Navrhování úkolů odolných vůči AI: Kompletní průvodce pro pedagogy (2026)

tl;dr: Úkoly odolné vůči AI se zaměřují na proces před produktem, personalizací a myšlením vyššího řádu. Mezi klíčové strategie patří lešení vícestupňových projektů, hodnocení ve třídě a autentické, kontextově specifické výzvy. Rubrika zneužití AI Turnitin hodnotí hlas studentů, kritické myšlení, zdroje a personalizaci. Vyhněte se běžným nástrahám, jako jsou obecné výzvy a jednotlivé konečné příspěvky.

Úvod: Výzva AI ve vzdělávání

Generativní nástroje AI jako ChatGPT, Claude a Gemini změnily akademickou krajinu. I když tyto nástroje nabízejí legitimní vzdělávací výhody, představují také bezprecedentní výzvy pro akademickou integritu. Studie z roku 2025 v Frontiers in Education zjistila, že 73 % učitelů uvedlo zvýšený obsah generovaný umělou inteligencí v podáních studentů, přičemž tradiční úkoly byly obzvláště zranitelné (awadallah alkouk, 2024).

Řešením není nutně zákaz AI – mnoho institucí si uvědomuje, že samotné detekční nástroje jsou nedostatečné. Vlastní výzkum společnosti Turnitin ukazuje, že skóre detekce AI pod 20 % má vysokou míru falešně pozitivních výsledků, což je činí nespolehlivými jako jediný důkaz (zdroje Turnitin). Místo toho se vedoucí vzdělávání posouvají k návrhu úkolů, který přirozeně odolává zneužívání umělé inteligence a zároveň zlepšuje autentické učení.

Tato příručka syntetizuje výzkum od univerzit, odborníků na vzdělávací technologie a specialisty na akademickou integritu, aby poskytovala užitečné strategie pro navrhování úkolů odolných vůči AI. Ať už jste třídní učitel nebo institucionální správce, tyto přístupy založené na důkazech vám pomohou udržet akademické standardy a zároveň podpoří skutečnou angažovanost studentů.

Co jsou úkoly odolné vůči AI?

Přiřazení odolné vůči AI (nebo AI odolné) jsou hodnocení záměrně navržená tak, aby nástroje umělé inteligence nemohly snadno generovat uspokojivé reakce. Požadují, aby studenti prokázali původní myšlení, osobní reflexi nebo kontextově specifické znalosti, které velké jazykové modely nemohou replikovat.

Základní principy:

• Proces nad produktem – Zhodnoťte cestu učení, nejen konečné podání
• Personalizace – Zahrňte individuální zkušenosti, místní kontexty nebo reference specifické pro třídu
• Myšlení vyššího řádu – Zdůrazněte analýzu, hodnocení a tvorbu spíše než souhrn nebo popis
• Autentická aplikace – Připojte se k problémům reálného světa, se kterými se studenti osobně setkávají
• Okamžitá ukázka – Zahrňte komponenty ve třídě nebo časované komponenty, které stanoví základní linie zápisu

Zdroje Genai na Chicagské univerzitě zdůrazňují, že design odolný vůči umělé inteligenci „podporuje efektivní strategie učení“ tím, že samotný úkol odolává automatizaci a zároveň zlepšuje výsledky vzdělávání (uchicago genai).

Proč tradiční úkoly selhávají proti AI

Tradiční formáty zadání – zejména standardní esej s pěti odstavci nebo generická výzkumná práce – jsou zranitelné vůči generování AI, protože:

• Spoléhat se na sumarizaci spíše než na kritickou analýzu
• Použijte široké výzvy, které umělá inteligence může snadno interpretovat
• Posoudit pouze konečný produkt bez ověření procesu
• Nedostatek personalizace nebo specifická kontextová omezení
• Nevyžadují ukázku v reálném čase porozumění

Jak poznamenal jeden pedagog v The Saratoga Falcon: „Obecné výzvy jsou pro AI snadné. Ale osobní úvahy? Ne tolik“ (výuka podnikání). Klíčem je vytvořit úkoly, kde jsou pro úspěch zásadní lidská zkušenost, specifický kontext a iterativní vývoj.

7 osvědčených strategií pro návrh přiřazení odolného vůči AI

1. Přiřazení lešení do vícestupňových procesů

Rozdělte velká přiřazení na sekvenované komponenty se samostatnými termíny. Tento přístup, který Turnitin důrazně doporučuje, ztěžuje spoléhání se pouze na AI, protože každá fáze staví na předchozí práci (turnitin blog).

Efektivní struktura lešení:

• 1. týden: Návrh + výzkumná otázka + předběžná bibliografie
• Týden 3: Podrobný přehled + prohlášení teze + anotované zdroje
• Týden 5: První návrh + přijatá zpětná vazba o zpětné vazbě
• Týden 7: Revidovaný návrh + procesní zpráva dokumentující změny
• Týden 9: Konečné podání + sebehodnocení

Každá složka je odstupňována, což podněcuje konzistentní zapojení. Závěrečná reflexní část konkrétně žádá studenty, aby vysvětlili, jak začlenili zpětnou vazbu – něco, co AI nemůže autenticky poskytnout o svém vlastním procesu učení.

2. Přizpůsobte výzvy pomocí kontextu specifického pro třídu

Modely umělé inteligence nemají přístup ke konkrétním diskusím ve vaší třídě, místním událostem nebo společným zážitkům. Využijte toho vložením prvků specifických pro kurz do úkolů.

Personalizační techniky:

• Vyžadovat odkaz na specifické přednášky nebo třídní diskuse (např. „Použít úterní rámec pro hostující řečníky na…“)
• Začlenit Problémy místní komunity, které nedávná data školení AI nemusí pokrývat
• Požádejte studenty, aby propojili koncepty se svými vlastními životy nebo kariérními cíli
• Reference Aktivity ve třídě nebo vzájemné prezentace, které zažili pouze vaši studenti

University of Massachusetts Amherst doporučuje úkoly, které žádají studenty, aby „analyzovali nedávnou místní zprávu nebo komunitní událost, která není na internetu příliš pokryta“ (umass ctl).

3. Zahrňte do třídy, načasované nebo ručně psané komponenty

Fyzická přítomnost a časová omezení vytvářejí ověřitelné základní linie schopností studenta. Tyto komponenty slouží jako „ukotvení“, na které mohou pedagogové odkazovat při hodnocení zaslané práce.

Možnosti implementace:

• Výzvy k psaní ve třídě (30–45 minut, ručně psané nebo na zabezpečených počítačích)
• Ústní zkoušky nebo „Viva Voce“ obrany, kde studenti argumentují svými pozicemi
• Živé debaty nebo diskuze Fishbowl hodnocené podle rubrik
• Recenze Portfolia, kde studenti vysvětlují svou práci verbálně
• Brainstorming sessions s fyzickými poznámkami nebo nástroji pro spolupráci (bez AI)

Výzkum z Frontiers in Education identifikuje tyto metody jako „formáty alternativního hodnocení“, které významně snižují potenciál zneužívání AI (awadallah alkouk, 2024).

4. Zaměřte se na schopnosti myšlení vyššího řádu

Bloomova taxonomie poskytuje užitečný rámec: AI snadno zvládá úkoly „zapamatovat si“ a „porozumět“, ale potýká se s „vytvářet“, „vyhodnotit“ a „analyzovat“. Přidělování rámců kolem těchto dovedností vyššího řádu.

Posuny návrhu přiřazení:

• Místo: “Shrňte argument v článku X”
  Použít: “Kritikujte metodologii článku X, identifikujte dva logické omyly a navrhněte alternativní přístupy”
• místo: “vysvětlete koncept kognitivní zaujatosti”
  Použít: “Použijte tři teorie kognitivního zkreslení, abyste analyzovali své vlastní rozhodnutí z tohoto týdne, vysvětlete, jak zaujatost ovlivnila vaši volbu”
• místo: “uveďte tři příčiny změny klimatu”
  Použití: “Vyhodnoťte ekonomickou životaschopnost tří strategií snižování uhlíku pro vaše rodné město a doporučte jednu s konkrétními implementačními kroky”

5. Vyžadovat dokumentaci procesu a historii verzí

Požádejte studenty, aby předložili důkazy o svém pracovním procesu. Historie verzí Dokumentů Google, návrhy časových razítek nebo revizní poznámky Vytvořte auditní záznam, který demonstruje autentický vývoj.

Požadavky na dokumentaci:

• Odešlete Dokumenty Google s povolenou historií verzí Zobrazuje iterativní změny
• Zahrnout procesní poznámku (300–500 slov) vysvětlující hlavní revize a použití nástroje AI (pokud je to povoleno)
• Poskytujte Hrubé poznámky, obrysy nebo myšlenkové mapy vytvořené nezávisle
• Dokument Výměny recenzí PEER s konkrétní zpětnou vazbou poskytnutou/přijatou

TheSify doporučuje „jasně uvést okrajové podmínky“ – přesně specifikujte, jaká je požadovaná dokumentace procesu a jak bude hodnocena (thesify blog).

6. Navrhněte hyperlokální nebo osobní aplikační úkoly

Modely umělé inteligence mají hranice znalostí a geografická omezení. Úkoly vyžadující velmi nedávné místní informace nebo osobní údaje jsou ze své podstaty odolné vůči AI.

Nápady na místní/osobní úkoly:

• Analýza komunity: Pohovor s místním vlastníkem firmy o výzvách dodavatelského řetězce a navrhněte řešení
• Projekty osobních dat: Sbírejte a analyzujte své vlastní utrácecí návyky, spánkové vzorce nebo studijní metody
• Odpovědi nedávných událostí: Analyzujte zprávu z posledních 30 dnů, která postrádá rozsáhlé online pokrytí
• Výzkum specifický pro web: Provádějte terénní pozorování na místě relevantním pro koncepty kurzu

Průvodce hodnocením odolnosti vůči AI od Monsha AI zdůrazňuje „Zaměření na hyperlokální problémy“ jako primární strategii pro zapojení studentů s obsahem mimo znalostní základnu AI (monsha ai).

7. Použijte specifické, ověřitelné požadavky na zdroj

Požadovat, aby studenti začlenili zdroje, které jsou jedinečné pro jejich individuální výzkumné cesty. To usnadňuje detekci práce s umělou inteligencí a snižuje účinnost generických odpovědí.

Techniky návrhu zdroje:

• Zadejte Přesné typy zdrojů (např. „Jeden recenzovaný časopis z let 2024–2025“, „Jeden rozhovor s místním odborníkem“)
• Vyžadovat Schválení zdroje ve třídě, kde studenti předkládají své zdroje pro zpětnou vazbu
• mandát Citace konkrétních přednáškových materiálů nebo přidělených četeb
• zahrnout “Ověření zdroje“, kde studenti musí prokázat, že mohou citovaný materiál lokalizovat nezávisle

Turnitinův „Průvodce textem generovaným AI“ zdůrazňuje ověřitelné požadavky na zdroj jako klíčový prvek jejich rubriky zneužití AI (turnitin zdroje).

Typy zadání, které fungují: konkrétní příklady

Níže jsou uvedeny osvědčené formáty zadání AI od předních univerzit:

Pro jakoukoli disciplínu

1. Portfolio psaní založeného na procesech
– Studenti předloží několik návrhů, úvah a závěrečnou syntézní památku
– klade důraz na rozvoj psaní před dokonalým konečným produktem
– Carleton College Model: „Ve třídě s více eseji je třeba, aby si studenti vybrali jeden, který si jeden revidují, aby ho revidovali. a znovu odeslat na konci semestru“ (Carleton College).

2. Ústní obrana/Viva Voce
– 15-20 minutová ústní zkouška obhajující písemný příspěvek
– Studenti musí myslet na vlastní nohy, odhalující autentické porozumění
– zaznamenané pro zajištění kvality a reference

3. Simulace vzájemného hodnocení
– Studenti si prohlédnou práci vrstevníka a napíší poznámku s podrobnými revizemi
– Vyžaduje analytické dovednosti, aby mohli hodnotit psaní ostatních
– Harvard Bok Center to používá k podpoře „učení vedené studenty“ (Harvard Bok centrum).

pro humanitní vědy & Společenské vědy

4. Analýza místní případové studie
– Analyzujte nedávnou komunitní událost, místní politiku nebo regionální problém
– Umělá inteligence postrádá aktuální informace specifické pro umístění
– Příklad: „Analyzujte nedávnou vyhlášku o bydlení ve vašem městě pomocí konceptů kurzu městského plánování“

5. Multimediální projekt s reflexí
– Vytvářejte videa, podcasty, fyzické plakáty nebo digitální prezentace
– Zahrňte procesorový deník vysvětlující rozhodnutí o designu
– UMass Amherst: „Požádejte studenty, aby vytvořili myšlenkové mapy, diagramy, Nebo pořiďte fotografie ručně psané práce” (umass ctl).

6. Primární zdrojový výzkum s originální interpretací
– Studenti lokalizují a analyzují archivní materiály nebo provádějí rozhovory
– generuje jedinečný zdrojový materiál AI nelze replikovat
– zdůrazňuje původní příspěvek před shrnutím existujících znalostí

Pro pole STEM

7. Sběr dat & Analytické projekty
– Studenti shromažďují svá vlastní experimentální data
– Vyžaduje praktickou práci AI Nelze provést
– Příklad: “Zasadit 10 fazolí za různých světelných podmínek, sledovat růst během 2 týdnů, analyzovat výsledky statisticky”

8. Relace pro ladění kódu
– Poskytněte chybný kód Studenti musí diagnostikovat a opravit v reálném čase
– Posuzuje praktické dovednosti v oblasti programování AI může produkovat, ale ne prokázat
– spárujte s ústním vysvětlením oprav

9. Psaní matematických důkazů s ověřením ve třídě
– Studenti píší důkazy doma a poté znovu vytvářejí klíčové kroky ve třídě
– Ověřuje autentické porozumění matematickému uvažování
– Časovaná složka zabraňuje spoléhání se na AI

Běžné chyby, kterým je třeba se vyhnout: úskalí v designu odolném vůči AI

I dobře míněné úkoly mohou selhat, pokud obsahují tyto slabé stránky:

❌ Spoléhání se na jednotlivé finální příspěvky

Problém: Jeden závěrečný článek koncentruje riziko – pokud je generována umělou inteligencí, neexistuje žádný procesní důkaz pro hodnocení autenticity.

Řešení: Vždy lešení a vyžadují více výstupů v průběhu času. Blog thesify to uvádí jako „matka všech slabých stránek hodnocení důkazů“ (thesify).

❌ Používání obecných výzev

Problém: „Diskutujte o příčinách první světové války“ nebo „Analyzujte tuto obchodní případovou studii“ jsou úkoly, které mohou umělá inteligence splnit.

Řešení: Vytvářejte výzvy Hyper-Specific. Namísto „analyzujte obchodní případ“ použijte: „Použití Porter’s Five Forces Framework z naší přednášky ve 3. týdnu analyzujte strategickou pozici malého podniku, se kterým jste pro tento úkol dělali pohovor (musí být místní, nikoli online).“

❌ Penalizace neurodivergentních a vícejazyčných studentů

Problém: Přísné požadavky pouze ve třídě mohou znevýhodňovat studenty s poruchami zpracování nebo jazykovými bariérami.

Solution: Nabídka více demonstračních metod. Povolit zaslání portfolia, alternativní formáty nebo další čas při zachování integrity. Jak varuje MyIbSource.com, nenechte AI „podkopat studentskou důvěru“ nebo vytvářet bariéry přístupnosti (myibsource).

❌ Posun zaměření z učení na dodržování předpisů

Problém: Přílišné zdůrazňování „chytání podvodníků“ vytváří kulturu sledování a poškozuje vzdělávací atmosféru.

Solution: Frame Policy AI kolem Odpovědné použití a Vývoj dovedností. Kontrolní seznam odpovědného používání AI Turnitin pomáhá studentům eticky se sebemonitorovat (turnitin).

❌ Ignorování digitálních realit v reálném světě

Problém: Zákaz všech nástrojů umělé inteligence ignoruje, že absolventi budou pracovat v prostředí s rozšířenou umělou inteligencí.

řešení: Někteří pedagogové navrhují úkoly, které začleňují AI eticky – vyžadují, aby studenti používali AI pro návrhy, ale předložili jak výstup AI, tak revizní zprávu vysvětlující personalizaci (podpora pokynů Fordham University „AI Ready“ Tento vyvážený přístup (fordham to)).

Rubrika zneužití AI Turnitin: Oficiální rámec

Turnitin, přední platforma pro akademickou integritu, vyvinula specifické zdroje pro návrh úkolů z éry AI. Jejich rubrika AI zneužití hodnotí úkoly na čtyřech vlastnostech:

Turnitin také nabízí:

• “Průvodce textem generovaným umělou inteligencí” (pdf s 11 praktickými strategiemi)
• Nástroj Clarity Turnitin pro vizualizaci procesu psaní (úpravy, vkládání, čas nakreslení)
• Formativní zdroje zpětné vazby pro podporu studentů před odesláním

Všechny zdroje jsou volně dostupné v turnitin resource directory.

Kontrolní seznam implementace: Začínáme

Tento kontrolní seznam použijte při přepracování přiřazení pro AI Resistance:

Fáze plánování

• [ ] Identifikovat slabá místa aktuálního přiřazení (kde by mohla AI snadno nahradit?)
• [ ] Vyberte 2-3 strategie z této příručky k implementaci
• [ ] Určete fáze lešení a samostatná data splatnosti
• [ ] Vytvořte rubriky, které oceňují proces a originalitu
• [ ] Zkontrolujte dostupnost a inkluzivitu

Fáze rychlého návrhu

• [ ] Používejte akční slovesa z Bloomovy taxonomie (analyzujte, vyhodnoťte, vytvořte)
• [ ] Vložte konkrétní odkazy na třídu (přednášky, diskuse, místní kontext)
• [ ] Uveďte jasné okrajové podmínky: “Nepoužívejte AI” nebo “Použití AI dokumentu s [tool]”
• [ ] vyžadují jedinečné zdroje nebo sběr dat
• [ ] Zahrnout reflexní složky o rozhodování

Komunikační fáze

• [ ] Vysvětlete Proč Přiřazení je navrženo tímto způsobem (vzdělávací hodnota)
• [ ] Uveďte příklady silných a slabých podání
• [ ] Nabídněte ve třídě Q&A o očekáváních
• [ ] Sdílet zdroje pro akademickou integritu (kontrolní seznam studentů Turnitin)
• [ ] Buďte transparentní ohledně toho, jak budou řešena porušení

Fáze podpory

• [ ] Nabídněte formativní zpětnou vazbu k časným návrhům
• [ ] Poskytovat šablony procesů a lešení
• [ ] Zvažte workshopy pro zadání odolné proti umělé inteligenci pro studenty
• [ ] Vytvářejte kanály pro otázky během vícestupňových projektů

Často Kladené Otázky

Jak mohu řešit nástroje „detekce AI“ a falešné poplachy?

Detekční nástroje jsou notoricky nespolehlivé, zejména pro skóre pod 20 %. Turnitin výslovně varuje před falešnými pozitivy a uvádí, že „indikátory detekce AI „nejsou určeny k použití jako jediný základ pro obvinění z akademického pochybení“ (turnitin Pokyny AI). Zaměřte se spíše na návrh zadání než na policii. Pokud je detekce nezbytná, použijte ji jako výchozí bod pro konverzaci, nikoli přesvědčivý důkaz.

Co když studenti mají legitimní potřeby přístupnosti, které jsou v rozporu s úkoly založenými na procesech?

Principy univerzálního designu pro učení (UDL) vyžadují flexibilitu. Nabídněte více demonstračních metod: Studenti, kteří mají problémy s časovaným psaním, mohou místo toho předložit portfolio nebo ústní prezentaci. Cílem je Authentic Engagement, ani jeden formát. Work with disability services to provide accommodations while maintaining integrity.

Mám AI zcela zakázat nebo povolit zodpovědné použití?

To závisí na vaší disciplíně a učebních cílech. Mnoho pedagogů používá přístup „použití s atribucí“: Musí být citováno povolené použití AI (jako každý zdroj) a úkoly by měly stále vyžadovat kritické myšlení AI nemůže nahradit. Americká psychologická asociace (APA) nyní obsahuje pokyny pro citování obsahu generovaného umělou inteligencí – výuka správných citací studentů je sama o sobě cennou dovedností.

Kolik lešení je příliš mnoho?

rovnováha je klíčová. Příliš mnoho fází může působit represivně a administrativně. Zaměřte se na 3-5 smysluplných kontrolních bodů, které skutečně podporují učení. Výzkum ukazuje, že lešení zlepšuje výsledky pro všechny studenty, zejména pro ty z nedostatečně zastoupeného prostředí (frontiers in Education).

Co když studenti tvrdí, že sami napsali návrhy, ale pro výzkum používali AI tajně?

Proto záleží na dokumentaci procesu. Vyžadovat snímky obrazovky psaní historie, protokoly výzkumných zdrojů nebo poznámky vysvětlující podniknuté kroky. Cílem není hlídat každý stisk klávesy, ale vytvořit dostatek důkazů, že autentické učení je prokazatelné. Studenti, kteří skutečně dělají práci, nebudou mít problém to poskytnout.

Mohu použít AI k navrhování úkolů odolných vůči AI?

Ano – a mnoho institucí podporuje tento meta-přístup. Nástroje, jako je Flintův „AI Assignment Scaffolder“, pomáhají pedagogům strukturovat vícestupňové projekty, které podporují originální myšlení (flint k12). Klíčem je použití AI jako doplňku k vaší odbornosti, nikoli náhrady.

Závěr: Budování kultury integrity

Technologie detekce AI se budou nadále vyvíjet, ale návrh zadání zůstává nejudržitelnější dlouhodobou strategií pro akademickou integritu. Jak uzavírá časopis Contemporary Educational Technology, instituce by měly „podporovat kulturu integrity, spíše než se spoléhat pouze na detekci“ (Současná vzdělávací technologie).

Zde nastíněné strategie slouží dvojím účelům: ztěžují zneužívání umělé inteligence a zároveň zlepšují kvalitu vzdělávání. Procesní hodnocení, personalizace a myšlení vyššího řádu jsou cenné bez ohledu na existenci AI. Promyšleným přepracováním úkolů nejen „bojujete s umělou inteligencí“ – vytváříte lepší zkušenosti s učením.

Další kroky pro vaši instituci:

• Pilot One Assignment Redesign v nadcházejícím kurzu pomocí 2-3 strategií z této příručky
• Shromážděte zpětnou vazbu od studentů o vnímané spravedlnosti a vzdělávací hodnotě
• Sdílejte výsledky s kolegy prostřednictvím workshopů rozvoje fakulty
• Aktualizujte institucionální zásady, aby odrážely vyvážené pokyny AI
• Přístup k Turnitinovým bezplatným zdrojům a školicím materiálům

Pamatujte: Cílem není eliminovat AI ze vzdělávání – je to zajistit, aby studenti rozvinuli kritické myšlení, kreativitu a autentické dovednosti, které definují skutečné učení. Úkoly odolné vůči umělé inteligenci dělají přesně to.

Související návody

• Porozumění falešně pozitivní detekci AI: Strategie obrany studentů
• Mastery citace AA: APA, MLA, Chicago pro obsah chatgpt
• práva studentů, když je z nich obviněn AI podvádění: Právní ochrana
• Jak zdokumentovat proces psaní: důkazy pro obranu AI

Potřebujete pomoc s implementací úkolů odolných vůči AI ve vaší instituci? Naši specialisté na akademickou integritu nabízejí konzultace, workshopy a vývoj vlastní politiky. kontaktujte nás a naplánujte si bezplatné počáteční posouzení.

Ověřte svou práci z hlediska autenticity—Vyzkoušejte nástroje pro pokročilé plagiáty a detekci AI od Paper-Checker na adrese paper-checker.com.

Odkazy na články:

• Awadallah Alkouk, W. (2024). Hodnocení odolné vůči AI ve vysokoškolském vzdělávání: Praktické poznatky z fakultních školicích workshopů. Frontiers in Education.
• Turnitin Resources. (2025). Průvodce textem generovaným umělou inteligencí, rubrikou zneužití umělé inteligence a nástroji pro formativní zpětnou vazbu. adresář zdrojů Turnitin.
• UMass Amherst Center for Teaching & Učení. (2025). Jak mohu (re)navrhnout úkoly a hodnocení ve světě ovlivněném AI?
• thesify. (2025). Žádné přiřazení AI: Návrh principů pro úkoly odolné vůči AI.
• Výuka podnikání. (2025). Úkoly odolné proti AI: 4 způsoby, jak zachovat akademickou integritu.
• Uchicago Genai. (2025). Strategie pro navrhování úkolů odolných vůči AI.
• Monsha Ai. (2025). 30 nápadů pro generování hodnocení odolných vůči AI.
• Carleton College. (2025). Úkoly odolné vůči AI – psaní napříč osnovami.
• Harvard Bok Center. (2025). Příklady & Nápady pro použití AI pro vaši výuku.
• Současná vzdělávací technologie. (2025). Institucionální politika AI ve vysokoškolském vzdělávání.