Ugentlig forskningsopdatering om AI i uddannelse #37. november 2026

Automatisk maskinoversættelse af denne engelske side, der endnu ikke er blevet gennemgået af en modersmålstalere.

En ugentlig kort orientering fra vidensbasen om kunstig intelligens i uddannelse, om hvad forskningen publiceret i den forløbne uge betyder for undervisere, udviklere, forskere og administratorer.

Siden sidste nummer er 159 nye studier, otte nye begrebssider, to nye FAQ'er og tre nye ressourcer kommet til vidensbasen, som nu rummer 2.085 artikelsammendrag, 230 begrebssider, 44 FAQ'er og 40 ressourcer. Søg eller brug AI til at tale med vidensbasen.

Indhold

• Hovedpointer og spørgsmål
• Nye FAQ'er
• Nye begreber
• Nye ressourcer
• Til undervisere
• Til udviklere
• Til forskere
• Til administratorer
• Også tilføjet denne uge
• Noter om webstedet
• Følg opdateringen

Hovedpointer og spørgsmål

• Kan AI-feedback erstatte en lærers feedback? AI-genereret feedback og lærerfeedback forbedrede essayrevisioner lige meget i et randomiseret forsøg med 312 førsteårsstuderende. Lærerfeedback løftede motivationen mere, fordi de studerende følte sig forbundet til personen, der gav den. AI kan bære en revisionsrunde; læreren bærer stadig relationen.
• Kan en støttende chatbot erstatte en jævnaldrende? En støttende chatbot reducerede ensomhed lige så meget som dagbogsskrivning i et randomiseret forsøg med 296 førsteårsstuderende; en tilfældigt tildelt jævnaldrende reducerede den. Boten udtrykte mere empati, mens de studerende gav mindre igen, så mål ensomheden selv.
• Ændrer et kort etikmodul AI-dømmekraft? Et fire uger langt informationsetik-modul hævede de studerendes scorer på AI-relaterede etiske dømmekraftsscenarier i et forsøg, der randomiserede 16 klasser. Omkring 60% af gevinsten holdt fire uger senere, og de hyppigste AI-brugere vandt mest. Casebaseret undervisning viser lovende takter.
• Forbedrer mere AI-assistance kreativt arbejde? Fire randomiserede eksperimenter med 728 voksne fandt, at når AI gjorde mere af arbejdet, vurderede dommere de resulterende innovationsforslag lavere, mest fordi deltagerne gjorde mindre af det kognitive arbejde. Mere assistance fulgte med svagere arbejde.
• Kan et AI-forfattet spil undervise bedre end en forelæsning? Et mysteriebaseret rollespil slog den samme undervisers forelæsning på juridisk viden og ræsonnement i et randomiseret forsøg med 84 jura-studenter. Spillet blev bygget med generativ AI; sammenligningen var spil mod forelæsning, så resultatet støtter spilbaseret læring og lader chatbotbrug være utestet.
• Ændrer rapporter om studerendes præstationer undervisningen? Lærere, der var nye i et online matematik-vejledningssystem, blev tilfældigt opfordret til at åbne en læringsanalytisk dashboardrapport om deres studerendes præstation på den første opgave. At åbne den ændrede hverken andelen, der startede den næste opgave, eller de studerendes testscoregevinster, selv om gennemførelsen af den næste opgave steg, mest i mindre klasser.
• Gør det en AI-bedømmer sikker, at den matcher menneskelige bedømmere? En revision af seks AI-modeller, der bedømte 300 korte svar, fandt, at alle markerede identisk arbejde højere, når de fik at vide, at den studerende var højtpræsterende, med 0,28 til 0,75 point på en tipunktsskala. Overensstemmelse kan skjule en bias knyttet til den studerendes tidligere præstationshistorik; tilbagehold historikken.
• Hvorfor er AI-genereret sprog så svært at forstå? AI-tekst overbruger sjældne ordkombinationer, denominale verber, livløse subjekter, reducerede objektsrelativer, stablede substantiver og lange afhængigheder, fordi eftertræning til matematik, kode og ræsonnement belønner komprimerede svar frem for klare forklaringer. Implikationen for uddannelse er, at AI-skrevne forklaringer, feedback og læsemateriale kan være sværere for studerende at bearbejde, selv når læsbarhedsscorer ser fine ud, et problem for læseundervisningen, som formler overser. [Redaktionel note: Som en påmindelse er dette nyhedsbrev og AIEd-vidensbasen AI-genereret. Webstedets udvikler gav omfattende redaktionel vejledning for at forbedre læsbarhed og anvendelighed; efter den vejledning anvendte AI-agenten Humanizer-kompetencen og fulgte en eksplicit instruktion om at skrive bekræftende og undgå konstruktionen »ikke X, men Y«.]

Nye FAQ'er

To nye svar kom til FAQ'en denne uge.

Hvordan kan AI hjælpe studerende med læsning og læseforståelse?

Svaret om læsning behandler læseniveaumærker som grove gæt: nogle få rigtige læseres vurderinger slår en formel, og en AI, der får besked på at spille studerende, kan ikke fortælle Dem, hvor svær en tekst vil føles. Brug AI til at finde, forenkle og forklare læsestof, prøv derefter resultatet med studerende, og behold originalen ved siden af.

Hvordan viser AI-bias og uretfærdighed sig i uddannelse, og hvad kan vi gøre ved det?

Svaret om bias beder om fejlrater for de grupper, De underviser, for et gennemsnit kan skjule et gab, og fejlen kan ligge i scoring, vejledning, dashboards eller detektion. Sæt grupperapportering og en klagevej ind i indkøbet, og ret selve pipelinen.

Nye begreber

Otte begrebssider kom til vidensbasen denne uge.

Læseundervisning

Læseundervisning har nu en side, der adskiller fire ting, som ofte deler én etiket: at hjælpe en læser, at vurdere læsning, at tilpasse en tekst og at måle sværhedsgrad. Den citerer et studie, hvor 193 studerende vurderede 3.954 sætninger; 72,8% føltes lette eller meget lette, selv når Flesch-scorer sagde noget andet, så et klassetrinsmærke er en svag vejledning til, hvordan en bestemt læser vil opleve en tekst.

Refleksion

Refleksion har en ny side, der adskiller den fra den øjeblikkelige overvågning, der kaldes metakognition. Det første designspørgsmål er, om den studerende selv skrev refleksionen. I et eksperiment med 302 voksne fordoblede refleksionsprompts tiden med feedback og skar øvelsen ned med 40%, hvilket efterlod lavere mestring, 65% mod 79%, så timing betyder lige så meget som prompten selv.

Automationsbias

Automationsbias navngiver den menneskelige vane, der kan forvandle en korrekt AI-anbefaling til en forkert beslutning: at acceptere et svar, De ville have betvivlet, hvis De selv var nået frem til det. Den samler de steder i uddannelse, hvor det sker, fra essay-scorer og tidlige varsler til eksamensovervågning, og viser, hvordan et reviewtrin, der kun findes på papiret, ikke fanger det.

Samfundsfaglig og politisk uddannelse

Samfundsfaglig og politisk uddannelse kortlægger et gab i evidensen og syntetiserer feltet. En analyse af 310 AI-genererede lektionsplaner fandt, at 90% af aktiviteterne kun krævede genkald, forståelse eller basal anvendelse; 94% havde næsten intet multikulturelt indhold; og intet studium i korpuset målte civic læring overhovedet.

Biblioteker

Biblioteker behandler biblioteket som et sted, en service og en gruppe fagfolk. Et review af 29 studier finder, at ibrugtagning er koncentreret i referencearbejde og katalogisering, mens Public AI Libraries-pilotprojektet gør delt, bemandet adgang til lighedsargumentet.

AI-avatarer og syntetiske undervisere

AI-avatarer kortlægger de roller, et syntetisk menneske kan indtage, fra indspillet forelæser og vejleder til simuleret patient og eksaminator. Evidensen er ujævn, og et realistisk ansigt fortæller Dem lidt om læring; åbenhed og tillid betyder lige så meget som modellen.

Sensor- og bliksporingsanalytik

Sensor- og bliksporingsanalytik dækker eye tracking, hjerne- og hjertesignaler og kamerabaserede kropsstillinger som måder at udlede opmærksomhed og engagement og kognitiv belastning. Feltet er bedre til at iagttage lærende end til at ændre undervisning, og siden behandler privatliv, bias og gabet mellem et kropssignal og en mental tilstand som centrale.

Informations- og mediekompetence

Informations- og mediekompetence behandler de to som ét undervisningsproblem: informationskompetence spørger, om en kilde fortjener tro, mens mediekompetence spørger, hvem der lavede en besked og hvorfor. Generativ AI kollapser begge spørgsmål, fordi flydende tekst skjuler sin oprindelse; siden finder lidt evidens om et kombineret curriculum.

Nye ressourcer

Tre ressourcer kom til ressourcebiblioteket denne uge.

LearnHarness

LearnHarness er en gratis open source-skrivebordsapp, hvor AI-agenter finder ud af, hvad en lærende allerede ved, kortlægger de ideer, der er nødvendige for at nå et mål, underviser i ét ræsonnementstrin ad gangen og tilpasser øvelsen.

Learning Commons

Learning Commons udgiver åbne byggeklodser til curriculum-produkter: et kort over standarder og curricula, værktøjer til scoring af genereret tekst og færdige AI-arbejdsgange til lærere.

Public AI Libraries

Public AI Libraries er et pilotprojekt, der placerer en delt AI-arbejdsstation på amerikanske folkebiblioteker, med chat, billed- og videogenerering, et kodearbejdsrum, en uddannelsesvejledning og en privat konto til hver bruger.

Til undervisere

AI-feedback matcher en lærer på revisioner, mens motivationen halter

AI og lærerfeedback forbedrede de samme essays med omtrent samme styrke i et randomiseret forsøg med 312 skrivende. Lærerfeedback gjorde mere for motivationen, fordi den studerende følte sig forbundet til personen, der gav den.

Behold en menneskelig stemme omkring feedbacken. Par den genererede kommentar med et kort svar fra underviseren, eller brug AI til den første runde og læreren til samtalen om arbejdet.

Se også: AI-feedback i stor skala

Hvert femte essay var skrevet helt af chatboten

Et studie af 77 universitetsstuderende, der skriver, loggede hver prompt, hvert svar og hver indsættelse. Femten, altså hvert femte, afleverede chatbot-skrevne essays, og de fleste følte stadig, at essayet var deres.

Bed om mellemarbejdet: prompterne, revisionerne og en kort note om, hvad der blev ændret og hvorfor. Gør overdragelsen synlig, mens der stadig er tid til at undervise.

Se også: At redesigne vurdering til AI-æraen

Gymnasieelever bruger AI næsten universelt, og svagere præsterende bruger det mere

Et årlangt studie af 4.062 tyske gymnasieelever fandt næsten universel AI-brug: 95% brugte det, og svagere præsterende brugte det mere til at færdiggøre opgaver. Det mønster forudsagde mindre indsats senere.

Det gør rammesætning af AI-brug og selvreguleret læring til en del af curriculum, som skal tages op igen hen over året. Spørg de studerende, hvad værktøjet er til i denne opgave, og giv svagere præsterende en understøttet vej, der begynder med at forstå arbejdet.

Se også: At reducere overafhængighed af AI

En støttende chatbot matchede dagbogsskrivning, mens en jævnaldrende reducerede ensomhed

I et to uger langt randomiseret forsøg med 296 førsteårsstuderende klarede en støttende chatbot det samme som dagbogsskrivning med at reducere ensomhed, mens en tilfældigt tildelt jævnaldrende reducerede den. Boten viste mere empati, mens de studerende gav mindre igen.

En bot kan fungere som en nyttig første kontakt, mens en jævnaldrende eller en rådgiver forbliver tilgængelig. Byg den menneskelige vej ind i enhver studenterstøtte-service, De anbefaler, og mål ensomheden selv.

Se også: AI, angst og trivsel

Behandl en AI-simulation som superviseret prøve

Et review af 14 studier fandt, at sygeplejestuderende værdsatte repeterbar, lavtryks-simulation med AI og rapporterede større selvtillid, især i kommunikation og klinisk ræsonnement. Realisme, kropssprog og svarsforsinkelse forblev svage punkter.

Brief de studerende om begrænsningerne, kræv, at de kontrollerer genereret indhold, og lav en debrief bagefter. Behold menneskelig interaktion, hvor nonverbal kommunikation eller vedvarende empati er pointen med øvelsen.

Se også: Sygeplejeuddannelse

Capstone-koden tredobledes, mens kommentarerne holdt sig stabile

Ti semestre med 260 capstone-projekter i datalogiuddannelse viser, at mediankoden steg fra omkring 3.400 linjer til 10.000, mens kommentarerne holdt sig nær 8%. Antallet af commits steg; de enkelte commits ændrede sig næsten ikke.

Vurdér designbeslutningerne, forklaringen af koden og den studerendes evne til at ændre den. Artefakten kan nu vokse hurtigere end den læring, den skal vise.

Se også: At redesigne vurdering til AI-æraen

Til udviklere

Uden figuren bør en AI-vejleder afvise

Seks billeddygtige AI-modeller tog fat på 376 matematik-items fra mellemskolen, hvis figurer bar central information. Med figuren løste den bedste lidt over halvdelen; uden den afviste de næsten hver gang.

Behandl en afvisning som et signal om manglende kontekst. En score eller profilopdatering produceret uden figuren måler en anden opgave.

Se også: Matematikundervisning

En skrivevejleder, der stiller spørgsmål og overlader skrivningen til de studerende

MAIKE stiller spørgsmål og diagnosticerer argumenter, mens den overlader essayteksten til den studerende. Blandt 65 gymnasieelever matchede forbedringen en kontrolchatbot, 40% mod 41%, og MAIKE-brugere brugte flere ture på ideer; ingen gik tilbage.

Mål, om en idé, der drøftes i chatten, bliver til en revision. Et skriveundervisningsværktøj, der kun forbedrer den endelige tekst, kan omgå det ræsonnement, opgaven findes for at opbygge.

Se også: Skriveundervisning med AI

Zoom ind på og fremhæv sliden, mens fortællingen kører

GuideSlide læser et slide deck op og bruger visualisering til at zoome ind på den del, der drøftes. I et studie af 24 personer, der så med på telefoner, faldt arbejdsbyrden, forståelsen steg fra 5,5 til 6,5 ud af 9, og 21 af 22 foretrak det.

Fordelen dagen efter var ikke statistisk signifikant, så studiet støtter opmærksomhed under visningen; varig læring er fortsat utestet. Byg signalgivningen ind i selve fortællingen.

Se også: At designe AI ind i læring

En finjusteret detektor kan afidentificere studerendes tekst uden navnebias

Fem værktøjer blev testet på 13.613 filer med studerendetekst. En finjusteret GPT-4o-mini fandt omkring 96% af identificerende detaljer til omtrent en sjettedel af Azures pris pr. token; Microsoft-værktøjerne overså oftere afrikanske og asiatiske navne.

Træning på ti transskriptioner virkede på et nyt sæt, så tilgangen kan flyttes. Budgetter det andet tjek, når præcision betyder noget, og rapportér de grupper, Deres værktøj overser.

Se også: Institutionel AI-politik

Videoanalyse nåede menneskelig overensstemmelse, med et menneske stadig i loopet

GAIVA transskriberer, mærker og fortolker klasseværelsesvideo til læringsanalytik. På fem optagelser stemte dens mærkninger omtrent lige så tæt overens med menneskelige gennemgange, som to gennemgange gjorde med hinanden, og den fremhævede en form for deltagelse, som den oprindelige teori ikke navngav.

Behandl modellen som en kodningspartner med en sporbar prompt og en menneskelig beslutning på hvert trin. Modellen fremhæver også mønstre, en menneskelig gennemgang måske ikke ville have ledt efter.

Se også: AI-assisteret uddannelsesforskning

Til forskere

En stor gennemsnitseffekt kan stadig betyde ingen pålidelig gevinst

Et review af fire kontrollerede studier med 420 studerende i datalogi og ingeniørfag fandt en stor gennemsnitlig forbedring, mens studierne var stærkt uenige, og det sandsynlige interval omfattede ingen gevinst. Evidensen blev vurderet som meget usikker.

Behandl et stort gennemsnit fra fire uensartede studier som en hypotese om Deres kursus. Pilotér den personlige læring, hvor den skal køre, og sig rent ud, hvor usikker evidensen er.

Se også: Hvad personlig læring betyder

En AI-bedømmer, der kender den lærendes historik, bedømmer samme arbejde forskelligt

Seks AI-modeller bedømte de samme 300 korte svar med en sand og en ombyttet note om tidligere præstation. Hver model markerede identisk arbejde højere under den høje etiket, med 0,28 til 0,75 point på en tipunktsskala.

Studerendekontekst virker her som en bias. Rapportér konteksteffekten ved siden af overensstemmelsestallet, og test bedømmelse uden den studerendes historik, før De kalder en model pålidelig.

Se også: Retfærdighed og pålidelighed i AI-bedømmelse

En vejleder, der ser retfærdig ud, kan skjule et kompetencegab på 26%

To års logfiler fra 8.549 studerende, der brugte MATHia, en adaptiv matematikvejleder, viste, at studerende, der stadig lærte at læse, mestrede færdigheder med 68,7% mod 77,6%, mens det overordnede retfærdighedsmål så næsten neutralt ud. Én færdighed skjulte et gab på 26% i forudsagt mestring.

Vejlederen havde ingen læsefærdighedskomponent, så læseundervisning var en manglende faktor i et matematiksystem. Modellér færdigheden, og rapportér gab på det niveau, hvor en lærer ville gribe ind.

Se også: AI-bias og retfærdighed i uddannelse

Falske positive i detektion er et governance-problem

Et review af 90 studier fandt, at AI-detektorer markerer legitim skrivning med satser, der ikke kan samles, fordi værktøjer, tærskler, datasæt og sprog er forskellige. Abstracts, litteraturgennemgange, eksamenssvar, oversat tekst og redigeret prosa blev ved med at blive markeret.

Rådet er proceduremæssigt: gennemsigtig brug, menneskelig gennemgang, AI-kompetence, en eksplicit institutionel politik og en klagevej. Det hører hjemme i governance, med detektorindstillinger som én del.

Se også: Bør vi bruge AI-detektorer?

At matche menneskelige bedømmere kan stadig overse arbejdet

Toogtyve AI-modeller bedømte 100 items pr. opgave på tværs af korte svar, kode og essays. De fleste matchede mennesker på korte svar, fire matchede eller slog dem på kode, og ingen nåede det menneskelige niveau på essays.

Et højt overensstemmelsestal kan eksistere sammen med en AI-bedømmer, der bedømmer noten og overser svaret. Føj ændrede svar til evalueringen, og rapportér, hvor modellen afviger fra arbejdet.

Se også: Retfærdighed og pålidelighed i AI-bedømmelse

Til administratorer

Evidensen om edtech til neurodivergente er koncentreret og forskerledet

Et review af 93 studier fandt, at autisme dominerede evidensen om edtech til neurodivergente lærende med 39,8%, foran intellektuelt handicap, ADHD og ordblindhed. Udvidet virkelighed (VR og AR) var mest studeret; sociale og jævnaldrende udfald fik mindre opmærksomhed, og børnene havde lidt at sige.

Spørg efter det udfald, klasseværelset bekymrer sig om, og efter de lærende, der blev inkluderet i evalueringen. En påstand, der kun er valideret af forskere, kan glide væk fra de mennesker, den skal tjene.

Se også: AI til studerende med handicap og neurodivergente lærende

Studerende ønskede en institutionel assistent til feedback

Et 13 måneder langt co-design-program med 315 studerende og 20 ansatte fandt, at 73% værdsatte feedback døgnet rundt knyttet til deres studier. Flashcards og quizzer trak flere positive kommentarer end åben chat, og 16 af 18 betatestere ønskede assistenten.

De 10% til 15%, der modsatte sig af værdimæssige grunde, udgør ibrugtagningsrisikoen. Behandl deres bekymringer som substantielle. Forklar, hvordan studerendedata håndteres, og hvad assistenten ikke kan, før piloten, og giv de studerende en vej til at fravælge.

Se også: At designe AI ind i læring

Eksamensovervågning fanger snyd og skubber omkostningen over på de mindst privilegerede

Et review af 32 studier fandt, at AI-baseret eksamensovervågning fanger efterligning og snyd, mens falske positive, lys- og båndbreddefejl, angst og privatlivsskader rammer de mindst privilegerede hårdest. Automatiseret eksamensovervågning udgjorde 59% af studierne.

Reviewerne anbefaler alternativ vurdering og en blanding af menneskelig og automatiseret overvågning. Reducér den højrisikoprægede onlineeksamen, før De tilføjer endnu en detektor.

Se også: Institutionel AI-politik

En dashboardrapport øgede gennemførelsen, mens testscorerne holdt sig stabile

Lærere, der var nye i en online matematik-vejleder, blev tilfældigt opfordret til at åbne en læringsanalytisk dashboardrapport om studerendes præstation på den første opgave. Det ændrede hverken andelen, der startede den næste opgave, eller de studerendes testscoregevinster, selv om gennemførelsen steg i mindre klasser.

Test, om lærerne åbner rapporten, handler på den og ser en læringsgevinst, før De køber analyser; en stigning i gennemførelse alene er ikke nok.

Se også: At kontrollere, om uddannelses-AI virker

Næsten ingen institution kan navngive, hvem der ejer AI-styringen

En undersøgelse af 387 studerende og ansatte i 13 lande fandt, at kun 17% kendte til en udpeget AI-governance-rolle. Af de øvrige mente 71%, at en sådan var nødvendig, og 76% forventede, at den ville forbedre deres oplevelse.

Respondenterne beskrev en rolle med et mandat; et udvalg uden et mandat lader rollen stå ubesat. Giv ejeren beføjelse over træning, datasikkerhed, etisk review og strategi, og offentliggør, hvem der har den.

Se også: Institutionel AI-politik

Også tilføjet denne uge

• Assessment of teacher performance and learner behavior using artificial intelligence in higher education: an integrative review of literature
• Process visualization feedback in news translation: a controlled intervention study of human-AI interaction using multimodal process data
• A teamwork framework for preventing breaches of academic integrity and improving students' collaborative skills in the AI era
• Artificial intelligence in higher education and graduate employability: cognitive engagement, self-efficacy, and career adaptability in the AI era
• Uneven automation: comparing authorship anxiety and generative AI use among art and design undergraduate students
• University students’ overreliance on generative AI feedback in the learning process: the effects of perceived cognitive load, cognitive offloading, and metacognitive monitoring
• What Do They Think? Undergraduate Perceptions of Student-AI Use
• Ability of AI detection tools and humans to accurately identify different forms of AI-generated written content
• AI and I-Distributed authorships in the Swedish upper secondary writing classroom
• Beyond Response Scoring: An AI-aware Cognitive Supervision Framework for Automated Mathematical Short Answer Grading
• Data and AI Literacy in Geography Education: A Needs Assessment of Pre-Service Geography Teachers
• Declared, Not Detected: A Blockchain-Anchored, Agentic Framework for Academic Integrity in the Generative AI Era
• Developing Feedback Taxonomy for Math: A Synergy of Perspectives through Data Mining Methods
• Digital borders, algorithmic governance and civic digital literacy: examining the educational implications of AI-driven immigration management in post-apartheid South Africa
• Examining AI interaction profiles in generative AI supported fraction division problem posing
• I'm Sorry, Dave. I'm Afraid This Feedback is not Constructive: Human Perspectives Versus ChatGPT Evaluations of Feedback in an Era of Artificial Intelligence
• Making argumentative work visible in GenAI-mediated assessment: An exploratory LLM simulation and questionnaire study in university ideological and political education
• Owning what one did not make: psychological ownership, agency, and the authorship legitimation deficit in human-AI co-creation
• Preliminary evaluation of an AI-powered chatbot for academic integrity support in higher education
• Automating Self-Affirmation Essay Coding: Fine-Tuned BERT Performance Comparable to Human Coders and Comparison with GPT-4
• Mapping moral reasoning research among college students: a bibliometric analysis of traditional foundations and emerging digital ethics
• The longitudinal relationships among AI-assisted music classroom engagement, flow experience, and musical emotional intelligence: a parallel-process latent growth modeling study
• A Comparative Study of Knowledge Component Granularity in Intelligent Language Tutoring Systems
• Effects of generative AI assisted grammar instruction on Ethiopian EFL learners' self-efficacy, metalinguistic awareness, and writing performance
• Mapping the Integration of AI Literacy Into Information Literacy Instruction in Academic Libraries: A Systematic Review of Emerging Research
• AI in mathematics classrooms: A synergistic strategy for diversity and inclusivity
• Artificial intelligence in embodied learning: A systematic literature review
• Dear Gemini: Agency, Peer Review, and Critical AI Literacies in Student Writing Ecologies
• From design to classroom adoption: Teachers' perspectives on AI-powered writing analytics in resource-constrained contexts
• How does generative AI support inquiry-based learning? A systematic review
• Scaffolding Autonomy: AI-Augmented Self-Paced Learning Environments for Sustainable Learning Outcomes
• Sustained use of generative artificial intelligence (GenAI) in programming education: A systematic review of empirical evidence on adoption, learning outcomes, and continuance intention
• Active Learning with Generative AI in Introductory Physics: A Multi-Institutional Study of the P-A.I.R. Framework
• AI literacy and vocational students’ complex problem-solving skills: a moderated mediation model of systematic thinking, cognitive load, and perceived school ICT support
• AI literacy facets in creative higher education: associations with learning performance and academic well-being
• Artificial intelligence (AI) and information seeking: A comparative exploration of AI chatbots, search engines, and library resources as information sources among university students
• Artificial intelligence in professionally oriented physics education: patterns of use and perceived learning support among future engineers
• Breaking career boundaries in the AI era: how AI literacy relates to university students' perceived employability through future work self salience and boundaryless career mindset
• Designing Safe and Relevant Generative Chats for Math Learning in Intelligent Tutoring Systems
• From generation to judgment: the multidimensional structure of design thinking mindset and differences across learning stages in AIGC-supported fashion film design learning
• Generative AI dependency and perceived learning outcomes among university students: an indirect association involving effort regulation
• Generative artificial intelligence reshapes university students’ sustainable use of academic information resources: mixed evidence from behavioral logs and perceptual survey data
• Learning engagement and creative self-beliefs in generative AI-supported design education: self-reported prompt literacy and dimensions of AI dependence
• Scaffolding GenAI Use in Ethical Essay Writing: A Three-Year Experience Report in Introductory Computing
• Teachers’ basic psychological need satisfactions and their intentions to use generative artificial intelligence: the mediating role of engagement in professional development
• Using Machine Learning to Measure Self-Efficacy Belief Through Learners' Interaction Traces in Technology-Enhanced Learning
• What Am I Really Doing with My Own Brain?": College students on learning, ownership, and AI
• A Framework for Considering Exploration, Interpretation, and Confirmation During Data Analysis: Computationally Assisted Analysis of Teacher-Group Interactions
• A metacognitive approach to learning and performance in human-AI interaction
• Beyond access: How GenAI literacy relates to task performance, motivation, cognitive load and interaction patterns in AI-assisted learning environment
• Characterizing diverse student behaviors, interactions, and perceptions with GAI-augmented learning analytics tool
• ChatGPT and student engagement in L2 writing: a systematic review towards a ChatGPT-enabled smart learning environment framework
• ClickSight: An LLM Framework for Interpreting Student Clickstreams Through Learning Strategies
• CLST: Cold-Start Mitigation in Knowledge Tracing by Aligning a Generative Language Model as a Students' Knowledge Tracer
• Combining AI and corpus technology in language teaching: Professional development and knowledge co-construction using the CoI framework
• Comparing Zero-Shot Large Language Model Prompting with Human Coding of Theory Concepts in Student Essays
• Design and preliminary validation of an AI enhanced game based learning environment for computational thinking in upper secondary education
• Development and validation of the AI cognitive offloading scale for Chinese college students
• Evaluating Generative AI as a Supportive Analytic Partner in Qualitative Coding of Metacognitive Student Reflections
• Exploring AI peer in collaborative mathematics learning
• GenAI-based metacognitive prompting in collaborative inquiry: A comparison across diverse preconception groups
• Generative AI and student motivation: an SDT-guided systematic review of learning activities, motivational regulation, and measurement
• Intrinsic and Contextual Factors Impacting Student Ratings of Automatically Generated Questions: A Large-Scale Data Analysis
• Leveraging Large Language Models to Identify Conversation Threads for Collaborative Learning Analysis
• Motivational organization in AI-supported writing: A self-determination perspective
• Personalizing Second Language Learning: Integrating AI with Learner Preference, Proficiency, and Engagement
• Psychological pathways to responsible generative AI decision-making among teachers: governance clarity, perceived accountability, decision uncertainty, and AI literacy
• Rigor, commitment, and generative AI: a conceptual framework for student engagement in EAP writing
• Should there be a teacher in-the-loop? A study of generative AI-personalized tasks middle school
• To Align Long, Plan Short: Simulating Diverse Profile-Aligned Students by Realizing Short-Term Plans in Long-Horizon Learning Environments
• Using Bayesian Knowledge Tracing to Evaluate Perceptual Scaffolding and Desirable Difficulties in a Math Intervention
• Using LLMs to Identify Indicators of Persistence from Students' Dialogues with a Pedagogical Agent
• What a teacher cannot delegate: a pedagogy-first framework for integrating conversational AI agents across the simulation cycle
• Who Is Doing the Thinking? Characterising Human Agency in First-Year Students’ AI Interactions
• Artificial intelligence and immersive technologies for LGBTQ+ youth: a narrative review
• Who benefits from LLMs? Prompt engineering competence and equity in higher education
• Trusting AI too much? Psychological correlates of overtrust and the role of AI literacy
• AI for eGovernance: Leveraging Language Technologies For Digital Inclusion
• Perceived and demonstrated generative AI literacy in engineering problem solving: the role of verification behavior
• Rethinking the Structure of AI Literacy in Generative AI Educational Systems: Descriptive Patterns of Expert Convergence and Heterogeneity
• Human-AI Collaboration for Qualitative Analysis in Participatory Design: Refining the Writing Analytics Tool
• Why is AI-generated language so hard to understand?
• Generative AI configurations across creative phases: a 2 x 2 experiment on creative performance and immediate knowledge in art and design education
• Supporting creative agency: metacognitive control and trust in generative AI art education
• A model for enhancing the quality of geography education based on the integration of Artificial Intelligence and Geographic Information Systems
• From Policing Provenance to Designing for Evidence: Testing Four Propositions on Generative AI Against Research and Institutional Policy
• Higher education governance under AI and geopolitical disruption: a socio-technical framework for administrative artificial intelligence
• ChatGPT and employability in higher education: exploring creativity, critical thinking, and problem-solving
• From technology adoption to curricular coherence: technology-enhanced simulation as a bridge in health professions education
• A Survey of Graph-Based Knowledge Tracing from Structural and Propagation Perspectives: Models, Applications, and Future Directions
• Integrating Topic Modeling and LLM Prompt Engineering into a Human-driven Approach to Analyze Interview Transcripts
• Leveraging Interview-Informed LLMs to Model Survey Responses: Comparative Insights from AI‑Generated and Human Data
• Analyzing Educational Video Transcripts with LLMs: Accuracy, Named Entities, and Interpretability
• Data Plus Theory Equals Codebook: Leveraging LLMs for Human-AI Codebook Development
• Towards responsible and trustworthy educational data mining: Comparing symbolic, sub-symbolic, and neural-symbolic AI methods
• The Ghost Learner Paradox: A Systematic Review of Metacognitive Laziness in the Age of Generative AI
• Beyond ChatGPT: A Comparative Mapping of AI Research in STEM and Engineering Education and the Contemporary AI Tool Ecosystem
• Generative AI and Cognitive Processes in Education: A Narrative Review and Conceptual Framework
• Fifty years of topic development, thematic combination, and AI's evolving reach in Computers & Education
• From "usefulness" to "dependence": the dynamic evolution mechanism of generative AI use behaviors
• Generative AI in Education and the Erosion of Critical Democratic Citizenship

På journalsiden er hvert studium, der er tilføjet denne uge, opført, også dem der ikke er opsummeret her.

Noter om webstedet

Nyhedsbrevet og dets RSS-feed findes nu også på spansk: besøg det spanske nyhedsbrevssite eller abonnér på det spanske nyhedsbrevs RSS-feed. For at anmode om endnu en lokalisering kan De oprette en sag eller kontakte webstedets udvikler.

Webstedet er blevet meget lettere. Hele begrebs- og FAQ-træet holdes ude af hver side: sidebjælken viser ti emnegrupper og henter først den fulde liste, når en læser åbner en af dem, og højre spalte viser otte nyere sider, ned fra tredive. På tværs af buildet faldt HTML fra 1,80 GB til 1,26 GB, og sidebjælkens markup fra 604 MB til 87 MB.

Oversættelserne blev opdateret på tværs af alle 33 konfigurerede sprog, herunder de højre-til-venstre-orienterede arabiske, hebraiske og urdu-udgaver. Artikelsammendragene er fortsat kun på engelsk.

Offlineudgaverne flyttede til en ny GitHub releases-placering, så gamle EPUB- og PDF-links ikke længere virker. Hvert sprogsite beholder sin sædvanlige adresse. EPUB- og PDF-filer findes for de 19 sprog med links nedenfor; de øvrige 14 er kun på webstedet.

• English: EPUB og PDF
• Español (spansk): EPUB og PDF
• Français (fransk): EPUB og PDF
• 中文 (kinesisk): EPUB og PDF
• Deutsch (tysk): EPUB og PDF
• 日本語 (japansk): EPUB og PDF
• 한국어 (koreansk): EPUB og PDF
• Português (portugisisk): EPUB og PDF
• العربية (arabisk): EPUB og PDF
• עברית (hebraisk): EPUB og PDF
• हिन्दी (hindi): EPUB og PDF
• Русский (russisk): EPUB og PDF
• Українська (ukrainsk): EPUB og PDF
• Italiano (italiensk): EPUB og PDF
• বাংলা (bengalsk): EPUB og PDF
• اردو (urdu): EPUB og PDF
• Bahasa Indonesia (indonesisk): EPUB og PDF
• Tiếng Việt (vietnamesisk): kun websted
• Nederlands (nederlandsk): kun websted
• Svenska (svensk): kun websted
• Dansk (dansk): kun websted
• Suomi (finsk): kun websted
• Norsk bokmål (norsk bokmål): kun websted
• Română (rumænsk): kun websted
• Magyar (ungarsk): kun websted
• Čeština (tjekkisk): kun websted
• Български (bulgarsk): kun websted
• Slovenčina (slovakisk): kun websted
• Hrvatski (kroatisk): kun websted
• Ελληνικά (græsk): kun websted
• Polski (polsk): kun websted
• Kiswahili (swahili): EPUB og PDF
• Türkçe (tyrkisk): EPUB og PDF

Kilden er offentlig på github.com/edtechdev/aied.

Følg opdateringen

Få hvert nummer gennem nyhedsbrevets feed i en feedlæser, ved at indsætte den samme feed i Blogtrottr, så nye numre sendes til Dem på en tidsplan, De vælger, eller ved at følge den på LinkedIn, hvor hvert nummer udgives som et LinkedIn-nyhedsbrev.

---

Ugentlig forskningsopdatering om AI i uddannelse kommer fra vidensbasen om kunstig intelligens i uddannelse, som en AI-agent genererer. Dette nummer blev udarbejdet af den samme AI-agent med redaktionel vejledning fra webstedets udvikler, og hver påstand ovenfor linker til den side, den kom fra.

Vidensbasen er dedikeret til det offentlige domæne under en CC0 1.0-licens. Ingen rettigheder forbeholdt.

Har De fundet et problem med indholdet? Rapporter det på GitHub, eller kontakt webstedets udvikler, Doug Holton.