K-12 (Primar- und Sekundarstufe)

Dies ist eine automatische Übersetzung der englischen Seite; sie wurde noch nicht von einer muttersprachlichen Person geprüft.

K-12 — der Einsatz künstlicher Intelligenz in Primar- und Sekundarbildung, erstreckt sich über Curricula zur KI-Kompetenz, KI-Tutoring, Lehrkräfteunterstützung und Sicherheitserwägungen, die für jüngere Lernende eigen sind. Ein PRISMA-geleiteter systematischer Review 2026 von 197 Studien (2016–2024) organisiert das Feld um vier Chancendomänen — Personalisierung, Motivation, Assessment und innovative Unterrichtspraktiken —, während er anhaltende Lücken in Lehrkräftebildung, ministeriellen ethischen Leitlinien und Fachbalance markiert.

Fragen zum Nachdenken

• KI-Nutzung in K-12 verlangt stärkere Sicherheitsschutzmaßnahmen als in der Hochschulbildung, weil jüngere Lernende am wenigsten ausgestattet sind, unsichere oder manipulative KI zu erkennen. Wie verändert das, was „sicher" für Werkzeuge bedeuten muss, die von Kindern genutzt werden?
• Systematische Reviews finden, dass sich die K-12-Evidenzbasis überwältigend auf STEM konzentriert und Kunst und Geisteswissenschaften weitgehend unerforscht lässt. Was könnte eine fachbalancierte K-12-KI-Evidenzbasis offenbaren, das STEM-only-Studien übersehen?
• Forschung findet, dass Lehrende ihre KI-Kompetenz systematisch überschätzen — eine Lücke von etwa 40% zwischen Selbstauskunft und Leistung —, doch kurze Schulung erzeugt wesentlich höhere Integration. Was könnte diese Lücke dafür bedeuten, wie Schulen Lehrende vorbereiten?
• Die meisten KI-Werkzeuge zentrieren dominante Perspektiven, dennoch fanden 78% der Lehrenden in einer Studie KI hilfreich für kulturell relevante Pädagogik. Wie kann ein Werkzeug, das auf dominante Ansichten voreingestellt ist, gelenkt werden, Repräsentation zu erweitern statt zu verengen?
• Evidenz legt nahe, dass KI-Arbeit auszulagern Lernen schaden kann, besonders bei älteren Lernenden —, doch jüngere Lernende mögen weniger betroffen sein. Warum könnte die Lernstrafe der KI-Nutzung sich mit dem Alter unterscheiden, und was impliziert das für Design?
• Der K-12-Review identifiziert acht untererkundete Forschungslücken, von den fehlenden konkreten Beispielen für Unterrichtseinheiten bis zur geringen Nutzung von Robotik, Wearables und mobiler Kommunikation. Welche dieser Lücken begrenzt am meisten, was Schulen heute tatsächlich tun können?
• Institutionellen KI-Politikdokumenten mangelt es oft an Umsetzungsanleitung. Was wäre nötig, um ein K-12-KI-Politikdokument in konkrete Kursraumpraktiken und Lehrkräftebildung zu verwandeln —, und warum könnte diese Übersetzung so oft scheitern?

Einführung

Die Evidenzlandschaft

Ein PRISMA-geleiteter systematischer Review 2026 (Marzano, 197 Studien, 2016–2024) verankert heute die K-12-Evidenzbasis und ergänzt frühere große Synthesen wie den rapid review of GenAI and PreK-12 learners und die aggregated K-12 AI evidence base. Seine Vier-Fragen-Struktur organisiert das Feld in vier Chancendomänen — Lernen personalisieren, Lernende motivieren, Assessment verbessern und innovativen, immersiven Unterricht ermöglichen —, mit ChatGPT als Flaggschiff-Fall, der über einen großen Anteil der eingeschlossenen Artikel studiert wird.

Der Kernbefund des Reviews ist eine scharfe Asymmetrie: das Versprechen von GAI in Schulen ist breit und gut dokumentiert, aber die Evidenz täglicher Kursraumpraxis ist dünn, auf STEM konzentriert, und verzerrt durch einen Mangel an konkreten Beispielen für Unterrichtseinheiten und praktischer Lehrkräftebildung. Diese Lücke zwischen Aspiration und Umsetzung ist das definierende Merkmal der K-12-GenAI-Forschung.

Eine lehrkräfteseitige Synthese fügt die Ebene hinzu, die werkzeugfokussierte Reviews weglassen. Ein PRISMA-Review von 29 Studien zu teacher intervention in K-12 AI-based instruction findet, dass KI-Ausgabe — Alarme, Dashboards, automatisierte Punktzahlen, Chatbot-Feedback — erst durch einen Zyklus aus Überwachung, Urteil, Intervention und Orchestrierung zu Unterrichten wird, und dass die berichteten Vorteile für Leistung, Teilnahme und Zuversicht der Lernenden davon abhängen, dass die Information interpretierbar ist, dass das Timing der Intervention stimmt, auf welcher Ebene sie ansetzt, wie umsetzbar sie für Lehrende ist, und an der Autonomie der Lernenden. Sein Korpus ist an denselben Orten konzentriert wie die breitere K-12-Evidenzbasis: Mathematik und naturwissenschaftliche/STEM-Fächer, Mittel- und Oberstufe, und Settings in den Vereinigten Staaten.

Eigenheiten von K-12

• Sicherheit und Leitplanken: KI-Nutzung in K-12 verlangt stärkere Sicherheitsschutzmaßnahmen. EduZone, EduGuard und Forschung zu Tutorschäden adressieren spezifisch kindersichere KI-Interaktion.
• Curricula zur KI-Kompetenz: K-12 AI literacy modules entwickeln altersangemessenes KI-Verständnis, während das Vibe-Coding-Rahmenwerk Lehrende befähigt, ihre eigenen KI-Werkzeuge zu erschaffen. Eine quasi-experimentelle Studie eines 18-stündigen Critical-Media-Literacy-Programms im 5E-Modell für türkische Viertklässlerinnen und Viertklässler (Demir & Akar 2026) bettete generative KI (ChatGPT, Grammarly, Canva AI, Padlet) Phase für Phase als pädagogischen Agenten ein, ausgerichtet an den Curricula für türkische Sprache und Sozialkunde, und erzeugte große Zuwächse im Medienlesen (+3,50), Schreiben (+1,67) und in der gesamten Medienkompetenz (+5,17, alle p < .01), mit Effektstärken zwischen Gruppen von Cohen's d = 1,12–1,31, und qualitatives Wachstum über sechs Domänen kritischer Medienkompetenz hinweg (digitaler Selbstschutz und Datenprivatsphäre, zweckvoller und verantwortungsvoller Mediengebrauch, sichere Kommunikation und Grenzbewusstsein, kritische Evaluation und Desinformationsbewusstsein, Bewusstsein für Online-Risiken, und Medienethik/digitale Bürgerschaft) — Evidenz dafür, dass altersangemessene, facheingebettete KI-Kompetenz-Curricula in der Grundschule messbare kritisch-mediale Zuwächse erzeugen können.
• Tutoring auf Klassenstufenniveau: K-12 personalized companions und Forschung zur korrekten-Antwort-Falle untersuchen die Wirksamkeit von Tutoring für jüngere Lernende.
• KI-Tutorings Beschränkung ist Engagement, nicht Fähigkeit. In 18 Mittelschulen Tennessees erhöhte die Zuweisung zu Khanmigo die Mathematikleistung um ~0,06–0,08 SD pro Schuljahr — Zuwächse, die Khan-Academy-Übung ohne KI ähneln —, weil der mittlere Lernende den Tutor in nur 17% der Fehlersitzungen anschrieb (Oreopoulos und Low, 2026)).
• Entwicklungsangemessenheit: Forschung zu Kindersicherheit und Sonderpädagogik-Erwägungen adressieren die Bedürfnisse vielfältiger K-12-Populationen.
• Alterszugeschnittene konversationelle KI: Vahedian Movahed & Martin (2025) setzten AMA ein, einen themenbegrenzten Chatbot mit altersvariierter Promptanpassung, bei 63 Lernenden (Klassenstufen 1 und 6–8). Kinder zeigten breite Offenheit gegenüber und hohes Vertrauen in den Chatbot als Informationsquelle und testeten seine Glaubwürdigkeit aktiv mit Fragen mit bekannter Antwort, während Lücken im Bewusstsein für digitale Sicherheit (manche waren bereit, Geheimnisse anzuvertrauen) auf alterssensitives Scaffolding und ausdrückliche Datenschutzinstruktion verweisen.

Wirkungen auf Lehrkräftewissen

• Wirkungen auf Lehrkräftewissen. Eine kreuzebene-Studie (46 Lehrkräfte, 2,832 Sekundarstufen-Lernende) fand, dass pädagogisches KI-Wissen — nicht technisches KI-Wissen — die Wahrnehmungen der Lernenden von KI für das Gemeinwohl und ihre Absicht, KI zu lernen, antrieb, und verstärkte damit einen „pedagogy first, technology second"-Ansatz der K-12-KI-Lehrkräftevorbereitung.
• Kontinuierliche Schulung als bindende Beschränkung. Der Marzano-Review identifiziert kontinuierliche, gezielte Lehrkräftebildung zu IKT als die einzelne persistenteste Integrationsherausforderung, und sie muss technische, pädagogische und ethische Dimensionen abdecken und sich an sich schnell entwickelnde Werkzeuge anpassen. Anfängliche und laufende Schulung sollte kontinuierlich, kollaborativ, spielbasiert, transparenzfokussiert und in professioneller Entwicklung für fortgeschrittene Werkzeuge wie ChatGPT gegründet sein. Das erstreckt sich auf KI zur Unterstützung von Kursraumzusammenarbeit: Die Machbarkeitsstudie zum Community Builder (CoBi) in Mittelschulkursräumen fand, dass hochintegritäre Nutzung durch Lehrende von erheblichem professionellen Lernen abhing, wobei unvorbereitete Lehrende dazu drifteten, das Werkzeug als Leistungsmonitor oder allgemeine KI-Diskussion zu behandeln statt in seinem beabsichtigten kollaborativen Fokus.
• Die Kompetenzlücke. Forschung zeigt, dass Lehrende ihre KI-Kompetenz systematisch überschätzen — eine Lücke von etwa 40% zwischen Selbstauskunft und Leistung —, doch kurze Schulungsinterventionen (etwa vierstündige Prompting-Workshops) können wesentlich höhere KI-Integration im Kursraum erzeugen. Das macht Lehrkräftevorbereitung und Lehrkräftebildung zentral für erfolgreiche K-12-KI-Integration.

Vier Chancendomänen

Der systematische Review konsolidiert, was GAI in Schulen tun kann, in vier wiederkehrenden Domänen:

• Personalisiertes Lernen. GAI schneidet Lernerfahrungen auf individuelle Bedürfnisse, Tempo und Bereitschaft zu — der Flaggschiff-Vorteil, dokumentiert über Begleitersysteme und adaptive Plattformen.
• Lesbarkeit und Curriculum-Ausrichtung. Bird (2026) fusioniert Transformer-Textklassifikation mit computational-linguistics-Merkmalen, um englische Literatur nach UK Key Stage zu klassifizieren (F1 0,996), verpackt in eine No-Code-Web-App, damit Lehrende Lesematerialien am Niveau der Lernenden ausrichten können — eine konkrete, fachrelevante (englische/literarische) Ergänzung zur STEM-lastigen K-12-Evidenzbasis.
• Motivation und Engagement. Werkzeuge wie ChatGPT machen Lernen für jüngere Lernende engagierter und unterstützen Engagement und Motivation —, wenngleich der Review auch warnt, das könne in übermäßige Reliance und technologische Abhängigkeit kippen.

Eine Metaanalyse von 42 Studien qualifiziert das: Der Motivationseffekt war in Schulumgebungen am kleinsten (Sekundarstufe g = 0,360, Primarstufe g = 0,311) gegenüber g = 0,886 an der Universität, wenngleich diese Untergruppen nur auf 9 bzw. 4 Studien ruhen (Fang et al. (2026)).

• Assessment. GAI verbessert Assessmentmethoden, von formativem Feedback bis zu automatisierter Bewertung, wenngleich Bias in automatisiertem Feedback ein lebendiges Anliegen bleibt. Razavi und Powers (2026) erweitern das auf Itemkalibrierung in K-5: Über 5,170 Mathematik- und Leseitems korrelierten GPT-4os Zero-Shot-Schwierigkeitsbewertungen mäßig bis stark mit Rasch-kalibrierten Schwierigkeiten (r = 0,83 Mathematik, r = 0,81 Lesen), waren aber ungleich über Klassenstufen hinweg und nicht besser als ein Klassenstufen-Mittel-Dummy-Regressor für die Klassenstufen K und 1 — eine Bereichsrestriktions-Beschränkung, die für Assessment in frühen Klassenstufen zählt. Ein merkmalsbasierter Ansatz (LLM-extrahierte Merkmale in baumbasierte Modelle) erreichte Korrelationen bis zu r = 0,87, wobei die Zuwächse bei Items früher Klassenstufen am ausgeprägtesten waren.

Eine verwandte Frage ist, welches Modell eine Schule überhaupt betreibt: An NGSS-ausgerichteten Mittelstufen- (1,078 Items) und Oberstufen-Sets (1,150 Items) erzielten neun offengewichtige Modelle aus sechs Laboren meist über 90%, und Modellgröße sagte Genauigkeit nicht vorher — OSS-20b und Nemotron 3 Nano 30b a3 erreichten Modelle, die mehrfach größer waren —, während Itemschwierigkeit hoch und Trennschärfe niedrig lief, was die Autoren fragen lässt, ob der Benchmark zu leicht ist (Schroeder et al. 2026)).

• Innovative Unterrichtspraktiken. Immersive, spielbasierte und kollaborative Ansätze machen Lernen engagierter, wobei konstruktionistische und projektbasierte Modelle besonderes Versprechen zeigen. Ein konkretes klassenraumweites Beispiel ist der Community Builder (CoBi), ein KI-System zur Unterstützung von Zusammenarbeit, das über sechs Mittelschulkursräume eingesetzt wurde und Spracherkennung nutzte, um „erhebende" Diskurse in Kleingruppen zu visualisieren — Evidenz dafür, dass Echtzeit-Sprach-KI in lauten K-12-Umgebungen machbar arbeiten kann, um die relationale Dimension des Lernens zu unterstützen.

Imperativ kultureller Relevanz

LLM-unterstütztes Curriculum-Design zeigt Versprechen, Materialien zu diversifizieren — in einer Studie fanden 78% der Lehrenden KI-Vorschläge hilfreich für kulturell relevante Pädagogik. Die meisten KI-Werkzeuge zentrieren jedoch dominante Perspektiven, was absichtsvolles gerechtigkeitszentriertes Design erfordert, um zu vermeiden, Chancenlücken zu erweitern.

Übersetzung von Politik in Praxis

Institutionelle GenAI-Politikdokumente ermangeln weitgehend an Umsetzungsanleitung. Der systematische Review unterstreicht, dass ministerielle Leitlinien zu Ethik und Datenschutz unterentwickelt bleiben, was das policy-to-practice-Übersetzungsproblem wiederholt: Erfolgreiche Modelle verwandeln Politikdokumente in umsetzbare Lehrkräftebildungsmodule und überbrücken das „Was" (Politik) und das „Wie" (Prompting-Instruktion).

Maßstab und Gerechtigkeit

KI-Einsatz in K-12 operiert auf gesellschaftlichem Maßstab — Millionen von Lernenden, Pflichtschule, und erhebliche Gerechtigkeitsimplikationen. Gerechtigkeitsforschung untersucht, ob KI Chancenlücken erweitert oder verengt, einschließlich Zugang und inklusiver Unterstützung für Lernende mit Behinderungen — eines der acht untererforschten Gebiete des Reviews.

Acht Forschungslücken

Ein innovativer Beitrag des Marzano-Reviews ist seine ausdrückliche Aufzählung von acht untererkundeten Forschungslücken, die eine K-12-GenAI-Forschungsagenda prägen: (1) ein Mangel an konkreten Beispielen für KI im Unterrichten zur Konstruktion von Unterrichtseinheiten; (2) ein Bedürfnis nach praktischer, täglicher Lehrkräftebildung auf Basis ständiger KI-Anwendung; (3) Fähigkeiten in machine learning und eine Balance zwischen Fächern, mit überrepräsentiertem STEM; (4) ein Mangel an Studien und Experimenten in Europa; (5) ein Bedürfnis, die Rolle der Lehrenden zu definieren und spezifische pädagogische Rahmenwerke wie TPACK oder AI4K12 zu schaffen; (6) Inklusivität und Unterstützung für Lernende mit Behinderungen; (7) eine Verbindung mit pädagogischen Theorien und innovativen Methodologien; und (8) Anwendungen aufkommender Technologien wie Wearables, Robotersteuerung und mobile Kommunikation.

Verbindungen

K-12 verbindet sich mit pädagogischer Sicherheit (Kinderschutz), KI-Kompetenz (Kompetenz der Lernenden), Rolle der Lehrenden (K-12-Lehrkräftetransformation), Gerechtigkeit in der KI-Bildung (Zugangslücken) und Sonderpädagogik (Bedürfnisse vielfältiger Lernender). Seine systematische-Review-Evidenzbasis verbindet sich mit Metaanalysen und systematischen Reviews als Methode, und sein Fachungleichgewicht-Befund verbindet sich mit STEM, Geisteswissenschaften und früher Kindheit und Grundschule.

Implikationen für Lehrende in K-12

• Priorisieren Sie kindersichere Leitplanken. KI-Nutzung in K-12 verlangt stärkere Sicherheitsschutzmaßnahmen — nutzen Sie Werkzeuge, die spezifisch für Kinder gebaut und geprüft sind (EduZone, EduGuard), und seien Sie wachsam für die Schäden ungeleiteter Tutoren (Forschung zu Tutorschäden).
• Bauen Sie KI-Kompetenz altersangemessen auf. Nutzen Sie Curricula und Rahmenwerke, die für jüngere Lernende gestaltet sind (K-12 AI literacy modules), und nehmen Sie nicht an, Lernende kämen mit Wissen über verantwortungsvollen Umgang an.
• Schließen Sie die Lehrkräftekompetenzlücke. Lehrende überschätzen ihre KI-Kompetenz systematisch (~40% Lücke zwischen Selbstauskunft und Leistung), dennoch erzeugt kurze Schulung (etwa vierstündige Prompting-Workshops) wesentlich höhere KI-Integration im Kursraum — investieren Sie in Ihre eigene Vorbereitung (KI-Kompetenz von Lehrkräften, Lehrkräftebildung).
• Halten Sie Schulung kontinuierlich und praxisgegründet. Die Kernempfehlung des systematischen Reviews ist, dass Lehrkräftebildung nicht einmalig sein kann — sie muss kontinuierlich, kollaborativ und auf ständiger täglicher KI-Anwendung basierend sein, nicht auf abstrakter Theorie.
• Diversifizieren Sie Materialien absichtsvoll. KI ist stark in der Erzeugung kulturell relevanter Materialien (78% der Lehrenden finden Vorschläge hilfreich), aber Werkzeuge sind auf dominante Perspektiven voreingestellt — nutzen Sie KI aktiv, um Repräsentation zu erweitern, nicht zu verengen, und hüten Sie sich vor Chancenlücken.
• Beobachten Sie das Lernstraferisiko. Evidenz zeigt, dass KI-Arbeit auszulagern Lernen schaden kann, besonders bei älteren Lernenden (cognitive surrender, homework-outsourcing penalty) — gestalten Sie Aufgaben, die kognitive Arbeit in der Schleife halten, und bewerten Sie für dauerhaftes Verständnis, nicht nur für Abschluss.
• Unterscheiden Sie eine produktive Verlangsamung von einer Strähne. Ein randomisiertes Feldexperiment mit 6.000+ Mittelschullernenden fand, dass KI-Unterstützung Fortschritt verlangsamte, aber die Korrektheit des nächsten Versuchs nach Fehlern erhöhte, während eine Drei-richtig-hintereinander-Regel die Plattformbeherrschung um etwa 28,7 Prozentpunkte hob, ohne einen verzögerten Test eine Woche später zu verbessern (Oreopoulos et al. (2026)).
• Gestalten Sie Lehrkräftewerkzeuge für Urteilsvermögen, nicht Volumen. Mehr KI-Information ist nicht besser: Echtzeit-Alarme erweiterten das Bewusstsein der Lehrenden, überlasteten in manchen Studien aber die Aufmerksamkeit oder zogen den Fokus von ihrer eigenen Beobachtung ab, und eine einzelne Lehrkraft kann nicht auf mehr Interventionsziele einwirken, als sie physisch erreichen kann (Lee 2026). Werkzeuge, die priorisieren und erklären, was zu tun sich lohnt, und Lehrende Empfehlungen annehmen, revidieren, verschieben oder ablehnen lassen, passen besser zur Arbeit als Dashboards, die alles an die Oberfläche bringen —, und die strukturellen Bedingungen (Reviewzeit, Klassengröße, Unterstützungspersonal) sind Teil der Intervention, nicht Hintergrundlogistik.
• Gehen Sie über STEM hinaus. Die Evidenzbasis tendiert stark zu STEM; Lehrende und Forschende in Kunst und Geisteswissenschaften haben eine überproportionale Gelegenheit, die fachbalancierte Evidenz zu erzeugen, die dem Feld fehlt.
• Übersetzen Sie Politik in Praxis. Institutionelle GenAI-Politikdokumenten ermangeln oft an Umsetzungsanleitung; verwandeln Sie Politik in konkrete, umsetzbare Kursraumpraktiken und Schulung (policy-to-practice).

KI-Übernahme und Skepsis in K-12

• Wenn KI in Schulen eintritt, wird das Personal, das sie betrifft, zunehmend gedrängt, konversationelle KI zur Übernahme zu konsultieren. Ein algorithmisches Audit von zehn Frontier-LLMs prüfte eine KI-skeptische ländliche K-12-Persona und fand, dass acht von zehn Modellen Bedenken anerkannten, bevor sie zu KI-Engagement-Rahmungen umlenkten — ein modellabhängiges Designergebnis statt eine unvermeidliche Eigenschaft von LLMs. Vertrauen, Skepsis und menschliche Aufsicht sind daher zentral dafür, wie ländliches und anderes K-12-Personal KI begegnet.

Verbundene Konzepte

• Pädagogische Muster — The level of the productive-failure, conceptual-change and oral-assessment studies
• Frühkindliche Bildung — Frühe Kindheit und Grundschule in der KI-Bildung
• Pädagogische Sicherheit — Kindersichere Leitplanken für KI-Interaktionen mit jüngeren Lernenden
• KI-Kompetenz — Altersangemessenes Studierendenverständnis und verantwortungsvoller KI-Gebrauch
• Lehre — Lehrkräftetransformation und KI-Integration in K-12-Kursräumen
• Gerechtigkeit — Ob KI K-12-Chancenlücken erweitert oder verengt
• Sonderpädagogik — Bedürfnisse vielfältiger Lernender bei KI-Nutzung in K-12
• Scaffolding (Gerüstbildung) — Unterstützungsstrukturen für KI-assistiertes Lernen in K-12
• Personalisiertes Lernen — Zugeschnittener Unterricht, ermöglicht durch KI auf Schulebene
• MINT-Bildung — KI-Kompetenz und Werkzeuge über K-12-Wissenschaft, Technik, Ingenieurwesen, Mathematik
• Generative KI — Die Kerntechnologie hinter K-12-KI-Werkzeugen und -Curricula
• Berufliche Weiterbildung — Schulung und Weiterbildung von Lehrenden für KI im Kursraum
• Soziokulturelles Lernen — Soziale und kulturelle Dimensionen von KI-Lernen in K-12
• Metakognition — Über das Denken nachdenken; zentral für dauerhaftes Lernen im KI-Zeitalter
• Lehr- und Curriculumsentwicklung — Laufende professionelle Entwicklung für Lehrende
• Lerndesign — Lektionen und Materialien mit KI-Unterstützung gestalten
• Aktives Lernen — Kognitive Arbeit in der Schleife halten, wenn KI genutzt wird
• Informatisches Denken — Grundlegende K-12-Fähigkeit und KI-Curriculum-Ziel
• Intelligentes Tutoring — KI-Tutoringsysteme für jüngere Lernende
• Metaanalyse und systematischer Review — Die systematische-Review-Methode hinter der K-12-Evidenzbasis
• Bildung in Geistes- und Sozialwissenschaften — Fachbalance-Gegenstück zur STEM-lastigen K-12-KI-Evidenz
• Eltern und Familien
• Kognitive Kapitulation

Verbundene Artikel

• Generative Artificial Intelligence (GAI) in Teaching and Learning Processes at the K-12 Level: A Systematic Review — Systematic review of generative AI in K-12 teaching and learning (Marzano 2026)

• Pedagogy first, technology second: Cross-level relationships between teacher professional knowledge and student — Cross-level effects of teacher AI knowledge (TAIK, TPAIK) on student learning in secondary AI education (Shen et al. 2026)

• Does school-based AI education narrow readiness gaps? The role of prior agency-related learning — School AI education narrows psychological but not cognitive readiness gaps

• AI Tutoring is Not a Monolith: What We Actually Know — AI Tutoring is Not a Monolith: What We Actually Know (Stanford SCALE/NSSA brief)

• AI-Supported Problem-Based Learning for Enhancing Computational Thinking — KI-assistiertes projektbasiertes Lernen und computational thinking

• Virtual Tutoring with Computer-Assisted Learning: An Experiment in Take-Up and Learning — Virtual tutoring with CAL: an experiment in take-up and learning

• Making AI Tutoring Productive: Evidence from a Mastery-Based Math Practice Experiment — Making AI tutoring productive: mastery-based math practice

• One Click Away: AI Tutoring with Khanmigo in a Two-Year School Experiment — One Click Away: Khanmigo in a two-year school experiment

• EduZone: A Framework for Evaluating LLM Safety for K-12 Students and Teachers — EduZone: child-safe LLM interaction platform for K-12

• EduGuard: A Safe RAG-Based LLM Tutor for Programming Education — EduGuard: safe RAG-based LLM tutor guardrailing

• SafeTutors: Benchmarking Pedagogical Safety in AI Tutoring Systems — Research on harms of unguarded AI tutors for children

• Learning to Use AI for Learning: Teaching Responsible Use of AI Chatbot to K-12 Students Through an AI Literacy Module — K-12 AI literacy modules on prompting

• The Evidence Base on AI in K-12: A 2026 Review — The K-12 AI evidence base aggregated at scale

• ECNUClaw: A Learner-Profiled Intelligent Study Companion Framework for K-12 Personalized Education — K-12 personalized AI companions

• A Guiding Framework for K-12 Teachers in Creating AI-powered Learning Technologies through Vibe Coding — Vibe-coding framework empowering teachers to build AI tools

• Rethinking Elementary Education's Writing Instruction in The Age of Generative AI: A Systematic Review — Systematic review: GenAI and elementary writing

• Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education — Rapid review: GenAI and PreK-12 learners (271 papers)

• Faster Completion, Less Learning: Generative AI Reduced Study Time on Math Problems and the Knowledge They Build — Cognitive surrender strongest for high schoolers, absent for Grade 5

• The Generative AI Learning Penalty: Evidence from Chinese Secondary Education — The generative AI learning penalty: homework outsourcing harms learning

• Marked Pedagogies: Examining Linguistic Biases in Personalized Automated Writing Feedback — Marked Pedagogies: bias in automated feedback for middle-school writing

• Code to Learn with Generative AI: A Theoretically Grounded Framework for Artifact Construction in Upper-Secondary Education — CtL-GenAI: constructionism framework for artifact construction

• Beyond “painting in pink”: A critical case study of all-girls generative AI workshops in a European makerspace — All-girls GenAI makerspace workshops and gender equity in computing

• Transforming clicks into critical thinking: An AI-based media literacy program for children — AI-based critical media literacy program for children

• What differentiates educational literature? A multimodal fusion approach of transformers and computational linguistics — Multimodal fusion for classifying educational literature

• Estimating Item Difficulty Using Large Language Models and Tree-Based Machine Learning Algorithms — Estimating item difficulty using LLMs and tree-based ML

• A Feasibility and Implementation Integrity Study of the Community Builder (CoBi): An AI-based Collaboration Support System in K-12 Classrooms

• Ask Me Anything: Exploring Children's Attitudes Toward an Age-tailored AI-powered Chatbot

• Teacher intervention in K-12 AI-based instruction: a systematic review of processes, strategies, and effects — Teacher intervention in K-12 AI-based instruction: a systematic review

• A Benchmark for LLM's Understanding of Middle School and High School Science Topics — A Benchmark for LLM's Understanding of Middle School and High School Science Topics

• Effects of generative artificial intelligence on students' learning motivation: evidence from a meta-analysis — Metaanalyse der Wirkung von GenAI auf Motivation, am kleinsten in Schulumgebungen (Sekundarstufe g = 0,360, Primarstufe g = 0,311)