BEGIN:VCALENDAR VERSION:2.0 PRODID:-//pretalx//talks.openalt.cz//openalt-2026//talk//BUAYFR BEGIN:VTIMEZONE TZID:CET BEGIN:STANDARD DTSTART:20001029T040000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=10 TZNAME:CET TZOFFSETFROM:+0200 TZOFFSETTO:+0100 END:STANDARD BEGIN:DAYLIGHT DTSTART:20000326T030000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=3 TZNAME:CEST TZOFFSETFROM:+0100 TZOFFSETTO:+0200 END:DAYLIGHT END:VTIMEZONE BEGIN:VEVENT UID:pretalx-openalt-2026-BUAYFR@talks.openalt.cz DTSTART;TZID=CET:20261108T133000 DTEND;TZID=CET:20261108T141500 DESCRIPTION:**TLDR:** \nPřednáška představí projekt s otevřeným zdro jovým kódem FIxbot pro AI-asistovanou výuku\, který je vyvíjený a na sazený na fakultě Informatiky Masarykovy univerzity. Projekt využívá kombinaci 1) pedagogem definované znalostní báze poskytující pedagogi cky relevantní vymezení probírané látky (automaticky generované ze s távajících studijních materiálů a upravené vyučujícím)\, 2) lok álně provozovaných modelů s otevřenými váhami (soukromí studentů i dostupnost detailních provozních dat pro další zlepšení)\, 3) sad u specifických instrukcí pro lokální model dle režimu použití (inte raktivní učení\, domácí zkoušení\, dotazy k vypracovanému kódu\, ostré zkoušení a další) a 4) automatické vyhodnocení studentových odpovědí s doporučením pro další studium (využití skupiny modelů v režimu tzv. LLM Councilu). Přednáška poskytne základní myšlenku p rojektu\, technický popis architektury\, zkušenosti s využitím lokáln ích LLM a nasazením v rámci předmětů v roce 2026 - včetně možnost i přímého vyzkoušení publikem. Projekt je dostupný na adrese https:/ /fixbot.fi.muni.cz \n\n**Idea projektu FIxbot**\nÚstní zkoušení je velmi účinné pro ověření porozumění\, ale při stovkách studentů není prakticky škálovatelné. Současně platí\, že studenti mohou v éře LLM snadno obcházet obtížné části učení tím\, že si necha jí úlohy vyřešit modelem. Projekt proto neusiluje o detekci takového chování\, ale především o snížení bariéry k opravdovému učení: student by měl získat (kdykoli) dostupného personalizovaného tutora\, který mu pomůže překonat frustraci\, identifikovat mezery ve znaloste ch a cíleně doporučit další studium.\n\nTato myšlenka samozřejmě n ení nová. Při naivní přímočaré realizaci může student jednoduš e formulovat prompt: “Jsi učitel\, pomož mi pochopit látku XY” a n ásledně interagovat s běžným chatbotem. Zásadní omezení takového přístupu je ale chybějící omezení rozsahu a hloubky pochopení dané látky - model sice může reagovat libovolně do šířky i hloubky (kdy ž budeme předpokládat ideální model bez omezení)\, ale chybí role u čitele\, který volí pedagogicky vhodný rozsah tak\, aby se za daný p ředmět pokrylo více souvisejících témat a vztahy mezi nimi - zaměř ení na jedno příliš do hloubky\, nebo na velké množství příliš p ovrchně není vhodné.\n\nZákladní principy nástroje vycházejí z čl ánku P. Iperotise a K. Rizakose (New York University\, https://arxiv.org/ abs/2603.18221) a dále jej rozšiřuje: \n\n1. Student interaguje s dotaz ujícím modelem na základě předpřipravených základních a doplňuj ících otázek. K interakci lze využít nejen běžný textový\, ale i hlasový režim\, který zvyšuje přirozenost komunikace. \n2. Celkový t ranskript studentovy komunikace je vyhodnocen pomocí skupiny několika r ůzných velkých modelů (LLM-Council). \n3. Kromě standardního zkouše ní (EP) používáme režim interaktivního učení (ILP)\, personalizova ného dotazování na studentův kód (CEP) a instantní zpětné vazby b ěhem cvičeni (IFP). \n4. Dotazující velký jazykový model je primárn ě využíván jako nástroj schopný provádět porovnání mezi dvěma b loky textu v přirozeném jazyku (očekávaná a studentova odpověď) mí sto standardního generativního výstupu.\n5. Potřební výpočty jsou r ealizovány na vnitro-univerzitních výpočetních prostředcích\, posky tujících plnou kontrolu i soukromí studentových konverzací (původní projekt využívá slepenec různých externích služeb).\n\nProjekt cel kově reaguje na pozorované změny ve stylu studia současných studentů - snaží se jim dát k dispozici prostředí chatbota\, které by jinak pravděpodobně stejně využili\, ale s méně vhodně formulovaným výu kovým promptem\, bez znalostí hloubky a rozsahu tématu\, které formulu je učitel. Personalizovaná interakce umožňuje studentům opakovaně pr ocvičovat probíranou látku\, učitelům dává naopak možnost použív at formu přibližující se ústnímu zkoušení\, zároveň ale škálov atelné na velké množství studentů. \n\nStudenti získají nástroj pr o průběžné procvičování\, sebehodnocení a přípravu na zkoušku. Místo pasivního čtení materiálů nebo opisování řešení od LLM bu dou vedeni k aktivnímu vysvětlování\, argumentaci a opravě vlastních omylů. Výstupem může být rychlá zpětná vazba\, doporučení k dal šímu studiu a možnost provádět opakované iterace díky automatické hodnocení. Nástroj samozřejmě plně nenahradí lidského tutora - umo žní ale studentovi lépe využít omezený čas interakce s lidským tut orem na pokročilejší dotazy poté\, co ty jednodušší dříve vyřeš il svým tempem s FixBotem. \n\nVyučující získají škálovatelnou pod poru pro ověřování porozumění\, zejména ve velkých kurzech. Systé m pomůže předzpracovat studentské odpovědi\, identifikovat problemati cké případy\, navrhnout doplňující otázky a poskytnout strukturovan é podklady pro hodnocení. Projekt tak může snížit rutinní zátěž vyučujících\, aniž by rezignoval na kvalitu ověřování znalostí ty pickou pro finální zkoušení. Například běžný režim závěrečné zkoušky s volnou odpovědí na zadanou primární otázkou v ISu může doplnit o druhou fázi\, ve které je studentova odpověď z první fáze zpracována FixBotem jako první reakce na primární otázku. Za ní pak následuje série doplňujících dotazů\, na které student odpovídá. Přestože se tak jedná z pohledu učitele o neinteraktivní zkoušku (u čitel se přímo na zkoušce nedoptává studentů na jejich odpověď)\, kterou lze tak realizovat v omezeném čase i pro stovky studentů zárov eň\, dodatečné dotazy a odpovědi může učitel při svém pozdější m vyhodnocování vzít v potaz. \n\n**Identifikace mezer v existujícíc h AI-podporovaných nástrojích pro výuku**\n\n- Existující pokročil é velké jazykové modely (tzv. frontier models\, LLM) a nad nimi postave né specializované externí výukové aplikace s podporou AI (Khanmigo\, Google Classroom\, Coursera Coach…) nabízejí různé režimy výuky a podpory výuky. Nehledě na jejich aktuální stav\, který se v čase dyn amicky mění\, zůstávají při jejich využití tyto principiální ome zení a problémy:\n- Ochrana soukromí studentů: studentovi interakce\, potenciálně audiovizuální\, jsou zasílána externímu poskytovateli p oužité aplikace a jím využívaném LLM modelu.\n- Omezená flexibilita přípravy materiálů a postupů učitelem: externí aplikace nezná oč ekávaný rozsah a hloubku specifickou pro daný předmět a neposkytuje p lnou kontrolu učiteli. Dílčí omezení lze typicky specifikovat\, závi slost na externím poskytovateli ale neumožňuje zkoušet úplně nové m etody přístupu.\n- Nedostupnost všech dílčích provozních dat pro zl epšení výuky: data o interakcích studentů na straně poskytovatele ap likace nám nejsou plně dostupná\, což omezuje vhled do chování stude ntů a spouštění vlastních analýzy.\n\nV rámci projektu FixBot vytv áříme nástroj provozovaný v rámci univerzitní infrastruktury včetn ě použitých modelů. Nástroj je záměrně komponován z existujícíc h softwarových komponent s otevřeným zdrojovým kódem tak\, aby byl v ýsledný vývojový proces co nejefektivnější\, umožňoval rychle ada ptovat funkční komponenty vyvinuté nesrovnatelně většími týmy a po skytoval vysokou úroveň stability a škálovatelnosti. DTSTAMP:20261030T172628Z LOCATION:A112 SUMMARY:Projekt FIxbot pro AI-asistovanou výuku a zkoušení - Petr Svenda \, Jakub Čížek\, Michal Louda URL:https://talks.openalt.cz/openalt-2026/talk/BUAYFR/ END:VEVENT END:VCALENDAR