Znalostní báze AIEdAIEd KB
Na této stránce

Přečtěte si tuto stránku v angličtině

Pojmy

Omezení ve výzkumu AIEd

Vytvořeno 2026-08-15 · Aktualizováno 2026-11-08

Automatický strojový překlad této anglické stránky, který ještě nebyl zkontrolován rodilým mluvčím.

Omezení ve výzkumu AIEd — opakující se slabiny a omezení, která ovlivňují, jakou důvěru můžeme vkládat do zjištění o AI ve vzdělávání a jak je mají čtenáři interpretovat. Prostupují jednotlivými studiemi: metodologická omezení (zobecnitelnost, velikost vzorku, validita, sebeposudek), problém rychlosti (AI a zjištění rychle stárnou, zatímco publikace zaostává), omezení výzkumné praxe (reprodukovatelnost, postupy FAIR, proprietární nástroje) a slabé využití teorie. Metodologická omezení jsou měřitelná, nikoli dojmová: v kritickém přehledu 80 studií HCI o kritickém myšlení s AI nemělo 42 (52 %) žádnou kontrolní skupinu a většina ostatních se opírala o sebeposudek, takže pozitivní zjištění oboru stojí na designech, které nedokážou oddělit efekt AI od běžné reflexe (A Critical Review of Critical Thinking in HCI Research About AI). Kódování výsledků je stejně nerovnoměrné: systematický přehled 103 studií vysokoškolského vzdělávání roztřídil svůj korpus do čtyřúrovňové typologie výsledků a 56 % z něj zařadil do jediného podmíněného vzorce, kde sebedůvěra a motivace rostly bez odpovídajícího zisku v trvalé kompetenci (Generative AI in higher education: A systematic review of empirical uses, outcomes, and risks). Uznání těchto omezení je zásadní pro kritické čtení literatury i pro navrhování silnějších studií.

Otázky k zamyšlení

  • Jak moc byste věřili titulku „AI doučování zvyšuje učení o 30 %“, kdybyste zjistili, že pochází od 30 studujících v jednom kurzu na jedné instituci? Stránka označuje zobecnitelnost a malé vzorky za opakující se omezení — co byste chtěli vědět, než na jakékoli jednotlivé zjištění jednáte?
  • Nápadným omezením je „problém rychlosti“: AI se vyvíjí rychleji, než se zjištění publikují, takže studie jedné generace modelů může už popisovat zastaralý systém. Jak by to mělo změnit důvěru, kterou vkládáte do výzkumu vzdělávání s AI?
  • Mnoho studií se opírá o sebeposuzované postoje a používání, které jsou zkreslené — lidé přeceňují svou kompetenci a nedostatečně hlásí zneužití. Odpověděli jste někdy na průzkum o vlastních dovednostech nebo chování způsobem, který neodpovídal realitě? Proč se měřítka založená na vnímání tak často rozcházejí s objektivním výkonem?
  • Stránka poznamenává, že známé rámce, jako je Bloomova taxonomie, se často chybně čtou jako striktní žebříky, a že i široce používané teorie, jako je teorie kognitivní zátěže, byly zpochybněny. Kdy jste viděli teorii citovanou jako uzavřenou pravdu v kontextu, kde byly její vlastní důkazy ve skutečnosti sporné?
  • Většina výzkumu AI závisí na proprietárních, neprůhledných modelech, jejichž data a aktualizace nemůžete prozkoumat. Pokud nemůžete ověřit, který model přesně výsledek vytvořil, jak moc můžete věřit tvrzením na něm postaveným — a co by učinilo zjištění reprodukovatelnějšími?
  • Pokud jste vyučující nebo návrhář bez času číst primární výzkum, jak rozhodujete, která tvrzení o AI jsou dost důvěryhodná, aby změnila vaši praxi — vzhledem k tomu, že literatura je roztříštěná, prozatímní a psaná pro výzkumníky?

Úvod

AI ve vzdělávání je rychle se vyvíjející, heterogenní obor a jeho důkazní základna nese specifickou sadu omezení, která by výzkumníci, praktici i tvůrci politik měli zvažovat při použití jakéhokoli zjištění. Některá jsou společná s širší literaturou věd o učení a psychologie; jiná jsou umocněna nebo jedinečná povahou samotné AI. Tato stránka je organizuje do čtyř průřezových oblastí.

Metodologická omezení

Stránka výzkumných metod znalostní báze podrobně popisuje silné a slabé stránky každého designu. Několik omezení se opakuje napříč designy a zaslouží si zvláštní pozornost:

  • Zobecnitelnost. Zjištění z jednoho kurzu, instituce, oboru nebo národního kontextu se nemusí přenášet. Malé vzorky, vzorky příležitostného výběru nebo vzorky z jedné instituce omezují externí validitu; výsledky jednoho nástroje AI se zřídka rozšiřují na jiný nástroj nebo kontext.

  • Mezinárodní srovnání přesvědčení nesou riziko měření. Pětizemní průzkum 1 405 učitelů K-12 použil automatický strojový překlad bez zpětného překladu nebo testování měřicí invariance a měřil obavy z plagiátorství a kreativity jednou položkou, takže jeho kontrasty mezi zeměmi nelze číst jako ekvivalentní konstrukty (Xiu et al. (2026)).

  • Rigoróznost na úrovni syntézy je samostatná osa od rigoróznosti primárních studií. Metaanalýza může splnit vlastní kritéria zařazení a přesto sloučit studie, které se liší designem, věrností implementace a měřítkem výsledku, aniž by cokoli z toho vážila: Doğan a kolegové (2026) výslovně uvádějí, že nepoužili žádný formální nástroj hodnocení kvality a za práh rigoróznosti považovali kritéria zařazení, takže kvaziexperimentální a randomizovaná studie přispěly do sloučeného odhadu pro STEM stejně. Tentýž přehled ukazuje související riziko reportování: jeho heterogenita je uváděna jako I² = 82,98 % u modelu s fixními efekty a I² = 15,75 % u modelu s náhodnými efekty, což znamená, že čtenáři, kteří vytrhnou jediný údaj o heterogenitě bez jeho modelu, nemohou zjistit, jak nekonzistentní korpus skutečně je. Syntézu posuzujte podle toho, jak nakládala se závislými veličinami efektu, kvalitou a heterogenitou, ne jen podle toho, zda dodržela vyhledávací protokol.

  • Design vyhledávání určuje titulní čísla syntézy. Ve scopingovém přehledu 195 studií vzdělávání učitelů byly digitální kompetence a TPACK explicitními deskriptory vyhledávání, zatímco návrh výuky a hodnocení ekvivalent neměly, takže uváděných 46,5 % a 1,9 % charakterizuje korpus, který vyhledávání vrátilo, nikoli obor (Patiño Hernández et al. (2026)).

  • Malé velikosti vzorků. Mnoho studií AIED má nízkou statistickou sílu — příliš málo účastníků na spolehlivé zachycení smysluplných efektů nebo na podporu silných tvrzení, která se z nich někdy vyvozují.

  • Rozšíření dat může vyrobit titulní metriku. U automatického hodnotitele esejů, jehož trénovací část obsahovala práce 83 studujících, vygenerované odpovědi úrovně 1 — šablony, zkrácení, odstranění klíčových slov — zvedly shodu pro Focus o +0,346 kvadraticky vážené kappy z výchozí hodnoty 0,028, takže nejsilnější ordinální signál stál na textu, který žádný studující nenapsal (Firdausi et al. (2026)).

  • Skóre na koncovém bodě může skrývat to, co se studuje. V přehledu PRISMA 103 studií vysokoškolského vzdělávání uvádělo 56 % zisků, které byly podmíněné scaffoldingem nebo ověřováním, a nulové rozdíly ve známkách často doprovázely skutečné změny v procesu — více ladění, více kontrolních cyklů — takže známky samy nemohou říct, zda GenAI praxi posílila, nebo vyprázdnila (Hawi a Samaha (2026)).

  • Design validace může vyrobit titulní číslo. Nanayakkara a Halloluwa (2026) otestovali patnáct modelů na rozpoznávání známosti z EEG a ukazují, že standardní stratifikovaná křížová validace umožňuje časový únik a uvádí až 0,9853 F1, zatímco validace Group K-Fold nezávislá na pokusech snižuje vrchol na 0,6038 F1 — stále nad náhodou, ale daleko od uváděného výsledku.

  • Benchmarky mohou dodávat selhání, která hlásí. Odborné přehodnocení 250 zamítnutých fyzikálních úloh připsalo 238 (95,20 %) chybám benchmarku nebo hodnotitele a jen 12 (4,80 %) skutečným chybám modelu, takže měřená chybovost modelu nemůže klesnout pod chybovost nástroje (Ansari et al. (2026)).

  • Validita a měření. Konstruktová validita je často slabá: zástupné ukazatele „učení“, „angažovanosti“ nebo „gramotnosti“ se široce liší a nástroje nejsou vždy validovány pro populaci nebo konstrukt, který se studuje. Přesnost benchmarku se nerovná vzdělávací účinnosti.

  • Sebeposudky a průzkumová data. Velká část korpusu se opírá o sebeposuzované postoje, motivaci a používání. Sebeposudek podléhá zkreslení — respondenti přeceňují kompetenci, nedostatečně hlásí zneužití a špatně odhadují své vlastní chování — takže měřítka založená na vnímání se často rozcházejí s objektivním výkonem (viz How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures a Vzdělávací měření).

  • Kontext a reportování validace lze kvantifikovat napříč literaturou. Přehled PRISMA-ScR 421 studií NLP o komentářích k hodnocení výuky zjistil zemi neurčenou u 221 studií, rozsah jedné instituce u 232 z 284 určených případů (81,7 %), externí validaci u 33 (7,8 %) a shodu mezi anotátory u 54 (12,8 %) (Eicher & da Silva (2026)).

  • Bohatost reportování je měřitelná a typ metody ji předpovídá. V 888 článcích o automatizaci přehledů uvádělo 38,0 % článků o softwaru nebo produktu od roku 2023 žádné hodnocení, proti 9,3 % článků o LLM, a 52 % ze 118 článků o LLM zaměřených jen na pozitivní výsledky stále signalizovalo nesplněnou laťku reliability — vzorec, který stojí za pěti úrovněmi zveřejňování PRISMA-LLM (Zabaleta & Lin (2026)).

  • Standardizace v rámci každého datasetu může skrýt nesprávné vyjádření rozptylu. Když byly syntetické vzdělávací kohorty standardizovány podle vlastního rozptylu, skutečnost, že jejich týdenní struktura kolísala 2,6 až 4,9krát méně než u reálných kohort, se pro uváděné statistiky stala neviditelnou — rutinní předzpracování, slovy autorů nikoli hypotetická obava (Inoue & Yasutake, 2026).

  • Štítky generované modelem nejsou zlatý standard. Když štítky, které trénují nebo hodnotí systém, samy produkují jazykové modely, shoda mezi anotátory nemůže stanovit validitu: Bernado et al. (2026) nikdy nevalidovali své anotace tvrzení proti lidským zlatým štítkům a 49 klasifikátorů založených na enkodéru, které uvolňují, tuto provenienci dědí a nemusí být validní tam, kde se aplikace liší v podstatných dimenzích. Jejich schéma také striktně zaostávalo za doladěným klasifikátorem trénovaným na odborně anotovaných datech (makro-F1 0,673 proti 0,76), takže korpusy označené odborníky mají smysl, když je vyžadována vysoká jistota.

  • Důkazní základna je sama nerovnoměrně rozložena. Scopingový přehled 407 studií formativního hodnocení podporovaného technologiemi čerpal jen z Web of Science a Scopus. Vyloučil také 61 záznamů podle jazykových kritérií, takže geografická nerovnováha, kterou obor hlásí, může částečně odrážet to, které zdroje jsou indexovány (Bulut, 2026).

Problém rychlosti: AI se vyvíjí rychleji než zjištění

AI se nepřetržitě mění a závěry vyvozené z jakéhokoli daného modelu nebo systému mohou rychle zastarat. Studie jedné generace LLM nemusí popisovat tu příští; skóre benchmarků, kvalita doučování a dokonce praktická užitečnost zjištění se posouvají, jak se modely zlepšují. K tomu se přidává, že proces publikace je pomalý — od návrhu studie po recenzovanou publikaci může uplynout rok i více — takže publikovaný výsledek už může popisovat zastaralý systém. Recenzenti a čtenáři by proto měli zjištění AIED považovat za prozatímní, na datum citlivá tvrzení, nikoli za stabilní pravdy, a upřednostňovat práci nedávnou, orientovanou na replikaci a explicitně uvádějící verze.

Thoeni a Fryer (2026) činí důsledek konkrétní pro jednu literaturu: protože systémy založené na RAG se veřejně dostupnými staly až v listopadu 2023, argumentují, že zjištění o inteligentním doučování před rokem 2023 — opírající se o pravidlové, na klíčová slova orientované nebo heuristické NLP systémy, které mají s dnešními velkými jazykovými modely jen málo funkční podoby — by měla být považována za historický kontext, nikoli za přímo srovnatelné důkazy, a uvádějí, že jejich přehled nenašel žádné publikované RCT, které by zkoumalo chatbota AI založeného na RAG ve vysokoškolském vzdělávání po celý akademický semestr. Z toho plyne, že základní otázky o tom, jak genAI ovlivňuje učení, může být nutné znovu klást u každé nové generace modelů, místo aby se uzavíraly slučováním starších výsledků.

Omezení výzkumné praxe

Několik omezení se týká provádění a infrastruktury samotného výzkumu:

  • Nedostatek reprodukovatelnosti. Studie často neuvádějí dost podrobností (prompty, verze modelů, hyperparametry, data, analytický kód), aby je jiní mohli reprodukovat nebo ověřit — což je zvláštní problém vzhledem k tomu, jak citlivý je výstup LLM na prompty a nastavení.
  • Postupy FAIR ve výzkumu. Otevřená a reprodukovatelná praxe — Findable (dohledatelná), Accessible (přístupná), Interoperable (interoperabilní), Reusable (znovupoužitelná) data a kód, předregistrace a sdílené benchmarky — je v AIED přijímána nerovnoměrně. Slabé dodržování principů FAIR ztěžuje opětovné použití, srovnávání a stavění na studiích.
  • Proprietární nástroje a modely. Velká část výzkumu závisí na uzavřených, proprietárních systémech AI, jejichž vnitřní chování, trénovací data a aktualizace modelů jsou neprůhledné a mohou se změnit bez oznámení. To omezuje reprodukovatelnost, znemožňuje přesnou replikaci a může vázat zjištění na plán prodejce. Vyvolává to také otázky nezávislosti hodnocení (viz Hodnocení AIED).

Slabé nebo omezené využití teorie

Opakující se kritikou je, že mnoho empirických článků má omezené nebo zastaralé teoretické rámování. Výzkumníci mohou:

  • Přebírat teorie nekriticky. Rámce se přebírají, protože jsou známé, aniž by se plně zabývaly jejich předpoklady, rozsahem nebo důkazní základnou.
  • Chybně interpretovat rámce jako pevné posloupnosti. Několik široce používaných rámců se považuje za uspořádané žebříky, po nichž studující musí stoupat z „nízkého“ do „vysokého“ stadia — důkazy však nepodporují vždy začínat na dně. Například:
    • Bloomova taxonomie se často čte jako striktní hierarchie (zapamatování → aplikace → hodnocení), vyšší cíle však nevyžadují nejprve procvičovat nižší; úlohy lze navrhnout tak, aby zapojovaly hodnocení nebo tvorbu od začátku (viz Cross-Dataset Bloom Question Classification: Supervised Models and Prompted LLMs).
    • ADDIE a další modely návrhu výuky se někdy považují za rigidní lineární fáze, nikoli za iterativní, flexibilní plánovací heuristiky, kterými mají být (viz Návrh výuky).
  • Přehlížejí sporné teorie. Některé teorie široce používané v AIED byly samy zpochybněny. Teorie kognitivní zátěže byla například kritizována a její empirická tvrzení byla v předchozích studiích vyvrácena nebo zpochybněna, přesto se v nové práci AIED nadále vyvolává jako uzavřený základ.

Důsledkem není, že teorie a rámce jsou zbytečné, ale že by se měly používat s ohledem na svou skutečnou důkazní základnu, zamýšlený rozsah a známou kritiku — nikoli jako samozřejmé scaffoldy nebo rigidní procedurální posloupnosti.

Krize metaanalytických důkazů

Rostoucí soubor metavýzkumu — přehledů, které zkoumají přehledy — argumentuje, že titulní tvrzení oboru o učebních ziscích poháněných AI stojí na důkazní základně mnohem slabší, než se zdá. Tři vzájemně se doplňující kritiky to dokazují neobvykle silně:

  • Zkreslení pozitivních syntéz je závažné a kvantifikovatelné. Bartoš et al. (2026) ve studiové meta-metaanalýze 1 840 veličin efektu ze 67 metaanalýz našli silné důkazy publikačního zkreslení (všechny Eggerovy testy p < 0,0001) a extrémní heterogenitu mezi studiemi (τ = 0,869). Efekty korigované na publikační zkreslení měly zhruba jednu třetinu běžně uváděné velikosti (SMD = 0,196 proti mediánu 0,67 v publikované literatuře), s predikčním intervalem od −1,521 do +1,908 — od velké škody po velký prospěch. Žádný výsledek, obor, úroveň ani podskupina podle role AI nevykázaly konzistentní zisky a mezi studiemi před rokem 2023 a po něm nebyl rozdíl. Jejich verdikt: široká tvrzení o zobecněných učebních ziscích jsou předčasná.
  • Metaanalytické metody se systematicky používají nesprávně. Forenzní audit O'Neilla (2026) 14 vysoce citovaných metaanalýz AIED zjistil, že žádná neposkytla validní základ pro svá tvrzení: žádná neměla koherentní konstrukt (zacházely s nástrojem „ChatGPT“, jako by šlo o jedinou intervenci, a slučovaly výsledky testů, motivaci, sebeúčinnost a postoje do jediného čísla „akademického výkonu“); uváděná heterogenita byla závažná, s I² od 77,2 % do 94,4 % napříč 13 metaanalýzami, které ji uváděly, a 12 z těch 13 nad 80 %, a nikdy nebyla vyřešena (žádná nesplnila minimální velikost podskupiny deseti studií, pět se opíralo o podskupiny s jedinou studií a tři další o podskupiny se dvěma); dvanáct zacházelo se závislými veličinami efektu z téže studie jako s nezávislými, což nafukovalo zdánlivé důkazy; a žádná validně neposoudila publikační zkreslení (běžné byly diskreditované metriky fail-safe N a nesprávně použité Eggerovy testy). Protože I² závisí na přesnosti, nemůže samo o sobě stanovit, jak daleko od sebe skutečné efekty jsou, a reportování, které by to ukázalo, z velké části chybělo: jen čtyři metaanalýzy uvedly rozptyl mezi studiemi (τ²) a jen dvě uvedly predikční interval, oba zahrnovaly nulu. Většina (61 %) náhodně prověřených primárních studií byla problematická a jednu studii se zfalšovanými referencemi zařadilo šest ze 14 metaanalýz.
  • „Intervence“ je černá skříňka. Weidlich et al. (2025) oživují debatu o médiích a metodách a argumentují, že „ChatGPT“ je nástroj, nikoli metoda — ptát se, zda „zlepšuje učení“, je non sequitur. Při auditu části studií za metaanalýzou Denga et al. (2025) zjistili, že jen 21 % srovnání mělo dobře definovanou intervenci, kontrolní skupinu a validní měřítko učení; uváděné velikosti efektu (g = 0,7) dokonce převýšily ty u účelově stavěných inteligentních doučovacích systémů (0,66), což je varovný signál, že „intervence“ byla heterogenní „tajná přísada“.

Konvergence těchto tří nezávislých kritik je sama důkazem: napříč různými metodami, korpusy a rámováním dospívají ke stejnému závěru — že pozitivní veličiny efektu AIED, zejména z raných metaanalýz, pravděpodobně odrážejí publikační zkreslení, nekoherenci konstruktů a metodologické zkratky stejně jako (nebo více než) skutečné učební zisky. To neznamená, že nástroje AI nemají vzdělávací hodnotu; znamená to, že oborové důkazy o jejich hodnotě jsou v současnosti nafouknuté a musí se tak číst. Přesouvá to také odpovědnost na kvalitu syntézy: metaanalýza je jen tak důvěryhodná, jak je koherentní její konstrukt, jak nezávislé jsou její veličiny efektu, jak přiměřená je její analýza moderátorů a heterogeneity a jak validní je její posouzení publikačního zkreslení — přičemž kritiky ukazují, že každý z těchto bodů je běžně porušován.

Kritické čtení literatury AIEd

Dohromady tato omezení argumentují pro kritické, vícesignálové čtení výzkumu AIED: zkontrolujte, zda se zjištění zobecňuje a má dostatečnou statistickou sílu; ověřte, jak byly konstrukty měřeny (a zda tvrzení nestojí na sebeposudku); upřednostňujte nedávnou, verze uvádějící a reprodukovatelnou práci; a zpochybňujte teoretické rámování, místo abyste známé rámce brali jako dané. To je protějšek rigorózní volby metody a hodnocení: dobré metody a dobré hodnocení jsou nutné, ale teprve čtení s pozorností k omezením mění důkazy v obhajitelná rozhodnutí.

Od výzkumu k praxi

Dalším, praktickým omezením je výzva aplikovat výzkum na výuku a návrh výuky. Praktici — vyučující, návrháři výuky a vzdělavatelé akademických pracovníků — často nemají čas ani specializovanou odbornost číst, posuzovat a překládat primární výzkum do konkrétních rozhodnutí ve třídě. Literatura je rozsáhlá, roztříštěná a psaná pro výzkumníky; zjištění se uvádějí se statistickými a metodologickými podrobnostmi, které nejsou okamžitě použitelné; a protože tvrzení jsou prozatímní (viz problém rychlosti výše), praktik nemůže jedinou studii jednoduše brát doslova. Vzniká tím mezera mezi tím, co důkazy podporují, a tím, co se skutečně dostane do výukové praxe.

Smyslem této znalostní báze je pomoci tuto mezeru uzavřít — usnadnit sledování, interpretaci a aplikaci výzkumu AI ve vzdělávání v praxi — tím, že pečlivě vybírá open-access zjištění do strukturovaných, přístupných shrnutí, propojuje související práci přes stránky konceptů a označuje omezení, která by čtenáři měli zvážit. Usiluje o podporu praxe informované důkazy ve výuce a návrhu výuky a tím zároveň odhaluje mezery a otázky, které mohou informovat nový výzkum a vývoj. Porozumění limitům výzkumu tedy není samoúčelné: je to to, co praktikům umožňuje vhodně aplikovat zjištění a výzkumníkům navrhovat silnější studie, které lépe slouží praxi.

Dvě pasti auditu, které stojí za to znát

Dvě konkrétní praktiky reportování nafukují nebo zkreslují syntézu a obě jsou viditelné v publikovaném záznamu, nikoli hypotetické.

Údaj o heterogenitě závisí na modelu a model se uvádí zřídka. Heterogenita jednoho přehledu je uváděna jako I² = 82,98 % u modelu s fixními efekty a I² = 15,75 % u modelu s náhodnými efekty. Obě hodnoty popisují stejná data. Čtenář, který vytrhne jediné číslo heterogenity bez modelu, dostal technické tvrzení bez interpretace a rozdíl mezi „většina rozptylu je nevysvětlená“ a „malá část rozptylu je nevysvětlená“ je rozdílem mezi zavržením oboru a důvěrou v něj.

Titulní procento může být artefaktem vyhledávacích termínů. Scopingový přehled 195 studií vzdělávání učitelů učinil z digitální kompetence a TPACK explicitní deskriptory vyhledávání, zatímco návrh výuky a hodnocení ekvivalentní termín neměly, takže uváděných 46,5 % a 1,9 % jsou míry, které sama dotazovací formulace zkonstruovala. Tvrzení o prevalenci je jen tak smysluplné, jaké je vyhledávání za ním.

A základní míra je číslo, které nikdo neuvádí. Metodologická omezení jsou zde měřitelná, nikoli dojmová: v kritickém přehledu 80 studií HCI o kritickém myšlení s AI 42 (52 %) nemělo žádnou kontrolní skupinu a většina ostatních se opírala o sebeposudek. Když více než polovina pozitivních zjištění oboru pochází z designů, které nedokážou oddělit efekt AI od běžné činnosti, vhodnou výchozí pravděpodobností u jakéhokoli jednotlivého zjištění je skepse, ne prozatímní přijetí.

Časté mylné představy

  • „Sekce omezení jsou šablonovitá fráze.“ Metodologická omezení jsou měřitelná, nikoli dojmová: v kritickém přehledu 80 studií HCI o kritickém myšlení s AI 42 (52 %) nemělo žádnou kontrolní skupinu. Právě přesný počet činí omezení použitelným.
  • „Heterogenita je jediné číslo, které můžete citovat.“ Tentýž přehled ukazuje riziko reportování: heterogenita je uváděna jako I² = 82,98 % u modelu s fixními efekty a I² = 15,75 % u modelu s náhodnými efekty. Stejná data dávají příběh o devíti bodech, nebo o dvou, podle zvoleného modelu, takže citované I² bez modelu je neinterpretovatelné.
  • „Velký uváděný efekt je číslo, kterému věřit.“ Titulní číslo, jako efekt z 30 studujících v jednom kurzu na jednom pracovišti, je běžnou podobou křehkého tvrzení a počet studií bez kontrol ukazuje, jak často tato křehkost zůstává nehlášena.

Související koncepty

Související články

Související FAQ

Metadata

Typ studieLiterature Review
Učení a výukaLearning Theories
Hodnocení a měřeníAssessment Validity, Educational Measurement
Výzkumné metody a hodnoceníAI Ed Evaluation, Benchmark, Research Methods in AIED
Základy AI ve vzděláváníUmělá inteligence ve vzdělávání
Druh stránkyEvaluation
ZdrojHistorieUpravitChat

Vložit tuto stránku

Zkopírujte níže uvedený kód a vložte tuto stránku do systému pro správu výuky nebo jiného webu. Vložená verze zobrazuje pouze obsah stránky — skrývá záhlaví, navigaci a zápatí webu.