IA en la educación

Esta es una traducción automática de la página en inglés y todavía no ha sido revisada por una persona hablante nativa.

La IA en la educación (AIED): el campo amplio e interdisciplinar que aplica la inteligencia artificial a la enseñanza y el aprendizaje, y que estudia su diseño, su uso, su evaluación y sus consecuencias. Como concepto marco de esta base de conocimiento, la IA en la educación abarca la IA para la educación (usar la IA para mejorar la enseñanza y la evaluación) y la educación sobre la IA (desarrollar la alfabetización en IA y una comprensión crítica). Se sitúa en la intersección de la tecnología educativa, las ciencias del aprendizaje (el campo de investigación empírica que pregunta si quien aprende ha cambiado, y no solo si una herramienta ha funcionado), la informática, la política educativa, la ética y la equidad. Esta página es una introducción al campo y un mapa de todos los conceptos que cubre la base de conocimiento.

Preguntas para reflexionar

• La «IA en la educación» abarca dos direcciones: la IA para la educación (usar la IA para mejorar la enseñanza) y la educación sobre la IA (construir alfabetización y comprensión crítica). ¿Cuál de las dos le resulta más familiar y cuál tiende a pasar por alto?
• La historia del campo se enmarca como una tensión recurrente entre el control y la agencia de quien aprende. Cuando observa cómo se adoptan las herramientas de IA, ¿dónde nota que esa misma tensión se reproduce hoy?
• La IA en la educación se sitúa en la intersección de la tecnología, las ciencias del aprendizaje, la política, la ética y la equidad. ¿Cuál de esas lentes aplica usted de forma natural al evaluar una herramienta de IA y cuál es probable que olvide?
• Esta base de conocimiento organiza el campo en líneas temáticas: pedagogía, teorías del aprendizaje, tecnologías, disciplinas, evaluación, retroalimentación, actores y gobernanza. Si tuviera que mapear su propio uso de la IA, ¿en qué línea se situaría?
• La AIED incluye enseñar al estudiantado a usar la IA de forma crítica como un objetivo en sí mismo. En su contexto, ¿se trata la IA más como una materia que se enseña o como una herramienta que se usa, y ese equilibrio refleja lo que el estudiantado necesita de verdad?
• El estudiantado puede aprender alfabetización en IA usándola de forma crítica, no solo aprendiendo sobre ella. ¿Cómo podría el uso práctico y crítico construir una comprensión que la instrucción pasiva no puede lograr?

Introducción

La IA en la educación es el marco que definen colectivamente todas las demás páginas de concepto. La base de conocimiento organiza el campo en las principales líneas temáticas que aparecen a continuación, cada una con enlaces a las páginas de concepto correspondientes.

Una perspectiva histórica de referencia, la de Mishra et al., recorre la AIED desde la cibernética y la conferencia de Dartmouth de 1956, pasando por los tutores cognitivos y el construccionismo de Papert, y sostiene que los debates actuales sobre la IA generativa reproducen la tensión fundacional del campo entre el control y la agencia.

Cómo se organiza la base de conocimiento: las páginas generales

La cobertura de conceptos de la base de conocimiento se articula en torno a varias páginas generales que agrupan conceptos relacionados en líneas temáticas navegables. Son buenos puntos de entrada para explorar el campo:

• La IA en la educación: esta página, la visión general del campo y el mapa de toda la cobertura.
• Alfabetización en IA: la página general sobre comprender, usar y evaluar críticamente la IA, que abarca la ingeniería de prompts, el pensamiento crítico, la ética de la IA y el uso responsable. Junto a ella, la colaboración entre personas y IA y la IA agéntica enmarcan cómo trabajan juntas las personas y la IA.
• Pedagogías y estrategias de enseñanza: la página general sobre cómo se enseña, es decir, los métodos y las estrategias didácticas en los que opera la IA (aprendizaje activo, aprendizaje colaborativo, aprendizaje basado en proyectos, aprendizaje basado en problemas, aprendizaje experiencial, aprendizaje basado en juegos, método socrático, andamiaje y muchos más), incluido el contexto diferenciado de la enseñanza y el aprendizaje en línea.
• Teorías del aprendizaje: la página general sobre cómo se aprende, es decir, los marcos teóricos (conductismo, cognitivismo, constructivismo, sociocultural, cognitivo, motivacional) que dan forma al diseño y a la evaluación de la IA.
• Tecnologías: la página general de la capa técnica, es decir, los sistemas de IA (LLM, IA generativa, multimodal, robótica) y las técnicas (RAG, ingeniería de prompts, aprendizaje por refuerzo, entrenamiento de modelos, orquestación agéntica) que impulsan la AIED. La familia del modelado de quien aprende (seguimiento del conocimiento, diagnóstico cognitivo, simulación del estudiantado y los sistemas que los aprovechan: tutoría inteligente, aprendizaje adaptativo y aprendizaje personalizado) se agrupa bajo la página general de modelado del estudiantado e instrucción adaptativa, dentro de esta línea técnica.
• La IA en las disciplinas: la página general sobre cómo se aplica la IA en distintas áreas de conocimiento (matemáticas, física, aprendizaje de idiomas, informática, escritura, STEM, ingeniería, empresa, formación del profesorado, profesiones de la salud y más), además de, más allá de las materias académicas, la línea profesional y aplicada que evalúa la práctica demostrada y no solo la corrección (enfermería, tecnología de la información, formación profesional y vocacional, educación en diseño) y los niveles educativos (K-12, educación superior, aprendizaje de personas adultas).
• Evaluación (con las líneas formativa, sumativa, auténtica y automatizada): la página general sobre cómo la IA evalúa a quien aprende y a la vez transforma la validez y la integridad de la evaluación.
• Retroalimentación: la página general sobre cómo se genera, se entrega y se usa la retroalimentación: el bucle de retroalimentación, la calidad de la retroalimentación con IA, la alfabetización en retroalimentación y sus contextos de evaluación (formativa, entre pares, automatizada).
• Actores de la educación con IA: la página general sobre quiénes intervienen: el estudiantado, el profesorado, quienes diseñan el aprendizaje, la administración y quienes elaboran políticas.
• La evaluación de la IA educativa y los métodos de investigación: las páginas generales sobre cómo sabemos si la IA funciona: estudios de eficacia, puntos de referencia, ensayos controlados aleatorizados, metaanálisis y las mejoras en el aprendizaje como medida de resultado central. Quien lea debería sopesar también los límites transversales de este corpus de evidencia.
• Gobernanza de la IA, la política educativa sobre IA y la equidad: las páginas generales de la capa institucional, normativa y de justicia (véanse también la regulación y la privacidad).

Estas páginas generales se enlazan a lo largo de las secciones siguientes; cada línea temática que aparece abajo nombra tanto su página general como los conceptos que la componen.

Las dos dimensiones de la IA en la educación

La investigación sobre la IA en la educación abarca dos direcciones interconectadas:

• IA para la educación: usar sistemas de IA para mejorar la enseñanza, el aprendizaje, la evaluación y la administración. Incluye la tutoría con IA, el aprendizaje adaptativo, el aprendizaje personalizado, la corrección automática de ensayos, la generación automática de preguntas, la evaluación automatizada, la evaluación formativa, la analítica del aprendizaje y los bucles de retroalimentación.
• Educación sobre la IA: enseñar al estudiantado y al profesorado a comprender, usar y evaluar críticamente la IA. El núcleo es la alfabetización en IA, apoyada por la ingeniería de prompts, el pensamiento crítico, la ética de la IA, la educación en gobernanza, la alfabetización digital y el uso responsable.

Estas dos dimensiones no están separadas: usar bien la IA exige comprenderla, y enseñar sobre la IA se enriquece al usarla. Esta colaboración entre personas y IA es un tema central.

Fundamentos de la IA en la educación

Los conceptos transversales y fundacionales del campo anclan la cobertura de la base de conocimiento y aparecen en primer lugar en la barra lateral. Comienzan con un grupo de esenciales, los conceptos por los que debería empezar cualquier lector: el propio marco, las ideas erróneas sobre la IA, la alfabetización en IA, la IA agéntica, la descarga cognitiva, cómo se enmarca el uso de la IA ante el estudiantado, el modo de reducir el mal uso de la IA, la integridad académica, el papel de la docencia, el diseño del aprendizaje y el desarrollo educativo. La línea del campo cubre después su historia, los límites transversales del corpus de evidencia, la filosofía de la IA en la educación, el mapa de teorías y marcos y el desarrollo teórico. Los temas transversales, es decir, la colaboración entre personas y IA, la agencia de quien aprende, la identidad del estudiantado, el pensamiento de diseño, el diseño curricular, el pensamiento crítico y el pensamiento computacional, atraviesan todas las líneas temáticas, porque los modelos mentales inexactos que las personas tienen sobre la IA están antes del mal uso y de una confianza mal calibrada.

Aprendizaje y enseñanza

Cómo apoya la IA la enseñanza y el aprendizaje es el corazón del campo. Entre los conceptos clave están:

• Pedagogías centrales: las pedagogías y estrategias de enseñanza, la página general de la cobertura de métodos didácticos de la base de conocimiento, junto con el aprendizaje activo, el aprendizaje colaborativo, el trabajo en grupo, el aprendizaje basado en proyectos, el aprendizaje basado en problemas, el fallo productivo, el aprendizaje basado en la indagación, el aprendizaje experiencial, el aprendizaje basado en juegos, el aprender enseñando, el andamiaje, el método socrático, la pedagogía crítica, las alianzas pedagógicas, la narrativa, el diseño del aprendizaje, la enseñanza y el aprendizaje en línea y el vídeo en la educación.
• Teorías y procesos del aprendizaje: la página general de las teorías del aprendizaje (conductismo, cognitivismo, constructivismo, sociocultural, cognición distribuida, aprendizaje situado, aprendizaje corporeizado, comunidad de indagación) convive con procesos centrados en quien aprende como el aprendizaje autorregulado, la teoría de la autodeterminación, la motivación, la autoeficacia, el aprendizaje autodirigido, la metacognición, las dificultades deseables, la transferencia del aprendizaje, los conocimientos previos, el compromiso cognitivo del marco ICAP, el texto de refutación, la recuperación, el espaciado y el intercalado y la teoría de la actividad.
• Implicación y experiencia del estudiantado: la implicación del estudiantado, la búsqueda de ayuda, el aprendizaje socioemocional, el bienestar, la creatividad, la resolución de problemas, el aprendizaje para el dominio y la interacción entre el estudiantado y la IA dan forma a cómo el estudiantado encuentra realmente la IA y cómo esta lo afecta.

Tecnologías y técnicas

La página de Tecnologías es la página general de la capa técnica:

• Modelos y técnicas: IA generativa, grandes modelos de lenguaje, generación aumentada por recuperación, modelos multimodales, PLN educativo, aprendizaje por refuerzo, grafos de conocimiento, robots en la educación, IA conversacional, simulación y entrenamiento de LLM pedagógicos. Los métodos subyacentes también importan: el aprendizaje automático es donde se construyen estos sistemas, las tecnologías de habla y voz sostienen la tutoría oral y la práctica de idiomas, la visualización cubre los cuadros de mando y la analítica visual para el estudiantado y el profesorado, y la realidad virtual y aumentada alberga prácticas inmersivas cuya capa visual el modelo ya puede generar. Aquí también tienen cabida estilos de interacción más recientes, y sobre todo el vibe coding, el flujo de trabajo guiado por lenguaje natural en el que la persona describe un programa pidiéndoselo a un LLM y juzga el comportamiento resultante en lugar de leer o editar el código fuente, lo que replantea la programación como un acto de expresión y verificación y rebaja la barrera para que el usuario final construya sus propias herramientas. Los marcos de profundidad de integración como SAMR y las teorías de adopción como el TAM clasifican hasta qué punto se adopta la IA y cuánto transforma la tarea.
• Modelado del estudiantado y sistemas adaptativos: los sistemas técnicos que representan a quien aprende y se adaptan a él se agrupan bajo la página general de modelado del estudiantado e instrucción adaptativa: seguimiento del conocimiento, diagnóstico cognitivo, simulación del estudiantado, tutoría inteligente, aprendizaje adaptativo, aprendizaje personalizado, sistemas de recomendación y rutas de aprendizaje, agentes pedagógicos, tutoría afectiva, computación afectiva, IA con intervención humana y analítica del aprendizaje. Se sitúan en la capa técnica porque son los propios sistemas de IA, distintos de las pedagogías que aplican.

La IA en las disciplinas

La IA se aplica en todas las disciplinas y en todos los niveles educativos. La visión general de la AIED en las disciplinas de la base de conocimiento traza la cobertura por áreas de conocimiento, junto con las ciencias del aprendizaje, que no son una materia que se enseñe, sino el campo de investigación transversal que estudia el aprendizaje en sí y trata el contenido disciplinar como una variable más entre otras:

• Áreas de conocimiento: matemáticas, física, química, biología, informática, ingeniería, STEM, escritura, aprendizaje de idiomas, enseñanza del inglés (EAP/EFL/ESL), didáctica de las ciencias, empresa, economía y gestión, humanidades y ciencias sociales, educación artística, de diseño y de medios, medicina y profesiones de la salud, educación jurídica y las líneas profesionales y aplicadas: enfermería, tecnología de la información, formación profesional y vocacional y educación en diseño.

Niveles y contextos

Una misma herramienta de IA se encuentra con entornos muy distintos, y la base de conocimiento separa el nivel educativo de la pedagogía para que los hallazgos no se trasladen en silencio de uno a otro: centros de K-12, educación infantil y primaria, educación superior, aprendizaje de personas adultas, formación profesional y vocacional, educación especial y formación del profesorado. Entre los conceptos próximos al dominio que cruzan niveles están el diseño universal para el aprendizaje, la neurodiversidad, el aprendizaje multilingüe y el aprendizaje socioemocional.

Evaluación y medición

La IA transforma tanto cómo evaluamos a quien aprende como cómo evaluamos los propios sistemas de IA:

• Evaluación y retroalimentación: evaluación, evaluación formativa, evaluación sumativa, evaluación auténtica, portafolio electrónico, retroalimentación y alfabetización en retroalimentación, calidad de la retroalimentación con IA, evaluación entre pares, evaluación automatizada, corrección automática de ensayos y generación automática de preguntas. Como un modelo ya puede producir trabajo terminado y verosímil a demanda, la base de conocimiento pone en primer plano la capacidad que sigue siendo propia de quien aprende: el juicio evaluativo, es decir, la capacidad de valorar la calidad del trabajo propio, del de sus pares y de la producción de la IA con criterios razonados. Es el constructo en el que convergen varios estudios sobre retroalimentación y evaluación auténtica (la condición de retroalimentación híbrida que supera a la retroalimentación directa de la IA en un experimento realizado en varios centros, la brecha de sostenibilidad de la retroalimentación formativa con IA y el giro práctico de evaluar las decisiones que toma el estudiantado y no solo el producto) y es una razón de fondo para que el rediseño en la era de la IA pase de la detección a tareas cuya integridad resiste la inspección. El trabajo en grupo se evalúa igualmente por el proceso y por el producto, y en él los equipos deben negociar qué tipo de implicación con la IA, y de quién, cuenta como aceptable.
• Medición y validez: validez de la evaluación, IA consciente de la psicometría, medición educativa, teoría de respuesta al ítem, medidas de autoinforme (el instrumento que sostiene buena parte de esta evidencia, y una limitación recurrente), detección de IA, supervisión remota de exámenes e integridad académica.

Métodos de investigación y evaluación

Saber si la IA funciona es una línea temática propia, y la base de conocimiento la trata como tal:

• Métodos de investigación: los métodos de investigación en AIED como página general, con enfoques cualitativos, cuantitativos, mixtos, basados en el diseño y de usabilidad, además de los ensayos controlados aleatorizados, el metaanálisis y la revisión sistemática y el análisis de redes.
• Evaluación de los sistemas de IA: la evaluación de la IA educativa y los puntos de referencia para juzgar la capacidad de un sistema, con las mejoras en el aprendizaje como resultado que importa, y, como contrapeso de cautela, los límites transversales de esta evidencia y cómo leer un solo estudio.

Personas

La IA en la educación cambia el papel de todos los actores. La página de Actores de la educación con IA de la base de conocimiento es la que los cubre a todos:

• Estudiantado: la experiencia del estudiantado, el desarrollo y la preparación profesional y la ansiedad y el estrés ante la IA dan forma a cómo el estudiantado encuentra la IA.
• Familias y comunidades: las familias y progenitores son el público al que los centros se dirigen con más frecuencia cuando hablan de IA y el que menos investigación tiene detrás de esas orientaciones, así que sus preocupaciones forman parte del panorama de actores y no quedan fuera de él.
• Profesorado y marcos didácticos: la competencia del profesorado en IA, el conocimiento tecnológico, pedagógico y disciplinar (TPACK), el SAMR y el desarrollo educativo abordan la preparación y el apoyo del personal docente.
• Quienes construyen las herramientas: los desarrolladores de tecnología educativa, es decir, quienes diseñan productos, desarrollan software, ingenierizan el aprendizaje y diseñan analíticas, y que convierten una capacidad del modelo en algo que una institución puede adquirir. Son un público distinto del profesorado y de la administración mencionados antes, y quedan fuera de las instituciones que adoptan sus herramientas; por eso los valores por defecto, el codiseño y el mantenimiento posterior a la financiación aparecen en esta base de conocimiento como cuestiones pedagógicas y no comerciales.

Instituciones y política

La capa institucional es donde de verdad se toman y se defienden las decisiones sobre IA: la administración y los equipos directivos de las instituciones, la política educativa sobre IA, la gobernanza de la IA, la gestión del cambio como el trabajo de hacer que una adopción perdure, la regulación de la IA y las cuestiones de adquisición y de plataformas que se derivan de la adopción tecnológica, del código abierto y de las plataformas de tecnología educativa, junto con el aprendizaje a lo largo de la vida y la formación profesional.

Equidad, ética y uso responsable

La justicia, el acceso y la responsabilidad son centrales en la IA en la educación:

• Equidad y acceso: la equidad, los efectos diferenciales entre grupos de estudiantes (la pregunta de para quién se cumple un hallazgo), la brecha digital, la mitigación de sesgos, la pedagogía culturalmente relevante, el aprendizaje multilingüe, el aprendizaje inclusivo, la accesibilidad, la tecnología de asistencia, la neurodiversidad, el diseño universal para el aprendizaje y los estudios sobre el Sur global.
• Ética y responsabilidad: la ética de la IA, el mal uso de la IA y el daño al aprendizaje, las cuestiones legales y los riesgos, la declaración del uso de IA, las barreras de seguridad, la privacidad, el riesgo de alucinación, la adulación de la IA, la confianza, la calibración de la confianza, el modo de reducir el mal uso de la IA, cómo se enmarca el uso de la IA ante el estudiantado, la seguridad pedagógica, la sostenibilidad y la descarga cognitiva.

Una revisión sistemática de la literatura sobre ética del campo (Agarwal et al. 2026, 25 artículos) consolida la ética de la AIED en seis valores éticos principales (no discriminación, custodia de los datos, supervisión humana, buena voluntad, explicabilidad e idoneidad educativa) y sitúa las normas éticas en una matriz de actores por valores. Concluye que los usuarios finales son en gran medida pasivos en la literatura ética (las voces del estudiantado están prácticamente ausentes) y pide integrar la ética en el diseño de la AIED y prestar más atención a la dimensión educativa (pedagógica) de la ética de la AIED.

Temas emergentes y transversales

Varios temas atraviesan el campo:

• Confianza y uso crítico: confianza, calibración de la confianza, adulación de la IA, pensamiento crítico, descarga cognitiva, pedagogía crítica y modo de reducir el mal uso de la IA (véase también cómo se enmarca el uso de la IA ante el estudiantado). Cómo deciden el estudiantado y el profesorado adoptar la IA y apoyarse en ella lo modela la investigación sobre la aceptación tecnológica, mientras que los estudios sobre el Sur global ponen en primer plano la equidad y el contexto cultural en la adopción. En términos empíricos, cómo se explica la IA da forma a esa confianza: Feldman-Maggor et al. (2025) mostraron que la IA explicable construye la confianza del profesorado en las recomendaciones de la IA a través de la comprensibilidad, y que las explicaciones impulsadas por el dominio (en el lenguaje del currículo) se aceptan y se confían más que la salida basada en datos sobre la importancia de las variables.
• La evolución del campo: la base de conocimiento recorre la IA en la educación desde los primeros sistemas de tutoría inteligente y el seguimiento del conocimiento hasta la tutoría impulsada por LLM, los agentes y la IA agéntica: un paso rápido de los estudios centrados en la herramienta a marcos sociotécnicos (pensamiento de diseño, diseño curricular, cambio institucional) y de los sistemas escritos a mano a flujos de trabajo dirigidos por la persona usuaria, en los que quien aprende o quien no programa especifica el comportamiento en lenguaje natural (vibe coding). Rismanchian y Doroudi formalizan esta trayectoria con su marco AI×Ed y rastrean artículos a lo largo de cuatro décadas de actas para mostrar que el campo pasó de una mezcla diversa, que incluía una investigación sustancial que trataba la IA como una analogía de la inteligencia y el aprendizaje humanos, a un foco casi exclusivo en usos aplicados, basados en datos y orientados a quien investiga, un giro que el auge de los LLM parece estar revirtiendo en parte (tres de los cuatro artículos sobre «IA como analogía» en AIED 2024 se basaban en LLM).
• Emoción, ansiedad y futuro profesional: la IA induce y moldea respuestas emocionales (la ansiedad y el estrés ante la IA, que abarcan la vigilancia de los exámenes, el miedo a la integridad y el desplazamiento profesional), mientras que el desarrollo y la preparación profesional aborda cómo prepara la educación a quien aprende para un mercado laboral transformado por la IA (véase también el bienestar).

Madurez del campo

La base de conocimiento refleja un campo en rápida evolución: de los primeros sistemas de tutoría inteligente a la tutoría impulsada por LLM y la IA agéntica; de las herramientas de integridad académica centradas en la detección al rediseño de la evaluación; de los estudios centrados en la herramienta a marcos sociotécnicos y centrados en la equidad. El corpus de evidencia insiste cada vez más en métodos de investigación rigurosos, evaluación, diseños experimentales y resultados a largo plazo.

Conexiones

La IA en la educación se conecta con todos los conceptos de la base de conocimiento: es el campo que definen colectivamente todas las demás páginas de concepto. Use esta página como punto de partida para navegar por toda la base de conocimiento.

Conceptos conectados

• AI Literacy — marco: comprender, usar y evaluar la IA
• Human AI Collaboration — marco: cómo trabajan juntas las personas y la IA
• Pedagogies and Teaching Strategies — marco: métodos y estrategias de enseñanza
• Learning Theories — marco: cómo se aprende
• Technologies — marco: modelos, técnicas y sistemas
• AIEd in the Disciplines — marco: la IA en las áreas de conocimiento y los niveles
• Assessment — marco: cómo evalúa la IA al estudiantado y transforma la validez
• Feedback — marco: cómo se genera, se entrega y se usa la retroalimentación
• Stakeholders — marco: quiénes son los actores
• Learners — marco: los conceptos del lado del estudiantado (experiencia, identidad, agencia, interacción, modelos del estudiantado)
• AI Ed Evaluation — marco: cómo sabemos si la IA funciona
• Research Methods in AIED — marco: métodos de investigación sobre eficacia
• AI Governance — marco: la capa institucional y normativa
• Educational AI Policy — marco: política, orientaciones e implementación
• Equity — marco: justicia, acceso e inclusión
• Learning Sciences — el campo empírico que hay detrás de la AIED
• Ethics — las dimensiones éticas de la IA en la educación
• Misconceptions about AI — los modelos mentales que las personas aportan sobre la IA
• Interpreting and Applying AIEd Research — leer un estudio y llevar un hallazgo a la práctica
• Limitations in AIEd Research — límites transversales del corpus de evidencia
• Meta-Analysis and Systematic Review — qué establecen las revisiones y los metaanálisis
• History of AI in Education — cómo evolucionó el campo
• Philosophy of AI in Education — los fundamentos filosóficos
• Theories and Frameworks — el mapa de los nodos de teoría y de marcos
• Theory Development in AI in Education — construir y revisar teoría

Artículos conectados

Revisiones sobre la IA en la educación a escala de todo el campo, es decir, los estudios que examinan todo el campo o todo un nivel educativo en lugar de un solo tema:

• Typology of Generative AI Tools for Education — Typology of Generative AI Tools for Education
• Review of Artificial Intelligence in Education from 2020 to 2025 — Review of Artificial Intelligence in Education from 2020 to 2025
• The Evolution of Research on AI and Education Across Four Decades: Insights from the AIxEd Framework — The evolution of AI-and-education research across four decades (AIxEd framework)
• Control vs. Agency: Exploring the History of AI in Education — Control vs. agency: a history of AI in education
• A systematic review of generative AI in education: Empirical insights from a human–AI interaction perspective — Generative AI in education: systematic review of 56 empirical studies
• Generative AI in Higher Education: A Systematic Review of Opportunities, Challenges, and Pedagogical Innovations (2022–2025) — Generative AI in higher education: systematic review of 125 studies
• The Evidence Base on AI in K-12: A 2026 Review — The evidence base on AI in K-12: a review of 818 papers
• Preparing Learners and Teachers for an AI-Driven Future: Emerging Trends, Pedagogical Challenges, and Critical Perspectives in Pre-University AI Education: A Systematic Literature Review — Pre-university AI education: systematic literature review of 42 studies
• Generative AI technologies and educational outcomes: a comprehensive meta-analysis comparing traditional and AI-driven approaches — Generative AI and educational outcomes: comprehensive meta-analysis
• Building AI Companions that Prioritize Learning over Performance — a research agenda for AI companions built around learning rather than performance