Част 3: Отвъд шума около ИИ: грамотност, доказателства и институционална приложимост в преподаването и ученето
>>> Part 2
The final cluster of commonalities across these texts concerns institutions’ response. Once we move past the early question of whether AI is present, the more difficult questions are about literacy, evidence, and suitability. These are not secondary concerns. They determine whether AI use in education becomes thoughtful adaptation or careless drift.
The seventh commonality among the writings is the necessity for AI literacy; it is present, but not sufficient. Many of these works reject the narrow idea about AI literacy limiting itself only to learning prompts, understanding interfaces, or using chatbots more effectively. Smith et al. (2025) argue the need for both teachers and students to receiving a broader preparation, where ethics, privacy, academic integrity, and critical evaluation are among other important topics. Alexopoulos (2025) explicitly criticizes instrumental versions of AI literacy with focus predominantly on AI functions and too little on its human implications, including labor, environment, social inequality, and rights. Bećirović et al. (2025), although more adoption-focused, also emphasizes on understanding of ethical issues. In their study of teacher education students, AI ethics did not increase perceived ease of use or usefulness, but it did support practical application. That is an important finding because it suggests ethics is not an optional add-on. It shapes future decisions by teachers whether and how to use AI in practice.
Across the readings, the evidence base remains incomplete, uneven, and often weaker than public enthusiasm suggests. This theme runs through both academic and professional texts. Smith et al. (2025) repeatedly stress schools’ decisions about AI are made without having stable knowledge, clear best practices, or strong evidence yet.. Alexopoulos (2025) echoes the same point by drawing attention to the lack of strong independent evidence for many classroom AI claims. Bećirović et al. (2025) help explain adoption, but not necessarily educational benefit. Brod (2026) and Naeem (2025) offer powerful conceptual frameworks, but not yet classroom validation. Even Dempsey’s edited volume, which provides some of the most provocative thinking in the set, describes itself more as a discussion-in-process than a finished roadmap (Dempsey, 2026). This is not a weakness in the literature. It is an honest reflection of a field still trying to decide the norms for a good educational use.
the choice is between thoughtful adaption or careless drift
That uncertainty leads to one final conclusion. Institutions should not search for a universal AI model. They should search for suitable applications of AI responding to their mission, learner profile, disciplines, capacities, and values. A school focused on foundational literacy and learner development may need a very different AI strategy from a university running graduate seminars, professional programs, or large online courses. The same is true across disciplines. Inquiry, authorship, problem solving, and feedback work differently in writing, economics, engineering, teacher education, and civic learning. The best use of AI will therefore vary across contexts.
Institutional fit is of utmost consideration. Suitable AI use in teaching and learning should strengthen the kind of thinking, feedback, judgment, and human development valued by the institution. If it weakens these, then the application is not suitable, even if it is fast, impressive, or fashionable.
The issue whether AI should be embraced or resisted as a general principle is gradually waning out. That framing is too simplistic and does not support real decision-making in education. Instead, institutions need to move toward a more precise and demanding question. They need to examine the alignment of specific AI use with their educational goals. Some uses will strengthen learning, support thinking, and improve feedback. Others may reduce effort, weaken judgment, or produce misleading evidence of understanding. The key task is to distinguish between these cases and make deliberate choices.
Последният клъстер от общи теми в тези текстове се отнася до реакцията на институциите. След като преминем отвъд първоначалния въпрос дали ИИ присъства, по-трудните въпроси се свързват с грамотността, доказателствата и приложимостта. Това не са второстепенни теми. Те определят дали използването на ИИ в образованието ще доведе до обмислена адаптация или до неструктурирано и рисково развитие.
Седмата обща линия е необходимостта от ИИ грамотност, но и разбирането, че тя не е достатъчна. Много от тези източници отхвърлят ограниченото разбиране за ИИ грамотност като умения за писане на промптове, работа с интерфейси или по-ефективно използване на чатботи. Smith et al. (2025) подчертават нуждата както преподавателите, така и студентите да получат по-широка подготовка, която включва етика, поверителност, академична почтеност и критична оценка. Alexopoulos (2025) директно критикува инструменталните подходи към ИИ грамотността, които се фокусират основно върху функциите на ИИ и пренебрегват неговите човешки последици, включително труд, околна среда, социални неравенства и права. Bećirović et al. (2025), макар и по-насочени към възприемането на ИИ, също подчертават значението на етичните аспекти. В тяхното изследване върху студенти в педагогически специалности етиката на ИИ не повишава възприетата лекота на използване или полезност, но подкрепя реалното приложение. Това е важен резултат, защото показва, че етиката не е допълнение, а фактор, който оформя решенията на бъдещите учители дали и как да използват ИИ.
В тези източници се откроява и още една обща тема, свързана с ограничената доказателствена база. Данните са непълни, неравномерни и често по-слаби от обществените очаквания. Това се вижда както в академичните, така и в практико-ориентираните текстове. Smith et al. (2025) многократно подчертават, че училищата вземат решения в условия на несигурност, без утвърдени практики или стабилни доказателства. Alexopoulos (2025) също обръща внимание на липсата на независими и убедителни данни за ефективността на ИИ в класната стая. Bećirović et al. (2025) обясняват факторите за възприемане, но не доказват образователна стойност. Brod (2026) и Naeem (2025) предлагат силни концептуални рамки, но все още без емпирично потвърждение в реални учебни ситуации. Дори редактираният том на Dempsey (2026), който предлага задълбочени идеи, се определя като процес на обсъждане, а не като завършен модел. Това не е слабост, а реалистично отражение на област, която все още формира своите стандарти.
Тази несигурност води до важен извод. Институциите не трябва да търсят универсален модел за използване на ИИ. Те трябва да търсят подходящи приложения, съобразени със своята мисия, профил на обучаемите, дисциплини, ресурси и ценности. Училище, което се фокусира върху базова грамотност и развитие на учащите, ще има различна стратегия от университет, който провежда магистърски програми или онлайн обучение в голям мащаб. Същото важи и за различните дисциплини. Изследването, писането, решаването на проблеми и обратната връзка функционират различно в икономика, инженерство, педагогика или обществени науки. Най-доброто използване на ИИ ще бъде различно във всеки контекст.
Институционалната приложимост е от решаващо значение. Подходящото използване на ИИ трябва да подкрепя начина на мислене, обратната връзка, преценката и човешкото развитие, които институцията счита за ценни. Ако ги отслабва, приложението не е подходящо, независимо че може да изглежда бързо, ефективно или модерно.
Въпросът дали ИИ трябва да бъде приет или отхвърлен като общ принцип постепенно губи значение. Тази рамка е твърде опростена и не подпомага реалното вземане на решения. Вместо това институциите трябва да поставят по-прецизен въпрос. Те трябва да анализират доколко конкретните приложения на ИИ съответстват на техните образователни цели. Някои ще подкрепят ученето, ще развиват мисленето и ще подобряват обратната връзка. Други могат да намалят усилието, да отслабят преценката или да създадат подвеждащи доказателства за разбиране. Основната задача е да се прави разлика между тези случаи и да се вземат осъзнати решения.
Bibliography
Abrami, P. C., Bernard, R. M., Borokhovski, E., Waddington, D. I., Wade, C. A., & Persson, T. (2015). Strategies for teaching students to think critically: A meta-analysis. Review of Educational Research, 85(2), 275–314. https://doi.org/10.3102/0034654314551063
Alexopoulos, A. (2025). AI in the classroom: Promise, peril, and what comes next. To Vima. https://www.tovima.com/stories/ai-in-the-classroom-promise-peril-and-what-comes-next/
Bećirović, S., Polz, E., & Tinkel, I. (2025). A multidimensional study of AI adoption among university students in teacher education programs. Smart Learning Environments, 12(1), Article 67. https://doi.org/10.1186/s40561-025-00422-0
Brod, G. (2026). Agency does not equal choice: Conceptualizing agency for learning in the age of AI. Learning and Individual Differences, 125, Article 102841. https://doi.org/10.1016/j.lindif.2025.102841
Dempsey, P. R. (Ed.). (2026). What education becomes: Teaching and learning in a post-AI world. Second Draft Labs.
Naeem, H. (2025). Teaching skills and intellectual virtues with generative AI. Episteme, 1–18. https://doi.org/10.1017/epi.2025.10089
Smith, J. M., Dukes, J., Sheldon, J., Nnamani, M. N., Esteves, N., & Reich, J. (2025). A guide to AI in schools: Perspectives for the perplexed. MIT Teaching Systems Lab. https://tsl.mit.edu/wp-content/uploads/2025/08/GuideToAIInSchools.pdf
Watkins, M. (2025). The dangers of using AI to grade: Nobody learns, nobody gains. Substack. https://marcwatkins.substack.com/p/the-dangers-of-using-ai-to-grade