База знания AIEdAIEd KB
На тази страница

Всички броеве

Седмичен преглед на изследванията за AI в образованието #2

Автоматичен машинен превод на тази английска страница, който още не е проверен от носител на езика.

Седмичен бюлетин от Базата знания за AI в образованието, за това какво означават изследванията, публикувани през последната седмица, за преподавателите, разработчиците, изследователите и администраторите.

От последния брой към базата знания се присъединиха 121 нови изследвания, четири нови ресурса, пет нови често задавани въпроса и две нови концептуални страници — за отворено образование и за образование по статистика и наука за данните — и тя сега съдържа 1 926 резюмета на статии, 222 концептуални страници, 42 често задавани въпроса и 37 ресурса. Страницата на журнала изброява всяко изследване, добавено през последната седмица. Можете също да търсите в базата знания или да използвате AI, за да разговаряте с нея.

Съдържание

Основни акценти и въпроси

Повечето от резултатите тази седмица са за работата, която се случва около отговора, и за това какво да се промени, когато отговорът пристигне твърде бързо или твърде уверено. Два експеримента изолираха един и същ механизъм в различни условия.

Предрегистрирано изпитване с 317 възрастни даде същата задача за дълбока обработка като работен лист или като отворен прозорец за чат, и прозорецът за чат повиши дезорганизацията на задачата с 0,84 стандартни отклонения, без нищо в модела да обяснява това, така че решението е структура около последователността и спирането, а не повече подкрепа за съдържанието. Проучване на форум установи, че AI асистент по преподаване отговори пръв в 97% от нишките, започнати от студенти, за медиана от 0,92 минути срещу 490 за състудентите, докато саморегулаторният език в нишката падна от 49% на 36%, което сочи към забавяне на първия отговор, а не към премахване на асистента.

Нови често задавани въпроси

Пет нови отговора се появиха тази седмица, всеки написан за въпрос, който колега действително задава, а не за тема. Индексът на често задаваните въпроси също беше прегрупиран в девет секции по задачата, която се опитвате да завършите, така че въпросът, с който идвате, да е откриваем, без да знаете как областта го нарича.

Мога ли да използвам AI, за да оценявам работа на студенти справедливо и надеждно?

Отговорът за оценяването дава на AI място на надзираван втори читател върху работа, която вече сте оценили, а не на оценител по документ. Съгласието не се пренася между видовете оценяване, а проверката, която изглеждаше най-силна, беше проведена с ключа с отговори в ръка, което не е тестът, който провеждате, когато оценявате на сляпо.

Как да проверя дали генерираните от AI въпроси за тестове и изпити са добри?

Отговорът за качеството на въпросите започва с това сами да решите всеки въпрос и след това да попитате какво изисква от студента, защото ключовете с отговори и изискванията на задачата се провалят по-често от формулировката. Генериран въпрос, на който никой не е отговорил, е кандидат, а не оценяване.

Как AI може да подкрепи многоезични обучаеми, без да изтрие гласа им?

Отговорът за многоезичността ви кара да решите каква роля играе езикът в задачата, преди да решите какво може да прави инструментът. Когато езикът е второстепенен, AI може да премахне бариера, която няма нищо общо с конструкта ви; когато езикът е конструктът, същият инструмент върши задачата вместо студента.

Какво трябва да научат студентите за кариери, в които AI е обичайно явление?

Отговорът за кариерите е да се преподава цялата професионална задача и да се оценяват както продуктът с подкрепа, така и това, което студентът може сам. Доказателствата подкрепят дисциплинарни знания плюс преценка, проверка и пренос, и не подкрепят никакъв списък с умения за инструменти.

Какво всъщност означава персонализираното обучение и кога помага?

Отговорът за персонализацията разделя пет неща, които получават едно и също название — от пренареждане на практиката до оставяне на студента да избере какво да учи след това. Важно е какво се адаптира, какви доказателства го движат и дали подобрява ученето, което сте имали предвид; познат пример или отзивчив разговор може да създаде усещане за това, без да го постига.

Акцент върху концепции

Пет концептуални страници поеха находките от тази седмица, две от които са нови. Всяка е постоянна страница, а не еднократна, така че новите доказателства стоят редом с това, което страницата вече твърдеше.

Отворено образование

Страницата е нова и беше написана, защото тринадесет изследвания пристигнаха наведнъж за това какво прави генеративният AI с преподаваните с отворен лиценз материали. Нейният аргумент е, че лицензът, а не моделът, е нещото, което трябва да се изследва, а двата нови ресурса по-долу описват институции, които адаптират отворено съдържание с AI по-бързо, отколкото могат да запишат кой какво е авторствал. Прочетете страницата за отворено образование, преди да напишете клауза за AI в политика за OER.

Когнитивно изнасяне

Тя вече разделя какво разтоварва инструментът от това колко го е използвал студентът — разграничението, което стълбата на изнасянето прави и експериментите с емпатия демонстрират на място, където повечето хора не биха го търсили. Страницата за когнитивно изнасяне също носи резултата за 0,84 стандартни отклонения, защото това е най-чистото причинно доказателство, с което разполага.

Оценъчна преценка

Новите й доказателства са за това какво се иска от съдията: методите за оценяване промениха стабилността при повторно пускане от 2,9% на 15,9%, а тринадесет модела се пречупиха под натиска на студента със стойности от 46,5% до 98,5%. Страницата за оценъчна преценка сега третира устойчивостта срещу невярна корекция като отделна способност от това да се стигне до верния отговор.

AI грамотност

Два резултата стесниха конструкта: критичното мислене минаваше през това как студентите разделят и преработват когнитивния труд, а не през познаването на инструментите, и рубрика, изградена от 16 основни статии, показа колко малко ресурси назовават компетентността, която твърдят, че изграждат. Страницата за AI грамотност запазва и двете, защото тестът за грамотност и ресурсът за грамотност измерват различни неща.

Другата нова страница е образование по статистика и наука за данните, чийто първи аргумент е, че AI въпросът на дисциплината се върти около артефакта, тъй като наборите от данни, графиките и кодът вече могат да се генерират по-бързо, отколкото някой може да ги валидира.

За преподаватели

Отвореният прозорец за чат се нуждае от правило за спиране, а не от повече подкрепа за съдържанието

Свързването на задача за дълбока обработка с отворен прозорец за чат струва на студентите захвата върху самата задача, а решението е скафолдинг около последователността и спирането, а не повече обяснения. В предрегистриран експеримент с 317 възрастни условието с чат повиши дезорганизацията с 0,84 стандартни отклонения (достоверен интервал 0,47 до 1,21) с пряк ефект 0,77, който нито един медиатор в модела не обясни, докато дълбоката обработка не се промени в нито една посока (медиана минус 0,22, интервал, обхващащ нулата).

Първи отговор за под минута премахва състудентите, които вършеха разсъждението

Забавете или ограничете първия отговор на асистента в дискусионен форум, защото състудентите, които разсъждават на глас, са тези, които спират да пишат. В четири магистърски курса и 28 123 кодирани изречения AI преподавателски асистент отговори пръв в 97% от нишките, започнати от студенти, за медиана от 0,92 минути срещу 490 за състудентите, а саморегулаторният език падна от 49% на 36%, докато отговорите на състудентите спаднаха от 91% на 45% от последващите отговори, като отговорите на състудентите носеха около 70% от тази регулация срещу 27% за студентите, отворили нишката. Саморегулираното учене във форум се произвежда от отговорите, а не от отговора.

Обучението по промпти купува време на учителите, а не по-добри материали

Планирайте работата по компетентността на учителите за AI като интервенция върху натоварването и не очаквайте тя да повиши качеството на това, което учителите произвеждат. В рандомизирано изпитване с 204 учители обучението по писане на промпти добави 21% спестяване на време за подготовка върху обикновения достъп до ChatGPT, без печалба в оцененото качество на материалите, защото обучените учители пишеха по-дълги промпти и се нуждаеха от по-малко преработки.

Асистент за уроци спестява време при малка доза уроци

Изпробвайте го заради часовете, които връща, а не заради уроците, които произвежда. Независимо клъстерно изпитване на Aila на Oak National Academy проследи 416 английски начални учители и измери подготовка от 2,51 часа седмично срещу 3,32 без инструмента, което е около 49 минути седмично, докато той обхващаше 7% от уроците, а качеството беше тествано само за не-по-лошо, а не за подобрение.

Прикрепването на AI към отворена задача не добавя нищо само по себе си

Финансирайте задачата за отворено образование, която вече провеждате, вместо да добавяте инструмент към нея и да чакате печалба в грамотността. Две секции от вводен курс по детско развитие — 55 студенти, работещи както обикновено, и 58 с добавени инструменти за търсене с генеративен AI — съобщиха еднаква възприета печалба в уменията за работа с източници, 0,50 срещу 0,48 по петобална скала, с член на взаимодействието близо до нула (F(1, 84) = 0,04, p = 0,85).

Избирайте асистент по това какво прави, когато студент каже, че греши

Устойчивостта срещу невярна корекция разделя моделите по-рязко от точността, затова я направете първото нещо, което тествате. В 200 проверени задачи за ферми и тринадесет модела точността при решаване варираше от 64,5% до 97,0% — разлика от 32,5 точки — но когато им се каже, че правилна работа е грешна, моделите я потвърдиха със стойности от 46,5% до 98,5%, разлика от 52,0 точки, която принадлежи в проверката за оценъчна преценка, която провеждате преди разгръщане.

Преподавайте писането с AI като жанр и оценките спират да се припокриват

Третирането на писането с помощта на AI като нещо, на което се преподава, а не като нещо, което се контролира, принадлежи в учебната програма по образование по писане, а пропастта, която то отвори, не беше маргинална. Средните стойности след теста бяха 9,8750 за секцията, преподавана по този начин, срещу 3,8125 за контролната, без припокриване между двете разпределения (Mann-Whitney U = 0,00, r = 0,86).

За разработчици

Изграждайте сценария, а не персоната на наставника

Поставете скафолдинга в сценария и работната среда, преди да настроите гласа, защото персоната не е мястото, където живее ефектът. В две предрегистрирани тригрупови изпитвания — 131 студенти по правни разсъждения и 54 в рамо за състезателно програмиране — структурираната система достигна 22,8 процентни пункта срещу 15,7 за стандартен асистент, предимство от 7,0 пункта (p = 0,018, d = 0,56), докато персона „LLM като учител“ върху същия модел спечели 2,8 пункта и не се отдели (p = 0,121).

Наставник, който посочва първо решението с груба сила, насочва студентите погрешно

Одитирайте кое решение посочва наставникът, преди да го пуснете върху задача с множество решения, и запазете този одит в приемащите тестове за интелигентно наставничество. В 150 задачи, проведени със симулирани студенти, грубата сила беше посоченият подход в 22,2 до 32,1 процента от откриванията, специфични за решение, срещу 13,0 до 19,4 процента за оптималното решение, а в разговори, започващи с проба, и четирите базови модела насочиха студентите към по-лош подход в 6,1 до 7,1 процента от случаите.

Броенето на извиквания към AI не измерва нищо за напредъка

Броят на взаимодействията е най-лесният сигнал, който един конвейер за учебна аналитика може да събере, и най-слабото нещо, което може да се сложи на табло, затова инструментирайте състоянието на изпълнение от двете страни на всяко извикване. В 140 двойки студент–задача от 35 студенти взаимодействията с AI корелираха с успешно изпълнените клетки при r = 0,12 и със засегнатите клетки при същото r = 0,12.

Съдете сесията по това как се отклонява, а не по броя зададени въпроси

Сесия, която се плъзга към търсене на отговори през втората си половина, предсказва по-лош резултат след теста, а задължителната проверка за адекватност след всеки отговор е евтината интервенция. От 880 съдържателни хода от 112 студенти на 14 и 15 години стръмността на траекторията на търсене на помощ добави промяна в R квадрат от 0,110 към модел, който вече съдържаше резултата от предварителния тест (beta = 0,34), докато статичните характеристики на взаимодействието добавиха 0,023 и пропуснаха значимост (p = 0,684), а 81,5% от ходовете бяха искания срещу 2,2% оценяване.

Правилото за оценяване решава повече оценката на показателя, отколкото моделът

Ако вашата среда съобщава едно число, все още не знаете какво измерва то. Същите 2250 диалога между пет наставника и симулирани студенти получиха 42,1% при точно съвпадение и 81,3% при оценка, калибрирана от човек — разлика от 39,2 пункта, по-голяма от съчетаните ефекти на модел, стратегия и конвейер, а четири съдии от три доставчика се съгласиха в рамките на 6 пункта, докато структурираните етикети на конвейера не дадоха предимство (p = 0,263).

Методът за оценяване, а не моделът-съдия, определя възпроизводимостта

Публикувайте декларация за оценъчното отсъждане, в която са посочени методът, средата, повторното пускане и колко оценени единици стоят зад всяко твърдение, защото методът е това, което движи резултата. Повторните пускания промениха 2,9% до 6,1% от изходите при полу-твърда рубрика и 13,5% до 15,9% при свободно холисно оценяване, докато смяната на модела-съдия премести само около три пункта.

AI връстник, който се съгласява с всичко, губи потребителите си

Конфигурирайте агентите да държат несигурност и да отказват съгласие по подразбиране, тъй като калибрирането на доверието е поведение, което се написва, а не свойство, което моделът притежава. Седем експерти прекараха по 20 минути в ролята на студент с агент, представен като връстник, и това, което го направи да звучи като връстник, беше социално: предпазливото разсъждение и умишленото несъвършенство изградиха доверие, докато сляпото съгласие с всичко, което обучаемият казваше, го унищожи.

За изследователи

Планирайте малък ефект, а не публикуваната средна стойност

В нова среда водещият ефект от обучението с генеративен AI не е този, на който да планирате, затова пилотирайте, преди да мащабирате. Тристепенен метаанализ на 58 изследвания и 6941 участници се обедини до g = 0,864, след което съобщи хетерогенност близо до 87,9%, интервал за прогноза от минус 0,213 до 1,942 и коригиран за отклонение ефект от g = 0,258; отпечатайте този интервал до обединената оценка там, където читателят не може да го пропусне.

Критичното мислене следва разделението на труда, а не познаването на инструмента

Задайте изрично разделение на труда и изисквайте от студентите да преработват изхода, защото опитът с генеративен AI достигна до критичното мислене само през тези два пътя. Сред 891 студенти в Съединените щати и Турция специализирането и координирането на когнитивния труд носеха b = 0,636, а рефлексивното преобразуване на изхода — b = 0,367, без значим пряк път, което превръща въпроса за когнитивното изнасяне в избор на дизайн, а не в предупреждение.

По-малката образователна пропаст при използването на AI не е равнопоставеност

Не четете по-тясната пропаст в използването като напредък и не изграждайте цели за достъп върху двоичен въпрос за последните три месеца. Съпоставяйки 16 европейски държави по техните нива на внедряване през 2025 г. със собствения им период на интернет, медианната пропаст между най-образованите и най-малко образованите падна от 56,4 пункта на 28,6, отрицателна в 15 от 16 държави (p = 0,0005), но съпоставянето, съобразено със състава, свива промяната до минус 11,5 и минус 10,0, така че твърдение за равнопоставеност изисква по-силен инструмент.

Ниското използване не е ниска готовност

Финансирайте достъп и базови умения за най-възрастните и най-малко образованите, а не кампания за доверие, защото използването и доверието пътуват отделно. През 2025 г. 48,4% от датчаните и 17,8% от румънците бяха използвали генеративен AI през предходните три месеца срещу 32,7% в ЕС, но румънците оцениха доверието си на 4,1 срещу 3,8 по седембална скала, а 47% от тях нарекоха действащите закони и предпазни мерки адекватни срещу 36% от датчаните.

Изнасянето е разрушително само когато заобикаля целта

Питайте кои когнитивни операции разтоварва даден инструмент, а не колко го е използвал студентът. Изнасянето помага, когато поема работа, периферна за учебната цел, и рискува ерозия, когато заобикаля обработка, която е от същината на тази цел, а обработването на изхода след това може да спаси изнасяне, което иначе засяга тази същина; седем обусловени твърдения заменят едно насочено твърдение, а регулирането на изнасянето става научаемо измерение на AI грамотността.

Инструментите за настроение пропускат около половината отрицателни отговори

Третирайте автоматичното кодиране на отворен текст като аргумент за валидност, а не като избор на инструмент, защото точността скрива точно случаите, по които бихте действали. Срещу 1220 ръчно кодирани отговора най-добрият трансформър достигна 0,79 точност, но само 0,42 капа и улови около половината отрицателни случаи, докато речниковите инструменти класифицираха погрешно приблизително един на пет, в корпус, който беше 76,5% положителен.

За администратори

Попитайте какво изпраща чатботът, преди да го лицензирате

Изисквайте инвентаризация на скриптовете на трети страни, преди да лицензирате или хоствате чатбот за курс, и питайте конкретно кои тагове могат да четат заглавието на страницата, URL адреса и полето за въвеждане. Инструментирането на 42 платформи откри 21, които изпращат заглавия на разговори към поне един тракер, и девет, които предават промпта дословно; 11 от 13-те платформи с общо предназначение, които изтичаха данни, също изпращаха имейла от регистрацията, а образователните платформи имаха средно около 367 заявки към тракери всяка, като 24% носеха потребителско съдържание.

Кодифицираното възпроизвеждане е частта от квалификацията, която губи стойност

Защитете надзираваната практика и преценката при несигурност и прочетете следствието за дизайна на учебната програма преди маркетинговото следствие за програмата. Разлика-в-разликите върху 655 919 наблюдения от анкети от 2018 г. до юни 2026 г. установи, че възвращаемостта от година обучение в най-изложените на AI професии падна с 0,55 лог пункта след ноември 2022 г., около 7% от нивото преди шока, докато възвращаемостта от опит се повиши с 0,26 лог пункта при три години и падна с 0,12 при двадесет и пет.

Наричането на чатбота емпатичен отмества емпатията от хората

Позиционирайте системата като триаж, който връща студентите към хора, и следете търсенето на помощ като поведението, което тихо изчезва. В четири изследвания с 249, 494, 743 и 737 участници представянето на AI като способен на емпатия повиши готовността да се прехвърли емпатична отговорност (общ ефект 0,83) изцяло през възприетата способност (непряк 0,73), а чуването, че връстник е занесъл проблем до ChatGPT, свали точността при разчитане на емоции до 7,13 верни от 12 срещу 7,73 (p = 0,012).

Показателите са издържани, децата все още са наранени

Оценявайте на ниво сесия и институция, а не на ниво API, защото филтър за отделен изход не може да достигне до взаимодействие с компаньон, при което нито един ход не пресича праг. Кодирани от 1331 докладвани инцидента, свързани с деца, сексуализацията е най-големият подтип вреда с 316, пред сексуалната експлоатация със 131, а вредите се групират с провали при разгръщането, управлението и злоупотребата, а не с дефекти на модела.

Пишете политика за честност за случайния, конфликтния потребител

Назовете отказ, подкрепа и заместване като три популации, които една и съща задача среща, защото почти никой не е ежедневен потребител. Две анонимни анкети в един британски университет установиха, че 81,05% от 94 първокурсници бяха използвали инструмент с генеративен AI, за да помогнат за завършването на задача, срещу 4,21%, които съобщават ежедневна употреба, и 9,47%, които не съобщават никаква, което прави академичната честност политика за средата на разпределението, а не разделение на измамници и не-измамници.

Модулите по етика не преподават откъде идват данните

Добавете задача за преглед на произхода на данните към модула по етика, който вече провеждате — промяна в дизайна на учебната програма, а не нов курс. Преброяване на 36 програми в 21 университета установи етика, преподавана в 29 (80,6%), но произход на данните на нивото на авторите в 8 (22,2%), без нито една магистърска или изпълнителна програма да го покрива, и 22 от 29-те програми, покриващи етика, напълно пропускат произхода.

Нови ресурси

Четири ресурса се присъединиха към библиотеката с ресурси тази седмица и всичките четири описват институционално решение, а не трик за класната стая.

Learning Design Wiki

Learning Design Wiki е отворено лицензиран справочник, който разделя дизайна на обучението на принципи, елементи, модели и стратегии, всеки свързан с цитациите зад него, а собственият му доклад за доказателствата казва, че 98% от твърденията почиват на едно изследване. Езикови модели го поддържат под един човешки поддържащ и нито една страница не е проверена от човек, така че това е набор от добре източени следи, а не находки.

teacher.dev

teacher.dev е студио с нестопанска цел, което пуска по едно безплатно приложение за класната стая на ден — 34 досега — всяко насочено към един момент, например генератор за печатащи се фигури или дъска „Първо/После“ за специално образование. Повечето работят локално, без акаунт, така че никакви данни на ученици не напускат устройството.

AI + OER Case Studies: A DOERS Project

AI + OER Case Studies е отворена антология от единадесет случая за това къде генеративният AI се среща с отворено лицензираните ресурси във висшето образование — от федерален университет, който изготвя насоки по синдикален договор, до преработка на учебник с човек в процеса. Нито две глави не споделят един и същ инструмент, така че това е практика за адаптиране, а не доказателство за цитиране, а колекцията е под CC BY 4.0, докато всяка глава носи собствен лиценз.

Integrating AI in TVET: a practical guide for institutions

Integrating AI in TVET е ръководство на UNESCO-UNEVOC от 2026 г. за институции, които обучават техници и занаятчии, а използваемият материал е в три приложения: инструмент за самооценка на готовността, регистър на рисковете и рамка от показатели. То не съобщава данни за резултати и нарича собствената си скала за зрялост помощно средство за обсъждане, така че го използвайте, за да структурирате първо институционално решение, а не да оправдаете вече взето.

Добавено също тази седмица

Останалите изследвания, с методи и резюмета, са изброени по дни на страницата на журнала.

Бележки за сайта

Всички 222 концептуални страници вече носят обща секция за погрешни схващания, която назовава грешното убеждение, което читателят може вече да има, и го коригира с доказателствата на тази страница.

Всеки често задаван въпрос беше пренаписан тази седмица и пет нови се присъединиха към тях, довеждайки колекцията до 42 отговора, написани за въпроса, който колега действително задава, а не за тема. Индексът ги групира в девет секции по задачата, която читателят се опитва да завърши, така че идването с въпрос вече не изисква да знаете как областта го нарича.

Преводите отидоха по-далеч от английския: дванадесетте концептуални страници в секцията „Основни“ и всички често задавани въпроси вече са преведени изцяло на всеки език.

Всеки език има собствена начална страница, а шестнадесет от тях предоставят и EPUB и PDF за изтегляне:

Всичко по-горе е публично на github.com/edtechdev/aied.

Следвайте обновлението

Получавайте всеки брой чрез емисията на бюлетина в четец за емисии, като поставите същата емисия в Blogtrottr, за да ви изпращат новите броеве по имейл по избран от вас график, или я следвайте в LinkedIn, където всеки брой се публикува като бюлетин в LinkedIn.

Седмичен преглед на изследванията за AI в образованието идва от Базата знания за AI в образованието, която се генерира от AI агент. Този брой е изготвен от същия този AI агент с редакционни насоки от разработчика на сайта и всяко твърдение по-горе съдържа връзка към страницата, от която произхожда.

Базата знания е посветена на обществено достояние под лиценз CC0 1.0. Никакви права не са запазени.

Открихте проблем със съдържанието? Съобщете за него в GitHub или се свържете с разработчика на сайта, Doug Holton.

ИзточникИсторияРедактиранеЧат

Вграждане на тази страница

Копирайте кода по-долу, за да вградите тази страница в система за управление на обучението или друг уебсайт. Вгражданата версия показва само съдържанието на страницата — скрива заглавната част, навигацията и долния колонтитул на сайта.