Jaké jsou významné mezery ve výzkumné literatuře o AI ve vzdělávání?

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

Do uzávěrky grantu zbývá osm dní a část s přehledem stavu potřebuje jednu větu o tom, co tento obor zatím neví. Nebo kolega řekl komisi, že doučování s AI zvyšuje výsledky, a odkázal se na dvouletý experiment v 18 středních školách, a vy jste ten, kdo musí říct, co ta studie unese. Nebo si vybíráte téma disertace a každá jeho verze vypadá, že už byla udělána.

Mezery, na kterých záleží, se týkají síly, specifičnosti a použitelnosti. AI dokáže vykonávat vzdělávací úkoly; otevřené otázky jsou, zda konkrétní design přináší trvalý užitek, komu, jakým mechanismem a za jakých podmínek. Toto rozlišení rozhoduje o dvou věcech na vašem stole: co studovat dál a co mezitím přestat tvrdit. Omezení výzkumu AI ve vzdělávání je katalog, o který se tato stránka opírá. Ani důkazy o inteligentních doučovacích systémech, prediktivní analytice, generativní AI a autonomních agentech nejsou zaměnitelné a výzkum využívání AI na podporu učení se liší od výzkumu učení lidí o AI, jak vysvětluje přehled Umělá inteligence ve vzdělávání.

Stručně

1. Srovnejte AI se silnou ne-AI alternativou, která drží kurikulum, procvičování a podporu konstantní, a řekněte, co AI přidala.

2. Měřte odložený výkon bez pomoci a uveďte, že asistovaný výkon není ziskem v učení.

3. Uveďte, která složka balíku odvedla práci a jaký mechanismus tvrdíte.

4. Ověřte každé automatizované skóre a každého simulovaného žáka proti skutečným žákům, včetně žáků mimo váš vývojový vzorek.

5. Vymezte hranici populace, protože sloučený průměr neodpovídá na otázku spravedlnosti.

6. Popište uspořádání tak dobře, aby je někdo jiný mohl znovu sestavit.

Zvolte srovnání, které izoluje AI

Přísné experimenty ve třídách existují, takže „potřebujeme randomizované studie“ už mezeru nepojmenovává. Ostřejší otázka je, zda složka AI přidává hodnotu nad rámec dodatečného procvičování, lepších materiálů, včasné zpětné vazby nebo větší podpory ve výuce.

One Click Away uvádí mírné zisky ve výsledcích v 18 středních školách vedle omezeného věcného zapojení do práce s tutorem a autoři poznamenávají, že zisky se podobaly ziskům ze strukturovaného procvičování bez AI. To je důkaz o zavedeném balíku a nemůže izolovat, co přidala AI v něm.

Problém pod tím je pojmový stejně jako empirický. „ChatGPT“ pojmenovává nástroj, ne metodu. Weidlich a kol. (2025) provedli audit 19 srovnání s ChatGPT ve vzdělávání: jen 4 (21 %) specifikovaly všechny tři náležitosti, totiž replikovatelnou intervenci, operacionalizovanou kontrolu a platné měření učení (74 % dobře definovaná intervence, 42 % dobře definovaná kontrola, 53 % výstup učení). Když nová AI přichází spolu s novými aktivitami, zpětnou vazbou nebo designem rozhraní, médium a metoda se zaměňují a žádný účinek nepatří AI.

Co by to vyřešilo: srovnání s realistickými ne-AI alternativami, u nichž je kurikulum, příležitosti k procvičování a podpora držena co nejkonstantnější, plus nezávislé replikace napříč institucí, pedagogem, předmětem a modelem. Metody tu odpovídají na různé otázky. Kvalitativní a designový výzkum vysvětluje implementaci, zatímco kauzální tvrzení nesou dobře navržené experimenty, jak popisují metody výzkumu účinnosti.

Měřte učení poté, co nástroj zmizí

Zlepšená práce při používání AI není důkazem učení, které přežije konec pomoci. Syntézy o ziscích v učení a kognitivním odklánění stále vedou stejnou linii mezi asistovaným výkonem, uchovanou znalostí, samostatným uvažováním a přenosem.

Making AI Tutoring Productive ukazuje problém měření v randomizovaném experimentu s více než 6 000 studenty středních škol. Pravidlo zvládnutí tří správných odpovědí v řadě zvedlo úspěch definovaný platformou, aniž by samo o sobě přineslo zjistitelné zisky v učení o týden později. Nejsilnější důkaz z odloženého testu se objevil, když AI seděla uvnitř pracovního postupu zvládnutí a soustředila se na procvičovanou látku.

Zbývající mezera se týká trajektorií schopnosti a jeden přidaný posttest ji nezacelí. Nikdo neprokázal uchování v horizontu měsíců, přenos mezi úkoly, výkon po odebrání pomoci ani přesnost žáků v posuzování toho, co vědí, a obor neoddělil selhání při osvojování dovednosti od zhoršení dovednosti již osvojené. Výzkum kognitivního odklánění musí ještě ukázat, kdy delegování tyto trajektorie podporuje a kdy vytlačuje procvičování, které je buduje.

Zjistěte, která část balíku odvedla práci

„Učení s podporou AI“ obvykle spojuje několik změn: novou zpětnou vazbu, přidanou reflexi, diskusi se spolužáky, jiné sledy úkolů, pozměněné pobídky v hodnocení. Balík, který uspěje, vám neřekne, které složky byly nutné.

Skutečným pokrokem v této otázce je design zpětné vazby GenAI zaměřený na člověka. U 1 176 studentů prvního ročníku vedly reflektivní a hybridní návrhy k lepšímu odloženému přenosu bez AI než přímá zpětná vazba od AI. Hybridní podmínka spojila sebehodnocení, vzájemnou zpětnou vazbu a kritiku od AI. To odděluje, jak je zpětná vazba organizována a využívána, od toho, zda k ní studenti vůbec mají přístup.

Otevřené zůstává: přínos a načasování prvních samostatných pokusů, sebevysvětlování, vstupu spolužáků, korektivní zpětné vazby, nápověd a postupného odebírání pomoci a to, jak každá z těchto složek interaguje s předchozími znalostmi a obtížností úkolu.

Vedle toho jde teoretická mezera. Pojmenovat teorii učení není totéž jako ji testovat. Studie potřebuje teoretickou předpověď svázanou s konkrétním chováním systému a měřitelný proces učení, a statistická mediace tuto explanaci informuje, aniž by ustavila kauzální mechanismus. Argument dál nesou rozvoj teorie v AI ve vzdělávání a scaffolding.

Ověřte měření, než je interpretujete

Konstrukty jako zapojení, kritické myšlení, gramotnost v oblasti AI a personalizace se v této literatuře měří nekonzistentně. Sebeposuzovací údaje popisují vnímání; nemohou zastoupit prokázanou kompetenci. Technická přesnost, kvalita výstupu hodnocená odborníky a učení studenta jsou tři různé cíle hodnocení. Pedagogické měření a hodnocení vzdělávacích intervencí s AI považují tato rozlišení za výchozí.

Jedna mezera leží uvnitř problému měření: systémy AI použité k hodnocení jiných systémů AI. V Simulating Students or Sycophantic Problem Solving? simulovaní studenti často opustili zadané mylné představy po korektivní zpětné vazbě, ať už se zpětná vazba mylné představy týkala, nebo ne, takže jejich odpovědi mohly neúčinnou výuku vykreslit jako úspěšnou. Cílený trénink zlepšil míru věrnosti v této studii a zlepšení v této míře není ověřením proti lidskému učení.

Chybí ověření celého hodnoticího řetězce, od chování modelu přes pedagogický úsudek a reakci žáka až po vzdělávací výsledek, na žácích a v prostředích, která se při vývoji nepoužila. Lidský úsudek potřebuje stejnou kontrolu, protože shoda mezi posuzovateli není důkazem, že byl hodnocen správný konstrukt.

Rozhodněte, co ještě hodnocení může certifikovat

AI vytváří dva spojené problémy hodnocení: pomáhá vyrábět práci, která se hodnotí, a může ovlivnit, jak se tato práce známkuje.

Studie z této znalostní báze o agentech AI, kteří plní hodnocené úkoly v LMS, dokumentuje agenty, kteří procházeli živým bakalářským kurzem a dokončovali hodnocené aktivity. To ukazuje schopnost, která zpochybňuje předpoklady o dokladech vytvořených studentem. Neustavuje, jak časté takové použití je, a nezbavuje platnosti asynchronní hodnocení jako kategorii.

Výzkumná otázka zní, které designy ještě podporují obhajitelné závěry o žákovi. Portfolia, reflexe, stupňovaná odevzdání a záznamy aktivity potřebují ověření jako důkazy, místo aby se předpokládalo, že ustavují autorství nebo porozumění. Studie by měly testovat kombinace důkazů proti nezávisle pozorované kompetenci a přitom zohlednit přístupnost, pracovní zátěž, soukromí a úzkost studentů. Podrobnosti drží validita hodnocení.

Pro automatizované známkování uvádí LLMs Do Not Grade Essays Like Humans systematickou neshodu mezi modely bez úprav a lidskými posuzovateli. Zjištění jsou specifická pro konkrétní nastavení a ukazují, proč vnitřní konzistence nemůže unést tvrzení o validitě.

A Human Capability Test for Learning Outcomes in the AI Era navrhuje hodnotit odděleně to, co žáci musí umět samostatně, co smějí zvládnout s AI a co musí ověřit a obhájit. Je to rámec, který na empirické ověření teprve čeká.

Detekce je v této oblasti nejjasnější slepá ulička. Karr a kol. (2026) provozovali dva komerční detektory při τ = 0,50 na 642 publikovaných anglických abstraktech. Lehké úpravy AI v souladu s pokyny byly označeny v 38 až 80 % případů. Neupravené originály z let 2023 až 2025 byly označeny v 9 až 15 % případů, přičemž práce mimo STEM vysoce převyšovala STEM při p < 0,001. Po humanizaci nástroje zachytily méně než 4 % přepisů označených jako AI, tedy míru falešně negativních výsledků nad 96 %. Skóre, které trestá poctivou pomoc a mine vyhýbání se, nemůže být základem závěru o žákovi.

Přestaňte číst skóre gramotnosti jako důkaz chování

Výzkum intervencí zaměřených na gramotnost v oblasti AI je dost rozsáhlý na to, aby se dal syntetizovat. AI Literacy Interventions in Education pokrývá 59 studií a 7 211 účastníků, uvádí kladný průměrný účinek a zároveň značnou variabilitu se širokým intervalem predikce, který protíná nulu. Výsledky zaměřené na znalosti vyšly silněji než dovednosti, postoje nebo etika.

Ostřejší mezera je, zda výuka gramotnosti mění to, co lidé dělají, když AI používají, a další kompetenční rámec ji nezacelí. Dokážou žáci rozpoznat nepodložená tvrzení, ověřit zdroje, odmítnout zavádějící návrhy, všimnout si nevhodného přitakání a zvolit, kdy nedelegovat? Vydrží něco z toho pod časovým tlakem a přenáší se to na neznámé systémy a obory?

Vyřešit to vyžaduje hodnocení založené na výkonu spojené s pozorováním skutečných rozhodnutí a odloženým sledováním, přičemž pojmové znalosti, operační zdatnost a kritický úsudek je třeba držet odděleně, ne slévat. Rozlišení dodávají Gramotnost v oblasti AI a kalibrace důvěry.

Uveďte, koho zjištění vynechává

Zjištění z jednoho kurzu, instituce, jazyka nebo populace žáků zřídka opravňují k rozhodnutím jinde, což je problém, který syntéza Omezení výzkumu AI ve vzdělávání označuje za opakující se. Jak se účinky liší podle vývojové fáze, oboru, předchozích znalostí, zdravotního postižení, jazyka a podmínek zdrojů, zůstává z velké části nezměřeno.

Výzkum spravedlnosti také musí oddělit přístup, dovednosti a výsledky. Syntéza o digitální propasti jasně říká, že zařízení a přístup k nástrojům neustavují stejnou schopnost těžit z nich. Does School-Based AI Education Narrow Readiness Gaps? sledovala 752 hongkongských studentů nižšího stupně střední školy: mezery v psychologické připravenosti se zúžily, zatímco rozdíly v objektivním testu gramotnosti v oblasti AI přetrvaly. Každá skupina se zlepšila a nerovnost se nezavřela. Profily předchozího učení nebyly přiřazeny náhodně, takže jejich kauzální role zůstává neznámá.

Pokrytí je na konkrétních místech řídké. Literaturu podle populací počítá rozdílné účinky napříč skupinami žáků: nejhlubší linie tvoří žáci učící se druhý jazyk, vícejazyční žáci a žáci s postižením, následují gender a neurodiverzita, studenti první generace a zahraniční studenti mají v tomto korpusu po jedné studii, nadaní a vysoce výkonní studenti jsou fakticky neprostudovaní a uprchlíci, imigranti a vysídlení žáci se neobjevují v žádné. Důkazní základna takového tvaru nemůže odpovědět na otázku spravedlnosti agregací.

Kapacita se liší i uvnitř jednoho národního systému. Adeniranye a kol. (2026) ohodnotili integraci AI na 45 nigerijských univerzitách a našli mírnou celkovou adopci (M = 4,79, rozpětí 1,83 až 7,83 na škále o 10 bodech), přičemž typ instituce integraci nepředpovídal, jakmile se kontroloval věk a geografie (věk β = 0,43; umístění na jihozápadě β = 0,31). Vnitřní kapacity spolu korelovaly při r = 0,79 až 0,80 a mezinárodní spolupráce s partnerstvími s průmyslem při r = 0,74, takže propojené instituce kumulují složené výhody. Které designy budování kapacit mění výsledky v novějších a méně propojených institucích, není otestováno.

Výzkumnou prioritou je najít designy, které zmenšují rozdíly v prokázané schopnosti, účasti a agency žáka, a vedle průměrných zisků vykazovat výsledky a zátěž podskupin. Přístupnost nese vlastní nevyřešenou otázku: zda design odstraňuje překážku účasti, nebo nahrazuje schopnost, kterou si má žák osvojit. Viz Spravedlnost ve vzdělávání s AI a přístupnost.

Řekněte, kdo drží kontrolu a kdy se mění

Když systémy plánují, zahajují akce, drží paměť a koordinují nástroje, vzdělávací otázka se mění v otázku, kdo má kontrolovat které části procesu učení a kdy se má tato kontrola přesunout.

Agentic AI in Education: A Scoping Review mapuje 474 studií a nachází omezené longitudinální ověřování, koncentraci ve vysokoškolském vzdělávání a v STEM a slabé propojení se vzdělávací teorií: jen 29 % zkoumaných studií se výslovně opíralo o vzdělávací teorii, což je zjištění o tomto korpusu, ne o veškeré práci v oboru.

Otevřené otázky následují. Přináší pomoc iniciovaná žákem jiné výsledky než pomoc iniciovaná agentem? Lze podporu odebírat s rozvojem kompetence bez ztráty? Zachovávají si žáci schopnost systém zpochybnit? Syntézy o agentní AI a spolupráci člověka a AI přidávají zásah učitele a odpovědnost v prostředích s více agenty, kde nikdo neustavil, kdo odpovídá za rozhodnutí agenta. Větší autonomie je volba pedagogického designu s důkazní základnou, kterou je teprve třeba vybudovat.

Testujte selhání bezpečnosti na skutečných žácích

Vzdělávací bezpečnost přesahuje věcnou správnost a zakázané požadavky. Tutor může dát správnou odpověď a přitom žákovi odebrat příležitost uvažovat, upevnit mylnou představu nebo vybudovat závislost. O konstruktu pojednává pedagogická bezpečnost.

SafeTutors identifikuje selhání včetně nadměrného vyzrazování odpovědí a opouštění scaffolding, s podstatně více selháními při testování v několika krocích. To jsou zjištění typu benchmarku za specifikovaných podmínek, ne odhady toho, jak často ke škodě ve třídách dochází.

Co se stane, když se tato selhání setkají se skutečnými žáky při dlouhodobém používání, není známo. Která způsobují přechodné zmatení, která trvalé mylné představy, která snižují motivaci a která oslabují samostatnou schopnost, nebylo změřeno. Stejně tak nikdo neustavil, které ochranné prvky snižují tato rizika, aniž by vyvolaly nadměrné odmítání nebo frustraci. Dlouhodobější práce také potřebuje jako výsledky důvěru, ochotu hledat lidskou pomoc, agency žáka a vztahy se spolužáky a učiteli. U dětí to vyžaduje studie přiměřené vývojové fázi, které spojují chování systému se vzdělávacími a relačními výsledky.

Odlište zavádění od implementace

Technická schopnost neustavuje, že se nástroj dobře používá, a profesní rozvoj pedagogů se automaticky nedostane ke studentům. Chybějící článek obvykle vede od přípravy učitele přes změněnou praxi ve třídě k výsledkům studentů.

Pedagogy First, Technology Second je víceúrovňová studie 46 učitelů a 2 832 studentů. Pedagogické znalosti o AI souvisely s vnímáním a záměry studentů a žádná z měřených složek znalostí učitele přímo nesouvisela se zisky studentů ve znalostech o AI. Souvislosti tohoto druhu neustavují, že by výcviková intervence způsobila lepší učení.

Otevřená otázka je, které kombinace koučinku, sladění s kurikulem, revizních rutin, rozvržení a institucionální podpory přinášejí trvalé zlepšení, a studie musí pozorovat skutečně realizovanou výuku, ne sebevědomí učitele nebo záměr adoptovat nástroj. Terén pokrývají Kompetence pedagogů v oblasti AI a Vzdělávací rozvoj.

Druhou mezerou je srovnávací nákladová efektivita. Hodnocení by mělo počítat ověřování, opravy, školení, dohled, údržbu a čas na implementaci vedle nákladů na předplatné a na používání modelu a srovnávat poskytování s podporou AI s realistickými alternativami. Otázka, na kterou stojí za to odpovědět, je, jaký vzdělávací přínos celé uspořádání přináší za zdroje, které spotřebuje.

Počítejte s dokumenty správy jako se záměry

Etické principy a rámce správy jsou nutné a jejich existence neustavuje, že mění praxi nebo chrání žáky.

Agarwal a kol. prošli 25 článků a zjistili, že koncoví uživatelé jsou v etické literatuře z velké části pasivní, hlasy studentů fakticky chybějí a objevují se napětí mezi hodnotami a mocenské asymetrie mezi zainteresovanými stranami. To popisuje zkoumanou literaturu. Není to tvrzení, že se studenti nikdy neúčastní návrhu systémů AI ve vzdělávání.

Chybí důkazy o tom, která uspořádání správy přinášejí měřitelný rozdíl. Mění účast studentů a učitelů zadávání zakázek, design nástrojů, pravidla hodnocení nebo nápravu po chybě? Zachytí postupy lidské kontroly závažné chyby? Jsou alternativy k používání AI skutečně dostupné lidem, kterým se říká, aby ji používali? Výzkum soukromí má paralelní mezeru: vzdělávací hodnota dodatečného sběru dat se obvykle předpokládá a designy minimalizující data se jen zřídka srovnávaly s invazivnějšími, a to jak z hlediska učení, tak autonomie žáka. Viz správa AI a soukromí.

Udělejte studii znovu sestavitelnou

Obor má neobvykle tvrdý problém reprodukovatelnosti. Studie vynechávají prompty, verze modelů, nastavení, kód a podrobnosti o výuce a proprietární systémy se mohou změnit během intervence nebo po ní. Omezení výzkumu AI ve vzdělávání tento vzorec dokumentuje.

Znovu sestavit studii znamená popsat výukové uspořádání stejně jako model: učební úkoly, zdroje obsahu, povolené akce, rozhraní, podporu učitele, podmínky hodnocení a vše, co se během nasazení změnilo. Reprodukovat jednu konfiguraci a testovat, zda se její pedagogický princip přenáší do jiné, jsou dva oddělené výkony a pokyny k vykazování v metodách výzkumu účinnosti se týkají obojího.

Syntéza potřebuje stejnou péči. Slabé primární studie, publikační zkreslení, heterogenní intervence a neslučitelné výstupy uvádí meta-analýza a systematický přehled jako omezení sloučených závěrů, a jediný průměrný „účinek AI“ skrývá rozlišení, která pedagogové potřebují. Přehledy by měly oddělit asistovaný výkon od samostatného učení, rozlišit typy intervencí a podmínky srovnání a učinit kódovací rozhodnutí dohledatelnými.

Literatura syntéz je sama mezerou. Forenzní audit O'Neilla (2026) u 14 vlivných meta-analýz zjistil, že ani jedna neposkytla platný základ pro svá tvrzení. Žádný soudržný konstrukt: nástroj pojímaný jako jedna intervence, vícerozměrné výstupy sloučené dohromady. Publikační zkreslení bylo neplatně posouzeno ve všech 14. Vykázaná hodnota I² se pohybovala od 77,2 % do 94,4 % v každé analýze, která ji uvedla, přičemž 12 ze 13 bylo nad 80 %. 61 % náhodně prověřených primárních studií neslo pochybnosti o validitě. Těchto 14 analýz nasbíralo za zhruba 16 měsíců více než 2 000 citací a stažená meta-analýza byla stále citována jako autoritativní v 60 % citujících prací po stažení, bez zmínky o stažení. Ze 14 prací citujících jinou auditovanou meta-analýzu, jejíž abstrakt ohlašoval velký účinek „vzdělávání o AI“, které ve skutečnosti měřilo výuku studentů o AI, jen 2 citovaly práci přiměřeně, 8 ji četlo jako důkaz, že integrace AI zlepšuje učení, a 4 byly chybné jinak. Audit žádá po časopisech plnou datovou transparentnost meta-analýz (protokoly vyhledávání, kódované charakteristiky studií, extrahované statistiky, analytický kód), po redaktorech, aby publikační záznam nepovažovali za doklad kompetence recenzenta, a aby stažení bylo viditelné všude, kde je článek objeven, exportován nebo citován. Reprodukovatelnost se týká celého řetězce syntézy, ne jen jednotlivé studie.

Pedagogové, kteří chtějí verzi pro úroveň třídy, mohou sledovat metody hodnocení intervencí s AI.

V čem se výzkumníci a pedagogové mýlí

Oboru chybí studie. Chybí mu specifikované studie. Existují vícemístné experimenty, randomizované studie s tisíci studenty a 14 vlivných meta-analýz. Jen 21 % auditovaných srovnání definovalo intervenci, kontrolu a výstup dost dobře na to, aby šlo účinek připsat.

Pojmenovat teorii znamená otestovat ji. Citace teorie učení je rozhodnutí o rámování. Test potřebuje předpověď, chování systému, které ji implementuje, a měření procesu, které by mohlo vyjít opačně.

Ověřené automatizované skóre je ověřený výstup. Shoda s lidskými kodéry ustavuje konzistenci s těmito kodéry. Simulovaní studenti se zlepšili v míře věrnosti, aniž byli ověřeni proti lidskému učení, a řetězec od chování modelu k výsledku zůstává nepostavený.

Přístup je spravedlnost. V hongkongské studii se mezery v psychologické připravenosti zúžily, zatímco rozdíly v objektivním testu přetrvaly, a každá skupina se zlepšila, aniž se nerovnost zavřela. Zařízení a licence mění to, kdo se k nástroji dostane.

Větší autonomie je pokrok. Větší nezávislost agenta je volba designu. Když se 29 % ze 474 studií o agentní AI opírá o vzdělávací teorii a longitudinální ověření je omezené, nikdo neukázal, že přesun kontroly na systém zlepšuje učení.

Námitky, které uslyšíte

„Mezera je jen v tom, že potřebujeme víc randomizovaných studií.“ Dost jich už existuje a problém leží výš než u označení designu: studie balíku, který spojuje novou zpětnou vazbu, nové úkoly a nové rozhraní, nemůže nic připsat AI. Práce je v podmínce srovnání.

„Nemůžu dělat několikaleté sledování.“ Pak změřte jednu odloženou příležitost bez pomoci a řekněte, jaký interval pokrývá. Týden je skutečné zjištění a studie pravidla zvládnutí dospěla k výsledku za jeden týden tím, že vložila AI do pracovního postupu a soustředila se na procvičovanou látku.

„V mém kurzu je randomizace nemožná.“ Designový a kvalitativní výzkum odpovídá na otázky implementace, na které experimenty nedosáhnou, a obor potřebuje obojí. Kde je náhodné přiřazení možné, nese stále kauzální tvrzení.

„Sloučená velikost účinku mi už říká, co funguje.“ Čtrnáct auditovaných meta-analýz definovalo intervenci jako nástroj, sloučilo neslučitelné výstupy a vykázalo I² nad 80 % ve 12 ze 13 analýz, které ji uvedly. Sloučené číslo popisuje soubor studií s problémem konstruktu.

„Simulovaní studenti jsou levnější, takže jejich ověření může počkat.“ Ve studii o přitakávání simulovaní studenti opustili mylné představy, ať už se zpětná vazba týkala jich, nebo ne, což je režim selhání, který neúčinného tutora vykreslí jako účinného.

Co udělat tento týden

1. Napište podmínku srovnání studie, kterou plánujete, jednou větou. Pokud je to běžný stav, přepište ji dřív než cokoli jiného.

2. Přidejte do designu jedno odložené měření bez pomoci a pojmenujte interval v části o metodě.

3. Napište hranici populace do prohlášení o designu a potom do abstraktu, aby tvrzení nemohlo cestovat dál než vzorek.

4. Vezměte nejsilnější tvrzení ve svém současném konceptu a škrtněte verzi, kterou vaše měření neunese. Větu o stropu ponechte.

5. U každého automatizovaného skóre nebo simulovaného žáka ve studii pojmenujte lidský standard a rozhodce ještě před začátkem sběru dat.

Kam dál

vykazování a interpretace výzkumu AI ve vzdělávání je protějšek této stránky na straně vykazování a metody výzkumu v AI ve vzdělávání pokrývají volby designu za každou mezerou. metody hodnocení intervencí s AI se zabývá měřeními a srovnávacími designy, jak poznat, zda vzdělávací AI funguje je kratší verzí otázky účinnosti a pomáhá AI studentům se učit shrnuje, co je známo o trvalém učení. Teoretickou a spravedlnostní linii vedou dál rozvoj teorie v AI ve vzdělávání a výzkum spravedlnosti, etiky a pedagogické bezpečnosti.