(текст на български по долу)
Artificial intelligence is forcing education to reconsider what teachers need to know and how learning should be designed. One of the most influential frameworks for understanding technology integration in teaching is TPACK, Technological Pedagogical Content Knowledge, originally developed by Mishra and Koehler. Recent discussions increasingly explore how this framework must evolve in response to generative AI.
Three important perspectives help illuminate this transition:
- Mishra, Warr, and Islam’s conceptual article “TPACK in the Age of ChatGPT and Generative AI”
- Med Kharbach’s practitioner-oriented interpretation of AI and TPACK
- Ning et al.’s empirical AI-TPACK study
Together, these works offer complementary perspectives on what AI means for teaching, assessment, curriculum, and faculty development.
Mishra et al.: Reimagining TPACK for Generative AI
Mishra, Warr, and Islam assert generative AI is changing the nature of educational technology itself. GenAI differs from earlier technologies because it is protean, opaque, unstable, generative, and social. Teachers are no longer working with passive tools. They are interacting with systems that generate content, simulate expertise, and behave conversationally.
This transformation affects every technology-related dimension of TPACK. Technological knowledge now includes understanding hallucinations, bias, prompt engineering, and AI’s black-box nature. Pedagogically, educators must redesign assessment toward reasoning, critique, explanation, and reflection rather than final products alone. Content knowledge must also change because AI reshapes professional work across disciplines. Finally, the authors strongly expand contextual knowledge by emphasizing policy, equity, trust, social consequences, and long-term institutional effects.
Their position is philosophical and strategic. AI is more then a classroom tool. It is a societal shift. It changes the broader environment within which education operates.
Kharbach: Translating TPACK into Teacher Practice
Med Kharbach’s discussion makes the ideas from Mishra et al. more accessible for educators and practitioners. His central message is straightforward: teachers need more than technical AI skills.
For effective AI integration, he argues, is required balancing of technological, pedagogical, and content knowledge. He highlights the risk of schools focusing only on tool training while neglecting instructional design and critical judgment. In his interpretation, AI literacy alone is insufficient. Teachers need to understand when AI improves learning, when it weakens learning, and how it affects assessment, creativity, and student thinking.
His approach is practical and teacher-centered. Rather than focusing heavily on philosophical implications, he emphasizes classroom decision-making, reflective teaching, and the need to redesign assignments so students engage critically with AI-generated content.
Ning et al.: Measuring AI-TPACK Empirically
Ning et al. approach AI-TPACK from a quantitative research perspective. Their study investigates the statistical relation of different knowledge elements within the AI-TPACK framework.
Using factor analysis and structural equation modeling, the researchers are able to establish the following: technology-related knowledge domains such as AI-TK, AI-TPK, and AI-TCK strongly predict overall AI-TPACK competence. Core knowledge areas such as pedagogy and content remain important, but they often influence AI-TPACK indirectly through technology integration knowledge.
Unlike Mishra et al., Ning et al. focus less on philosophy or societal implications. Their contribution lies in validating AI-TPACK as a measurable framework used as a guide for professional development and teacher training programs.
Comparing the Three Approaches
| Focus | Mishra et al. | Kharbach | Ning et al. |
|---|---|---|---|
| Main purpose | Reframes TPACK for GenAI conceptually | Interprets TPACK for teacher practice | Tests AI-TPACK empirically |
| Main focus | AI changes learning, assessment, and context | Teachers need pedagogical judgment beyond tools | Technology-related knowledge predicts AI-TPACK |
| Method | Conceptual analysis | Reflective practitioner discussion | Quantitative statistical study |
| View of AI | Generative, social, relational | Instructional and practical | Measurable teacher competency |
| Main contribution | Expands TPACK dimensions | Makes TPACK actionable for educators | Validates AI-TPACK relationships statistically |
| Assessment implications | Redesign evidence of learning | Focus on critique and reasoning | Less emphasis on assessment redesign |
| Context emphasis | Strong focus on policy, equity, trust | Classroom and faculty practice | Limited contextual emphasis |
Although these approaches differ, they reinforce one another. Mishra et al. provide the conceptual foundation. Kharbach translates these ideas into practical guidance for educators. Ning et al. provide empirical support showing that AI-related knowledge structures can be studied and developed systematically.
The differences are equally important. Mishra et al. emphasize long-term systemic transformation and the relational nature of AI. Kharbach prioritizes instructional practice and teacher readiness. Ning et al. focus on measurable competencies and professional development structures.
Results and Key Takeaways
The strongest shared conclusion across all three perspectives is that AI integration is no longer a technical issue alone.
Teachers need:
- AI fluency, not only AI access
- Assessment redesign skills
- Critical evaluation skills
- Understanding of AI limitations and bias
- Discipline-specific AI integration strategies
- Awareness of equity, ethics, and institutional implications
Another important takeaway becomes the revelation about traditional assessment methods as increasingly insufficient. If AI can generate essays, summaries, and reports, educators must shift toward evaluating reasoning, judgment, explanation, and process.
Finally, all three perspectives suggest a need for professional development to move beyond isolated tool workshops toward integrated pedagogical and curricular redesign.
Why This Matters for the University of Economics
For the University of Economics, understanding AI-adapted TPACK is increasingly important since AI is already reshaping business, management, finance, marketing, analytics, and professional communication. Graduates will enter workplaces where collaboration with AI systems becomes routine.
Faculty therefore need frameworks in place to help them redesign teaching intentionally rather than reactively. TPACK provides such a structure; it connects technology, pedagogy, content, and context into a unified model. Its AI adaptation helps universities move beyond short-term concerns about cheating toward deeper questions about evidence of learning, workforce preparation, institutional policy, and responsible AI integration.
For business education specifically, this matter: future professionals will not compete against AI alone. They will compete based on their ability to effectively work with AI while applying human judgment, ethics, communication, and critical thinking.
Sources:
Kharbach, M. (2026, February 12). TPACK and AI: What Teachers Need to Know Beyond the Technical Skills – Med Kharbach [Social Media]. MK Medkharbach.Com. https://medkharbach.com/tpack-and-ai/
Mishra, P., Warr, M., & Islam, R. (2023). TPACK in the age of ChatGPT and Generative AI. Journal of Digital Learning in Teacher Education, 39(4), 235–251. https://doi.org/10.1080/21532974.2023.2247480
Ning, Y., Zhang, C., Xu, B., Zhou, Y., & Wijaya, T. T. (2024). Teachers’ AI-TPACK: Exploring the Relationship between Knowledge Elements. Sustainability, 16(3), Article 3. https://doi.org/10.3390/su16030978
TPACK в ерата на ИИ: Сравнение между Mishra et al., Kharbach и Ning et al.
Изкуственият интелект принуждава образованието да преосмисли какво трябва да знаят преподавателите и как трябва да бъде проектирано обучението. Една от най-влиятелните рамки за разбиране на интеграцията на технологии в преподаването е TPACK, Technological Pedagogical Content Knowledge (Технологично педагогическо съдържателно знание), първоначално разработена от Mishra и Koehler. През последните години дискусиите все по-често разглеждат как тази рамка трябва да се развие в отговор на генеративния ИИ.
Три важни перспективи помагат да се осмисли този преход:
- Концептуалната статия на Mishra, Warr и Islam „TPACK in the Age of ChatGPT and Generative AI“
- Практически ориентираната интерпретация на Med Kharbach за ИИ и TPACK
- Емпиричното изследване AI-TPACK на Ning et al.
Заедно тези трудове предлагат допълващи се перспективи относно значението на ИИ за преподаването, оценяването, учебните програми и развитието на преподавателите.
Mishra et al.: Преосмисляне на TPACK за генеративния ИИ
Mishra, Warr и Islam твърдят, че генеративният ИИ променя самата природа на образователните технологии. В статията се обяснява, че GenAI се различава от предишните технологии, защото е протеен, непрозрачен, нестабилен, генеративен и социален. Преподавателите вече не работят с пасивни инструменти. Те взаимодействат със системи, които генерират съдържание, симулират експертност и общуват разговорно.
Авторите твърдят, че тази трансформация засяга всяко технологично измерение на TPACK. Технологичното знание вече включва разбиране на халюцинациите, пристрастията, prompt engineering и „черната кутия“ на ИИ. От педагогическа гледна точка преподавателите трябва да пренасочат оценяването към аргументация, критика, обяснение и рефлексия, а не само към крайни продукти. Съдържателното знание също трябва да се промени, защото ИИ трансформира професионалната работа във всички дисциплини. Накрая авторите значително разширяват контекстуалното знание чрез акцент върху политики, равнопоставеност, доверие, социални последствия и дългосрочни институционални ефекти.
Тяхната позиция е философска и стратегическа. ИИ не е само инструмент за класната стая. Той е обществена промяна, която трансформира по-широката среда, в която функционира образованието.
Kharbach: Превеждане на TPACK към учителската практика
Дискусията на Med Kharbach прави идеите на Mishra et al. по-достъпни за преподаватели и практици. Неговото основно послание е ясно: преподавателите се нуждаят от повече от технически умения за работа с ИИ.
Kharbach подчертава, че ефективната интеграция на ИИ изисква баланс между технологично, педагогическо и съдържателно знание. Той обръща внимание на риска училищата да се фокусират единствено върху обучение за работа с инструменти, пренебрегвайки instructional design и критическата преценка. В неговата интерпретация AI literacy сама по себе си не е достатъчна. Преподавателите трябва да разбират кога ИИ подобрява ученето, кога го отслабва и как влияе върху оценяването, креативността и мисленето на студентите.
Подходът му е практичен и ориентиран към преподавателя. Вместо да акцентира силно върху философските последствия, той поставя фокус върху решенията в класната стая, рефлексивното преподаване и необходимостта от преработване на заданията така, че студентите да взаимодействат критично със съдържание, генерирано от ИИ.
Ning et al.: Измерване на AI-TPACK емпирично
Ning et al. разглеждат AI-TPACK от гледна точка на количествено изследване. Тяхното проучване изследва как различните елементи на знанието са свързани статистически в рамките на AI-TPACK.
Чрез факторен анализ и структурно уравнително моделиране изследователите установяват, че технологично ориентираните знания като AI-TK, AI-TPK и AI-TCK силно предсказват общата AI-TPACK компетентност. Основните области като педагогика и съдържание остават важни, но често влияят индиректно чрез знанието за технологична интеграция.
За разлика от Mishra et al., Ning et al. поставят по-слаб акцент върху философските и обществените последствия. Техният принос е във валидирането на AI-TPACK като измерима рамка, която може да насочва професионалното развитие и обучението на преподаватели.
Сравнение на трите подхода
| Фокус | Mishra et al. | Kharbach | Ning et al. |
|---|---|---|---|
| Основна цел | Концептуално преосмисляне на TPACK за GenAI | Интерпретация на TPACK за учителската практика | Емпирично изследване на AI-TPACK |
| Основен фокус | ИИ променя ученето, оценяването и контекста | Преподавателите се нуждаят от педагогическа преценка отвъд инструментите | Технологичното знание предсказва AI-TPACK |
| Метод | Концептуален анализ | Практическа и рефлексивна дискусия | Количествено статистическо изследване |
| Разбиране за ИИ | Генеративен, социален, релационен | Инструкционен и практичен | Измерима преподавателска компетентност |
| Основен принос | Разширява измеренията на TPACK | Прави TPACK приложим за преподаватели | Валидира статистически AI-TPACK |
| Последствия за оценяването | Преосмисля доказателствата за учене | Акцент върху критика и аргументация | По-слаб фокус върху оценяването |
| Акцент върху контекста | Силен фокус върху политики, равнопоставеност и доверие | Практика в класната стая и преподавателска работа | Ограничен контекстуален фокус |
Въпреки различията между подходите, те се допълват взаимно. Mishra et al. предоставят концептуалната основа. Kharbach превежда тези идеи в практическо ръководство за преподаватели. Ning et al. осигуряват емпирична подкрепа, показвайки, че свързаните с ИИ структури на знание могат да бъдат систематично изучавани и развивани.
Разликите между тях също са важни. Mishra et al. акцентират върху дългосрочната системна трансформация и релационната природа на ИИ. Kharbach поставя приоритет върху instructional practice и готовността на преподавателите. Ning et al. се фокусират върху измерими компетентности и структури за професионално развитие.
Резултати и основни изводи
Най-силният общ извод и в трите перспективи е, че интеграцията на ИИ вече не е само технически въпрос.
Преподавателите се нуждаят от:
• AI fluency, а не само достъп до ИИ
• Умения за преработване на оценяването
• Умения за критическа оценка
• Разбиране на ограниченията и пристрастията на ИИ
• Дисциплинарно специфични стратегии за интеграция на ИИ
• Осъзнаване на етичните, институционалните и социалните последствия
Друг важен извод е, че традиционните методи за оценяване стават все по-недостатъчни. Ако ИИ може да генерира есета, обобщения и доклади, преподавателите трябва да преминат към оценяване на аргументация, преценка, обяснение и процес.
Накрая и трите перспективи предполагат, че професионалното развитие трябва да надхвърли изолирани обучения за инструменти и да се насочи към интегрирано педагогическо и curricular redesign.
Защо това е важно за Икономически университет – Варна
За Икономически университет – Варна разбирането на адаптирания към ИИ TPACK става все по-важно, защото ИИ вече трансформира бизнеса, управлението, финансите, маркетинга, анализа на данни и професионалната комуникация. Завършващите студенти ще навлизат в работна среда, в която сътрудничеството с ИИ системи ще бъде ежедневие.
Затова преподавателите се нуждаят от рамки, които да подпомогнат целенасочено, а не реактивно преосмисляне на преподаването. TPACK предоставя такава структура, защото свързва технологии, педагогика, съдържание и контекст в единен модел. Неговата адаптация към ИИ помага на университетите да преминат отвъд краткосрочните тревоги около преписването към по-дълбоки въпроси за доказателствата за учене, подготовката за пазара на труда, институционалните политики и отговорната интеграция на ИИ.
За бизнес образованието това е особено важно, защото бъдещите професионалисти няма да се конкурират единствено с ИИ. Те ще се отличават чрез способността си да работят ефективно с ИИ, като същевременно прилагат човешка преценка, етика, комуникация и критическо мислене.
Kharbach, M. (2026, February 12). TPACK and AI: What Teachers Need to Know Beyond the Technical Skills – Med Kharbach [Social Media]. MK Medkharbach.Com. https://medkharbach.com/tpack-and-ai/
Mishra, P., Warr, M., & Islam, R. (2023). TPACK in the age of ChatGPT and Generative AI. Journal of Digital Learning in Teacher Education, 39(4), 235–251. https://doi.org/10.1080/21532974.2023.2247480
Ning, Y., Zhang, C., Xu, B., Zhou, Y., & Wijaya, T. T. (2024). Teachers’ AI-TPACK: Exploring the Relationship between Knowledge Elements. Sustainability, 16(3), Article 3. https://doi.org/10.3390/su16030978