A mesterséges intelligencia (MI) az oktatásban nem újkeletű téma, azonban a közelmúlt eseményei és annak médiavisszhangja az előtérbe helyezte a generatív, nagy nyelvi modelleken alapuló MI eszközök (pl. az OpenAI által fejlesztett ChatGPT) lehetőségeit. Vélhetőleg ezeket a hatásokat rövidtávon túl-, hosszútávon azonban általában alábecsüljük. Az viszont kétségtelen, hogy a neveléstudományi kutatások, valamint a pedagógiai praxis szempontjábólnem maradhat reflektálatlanul a terület. Friss kutatások is rámutattak arra, hogy az MI oktatási felhasználására irányuló kutatásokban kevésbé jelennek meg kritikai szempontok a pedagógiai kihívásokra, gyenge a kapcsolódás a tanuláselméleti megfontolásokhoz és kevés tudás áll rendelkezésünkre a pedagógiai felhasználhatóságukról is. Jelentanulmány ezen hiányosságokra reflektál neveléstudományi szempontból. A felvetett problémához kötődően előszöráttekintjük azokat a téma megértése szempontjából fontos alapvető fogalmakat, amelyek a mesterséges intelligenciaterületéhez kapcsolódnak. Áttekintjük az MI megjelenését a neveléstudomány területén: hogyan jelenik meg a témaa neveléstudományi diskurzusban, illetve a pedagógiai gyakorlat szempontjából hogyan hasznosíthatók a különbözőMI megoldások. A feltárt helyzetkép alapján bemutatjuk az MI pedagógiai gyakorlatban való implementációjánakkihívásait, elsősorban az oktatók kompetenciáihoz kapcsolódóan (MI műveltség), illetve a lehetőségek nyomán átalakuló szerepekhez kötődően. A tanulmány összegzéseként a lehetőségeket ellensúlyozandó, áttekintjük a legfontosabb kihívásokat, dilemmákat, majd erre építve megfogalmazzuk azokat az alapvető, előremutató feladatokat, amelyeket a különböző érintetteknek (szakpolitika, tudományos és gyakorlatközösség) a szakirodalmi áttekintés alapjánmegfogalmazhatunk. Szakirodalmi áttekintésünk célja, hogy pozícionálja a neveléstudományi diskurzusban a témátés elősegítse a továbblépéshez szükséges interdiszciplináris együttműködések megalapozását.

Digital competence is crucial for technology integration in education, with teacher educators playing a vital role in preparing student teachers for digitalized environments. In our conceptualization of teachers’ digital competence (TDC), we emphasize its embeddedness in a professional context. The Digital Competence for Educators (DigCompEdu) framework aligns with this understanding, yet research focusing on teacher educators is limited. To address this gap, we followed a quantitative research strategy to explore different sources of validity evidence for the DigCompEdu in a small, non-representative Hungarian teacher-educator sample (N = 183) via an online questionnaire. Our study, regarding the DigCompEdu as a measure of TDC, aims to (1) establish validity evidence based on internal structure concerns via Partial Least Squares structural equation modelling to evaluate the validity and reliability of the tool, (2) compare TDC self-categorization with test results to provide validity evidence based on the consequences of testing, and (3) explore validity evidence based on relationships of TDC with other variables such as age, technological, and pedagogical competence. Our findings reveal a significant mediating effect of professional engagement on teacher educators’ ability to support student teachers’ digital competence development. Despite the sample’s limitation, this study contributes to refining the DigCompEdu framework and highlights the importance of professional engagement in fostering digital competence among teacher educators.

Tanulmányunkban megvizsgáljuk, hogy – a mesterséges intelligencia fogalmából kiindulva –, milyen lehetőségek merülnek fel a pedagógiailag racionálisan cselekvő ágensek létrehozásában az általános pedagógiai tudás részeként értelmezett tervezés folyamatában (az óratervezés szintjén). A pedagógiai tervezés során felmerülő kihívásokon keresztül bemutatjuk az MI által biztosított lehetőségeket és kihívásokat, reflektálunk a paradigmaváltás lehetőségeire és az ebből fakadóan felmerülő új szerepekre és kompetenciákra. Két lehetséges út (generatív út – tartalom létrehozása; prediktív út – algoritmusokkal támogatott konstruktív összehangolás) mentén mutatjuk be az MI felhasználását a tervezésben. Megközelítésünkben elsősorban a tervezési kompetencia fejlesztésének támogatására fókuszálunk.

Digital disruption is not a new phenomenon in education; however, it has become more prominent during the COVID-19 pandemic due to school closures and the related emergency remote teaching (ERT) period. Our study aims to explore the different pedagogical strategies that primary school teachers adopted during this period and determine how successful these strategies were in involving and engaging students. Altogether, 4028 teachers from 343 primary schools answered our online survey from all the regions of Hungary. The sample adequately represents the Hungarian primary school teacher population in terms of gender and age. We used cluster analysis and identified four clusters of pedagogical strategies; then, we used analysis of variance to explore how teachers’ digital competence and their ability to involve students in online learning varied across different clusters. Our analysis grasps the complexity of the issue, as it shows that two rather distinct strategies were both successful in involving students, and thus, there is no single solution best suited to digital learning. Overall, digitally competent teachers loosened the originally strict structure of education and provided more feedback, which proved to be an important element in successfully involving students in digital learning during ERT. The framework validated in our research can be used by policymakers and school administrators in different national and educational contexts, enabling them to understand the complexity of online teaching and learning. Furthermore, our results can offer some practical pointers for school teachers on how to combine different pedagogical strategies.

Laverovite (IMA 2017-009b), ideally K₂NaMn₇Zr₂(Si₄O₁₂)₂O₂(OH)₄F, is a kupletskite-group (astrophyllite-supergroup) mineral from Mont Saint-Hilaire, Québec, Canada. Associated minerals are zircophyllite, kupletskite, astrophyllite, aegirine, analcime, orthoclase, and albite. Laverovite is brown, transparent in thin grains, and has a vitreous luster. Mohs hardness is 3, D_calc. = 3.367 g/cm³. Laverovite is biaxial (–) with refractive indices (λ = 589 nm) α = 1.670(2), β = 1.710(5), γ = 1.740(5); 2V_meas. = 82(2)°, 2V_calc. = 80°, strong dispersion: r > v. Cleavage is perfect parallel to {001}. Chemical analysis by electron microprobe gave Nb₂O₅ 0.56, ZrO₂ 9.78, TiO₂ 4.69, SiO₂ 33.52, Al₂O₃ 0.94, SrO 0.13, ZnO 0.07, FeO 13.94, MnO 20.51, CaO 0.48, MgO 0.76, Cs₂O 0.05, K₂O 6.00, Na₂O 2.28, F 1.80, H₂O_calc. 2.57, sum 97.32 wt.%; H₂O was calculated from crystal-structure analysis. The empirical formula based on 31.15 (O + F) apfu with [OH + F = 5 pfu and H₂O = 0.15 pfu] is (K_1.78Sr_0.02Cs_0.01□_0.19)_Σ2(□_1.85Na_0.15)_Σ2(Na_0.88Ca_0.12)_Σ1(Mn_4.03Fe²⁺_2.71Mg_0.25Zn_0.01)_Σ7(Zr_1.11Ti_0.82Nb_0.06Mg_0.01)_Σ2[(Si_7.78Al_0.26)_Σ8.04O₂₄]O₂[(OH)_3.68F_0.32]_Σ4F[□_1.85(H₂O)_0.15]_Σ2, Z = 1. The simplified formula is K₂Na(Mn,Fe²⁺)₇(Zr,Ti)₂(Si₄O₁₂)₂O₂ (OH)₄F. Laverovite is triclinic, space group P ⁠, a 5.4329(1), b 11.9232(3), c 11.7491(3) Å, α 112.905(2), β 94.696(1), γ 103.178(1)°, V 670.14(5) ų. The six strongest lines in the X-ray powder diffraction data [d (Å)(I)(hkl)] are: 3.452(92)(003,111); 2.788(97) ⁠; 2.680(68) ⁠; 2.589(100) ⁠; 2.504(44) ⁠, and 1.590(50) ⁠. The crystal structure has been refined to R₁ = 3.26% for 3757 observed (F_o > 4σF) reflections. In the crystal structure of laverovite, there are four ^[4]T sites, with = 1.621 Å, occupied mainly by Si, with minor Al. TO₄ tetrahedra constitute the T₄O₁₂ astrophyllite ribbon. The Zr-dominant ^[6]D site is occupied mainly by Zr and Ti and minor Nb and Mg, with = 2.002 Å (φ = O, F). The T₄O₁₂ astrophyllite ribbons and D octahedra constitute the H (Heteropolyhedral) sheet. In the O (Octahedral) sheet, there are four Mn²⁺-dominant ^[6]M(1–4) sites, with = 2.187, 2.174, 2.161, and 2.146 Å (φ = O, OH). Two H sheets and the central O sheet form the HOH block, and adjacent HOH blocks link via a common X^P_D anion of two D octahedra. In the I (Intermediate) block between adjacent HOH blocks, there are two interstitial cation sites, A and B, and a W_A site, partly occupied by H₂O. The A site splits into two partly occupied sites, ^[13]A(1) and ^[6]A(2), with A(1)–A(2) = 1.108 Å. The ^[13]A(1) site is occupied at 90.5%: mainly by K, with minor Sr and Cs, = 3.326 Å; the ^[6]A(2) site is occupied at 7.5% by Na: [□_1.85Na_0.15], = 2.29 Å (φ = O, F, H₂O). The aggregate content of the A site is (K_1.78Sr_0.02Cs_0.01Na_0.15□_0.04)_Σ2, ideally K₂apfu. The ^[10]B site is occupied by (Na_0.88Ca_0.12), <B–φ> = 2.646 Å. The W_A site is occupied at 7.5% by H₂O: [□_1.85(H₂O)_0.15] pfu. The presence of OH and H₂O groups in the laverovite structure was confirmed by infrared spectroscopy. The mineral is named “laverovite” after Professor Nikolay Pavlovich Laverov (1930–2016), Academician of the Russian Academy of Sciences, a prominent Russian ore geologist and an expert in uranium ore deposits and radiogenic waste disposal. Laverovite is a Mn-analogue of zircophyllite, K₂NaFe²⁺₇Zr₂(Si₄O₁₂)₂O₂(OH)₄F.