenoj vrsti zadataka ili pokazuje pad angažmana, prikazuje mu personaliziranu preporuku, na primjer:

• pregled dodatnih materijala
• ciljanu vježbu
• podsjetnik na rok ili aktivnost u kojoj nije sudjelovao.

Student na temelju tih uvida planira svoje daljnje aktivnosti, prilagođava strategiju učenja i reflektira o napretku kroz vrijeme. Nastavnik koristi agregirane podatke kako bi pokrenuo raspravu o učinkovitim načinima učenja i pravovremeno podržao studente kojima je potrebna dodatna pomoć.

Ovakav pristup potiče aktivno učenje jer se studenti oslanjaju na informacije o vlastitome napretku, donose obrazložene odluke i preuzimaju odgovornost za kvalitetu svoga učenja.

Primjena analitike učenja podržane umjetnom inteligencijom pridonosi aktivnom učenju jer student aktivno prati svoj napredak, prilagođava strategije učenja i razvija odgovornost za postizanje ishoda učenja. Nastavnik istovremeno koristi analitičke uvide kako bi usmjerio podršku studentima, što osigurava pravovremene i učinkovite prilagodbe u procesu poučavanja.

9. Obrazovni chatbotovi za razvoj kritičkog mišljenja i argumentacije

Obrazovni chatbotovi ili virtualni asistenti temeljeni na umjetnoj inteligenciji omogućuju polaznicima interaktivni dijalog o sadržaju učenja. Tijekom komunikacije chatbot postavlja pitanja, potiče argumentaciju i nudi kontraprimjere ili dodatna objašnjenja. Polaznici nisu pasivni primatelji informacija, nego se od njih očekuje da analiziraju informacije, formuliraju stav, procjenjuju logičnost argumenata i donose utemeljene zaključke.

Takav oblik aktivnosti izravno je povezan s aktivnim učenjem jer zahtijeva kognitivno angažiranje, promišljanje, refleksiju i preuzimanje odgovornosti za vlastito razumijevanje sadržaja. Umjetna inteligencija u ovom kontekstu ne služi za davanje gotovih odgovora, nego za poticanje strukturiranog misaonog procesa.

Obrazovni chatbotovi mogu:

• postavljati problemska i refleksivna pitanja
• poticati uspoređivanje različitih interpretacija
• tražiti od polaznika da brane svoje argumente
• nuditi različite perspektive i izazivati pretpostavke
• povećati uključenost polaznika i njihovu motivaciju.

Chatbotovi (virtualni asistenti) ne zamjenjuju nastavnika, nego proširuju mogućnosti vođenoga dijaloga u visokoškolskom okruženju.

Primjer alata umjetne inteligencije:

ChatGPT može biti korišten kao kognitivni asistent u učenju koji potiče analitičko promišljanje, raspravu i refleksiju. Kroz postavljanje otvorenih i problemskih pitanja vodi polaznika prema dubljem razumijevanju teme.

Ograničenja: 

• Zahtijeva jasne upute i nadzor instruktora kako bi se izbjegla neprecizna ili neutemeljena tumačenja.
• Instruktor mora provjeravati vjerodostojnost informacija.
• Instruktor u konačnici oblikuje pitanja i kriterije rasprave.

Primjer primjene u visokoškolskom okruženju:

Na kolegiju iz etike umjetne inteligencije studenti vode strukturirani dijalog s chatbotom o izazovima primjene sustava umjetne inteligencije u medicinskoj dijagnostici. Svaki student mora:

1. iznijeti početno stajalište
2. obraniti ga od suprotnih argumenata koje postavlja chatbot
3. na kraju napisati kratku refleksiju o tome je li i kako promijenio svoj stav tijekom rasprave.

Na seminaru studenti razvijaju raspravu temeljenu na uvidima iz interakcije s chatbotom, uspoređuju argumente i kritički evaluiraju izvore informacija.

Aktivno učenje ostvaruje se kroz obranu stajališta, evaluaciju informacija i metakognicijsku refleksiju.

Na tržištu možemo pronaći brojne druge UI chatbotove (UI virtualne asistente): Gemini, Claude, Perplexity, Copilot, Deepseek, Mistral_AI.

Slika. Prikaz logotipa vodećih UI chatbotova (Izvor: Kreirano pomoću Gemini, 2025.)

10. Tehnike primjene umjetne inteligencije za poticanje aktivnog učenja

Aktivno učenje podrazumijeva pristupe u kojima studenti ne ostaju pasivni promatrači, već aktivno razmišljaju, primjenjuju, raspravljaju i preispituju sadržaje tijekom procesa učenja. Takvi pristupi omogućuju dublje razumijevanje koncepata, razvoj kritičkog mišljenja i povećavaju trajnost znanja. U visokom obrazovanju važnost aktivnog učenja dodatno je naglašena potrebom za razvojem samostalnosti studenata i vještina potrebnih u profesionalnom životu.

Unatoč brojnim dokazima o njegovoj učinkovitosti, aktivno učenje u praksi često susreće izazove, poput velikih skupina studenata, nedostatka vremena za individualizirani pristup i različitih razina predznanja u istom razredu. 

Umjetna inteligencija može pridonijeti prevladavanju ovih izazova, no važno je naglasiti da ona ne zamjenjuje nastavnika, nego služi kao podrška koja nastavnicima omogućuje kvalitetnije planiranje aktivnosti, a studentima više prilika za angažiran i smislen rad.

Aktivno učenje uz potporu umjetne inteligencije odnosi se na situacije u kojima se AI koristi kao alat za osmišljavanje i provedbu pedagoških aktivnosti, a ne kao automatizirani izvor gotovih odgovora. Aktivno učenje nastaje kada studenti:

• analiziraju i interpretiraju informacije
• donose odluke i argumentiraju stavove
• razmjenjuju ideje s drugima
• preispituju vlastite pogreške
• reflektiraju proces učenja.

Umjetna inteligencija u tome pomaže tako što povećava broj mogućnosti za aktivnost, prilagođava razinu kognitivnog izazova, pruža pravodobnu povratnu informaciju i nudi autentične situacije učenja uz koje studenti mogu aktivno primjenjivati znanje.

11. Zaključak

Primjena umjetne inteligencije u visokom obrazovanju otvara brojne mogućnosti, ali zahtijeva i odgovorno promišljanje. Kvaliteta sustava umjetne inteligencije uvelike ovisi o podacima na kojima je razvijen. Ako su ti podaci ograničeni, nereprezentativni ili pristrani, rezultati koje sustav generira mogu dovesti do neželjenih posljedica u obrazovnom procesu.

Osim toga, postoji opasnost da studenti nekritički prihvaćaju preporuke sustava, čime bi se smanjila njihova angažiranost u donošenju obrazovnih odluka i refleksiji vlastitoga znanja. Razvoj aktivnog učenja zahtijeva da tehnologija ostane podrška, a ne zamjena za samostalno mišljenje i akademsku odgovornost studenata.

Jedno od ključnih pitanja odnosi se i na zaštitu privatnosti. Prikupljanje i analiza velikih količina podataka o studentima moraju biti u skladu s etičkim standardima i zakonskim propisima kako bi se osigurala transparentnost i sigurnost osobnih podataka.

Završna refleksija:

Tehnike umjetne inteligencije za poticanje aktivnog učenja već su prisutne u mnogim obrazovnim sustavima, ali njihova učinkovitost ovisi o pedagoškom kontekstu, kvaliteti integracije u nastavu i kompetencijama nastavnika u njihovu korištenju. Nastavnik ostaje ključni nositelj obrazovnog procesa, a tehnologija služi kao alat koji može unaprijediti interakciju, motivaciju i razvoj akademskih kompetencija studenata.

1. Razmislite o tome koje biste od prikazanih alata mogli primijeniti u vlastitoj nastavi kako biste povećali angažiranost studenata, unaprijedili njihovo razumijevanje gradiva i istodobno očuvali pedagošku kvalitetu i etičnost obrazovnoga procesa.

12. Literatura:

• Bonwell, C. C., & Eison, J. A. (1991). Active learning: Creating excitement in the classroom (ASHE-ERIC Higher Education Report No. 1). Jossey-Bass.
  
  • Opis: Klasični rad koji definira i promovira tehnike aktivnog učenja za povećanje angažmana studenata u nastavi.
    
    
• Woolf, B. P. (2010). Building intelligent interactive tutors: Student-centered strategies for revolutionizing e-learning. Morgan Kaufmann.
  
  • Opis: Detaljno istraživanje o razvoju inteligentnih sustava koji podržavaju personalizirano učenje.
    
    
• VanLehn, K. (2011). The relative effectiveness of human tutoring, intelligent tutoring systems, and other tutoring systems. Educational Psychologist, 46(4), 197–221.
  
  • Opis: Analiza učinkovitosti inteligentnih tutor sustava u odnosu na ljudske tutore u obrazovanju.
• Luckin, R., Holmes, W., Griffiths, M., & Forcier, L. B. (2016) Intelligence Unleashed: An argument for AI in Education 
  
  • Opis: Pregled potencijala AI-ja za transformaciju obrazovanja uz naglasak na podršku nastavnicima i učenicima.
    
    
• Dillenbourg, P. (2013). Design for classroom orchestration. Computers & Education, 69, 485–492.
  
  • Opis: Rasprava o ulozi nastavnika u vođenju i usmjeravanju digitalnih i UI potpomognutih aktivnosti u učionici.
    
    
• Zawacki-Richter, O., Marín, V. I., Bond, M., & 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.
• Adiyono, A., Jasiah, J., Ritonga, M., & Al-Matari, A. S. (2024). ChatGPT and active learning: A new paradigm for student participation in the classroom. In M. Lahby (Ed.), Empowering Digital Education with ChatGPT: From Theoretical to Practical Applications (pp. 189–209). Chapman and Hall/CRC.
  
  • Opis: Ovaj rad analizira kako ChatGPT potiče aktivno učenje kroz veću interakciju, personalizaciju i ulogu nastavnika kao mentora u učionici.
    
    
• U.S. Department of Education. (2024). Artificial intelligence and the future of teaching and learning: Insights and recommendations.
  
  • Opis: Vlada SAD-a daje smjernice o integraciji umjetne inteligencije u obrazovanje uz naglasak na poticanje metakognicije i podršku nastavnicima.
    
    
• Wang, J., & Fan, W. (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, 621.
  • Opis: Meta-analiza 51 studije koja pokazuje da ChatGPT značajno poboljšava studentske učinke u učenju, percepciju učenja i razvoj viših kognitivnih vještina.
    
    
• Chapwanya, O. (2025). Exploring the teacher's role amid rising generative AI. STEL Journal, 4(3), 45–67.
  
  • Opis: Analizira se važnost nastavničke uloge u vremenu generativne umjetne inteligencije, s naglaskom na pedagošku svrhovitost i emocionalnu podršku.