Konzepte
Postgraduale Bildung
Dies ist eine automatische Übersetzung der englischen Seite; sie wurde noch nicht von einer muttersprachlichen Person geprüft.
Synthese: Die postgraduale Bildung ist die Ebene, auf der KI aufhört, ein Lernhilfsmittel zu sein, und beginnt, mit dem Artefakt zu konkurrieren, das ein Abschluss zertifiziert: das Kapitel der Abschlussarbeit, die diagnostische Befundung, die klinische Begegnung, das Motivationsschreiben. Die vorhandenen Studien konzentrieren sich auf berufsbezogene und klinische Studiengänge, in denen Tutoring, simulierte Patienten und Entscheidungsunterstützung kurzfristige Gewinne erzielen, sowie auf die Literatur zu Leistungsbeurteilung, wo dieselben Werkzeuge den Beweiswert unbeaufsichtigter Texte schwächen. Die Betreuung ist der am wenigsten untersuchte und folgenreichste Kontext, und ihre Evidenz ist inzwischen gemessen, aber korrelativ, während der größte Teil der Empfehlungen weiterhin Designargumentation bleibt.
Fragen zum Nachdenken
- Wenn ein Kapitel der Abschlussarbeit und ein Betreuungsgespräch beide kompetent wirken — welches von beiden zeigt Ihnen, dass die Kandidatin die Behauptung verteidigen kann?
- Was schuldet ein klinisches Ausbildungsprogramm einem Patienten, wenn eine Assistenzärztin an KI-gestützten Befundungen lernt, die einige Fehler korrigieren und andere umkehren?
- Wenn ein Motivationsschreiben nicht mehr zeigt, wer es geschrieben hat, was sollte es ersetzen, und wer trägt die Kosten?
- Welche postgradualen Fähigkeiten würden Sie zertifizieren, ohne je den Prozess gesehen zu haben, der sie hervorgebracht hat?
- Promovierte werden die KI-Normen für die Felder setzen, in die sie eintreten. Was bringt ihr Programm ihnen darüber bei?
Einführung
Die postgraduale Bildung umfasst Master-, Promotions- und berufsqualifizierende Abschlüsse, vom einjährigen Master über die klinische Facharztausbildung bis zur sechsjährigen Dissertation. Was sie vom grundständigen Studium unterscheidet, ist nicht der Schwierigkeitsgrad, sondern die Einheit der Beurteilung. Der Abschluss zertifiziert eine Person, die eine Fragestellung selbst hervorbringen, Evidenz erzeugen und eine Interpretation vor Menschen verteidigen kann, die das Feld kennen. Die Zulassung ist das Tor, die Disputation oder klinische Prüfung der Ausgang, und die Jahre dazwischen hängen an Betreuung, Praxis und einem Artefakt, das keinem Kurs gehört.
Die Evidenzbasis ist dünner, als das Publikationsvolumen vermuten lässt. Der größte Teil stammt aus Hochschulkontexten mit postgradualen Stichproben, etwa MBA-Kursgruppen, Kohorten der Facharztausbildung und Masterkursen, und nicht aus der Promotionsbetreuung selbst. Übersichtsarbeiten auf dieser Ebene finden meist eine Handvoll bildungsbezogener Studien hinter einer viel größeren technischen Literatur.
Betreuung, die Abschlussarbeit und das verschwindende Artefakt
Ein sorgfältig ausgearbeitetes Produkt war früher ein plausibler Beleg dafür, dass seine Autorin die Arbeit verstanden hat. Generative KI bricht diesen Schluss, weshalb die Reaktion darin bestand, die Kontexte neu zu gestalten, in denen das Denken sichtbar wird, statt das Artefakt zu kontrollieren.
-
Ein Forschungsgespräch lässt sich so gestalten, dass es Denken offenlegt. Prunuske und Adams-Phillips schlagen drei Fenster für Laborbesprechungen vor: metakognitive Kalibrierung, begriffliche Erklärung und kollaborative Sinnstiftung, jeweils mit diagnostischen Fragen. Ihr Illustrationsfall ist eine KI-Zusammenfassung, die die Inkubatorprotokolle nie gesehen hat, und eine Technikerin, die schwieg. Es handelt sich um einen Perspektivenbeitrag ohne Daten (Moving research meetings from data updates to cognitive windows in the age of artificial intelligence).
-
Offenlegung dokumentiert Nutzung; sie begründet keine Gewähr. Mirończuk trennt routinemäßige Delegation von kognitiver Delegation, bei der eine Ausgabe mitbestimmt, welche Behauptungen oder Methoden zählen. Etwa 70% der analysierten Zeitschriften haben KI-Richtlinien, doch explizite Offenlegung findet sich in rund 0,1% der Publikationen seit 2023 (When disclosure rules are not enough: authorial warrant and judgment in AI-supported scholarship).
-
Eigentümerschaft lässt sich unabhängig von der Produktqualität beurteilen. Rothwell trennt Produktqualität, Herkunft, nachgewiesene Fähigkeit und Lernen als Veränderung und definiert dann kognitive Eigentümerschaft über acht Indikatoren. Bei seiner wechselseitigen Bewertung bewerten zuerst die Studierenden, unabhängig davon die Lehrenden, und die Abweichung wird zum Gegenstand der Untersuchung (Assessing Learning When AI Can Produce the Product: An Integrated Framework for Cognitive Ownership and Mutual Evaluation).
-
Prozessevidenz skaliert in der Erhebung, nicht in der Interpretation. Eine 13-wöchige postgraduale Lehrveranstaltung in den Ingenieurwissenschaften nutzte sechs Evidenzkanäle bei 87 Studierenden in 17 Teams. Die Erhebung war weitgehend automatisiert; die Verknüpfung der Kanäle blieb manuell, und eine zweiminütige Frage nach einer achtminütigen Demonstration erzeugte Erklärungen auf Team- statt auf Individualebene (When AI Can Build It, What Should We Assess? Rethinking Evidence of Engineering Competence).
-
Spuren trennen, wer Text formuliert hat, von dem, der ihn eingegeben hat. DraftTrace verglich 81 postgraduale NLP-Studierende mit 81 Große Sprachmodelle (LLMs)-generierten und 11 abgetippten Sitzungen. Prosa aus dem Unterricht erreichte beim Flesch Reading Ease 52,8 gegenüber 38,4, wurde mit 27,5 Wörtern pro Minute gegenüber 49 getippt und enthielt 12,5 Revisionen pro 100 Zeichen gegenüber 2,7. Abtippen wurde nur sichtbar, wenn beide Sichten zusammen gelesen wurden (DraftTrace: A Multi-View Analytics Environment for AI-Integrated Writing).
-
Das Einstellungssignal schwächt sich bereits ab. Pal und Park modellieren Bewerbende, die wählen, wie tief sie sich einarbeiten, und Rekrutierende, die wählen, welche Nachweise sie verlangen. Wenn niemand tief lernt, trägt ein bestandenes Interview keine Information und wird ignoriert; Verständnis zu schätzen schafft also keinen Anreiz, es zu erwerben. Als Beispiele für eine Reaktion nennen sie mehr Gewicht auf eine mündliche Disputation, Chalk Talks und Obergrenzen für Preprints (Game theory of academic effort and hiring in the age of AI).
Was die Betreuungsbeziehung trägt
In der Betreuung wird KI-Bereitschaft entweder zu Forschungsfähigkeit oder bleibt eine persönliche Disposition. In einer Befragung von 425 Masterstudierenden an 19 chinesischen Universitäten, alle regelmäßige KI-Nutzende, wirkten Bereitschaftsfaktoren auf die Forschungsselbstwirksamkeit über wahrgenommene Betreuungsunterstützung und KI-Vertrauen und nicht direkt. Der Pfad über die Betreuungsunterstützung betrug β = 0,201, die direkten Bereitschaftspfade waren nicht signifikant, und die Betreuungsunterstützung zeigte den stärksten direkten Zusammenhang mit der Selbstwirksamkeit (Luo et al. (2026)). Studierende, die sich wegen Zuverlässigkeit und übermäßiger Abhängigkeit Sorgen machten, berichteten höheres KI-Vertrauen, was die Autoren als kritische Prüfung statt als Vermeidung deuten. Das Design ist querschnittlich und selbstberichtet, der Pfad ist also Assoziation, nicht Kausalität.
Die ethische Grenze in der Originalforschung verläuft durch die Aufgabe, nicht durch das Werkzeug. Guanilo Pareja et al. (2026) argumentieren, dass Grammatikhilfe und Brainstorming sich von nicht gekennzeichneter Analyse oder Synthese unterscheiden, sodass Regeln, die Werkzeuge statt Funktionen benennen, fehlgehen. Ihre Übersicht über 61 Quellen hält Offenlegung für notwendig, aber nicht für hinreichend: Deklarierte Nutzung scheitert weiterhin, wenn die Kandidatin die Argumentation hinter dem Text nicht verteidigen kann. Maschinelle Kommentare sind konstruktionsbedingt vorläufig, und die Autoren schlagen Governance als einen Zyklus vor, der an Meilensteinen der Promotion überprüft wird. Ihre Propositionen sind interpretativ und zur Prüfung angeboten, nicht als gemessene Effekte.
Ein Seminar mit nur einer Gruppe zeigt, wie leicht solche Zuwächse überzeichnet werden. Dreizehn postgraduale Studierende stiegen in einem 16-wöchigen Kurs beim selbstgesteuerten Lernen über alle Antworten von 80,62 auf 87,38, doch nur acht Datensätze ließen sich zuordnen, und es wurde keine Prüfung ohne Hilfsmittel durchgeführt (Chen (2026)). Der brauchbare Vorschlag des Beitrags ist prozedural: vor dem Werkzeug ein Ziel und ein erstes Urteil formulieren, dann erklären, was übernommen oder verworfen wurde und was ohne Hilfe möglich gewesen wäre.
Der Unterschied zwischen den Niveaus zeigt sich am deutlichsten in dem Vergleich, den die meisten Studien auslassen. Unter 381 Studierenden einer technischen Universität lagen Postgraduale bei Ethik und akademischer Autonomie um d = 1,47 und bei der KI-Nutzung um d = 1,29 vor Grundständigen, während die Nutzungshäufigkeit keine Kompetenz vorhersagte, sobald Ethik und Selbstregulation ins Modell eingingen (Zaripova et al. (2026)). Das postgraduale Ziel, auf das ein Programm hin gestalten kann, ist daher Urteilskraft, nicht bloße Nutzungserfahrung.
Berufsbezogene und klinische Studiengänge
Auf berufsqualifizierende Abschlüsse entfällt der größte Teil der Evidenz auf postgradualer Ebene, geordnet nach Disziplin. KI schneidet bei begrenzten, überprüfbaren Aufgaben gut ab und bei dem Denken, das für die Akkreditierung zählt, weniger gut.
-
Entscheidungsunterstützung hilft den unerfahrensten Befundenden am meisten. Fünfzehn Assistenzärztinnen und -ärzte der Pathologie befundeten 186 Prostatabiopsie-Schnitte ohne Hilfe und danach mit KI-Annotationen. Die Genauigkeit stieg von 62,3% auf 75,1% bei weniger erfahrenen und von 77,9% auf 83,0% bei erfahrenen Assistenzärztinnen und -ärzten. Die KI korrigierte 39% der ohne Hilfe gemachten Fehler und kehrte 3,9% der richtigen Diagnosen um; die Studie maß die Leistung mit Unterstützung, nicht das Lernen (AI-assisted digital pathology improves diagnostic performance and reduces experience-related performance gaps in pathology residents interpreting prostate biopsies).
-
Simulierte Patienten skalieren den Zugang, nicht die nachgewiesene Fähigkeit. SOPHIE 2.0 bietet 24 klinische Szenarien über einen Browser-Avatar mit einem LLM-Bewerter. Der Bewerter erreichte gegenüber dem menschlichen Konsens Pearson 0,759 und ICC 0,746, und 92% der 59 Teilnehmenden fanden ihn ansprechend; ohne Kontrollbedingung lassen sich steigende Werte nicht dem Training zuschreiben (Scalable AI-based clinical communication training and automated assessment).
-
Eine Lernbegleitung zu ersetzen erhält die Testwerte und kostet Prozess. In einem vierwöchigen Pharmakologiekurs verbesserten sich 136 Medizinstudierende im zweiten Jahr in von Lernbegleitung geleitetem und von KI geleitetem problembasierten Lernen bei Multiple-Choice-Tests gleich stark (p = 0,474). Von Lernbegleitung geleitete Gruppen erzielten beim kritischen Denken höhere Werte, 14,75 gegenüber 13,09 (p < 0,001), und in der Gruppen-Rubrik 26,51 gegenüber 24,74 (p = 0,035) (Facilitator-Mediated Versus AI-Mediated Problem-Based Learning in Pharmacology Education: A Quasi-Experimental Study Among Second Year Medical Students).
-
Die Forschung zur klinischen Ausbildung ist nicht bei der Kompetenz angekommen. Ein Scoping Review zur Beratungsausbildung fand 14 Quellen, alle nach 2023 und dominiert von simulierten Klienten. Keine maß Kompetenz, keine prüfte ein Krisenszenario, und die Standardpersona war kulturell neutral, sofern der Prompt keine Kultur angab (Generative AI in Counselor Education: A Scoping Review of Applications, Ethics, and CACREP Competency Mapping (2015-2026)).
Dieselbe Dünne zeigt sich in Nachbarfeldern: Die medizinische Ausbildung steuert 153 Berichte mit 13 Follow-up-Signalen bei, und die Forensik hat 21 Studien, drei mit bildungsbezogener Evidenz und keine mit forensischen Studierenden.
Wirtschaftswissenschaftliche Programme liefern die klarsten Studien. Ein strukturierter KI-Tutor in einem Online-MBA-Modul erhöhte die Punktwerte gegenüber einer Holdout-Gruppe um 6,63 von 55 Punkten, wobei Sprache und Text lernwirksam gleichwertig waren und Sprache 2,8-mal mehr kostete. Ein Übungspartner vor der Lehrveranstaltung erhöhte die spätere Beteiligung unter 759 MBA-Studierenden um etwa 31%, aber erst nach einer zweiten Nutzung.
Zulassung und Integrität der Leistungsbeurteilung
Beim Motivationsschreiben trifft das Schreiben mit KI auf eine Entscheidung, an der eine Zahl hängt. Über 7.462 Bewerbungen für einen US-amerikanischen Public-Policy-Masterstudiengang in sechs Zyklen stieg der Anteil der Bewerbenden, die mindestens ein als überwiegend KI-geschrieben eingestuftes Schreiben einreichten, von 21,8% im Jahr 2023 auf 45,1% 2024 und 56,1% 2025 und erreichte 69,3% bei internationalen gegenüber 38,6% bei inländischen Bewerbenden. Jedes markierte Schreiben war mit einer um 1,5 Prozentpunkte geringeren Zulassungswahrscheinlichkeit verbunden, die auf 2,6 Punkte stieg, sobald die Qualität des Schreibens konstant gehalten wurde. Das Programm prüfte nichts; fünf Zulassungsverantwortliche erkannten KI-Text mit einer AUC von 0,70 und bewerteten das, was sie für KI-generiert hielten, schlechter, sodass der Nachteil über Urteil und nicht über Kontrolle wirkte (AI-written admissions essays are widespread but penalized).
Innerhalb der Programme machen die produktiveren Antworten den Prozess beobachtbar. Ein über fünf Semester laufendes Teamwork-Framework in einer postgradualen wirtschaftswissenschaftlichen Lehrveranstaltung nutzte ein 30-minütiges Gespräch mit jedem Team, ein Reflexionsformular pro Person und ein Gespräch in der neunten Woche, in dem jede Studierende ihren eigenen Beitrag erklärte. Der Notengewinn ist gemessen; die Behauptung, dass Fehlverhalten zurückging, wird ohne Zahl aufgestellt. Ein postgradualer Kurs zu Forschungsmethoden für berufstätige Lehrkräfte ersetzte Verbote durch dokumentierten sokratischen Dialog und erreichte 96% abgeschlossene Checkpoints über sechs Semester und rund 440 Studierende.
Automatisierte Bewertung hält vorsichtig Einzug. Vier LLMs bewerteten 32 anonymisierte Essay-Prüfungen aus einem Public-Health-Master gegen zwei menschliche Prüfer. Das beste erreichte im Thinking-Modus ein gewichtetes Kappa von 0,718, bewertete dieselben Arbeiten an fünf Tagen jedoch nur mit einem Krippendorff-Alpha von 0,625 erneut, und kein Modell nutzte die Extreme der Skala zuverlässig.
Beschäftigungsfähigkeit und KI-Kompetenz für künftige Betreuende
Die Literatur zur Beschäftigungsfähigkeit ist überwiegend ein Versprechen. Eine Synthese von 46 Publikationen ordnet den Weg von KI-gestütztem Lernen zur Beschäftigung über kognitives Engagement, Selbstwirksamkeit und Karriereadaptabilität und stellt dann fest, dass fast alles Gemessene am proximalen Ende liegt: Engagement, Zuversicht, wahrgenommene Beschäftigungsfähigkeit. Nur wenige Studien maßen überhaupt eine Beschäftigung (Artificial intelligence in higher education and graduate employability: cognitive engagement, self-efficacy, and career adaptability in the AI era).
Das Kompetenzkonstrukt ist besser spezifiziert als gemessen. Zhi, Yang und Huang befragten 14 Professuren, die Master- und Promotionsstudierende betreuen, und leiteten fünf Dimensionen ab, von kognitiver Grundlage und operativen Fähigkeiten bis zu Denken höherer Ordnung, metakognitiver Reflexion und ethischer Verantwortung. Ihre Skala mit 15 Items passte zu 308 postgradualen Studierenden, doch jeder Indikator ist ein einzelnes Selbstberichts-Item (Modeling and measuring graduate students’ generative AI literacy: a study based on Marzano’s taxonomy).
Zwei Befunde zur Curriculumsgestaltung sind für Betreuende relevant. Unter 36 US-amerikanischen Health-AI-Programmen lehrten 80,6% Ethik und 22,2% Datenherkunft auf dem von den Autoren gesetzten Niveau, und 76,1% der genannten Lehrenden kamen aus computerbezogenen Disziplinen gegenüber 3,3% aus den Sozial- oder Geisteswissenschaften. Unter 1.157 postgradualen Studierenden in China war funktionale GenAI-Abhängigkeit weit stärker mit höherer selbstberichteter Kreativität in der Forschung (β = 0,457) verbunden als existenzielle Abhängigkeit (β = 0,147), wobei kritisches Denken etwa 85% des funktionalen Pfades trug.
Verbindungen
Die postgraduale Bildung erbt die sektorweiten Probleme der Integrität, der Beurteilungsvalidität und der Kapazität der Lehrenden, die unter Hochschulbildung dokumentiert sind, und ist auf die Basis an KI-Kompetenz angewiesen, die das grundständige Studium liefern soll. Was sich ändert, ist der Ort der Evidenz: Die Kursaufgabe weicht der Abschlussarbeit, der Praxisphase und der Disputation, wo ein einzelnes Urteil Jahre der Arbeit zertifiziert.
Implikationen für die Praxis
Für Betreuende und Promotionslehrende
- Verlangen Sie die Argumentationskette vor dem Ergebnis: welche Daten in die Analyse eingingen, was das Werkzeug nicht sehen konnte und was die Studierenden als Nächstes überprüfen würden.
- Verlangen Sie eine zweite Darstellung, etwa eine Mechanismusskizze oder ein Ablaufdiagramm, denn Prosa, die Modellausgaben wiederholt, kann keine konzeptuelle Kohärenz zeigen.
- Legen Sie autorschaftliche Gewähr als explizites Kriterium für Kapitel und Qualifikationsarbeiten fest.
Für Programmleitungen und klinische Lehrende
- Setzen Sie KI-Entscheidungsunterstützung dort ein, wo die Unsicherheit am größten ist, und lehren Sie die Auszubildenden, Annotationen als Anlass zur erneuten Prüfung und nicht als Urteil zu behandeln.
- Behalten Sie eine Lernbegleitung für die denkintensiven Abschnitte des problembasierten und klinischen Unterrichts; gleichwertige Testwerte hielten sich in den Maßen für kritisches Denken und Gruppenprozess nicht.
- Finanzieren Sie Interpretation, nicht nur Werkzeuge: Die Erhebung skalierte auf Hunderte von Repositorien, während die kanalübergreifende Beurteilung teuer blieb.
Für Zulassungsverantwortliche und Leitungen von Graduiertenschulen
- Klären Sie, was das persönliche Motivationsschreiben misst, bevor Sie entscheiden, was hinsichtlich KI zu tun ist; wenn Authentizität zählt, prüfen Sie Schreiben unter Bedingungen, die die Bewerbenden nicht delegieren können.
- Ersetzen Sie Vereinbarungen zur Detektion durch Prozessevidenz: begleitete Gespräche, Reflexionen pro Person und Disputationen, in denen jede Kandidatin ihren Beitrag erklären muss.
Verbreitete Fehlvorstellungen
-
„KI-Entscheidungsunterstützung lehrt klinische Urteilskraft.“ Die Pathologiestudie maß die Genauigkeit bei angezeigten Annotationen, in einer festen Reihenfolge erst ohne, dann mit Hilfe, und fand 3,9% der richtigen Diagnosen umgekehrt. Behalten wurde nicht geprüft.
-
„Detektion klärt die Autorschaft.“ Niemand prüfte die Motivationsschreiben, dennoch wurden Bewerbende über die Eindrücke der Lesenden benachteiligt, und Detektor-Schwellen wurden für eine Falsch-Positiv-Rate unter 1% kalibriert, bevor es ChatGPT gab.
-
„KI kann die Lernbegleitung ohne Kosten ersetzen.“ Die Zuwächse bei Multiple-Choice-Tests waren im KI-geleiteten problembasierten Lernen gleichwertig, beim kritischen Denken und im Gruppenprozess nicht, und nur 15,8% der befragten Lehrenden hatten überhaupt eine Richtlinie zur KI-Nutzung verfasst.
-
„Postgraduale KI-Kompetenz bedeutet Werkzeugbeherrschung.“ Das postgraduale Rahmenwerk trennt kognitive Grundlage, operative Fähigkeiten, Denken höherer Ordnung, metakognitive Reflexion und ethische Verantwortung.
GenAI in der Promotionsentwicklung
Promotionsprogramme führen GenAI in zwei Richtungen zugleich ein — als Forschungsinstrument und als etwas, das Kandidatinnen und Kandidaten lernen müssen, um damit zu lehren —, und eine partizipative Aktionsforschungsstudie von 2026 in Kuba prüfte, ob eine einzige Abfolge beidem dienen kann. Vierunddreißig Doktorandinnen und Doktoranden, die zugleich lehren, arbeiteten ein einziges integriertes Modell durch (das Dr.-I.D.E.A.-Modell), in dem Forschungs-, KI-gestützte digitale und kreativ-pädagogische Kompetenzen an derselben authentischen Aufgabe geübt wurden. Alle 34 integrierten GenAI in einen Kurs, 26 hielten eine dokumentierte Neugestaltung mindestens drei Wochen lang durch, und 25 nutzten die KI-gestützte Praxis bei der Nachbefragung weiter.(Padrón Alvarez und Estrada Molina, 2026)
Die selbstberichteten Kompetenzzuwächse (d = 1,69 bis 2,10) sind als wahrgenommene Veränderung ohne Vergleichsgruppe zu lesen; der dauerhafte Beitrag ist die Betriebsebene — gemeinsam konstruierte Nutzungskategorien, individuelle KI-Nutzungsprotokolle und verpflichtende Verifikation in indexierten Datenbanken.
Verbundene Konzepte
Verbundene Artikel
- Generative artificial intelligence and the transformation of medical education: a scoping review
- Teaching with AI, Not Against It: A Thinking Partner Framework for Working Adult Learners in Compressed Online Formats
- A teamwork framework for preventing breaches of academic integrity and improving students' collaborative skills in the AI era
- GenAI dependence and graduate students' research creativity: the roles of critical thinking and human-AI collaboration quality
- Data Provenance and Ethics in the Curricula of U.S. Health AI Education Programs
- When AI Tutors Speak: Evidence from a Randomized Field Experiment
- How assigned AI use before class shapes active student engagement in class
- Large language models as grading assistants in public health education: a method-comparison study of essay-style exam assessment
- Generative AI, Cognitive Offloading, and Learner Agency in Higher Education: A Scoping Review
- Artificial Intelligence and Higher-Order Thinking: A Systematic Review of Educator and Student Experiences and Perspectives in Higher Education
- Artificial intelligence applications in forensic science and their implications for education and training
- AI Technology Readiness, Trust, and Supervisor Academic Support in Relation to Graduate Students’ Research Self-Efficacy
- Generative Artificial Intelligence in Doctoral Supervision: Ethical Boundaries, Feedback Practices, and Supervisory Relationships
- Generative AI-supported learning, self-directed learning, and motivation in a graduate seminar: an exploratory single-group study
- Generative AI use, self-regulation, and Neuro-AI Pedagogical competence in higher education: a comparative study of undergraduate and graduate students in Uzbekistan
- Generative artificial intelligence in doctoral education: a participatory action research evaluation of the Dr. I.D.E.A. model