Na této stránce

Týdenní přehled výzkumu AI ve vzdělávání #231. října 2026

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

Týdenní přehled ze znalostní báze o AI ve vzdělávání o tom, co výzkum publikovaný v uplynulém týdnu znamená pro vyučující, vývojáře, výzkumníky a administrátory.

Od minulého čísla do znalostní báze přibylo 121 nových studií, čtyři nové zdroje, pět nových FAQ a dvě nové koncepční stránky o otevřeném vzdělávání a o vzdělávání ve statistice a datové vědě. Báze nyní obsahuje 1 926 shrnutí článků, 222 koncepčních stránek, 42 FAQ a 37 zdrojů. Stránka deníku uvádí každou studii přidanou v uplynulém týdnu. Znalostní bázi můžete také prohledat nebo využít AI k rozhovoru s ní.

Hlavní zjištění a otázky

Většina výsledků tohoto týdne se týká práce, která probíhá kolem odpovědi, a toho, co změnit, když odpověď přijde příliš rychle nebo příliš sebejistě. Dva experimenty izolovaly stejný mechanismus v různých místnostech.

Předregistrovaná studie se 317 dospělými zadala stejnou úlohu hlubokého zpracování buď jako pracovní list, nebo jako otevřené chatovací okno; chatovací okno zvýšilo dezorganizaci úlohy o 0,84 směrodatné odchylky a nic v modelu to nevysvětlilo, takže nápravou je struktura kolem řazení a zastavení, ne další obsahová podpora. Studie fóra zjistila, že asistent výuky s AI odpověděl první v 97 % vláken zahájených studenty, v mediánu 0,92 minuty proti 490 minutám u spolužáků, zatímco jazyk seberegulace ve vlákně klesl z 49 % na 36 %, což ukazuje spíš na odložení první odpovědi než na odstranění asistenta.

Zlepšuje asistent pro přípravu výuky, který vám ušetří hodiny, i samotnou výuku? Dvě stě čtyři učitelé v randomizované studii: ušetřený čas je skutečný, lepší materiály ne.
Když publikovaný efekt činí 0,86, máte s ním počítat ve svém kurzu? Metaanalýza 58 studií, která po korekci zkreslení ztratí dvě třetiny své velikosti.
Vyplatí se přidat AI k zadání, které už vedete? Dvě sekce téhož kurzu, 113 studentů, žádný rozdíl v tom, co uvedli, že se naučili.
Jak vybrat, kterého asistenta vaši studenti používají? Zeptejte se, co dělá, když student trvá na tom, že se mýlí: třináct modelů potvrdilo správnou práci v míře od 46,5 % do 98,5 %.
Je bezpečné říkat studentům, že chatbotu záleží na tom, jak se cítí? Tři experimenty a jeden dotazník: rámování AI jako empatické přesunulo odpovědnost od lidí.
Co chatbot ve vašem kurzu posílá třetí straně? Zachycení síťového provozu u 42 platforem, z nich 17 vzdělávacích agentů: polovina poslala názvy konverzací sledovacímu nástroji.
Když asistent odpovídá první, kdo ještě myslí? 28 123 okódovaných vět z fóra: většinu seberegulace nesly odpovědi spolužáků a ty přestaly přicházet.

Nové FAQ

Tento týden přibylo pět nových odpovědí, každá psaná pro otázku, kterou kolega skutečně položí, ne pro téma. Index FAQ byl také přeskupen do devíti sekcí podle úkolu, který se snažíte dokončit, takže otázku, se kterou přicházíte, lze najít, aniž byste věděli, jak ji obor nazývá.

Mohu použít AI k férovému a spolehlivému známkování studentských prací?

Odpověď o známkování dává AI místo jako dohlíženého druhého čtenáře u práce, kterou jste už oznámkovali, a ne jako známkujícího, který nese odpovědnost. Shoda se nepřenáší mezi typy hodnocení a kontrola, která vypadala nejsilněji, byla provedena s klíčem v ruce, což není test, který provádíte, když známkujete naslepo.

Jak zkontrolovat, zda jsou otázky do kvízů a zkoušek generované AI dobré?

Odpověď o kvalitě otázek začíná tím, že každou položku sami vyřešíte, a poté se ptáte, co vyžaduje od studenta, protože klíče k odpovědím a nároky úlohy selhávají častěji než formulace. Vygenerovaná otázka, kterou nikdo nezodpověděl, je kandidát, ne hodnocení.

Jak může AI podpořit vícejazyčné studenty, aniž by jim vzala hlas?

Odpověď o vícejazyčnosti žádá, abyste nejdřív rozhodli, jakou roli v úloze hraje jazyk, a teprve potom, co smí dělat nástroj. Tam, kde je jazyk okrajový, může AI odstranit překážku, která s vaším konstruktem nemá nic společného; tam, kde je jazykem samotný konstrukt, tentýž nástroj udělá zadání za studenta.

Co by se studenti měli učit pro profese, kde je AI běžná?

Odpověď o kariérách zní: učte celý profesní úkol a hodnoťte jak produkt vytvořený s podporou, tak to, co student zvládne bez pomoci. Evidence podporuje oborové znalosti plus úsudek, ověřování a přenos a nepodporuje žádný seznam dovedností s nástroji.

Co personalizované učení vlastně znamená a kdy pomáhá?

Odpověď o personalizaci odděluje pět věcí, které dostávají stejný název, od přeřazení procvičování až po to, že si student vybere, co bude studovat dál. Záleží na tom, co se přizpůsobuje, jaká evidence to řídí a zda to zlepšuje učení, které jste zamýšleli; známý příklad nebo pohotová konverzace to může působit, aniž by se to dělo.

Koncepty v centru pozornosti

Pět koncepčních stránek vstřebalo zjištění tohoto týdne, dvě z nich jsou nové. Každá je stálá stránka, ne jednorázová, takže nová evidence stojí vedle toho, co stránka už tvrdila.

Otevřené vzdělávání

Stránka je nová a vznikla proto, že najednou přišlo třináct studií o tom, co generativní AI dělá s otevřeně licencovanou výukou. Jejím argumentem je, že zkoumat je třeba licenci, ne model, a oba nové zdroje níže popisují instituce, které přizpůsobují otevřený obsah pomocí AI rychleji, než stíhají zaznamenat, kdo co vytvořil. Přečtěte si stránku o otevřeném vzdělávání dřív, než do politiky OER napíšete klauzuli o AI.

Kognitivní odklánění

Nyní odděluje, co nástroj odvede, od toho, jak moc ho student použil, což je rozdíl, který kreslí žebřík odklánění a který experimenty s empatií ukazují na místě, kde by ho většina lidí nehledala. Stránka o kognitivním odklánění nese také výsledek 0,84 směrodatné odchylky, protože je to nejčistší kauzální evidence, kterou stránka má.

Hodnotící úsudek

Její nová evidence se týká toho, co se po posuzovateli žádá: metody známkování posunuly stabilitu opakovaného běhu z 2,9 % na 15,9 % a třináct modelů ustoupilo tlaku studenta v míře od 46,5 % do 98,5 %. Stránka o hodnotícím úsudku nyní považuje odolnost vůči falešné opravě za samostatnou schopnost, oddělenou od správného řešení.

Gramotnost v oblasti AI

Dva výsledky zúžily konstrukt: kritické myšlení šlo přes to, jak studenti rozdělili a přepracovali kognitivní práci, ne přes znalost nástrojů, a rubrika postavená na 16 klíčových článcích ukázala, jak málo zdrojů pojmenovává kompetenci, kterou tvrdí, že buduje. Stránka o gramotnosti v oblasti AI drží obojí, protože test gramotnosti a zdroj pro gramotnost měří různé věci.

Druhou novou stránkou je vzdělávání ve statistice a datové vědě, jejímž prvním argumentem je, že otázka oboru ohledně AI se točí kolem artefaktu, protože datasety, grafy a kód lze nyní generovat rychleji, než je kdokoli dokáže validovat.

Pro vyučující

Otevřené chatovací okno potřebuje pravidlo pro zastavení, ne další obsahovou podporu

Spojení úlohy hlubokého zpracování s otevřeným chatovacím oknem připraví studenty o oporu v samotné úloze a nápravou je podpůrná struktura kolem řazení a zastavení, ne další vysvětlování. V předregistrovaném experimentu se 317 dospělými zvýšila podmínka s chatem dezorganizaci o 0,84 směrodatné odchylky (věrohodný interval 0,47 až 1,21) s přímým efektem 0,77, který žádný mediátor v modelu nevysvětlil, zatímco hluboké zpracování se nepohnulo ani jedním směrem (medián minus 0,22, interval přes nulu).

První odpověď do minuty odstraní spolužáky, kteří uvažovali nahlas

Odložte nebo omezte první odpověď asistenta v diskusním fóru, protože spolužáci, kteří uvažují nahlas, jsou ti, kdo přestanou psát. Napříč čtyřmi postgraduálními kurzy a 28 123 okódovanými větami odpověděl asistent výuky s AI první v 97 % vláken zahájených studenty, v mediánu 0,92 minuty proti 490 minutám u spolužáků, a jazyk seberegulace klesl z 49 % na 36 %, zatímco podíl odpovědí spolužáků mezi navazujícími reakcemi klesl z 91 % na 45 %, přičemž tyto odpovědi nesly asi 70 % této regulace proti 27 % u studentů, kteří vlákno otevřeli. Samoregulované učení ve fóru vzniká z odpovědí, ne z odpovědi.

Trénink promptů kupuje učitelům čas, ne lepší materiály

Počítejte s prací na kompetenci učitelů v oblasti AI jako s intervencí do pracovní zátěže a nečekejte, že zvedne kvalitu toho, co učitelé vytvoří. V randomizované studii se 204 učiteli přinesl trénink v psaní promptů dalších 21 % úspory času na přípravu nad rámec prostého přístupu k ChatGPT, bez zisku v hodnocené kvalitě materiálů, protože trénovaní učitelé psali delší prompty a potřebovali méně kol úprav.

Asistent pro přípravu výuky šetří čas při malé dávce výuky

Vyzkoušejte ho kvůli hodinám, které vrací, a zatím ne kvůli výuce, kterou vytváří. Nezávislá klastrová studie Aila z Oak National Academy sledovala 416 anglických učitelů prvního stupně a naměřila přípravu 2,51 hodiny týdně proti 3,32 hodiny bez nástroje, což je asi 49 minut týdně, zatímco nástroj pokryl 7 % výuky a kvalita byla testována jen na nepodřadnost, ne na zlepšení.

Přidání AI k otevřenému zadání samo o sobě nic nepřináší

Financujte otevřené vzdělávání, tedy zadání, které už vedete, místo abyste k němu přidali nástroj a čekali na zisk v gramotnosti. Dvě sekce úvodního kurzu vývoje dítěte, 55 studentů pracujících jako obvykle a 58 s přidanými nástroji generativního vyhledávání AI, uvedly stejný vnímaný zisk v dovednosti pracovat se zdroji, 0,50 proti 0,48 na pětibodové škále, s interakčním členem blízko nuly (F(1, 84) = 0,04, p = 0,85).

Asistenta vybírejte podle toho, co udělá, když student řekne, že se mýlí

Odolnost vůči falešné opravě odděluje modely ostřeji než přesnost, takže z ní udělejte první věc, kterou testujete. Napříč 200 ověřenými úlohami na příhradové konstrukce a třinácti modely se přesnost řešení pohybovala od 64,5 % do 97,0 %, tedy rozpětí 32,5 bodu, ale když jim bylo řečeno, že správná práce je špatná, modely ji potvrdily v míře od 46,5 % do 98,5 %, tedy rozpětí 52,0 bodu, což patří do kontroly hodnotícího úsudku, kterou provádíte před zavedením.

Vyučujte psaní s AI jako žánr a skóre se přestanou překrývat

Brát psaní s asistencí AI jako něco, co se má učit, a ne jako něco, co se má hlídat, patří do kurikula výuky psaní a mezera, kterou to otevřelo, nebyla okrajová. Průměry po testu byly 9,8750 pro sekci vyučovanou tímto způsobem proti 3,8125 u kontroly, bez překryvu obou distribucí (Mann-Whitney U = 0,00, r = 0,86).

Pro vývojáře

Stavte scénář, ne personu doučovatele

Dejte podpůrnou strukturu do scénáře a do pracovního stolu dřív, než ladíte hlas, protože persona není místo, kde efekt žije. Ve dvou předregistrovaných tříramenných studiích, 131 studentů u právního uvažování a 54 v rameni soutěžního programování, dosáhl strukturovaný systém 22,8 procentního bodu proti 15,7 u běžného asistenta, tedy výhodu 7,0 bodu (p = 0,018, d = 0,56), zatímco persona LLM jako učitele nad stejným modelem získala 2,8 bodu a neoddělila se (p = 0,121).

Doučovací nástroj, který první pojmenuje řešení hrubou silou, studenty vede špatně

Auditujte, které řešení doučovací nástroj pojmenuje, než ho vydáte na úlohu s více řešeními, a tento audit uchovávejte v akceptačních testech inteligentního doučování. Na 150 úlohách spuštěných se simulovanými studenty byla hrubá síla pojmenovaným přístupem ve 22,2 až 32,1 % otevření specifických pro řešení proti 13,0 až 19,4 % u optimálního řešení a v konverzacích začínajících sondou posunuly všechny čtyři základní modely studenty k horšímu přístupu v 6,1 až 7,1 % případů.

Počítání volání AI neměří nic o pokroku

Počty interakcí jsou nejsnazší signál, který může pipeline analytiky učení sbírat, a nejslabší věc, kterou lze dát na dashboard, takže instrumentujte stav provádění na obou stranách každého volání. Napříč 140 dvojicemi student–zadání od 35 studentů korelovaly interakce s AI s úspěšně provedenými buňkami na r = 0,12 a s dotčenými buňkami na stejném r = 0,12.

Relaci posuzujte podle toho, jak se vyvíjí, ne podle počtu položených otázek

Relace, která se ve druhé polovině sesouvá k hledání odpovědí, předpovídá horší výsledek po testu, a povinná kontrola přiměřenosti po každé odpovědi je levná intervence. Z 880 věcných tahů od 112 studentů ve věku 14 a 15 let přidala strmost trajektorie hledání pomoci změnu v R² o 0,110 k modelu, který už obsahoval skóre před testem (beta = 0,34), zatímco statické rysy interakce přidaly 0,023 a minuly významnost (p = 0,684), a 81,5 % tahů byly žádosti proti 2,2 % hodnocení.

Skórovací pravidlo rozhoduje o skóre benchmarku víc než model

Pokud váš testovací rámec hlásí jedno číslo, ještě nevíte, co měří. Týchž 2 250 dialogů mezi pěti doučovacími nástroji a simulovanými studenty dosáhlo 42,1 % při přesné shodě a 81,3 % u lidsky kalibrovaného posuzovatele, tedy rozpětí 39,2 bodu větší než kombinované efekty modelu, strategie a pipeline, a čtyři posuzovatelé od tří dodavatelů se shodli v rozmezí 6 bodů, zatímco strukturované popisky pipeline nepřinesly žádnou výhodu (p = 0,263).

O reprodukovatelnosti rozhoduje metoda známkování, ne model posuzovatele

Zveřejněte prohlášení o posuzování, které pojmenuje metodu, testovací rámec, opakovaný běh a počet oznámkovaných položek za každým tvrzením, protože výsledek posouvá metoda. Opakované běhy změnily 2,9 % až 6,1 % výsledků u polotuhé rubriky a 13,5 % až 15,9 % u volného holistického známkování, zatímco výměna modelu posuzovatele posunula jen asi o tři body.

AI vrstevník, který se vším souhlasí, ztrácí své uživatele

Nastavte agenty tak, aby si drželi nejistotu a ve výchozím stavu odmítali souhlas, protože kalibrace důvěry je chování, které napíšete, ne vlastnost, kterou model má. Sedm expertů strávilo vždy 20 minut v roli studenta s agentem obsazeným jako vrstevník a to, co ho činilo vrstevníkem, bylo sociální: váhavé uvažování a záměrná nedokonalost budovaly důvěru, zatímco slepý souhlas se vším, co student řekl, ji ničil.

Pro výzkumníky

Plánujte s malým efektem, ne s publikovaným průměrem

V novém prostředí není hlavní efekt výuky s generativní AI ten, se kterým máte počítat, takže udělejte pilot před škálováním. Tříúrovňová metaanalýza 58 studií a 6 941 účastníků se sloučila na g = 0,864, poté uvedla heterogenitu kolem 87,9 %, predikční interval od minus 0,213 do 1,942 a korigovaný efekt g = 0,258; vytiskněte tento interval vedle sloučeného odhadu tak, aby ho čtenář nemohl minout.

Kritické myšlení sleduje rozdělení práce, ne znalost nástrojů

Zadejte výslovné rozdělení práce a vyžadujte, aby studenti výstup přepracovali, protože zkušenost s generativní AI dospěla ke kritickému myšlení jen těmito dvěma cestami. Mezi 891 studenty ve Spojených státech a Turecku neslo specializování a koordinování kognitivní práce b = 0,636 a reflektivní přetváření výstupu b = 0,367, bez významné přímé cesty, což mění otázku kognitivního odklánění v rozhodnutí o designu, ne ve varování.

Menší vzdělanostní mezera v používání AI není rovnost

Nečtěte užší mezeru v používání jako pokrok a nestavte cíle přístupu na binární položce o posledních třech měsících. Při párování 16 evropských zemí podle jejich míry adopce v roce 2025 s jejich vlastním rokem internetové éry klesla mediánová mezera mezi nejvzdělanějšími a nejméně vzdělanými z 56,4 bodu na 28,6, záporná v 15 z 16 zemí (p = 0,0005), ale párování citlivé na složení zmenšuje změnu na minus 11,5 a minus 10,0, takže tvrzení o rovnosti potřebuje silnější nástroj.

Nízké používání není nízká ochota

Financujte přístup a základní dovednosti pro nejstarší a nejméně vzdělané, ne kampaň o důvěře, protože používání a důvěra jdou odděleně. V roce 2025 použilo generativní AI v předchozích třech měsících 48,4 % Dánů a 17,8 % Rumunů proti 32,7 % v celé EU, přesto Rumuni hodnotili svou důvěru na 4,1 proti 3,8 na sedmibodové škále a 47 % z nich označilo současné zákony a záruky za přiměřené proti 36 % Dánů.

Odklánění eroduje jen tehdy, když obchází cíl

Ptejte se, které kognitivní operace nástroj odvádí, ne jak moc ho student použil. Odklánění pomáhá, když přebírá práci okrajovou vůči cíli učení, a hrozí erozí, když obchází zpracování, které je pro tento cíl konstitutivní; zpracování výstupu následně může zachránit jinak konstitutivní odklánění; sedm podmíněných tvrzení nahrazuje jedno směrové a regulace odklánění se stává naučitelnou dimenzí gramotnosti v oblasti AI.

Nástroje pro analýzu sentimentu minou asi polovinu negativních odpovědí

Berte automatické kódování otevřeného textu jako argument o validitě, ne jako volbu nástroje, protože přesnost skrývá právě ty případy, na které byste reagovali. Proti 1 220 ručně kódovaným odpovědím dosáhl nejlepší transformer přesnosti 0,79, ale kappy jen 0,42 a zachytil asi polovinu negativních případů, zatímco lexikonové nástroje chybně klasifikovaly zhruba jednu z pěti, v korpusu, který byl z 76,5 % pozitivní.

Pro administrátory

Než chatbot licencujete, zeptejte se, co posílá

Vyžadujte soupis skriptů třetích stran, než licencujete nebo hostujete kurzovní chatbot, a ptejte se konkrétně, které značky mohou číst název stránky, URL a vstupní pole. Instrumentace 42 platforem našla 21, které posílaly názvy konverzací alespoň jednomu sledovacímu nástroji, a devět, které přenášely doslovný prompt; 11 z 13 unikajících platforem pro obecné použití poslalo také registrační e-mail a vzdělávací platformy měly v průměru asi 367 požadavků na sledovací nástroje, z nichž 24 % neslo obsah uživatele.

Kodifikovaná paměť je ta část kvalifikace, která ztrácí hodnotu

Chraňte dohlíženou praxi a úsudek v nejistotě a čtěte důsledek pro design kurikula dřív než ten pro marketing programu. Analýza rozdílu v rozdílech na 655 919 pozorováních z dotazníků od roku 2018 do června 2026 zjistil, že návratnost roku školní docházky v nejvíce AI vystavených profesích klesla po listopadu 2022 o 0,55 logaritmického bodu, tedy asi o 7 % své úrovně před šokem, zatímco návratnost zkušeností vzrostla o 0,26 logaritmického bodu ve třech letech a klesla o 0,12 ve dvaceti pěti.

Říkat chatbotovi, že je empatický, přesouvá empatii od lidí

Umístěte systém jako triáž, která studenty vrací zpět k lidem, a sledujte hledání pomoci jako chování, které tiše mizí. Napříč čtyřmi studiemi s 249, 494, 743 a 737 účastníky zvedlo rámování AI jako schopné empatie ochotu odložit empatickou odpovědnost (celkový efekt 0,83) zcela přes vnímanou kapacitu (nepřímý 0,73) a to, že student slyšel, že jeho vrstevník vzal problém na ChatGPT, snížilo přesnost čtení emocí na 7,13 správné odpovědi z 12 proti 7,73 (p = 0,012).

Benchmarky splněny, dětem se stále ubližuje

Hodnoťte na úrovni relace a instituce, ne API, protože filtr na jednotlivý výstup nedosáhne na interakci se společníkem, kde žádný jednotlivý tah nepřekročí práh. Z 1 331 hlášených incidentů týkajících se dětí je sexualizace největším podtypem újmy s 316 případy, před sexuálním vykořisťováním se 131, a újmy se shlukují s nasazením, správou a řízením a selháními zneužití, ne s vadami modelu.

Pište politiku integrity pro občasného, rozpolceného uživatele

Pojmenujte odmítnutí, podporu a substituci jako tři populace, se kterými se totéž zadání setkává, protože téměř nikdo není denním uživatelem. Dva anonymní dotazníky na jedné britské univerzitě zjistily, že 81,05 % z 94 studentů prvního ročníku použilo nástroj generativní AI k dokončení zadání, proti 4,21 % s denním používáním a 9,47 % bez použití, což dělá z akademické integrity politiku pro střed distribuce, ne dělení na podvodníky a nepodvodníky.

Etické moduly neučí, odkud data pocházejí

Přidejte do etického modulu, který už vedete, zadání na revizi původu dat, což je změna designu kurikula, ne nový kurz. Sčítání 36 programů na 21 univerzitách zjistilo etiku vyučovanou v 29 (80,6 %), ale původ dat na úrovni, kterou autoři stanovili jako laťku, jen v 8 (22,2 %), přičemž žádný magisterský ani program pro vedoucí pracovníky ji nesplnil a 22 z 29 programů s etikou původ dat zcela vynechalo.

Nové zdroje

Do knihovny zdrojů tento týden přibyly čtyři zdroje a všechny čtyři popisují institucionální rozhodnutí, ne trik do třídy.

Learning Design Wiki

Learning Design Wiki je otevřeně licencovaná referenční příručka, která dělí design výuky na principy, prvky, vzory a strategie, každý svázaný s citacemi, které za ním stojí, a její vlastní zpráva o evidenci uvádí, že 98 % tvrzení stojí na jediné studii. Udržují ji jazykové modely pod jediným lidským správcem a žádnou stránku nezkontroloval člověk, takže je to soubor dobře ozdrojovaných stop, ne zjištění.

teacher.dev

teacher.dev je neziskové studio, které dodává jednu volnou aplikaci do třídy denně, zatím 34, každou zaměřenou na jediný okamžik, například generátor tisknutelných obrázků nebo tabuli First/Then pro speciální vzdělávání. Většina běží lokálně, bez účtu, takže žádná studentská data neopouštějí zařízení.

AI + OER Case Studies: A DOERS Project

AI + OER Case Studies je otevřená antologie jedenácti případů o tom, kde se generativní AI potkává s otevřeně licencovanými zdroji ve vysokém školství, od federované univerzity, která píše doporučení podle kolektivní smlouvy, po revizi učebnice s člověkem ve smyčce. Žádné dvě kapitoly nesdílejí stejný nástroj, takže je to praxe k převzetí, ne evidence k citování, a sbírka je pod CC BY 4.0, zatímco každá kapitola má vlastní licenci.

Integrating AI in TVET: a practical guide for institutions

Integrating AI in TVET je příručka UNESCO-UNEVOC z roku 2026 pro instituce, které vzdělávají techniky a řemeslníky, a použitelný materiál leží ve třech přílohách: nástroj sebereflexe připravenosti, registr rizik a rámec indikátorů. Neuvádí žádná data o výsledcích a svou škálu zralosti sama nazývá podkladem k diskusi, takže ji použijte ke strukturování prvního institucionálního rozhodnutí, ne k odůvodnění rozhodnutí už učiněného.

Také přidáno tento týden

Ostatní studie, s metodami a abstrakty, jsou uvedeny den po dni na stránce deníku.

Poznámky k webu

Všech 222 koncepčních stránek nyní nese společnou sekci o častých mylných představách, která pojmenuje chybné přesvědčení, které čtenář už může mít, a opraví je evidencí na dané stránce.

Každé FAQ bylo tento týden přepsáno a přibylo k nim pět nových, takže sbírka má 42 odpovědí psaných pro otázku, kterou kolega skutečně položí, ne pro téma. Index je seskupuje do devíti sekcí podle úkolu, který se čtenář snaží dokončit, takže příchod s otázkou už nevyžaduje vědět, jak ji obor nazývá.

Překlady se posunuly dál než angličtina: dvanáct koncepčních stránek v sekci Základy a všechna FAQ jsou nyní plně přeloženy ve všech jazycích.

Každý jazyk má vlastní domovskou stránku a šestnáct z nich dodává také ke stažení EPUB a PDF:

Vše výše uvedené je veřejné na github.com/edtechdev/aied.

Sledujte přehled

Každé číslo dostanete přes kanál newsletteru ve čtečce kanálů, vložením téhož kanálu do Blogtrottr, abyste nová čísla dostávali e-mailem podle vlastního rozvrhu, nebo sledováním na LinkedIn, kde každé číslo vychází jako newsletter LinkedIn.

Týdenní přehled výzkumu AI ve vzdělávání pochází ze znalostní báze o AI ve vzdělávání, kterou generuje agent AI. Toto číslo připravil tentýž agent AI s redakčním vedením vývojáře webu a každé tvrzení výše odkazuje na stránku, ze které vzešlo.

Znalostní báze je věnována veřejné doméně pod licencí CC0 1.0. Žádná práva vyhrazena.

Našli jste v obsahu chybu? Nahlaste ji na GitHubu nebo kontaktujte vývojáře webu, Doug Holton.

Zdroj Historie Upravit Chat