En esta página
Actualización semanal de investigación en IA educativa #3
Esta es una traducción automática de la página en inglés y todavía no ha sido revisada por una persona hablante nativa.
Un resumen semanal de la Base de conocimiento sobre IA en educación, sobre lo que significa la investigación publicada en la última semana para docentes, desarrolladores, investigadores y administradores.
Desde el número anterior, se han incorporado 159 nuevos estudios, ocho nuevas páginas de conceptos, dos nuevas preguntas frecuentes y tres nuevos recursos a la base de conocimiento, que ahora contiene 2.085 resúmenes de artículos, 230 páginas de conceptos, 44 preguntas frecuentes y 40 recursos. Busca o usa la IA para conversar con la base de conocimiento.
Contenido
- Aspectos principales y preguntas
- Nuevas preguntas frecuentes
- Nuevos conceptos
- Nuevos recursos
- Para docentes
- Para desarrolladores
- Para investigadores
- Para administradores
- También añadido esta semana
- Notas del sitio
- Seguir la actualización
Aspectos principales y preguntas
- ¿Puede la retroalimentación con IA sustituir la de un docente? La retroalimentación generada por IA y la retroalimentación del docente mejoraron por igual las revisiones de ensayos en un ensayo aleatorizado con 312 escritores de primer año, pero la del docente aumentó más la motivación gracias a la conexión del estudiante con la persona que la daba. La IA puede encargarse de una pasada de revisión; el docente sigue aportando la relación.
- ¿Puede un chatbot de apoyo sustituir a un compañero? Un chatbot de apoyo rindió igual que el diario personal para reducir la soledad en un ensayo aleatorizado con 296 estudiantes de primer año; un compañero asignado al azar sí la redujo. El bot expresó más empatía mientras los estudiantes devolvieron menos, así que mide la soledad en sí.
- ¿Cambia un módulo breve de ética el juicio sobre la IA? Un módulo de ética de la información de cuatro semanas elevó las puntuaciones de los estudiantes en escenarios de juicio ético relacionados con la IA en un ensayo que aleatorizó 16 clases, con cerca del 60% de la mejora mantenida cuatro semanas después y mayores ganancias entre quienes más usaban la IA. La enseñanza basada en casos parece prometedora.
- ¿Mejora el trabajo creativo más ayuda de la IA? Cuatro experimentos aleatorizados con 728 adultos encontraron que, cuando la IA hacía más trabajo, los jueces valoraban peor las propuestas de innovación resultantes, sobre todo porque los participantes hacían menos trabajo cognitivo. Más ayuda se tradujo en un trabajo más débil.
- ¿Puede un juego creado por IA enseñar mejor que una clase magistral? Un juego de rol de misterio superó a la clase del mismo docente en conocimiento y razonamiento jurídico en un ensayo aleatorizado con 84 estudiantes de Derecho. El juego se creó con IA generativa; la comparación fue juego frente a clase, así que el resultado respalda el aprendizaje basado en juegos y deja sin probar el uso de chatbots.
- ¿Cambian la enseñanza los informes sobre el desempeño estudiantil? Se pidió al azar a docentes nuevos en un sistema de tutoría de matemáticas en línea que abrieran un informe de analítica del aprendizaje sobre el desempeño de sus estudiantes en la primera tarea. Abrirlo no cambió la proporción que empezó la siguiente tarea ni las ganancias en pruebas, aunque la finalización de la siguiente tarea aumentó, sobre todo en clases pequeñas.
- ¿Basta con que un calificador de IA coincida con humanos para considerarlo seguro? Una auditoría de seis modelos de IA que calificaban 300 respuestas cortas encontró que todos puntuaban más alto el mismo trabajo cuando se les decía que el estudiante tenía alto rendimiento, entre 0,28 y 0,75 puntos en una escala de diez. La concordancia puede ocultar un sesgo ligado al historial de rendimiento previo del estudiante; omite ese historial.
- ¿Por qué es tan difícil entender el lenguaje generado por IA? El texto de IA abusa de combinaciones de palabras poco frecuentes, verbos denominales, sujetos inanimados, oraciones de relativo de objeto reducidas, sustantivos apilados y dependencias largas porque el entrenamiento posterior para matemáticas, código y razonamiento premia las respuestas comprimidas por encima de las explicaciones claras. La implicación para la educación es que las explicaciones, la retroalimentación y el material de lectura escritos por IA pueden ser más difíciles de procesar para los estudiantes incluso cuando las puntuaciones de legibilidad parecen buenas, un problema para la educación lectora que las fórmulas pasan por alto. [Nota editorial: Como recordatorio, este boletín y la Base de conocimiento sobre IA en educación son generados por IA. El desarrollador del sitio dio una orientación editorial extensa para mejorar la legibilidad y la utilidad; después de esa orientación, el agente de IA aplicó la habilidad Humanizer y siguió una instrucción explícita de escribir en forma afirmativa y evitar la construcción «no X, sino Y».]
Nuevas preguntas frecuentes
Esta semana se añadieron dos nuevas respuestas a las preguntas frecuentes.
¿Cómo puede la IA ayudar a los estudiantes con la lectura y la comprensión lectora?
La respuesta sobre lectura trata las etiquetas de nivel de lectura como conjeturas aproximadas: las valoraciones de unos pocos lectores reales superaron a una fórmula, y una IA a la que se le pide hacerse pasar por estudiante no puede decirte qué tan difícil se sentirá un texto. Usa la IA para encontrar, simplificar y glosar lecturas; luego prueba el resultado con estudiantes y conserva el original al lado.
¿Cómo se manifiestan el sesgo y la injusticia de la IA en la educación, y qué podemos hacer?
La respuesta sobre sesgo pide tasas de error para los grupos que enseñas, no una cifra global de exactitud, porque un promedio puede ocultar una brecha y el fallo puede estar en la calificación, la tutoría, los paneles o la detección. Incluye el informe por grupos y una vía de apelación en la contratación, y corrige el propio proceso.
Nuevos conceptos
Esta semana se incorporaron ocho páginas de conceptos.
Educación lectora
La nueva página sobre educación lectora separa cuatro cosas que a menudo comparten una etiqueta: ayudar a un lector, evaluar la lectura, adaptar un texto y medir la dificultad. Cita un estudio en el que 193 estudiantes valoraron 3.954 frases; el 72,8% las consideró fáciles o muy fáciles incluso cuando las puntuaciones de Flesch decían lo contrario, así que una etiqueta de nivel escolar es una guía débil para saber cómo vivirá el texto un lector concreto.
Reflexión
La nueva página sobre reflexión separa la reflexión del monitoreo en el momento llamado metacognición, y trata si el estudiante escribió la reflexión como la primera pregunta de diseño. En un experimento con 302 adultos, las indicaciones de reflexión duplicaron el tiempo con retroalimentación y redujeron la práctica un 40%, dejando un dominio menor, 65% frente a 79%, así que el momento importa tanto como la indicación misma.
Sesgo de automatización
La nueva página sobre sesgo de automatización nombra el hábito humano que puede convertir una recomendación correcta de IA en una decisión equivocada: aceptar una respuesta que habrías cuestionado si la hubieras alcanzado tú. Reúne los lugares donde eso ocurre en educación, desde las puntuaciones de ensayos y las alertas tempranas hasta la vigilancia de exámenes, y muestra cómo un paso de revisión que solo existe en el papel no logra detectarlo.
Educación cívica y política
La nueva página sobre educación cívica y política traza una brecha en la evidencia y sintetiza el campo. Un análisis de 310 planes de clase generados por IA encontró que el 90% de las actividades pedían solo recordar, comprender o aplicar de forma básica; el 94% apenas tenía contenido multicultural, y ningún estudio del corpus medía el aprendizaje cívico.
Bibliotecas
La nueva página sobre bibliotecas trata la biblioteca como un lugar, un servicio y un grupo de profesionales. Una revisión de 29 estudios encuentra la adopción concentrada en referencia y catalogación, mientras que el piloto Public AI Libraries convierte el acceso compartido y con personal en el argumento de equidad.
Avatares de IA e instructores sintéticos
La nueva página sobre avatares de IA traza los roles que puede ocupar un humano sintético, desde profesor grabado y tutor hasta paciente simulado y examinador. La evidencia es desigual, y una cara realista dice poco sobre el aprendizaje; la transparencia y la confianza importan tanto como el modelo.
Sensores y analítica de la mirada
La nueva página sobre sensores y mirada cubre seguimiento ocular, señales cerebrales y cardíacas, y postura ante la cámara como formas de inferir atención y compromiso y carga cognitiva. El campo es mejor observando a los estudiantes que cambiando la enseñanza, y la página trata la privacidad, el sesgo y la distancia entre una señal corporal y un estado mental como cuestiones centrales.
Alfabetización informacional y mediática
La nueva página sobre alfabetización informacional y mediática trata ambas como un solo problema de enseñanza: la alfabetización informacional pregunta si una fuente merece credibilidad, mientras que la mediática pregunta quién creó un mensaje y por qué. La IA generativa colapsa ambas preguntas porque el texto fluido oculta su origen; la página encuentra poca evidencia sobre un currículo combinado.
Nuevos recursos
Esta semana se incorporaron tres recursos a la biblioteca de recursos.
LearnHarness
LearnHarness es una aplicación de escritorio gratuita y de código abierto en la que agentes de IA descubren lo que un estudiante ya sabe, trazan las ideas necesarias para alcanzar un objetivo, enseñan un paso de razonamiento a la vez y adaptan la práctica.
Learning Commons
Learning Commons publica piezas abiertas para productos de currículo: un mapa de estándares y planes de estudio, herramientas para puntuar texto generado y flujos de trabajo de IA listos para docentes.
Public AI Libraries
Public AI Libraries es un piloto que instala una estación de trabajo compartida de IA en bibliotecas públicas de EE. UU., con chat, generación de imágenes y video, un espacio de programación, una guía educativa y una cuenta privada para cada usuario.
Para docentes
La retroalimentación con IA iguala al docente en las revisiones mientras la motivación queda atrás
La IA y la retroalimentación del docente mejoraron los mismos ensayos en una cantidad similar en un ensayo aleatorizado con 312 escritores, pero la del docente hizo más por la motivación. La diferencia fue la sensación de conexión del estudiante con quien la daba.
Conserva una voz humana alrededor de la retroalimentación. Combina el comentario generado con una respuesta breve del docente, o usa la IA para la primera pasada y al docente para la conversación sobre el trabajo.
Ver también: Retroalimentación con IA a escala
Uno de cada cinco ensayos fue escrito enteramente por el chatbot
Un estudio de 77 escritores universitarios registró cada instrucción, respuesta y pegado. Quince, uno de cada cinco, entregaron ensayos escritos por el chatbot, y la mayoría seguía sintiendo que el ensayo era suyo.
Pide el trabajo intermedio: las instrucciones, las revisiones y una nota breve sobre qué cambió y por qué. Haz visible la delegación mientras aún hay tiempo para enseñar.
Ver también: Rediseñar la evaluación para la era de la IA
Los estudiantes de secundaria usan la IA casi universalmente, y los de menor rendimiento la usan más
Un estudio de un año con 4.062 estudiantes alemanes de secundaria encontró un uso casi universal de la IA: el 95% la usaba, y los de menor rendimiento la usaban más para terminar tareas. Ese patrón predijo menos esfuerzo después.
Eso hace que enmarcar el uso de la IA y el aprendizaje autorregulado formen parte del currículo y se revisen a lo largo del año. Pregunta a los estudiantes para qué sirve la herramienta en esta tarea, y da a los de menor rendimiento una ruta con apoyo que empiece por comprender el trabajo.
Ver también: Reducir la dependencia excesiva de la IA
Un chatbot de apoyo igualó al diario personal mientras un compañero redujo la soledad
En un ensayo aleatorizado de dos semanas con 296 estudiantes de primer año, un chatbot de apoyo rindió igual que el diario personal para reducir la soledad, mientras que un compañero asignado al azar la redujo. El bot mostró más empatía, pero los estudiantes devolvieron menos.
Un bot puede servir como primer contacto útil mientras un compañero o un orientador siguen disponibles. Integra esa vía humana en cualquier servicio de apoyo estudiantil que recomiendes, y mide la soledad en sí.
Ver también: IA, ansiedad y bienestar
Trata una simulación de IA como un ensayo supervisado
Una revisión de 14 estudios encontró que los estudiantes de enfermería valoraban la simulación de IA repetible y de baja presión y reportaban más confianza, sobre todo en comunicación y razonamiento clínico. El realismo, el lenguaje corporal y el retraso de respuesta seguían siendo débiles.
Explica a los estudiantes los límites, exige que verifiquen el contenido generado y haz una puesta en común después. Mantén la interacción humana cuando la comunicación no verbal o la empatía sostenida son el objetivo del ejercicio.
Ver también: Educación en enfermería
El código de los proyectos finales se triplicó mientras los comentarios se mantuvieron estables
Diez semestres de 260 proyectos finales en educación en ciencias de la computación muestran que el código mediano pasó de unas 3.400 líneas a 10.000, mientras que los comentarios se mantuvieron cerca del 8%. Los recuentos de commits subieron; los commits individuales apenas cambiaron.
Evalúa las decisiones de diseño, la explicación del código y la capacidad del estudiante para cambiarlo. El artefacto ahora puede crecer más rápido que el aprendizaje que pretende mostrar.
Ver también: Rediseñar la evaluación para la era de la IA
Para desarrolladores
Sin la figura, un tutor de IA debería negarse
Seis modelos de IA con capacidad de imagen abordaron 376 ítems de matemáticas de secundaria cuyas figuras contenían información clave. Con la figura, el mejor resolvió algo más de la mitad; sin ella, se negaron casi siempre.
Trata una negativa como una señal de contexto faltante. Una puntuación o actualización de perfil producida sin la figura mide otra tarea.
Ver también: Educación matemática
Un tutor de escritura que hace preguntas y deja la escritura a los estudiantes
MAIKE hace preguntas y diagnostica argumentos, y deja el texto del ensayo al estudiante. Entre 65 estudiantes de secundaria, la mejora igualó a la de un chatbot de control, del 40% al 41%, pero los usuarios de MAIKE dedicaron más turnos a las ideas y ninguno empeoró.
Mide si una idea discutida en el chat se convierte en una revisión. Una herramienta de educación en escritura que solo mejora el texto final puede saltarse el razonamiento que la tarea existe para construir.
Ver también: Enseñanza de la escritura con IA
Amplía y resalta la diapositiva mientras corre la narración
GuideSlide narra una presentación y usa visualización para ampliar la parte que se discute. En un estudio con 24 personas viendo en teléfonos, la carga mental bajó, la comprensión subió de 5,5 a 6,5 sobre 9, y 21 de 22 lo prefirieron.
La ventaja un día después no fue estadísticamente significativa, así que el estudio respalda la atención mientras se mira; el aprendizaje duradero sigue sin probarse. Integra las señales en la propia narración.
Ver también: Diseñar la IA en el aprendizaje
Un detector ajustado puede desidentificar texto estudiantil sin el sesgo de nombres
Cinco herramientas se probaron con 13.613 archivos de texto de estudiantes. Un GPT-4o-mini ajustado encontró cerca del 96% de los detalles identificativos a aproximadamente un sexto del precio por token de Azure, pero las herramientas de Microsoft fallaron más a menudo con nombres africanos y asiáticos.
Entrenar con diez transcripciones funcionó en un conjunto nuevo, así que el enfoque se traslada. Presupuesta la segunda comprobación cuando la precisión importe e informa los grupos que tu herramienta pasa por alto.
Ver también: Política institucional de IA
El análisis de video alcanzó una concordancia humana, con una persona aún en el circuito
GAIVA transcribe, etiqueta e interpreta video de aula para analítica del aprendizaje. En cinco grabaciones, sus etiquetas coincidieron con revisores humanos casi tanto como dos revisores entre sí, y reveló un tipo de participación que la teoría original no nombraba.
Trata el modelo como un socio de codificación con un prompt trazable y una decisión humana en cada etapa. El modelo también saca a la luz patrones que un revisor humano quizá no habría buscado.
Ver también: Investigación educativa asistida por IA
Para investigadores
Un efecto promedio grande todavía puede significar ningún beneficio fiable
Una revisión de cuatro estudios controlados con 420 estudiantes de computación e ingeniería encontró una mejora promedio grande, pero los estudios discreparon mucho y el rango probable incluía ningún beneficio. La evidencia se calificó como muy incierta.
Trata un promedio grande de cuatro estudios distintos como una hipótesis sobre tu curso. Prueba el aprendizaje personalizado donde se aplicará y di con claridad cuán incierta es la evidencia.
Ver también: Qué significa el aprendizaje personalizado
Un calificador de IA que conoce el expediente del estudiante puntúa el mismo trabajo de forma distinta
Seis modelos de IA calificaron las mismas 300 respuestas cortas con una nota verdadera y otra intercambiada sobre el rendimiento previo. Todos los modelos puntuaron más alto el mismo trabajo con la etiqueta alta, entre 0,28 y 0,75 puntos en una escala de diez.
Esto es contexto del estudiante comportándose como un sesgo. Informa el efecto del contexto junto a la cifra de concordancia y prueba la calificación sin el expediente del estudiante antes de llamar fiable a un modelo.
Ver también: Equidad y fiabilidad de la calificación con IA
Un tutor de aspecto justo puede ocultar una brecha de habilidades del 26%
Dos años de registros de 8.549 estudiantes que usaban MATHia, un tutor adaptativo de matemáticas, mostraron que los estudiantes que aún aprendían a leer dominaban habilidades al 68,7% frente al 77,6%, mientras que la medida global de equidad parecía casi neutra. Una habilidad ocultaba una brecha del 26% en el dominio previsto.
El tutor no tenía un componente de habilidad lectora, así que la educación lectora era un factor ausente en un sistema de matemáticas. Modela la habilidad e informa las brechas en el nivel donde un docente intervendría.
Ver también: Sesgo y equidad de la IA en educación
Los falsos positivos de la detección son un problema de gobernanza
Una revisión de 90 estudios encontró que los detectores de IA señalan escritura legítima a tasas que no se pueden agrupar, porque las herramientas, los umbrales, los conjuntos de datos y los idiomas difieren. Resúmenes, revisiones de literatura, respuestas de examen, texto traducido y prosa editada seguían siendo señalados.
El remedio es procedimental: uso transparente, revisión humana, alfabetización en IA, una política institucional explícita y una vía de apelación. Eso pertenece a la gobernanza, con los ajustes del detector como una parte.
Ver también: ¿Deberíamos usar detectores de IA?
Coincidir con calificadores humanos aún puede dejar escapar el trabajo
Veintidós modelos de IA calificaron 100 ítems por tarea en respuestas cortas, código y ensayos. La mayoría coincidió con humanos en respuestas cortas, cuatro igualaron o superaron a los humanos en código, y ninguno alcanzó el nivel humano en ensayos.
Una cifra alta de concordancia puede coexistir con un calificador de IA que califica la nota en lugar de la respuesta. Añade respuestas alteradas a la evaluación e informa dónde se aparta el modelo del trabajo.
Ver también: Equidad y fiabilidad de la calificación con IA
Para administradores
La evidencia sobre tecnología educativa para estudiantes neurodivergentes está concentrada y liderada por investigadores
Una revisión de 93 estudios encontró que el autismo dominaba la evidencia sobre tecnología educativa para estudiantes neurodivergentes con un 39,8%, por delante de la discapacidad intelectual, el TDAH y la dislexia. La realidad extendida (RV y RA) fue lo más estudiado; los resultados sociales y entre pares recibieron menos atención, y los niños tuvieron poca voz.
Pide el resultado que le importa al aula y por los estudiantes incluidos en la evaluación. Una afirmación validada solo por investigadores puede alejarse de las personas a las que pretende servir.
Ver también: IA para estudiantes con discapacidad y neurodivergentes
Los estudiantes querían un asistente institucional para la retroalimentación
Un programa de co-diseño de 13 meses con 315 estudiantes y 20 miembros del personal encontró que el 73% valoraba la retroalimentación disponible las 24 horas vinculada a sus estudios. Las tarjetas y los cuestionarios recibieron comentarios más positivos que el chat abierto, y 16 de 18 probadores beta querían el asistente.
El 10% al 15% que se resistió por motivos de valores plantea el riesgo de adopción. Trata sus preocupaciones como sustantivas. Explica cómo se manejan los datos de los estudiantes y qué no puede hacer el asistente antes del piloto, y dales una vía para no participar.
Ver también: Diseñar la IA en el aprendizaje
La vigilancia de exámenes detecta trampas y traslada el costo a los menos favorecidos
Una revisión de 32 estudios encontró que la vigilancia con IA detecta suplantación y trampas, pero los falsos positivos, los fallos de iluminación y ancho de banda, la ansiedad y los daños a la privacidad recaen con más fuerza sobre los menos favorecidos. La vigilancia automatizada representó el 59% de los estudios.
Los revisores recomiendan la evaluación alternativa y una combinación de supervisión humana y automatizada. Reduce el examen en línea de alto riesgo antes de añadir otro detector.
Ver también: Política institucional de IA
Un informe de panel aumentó la finalización, no las puntuaciones de las pruebas
Se pidió al azar a docentes nuevos en un tutor de matemáticas en línea que abrieran un informe de analítica del aprendizaje sobre el desempeño estudiantil en la primera tarea. No cambió la proporción que empezó la siguiente tarea ni las ganancias en pruebas de los estudiantes, aunque la finalización aumentó en clases más pequeñas.
Comprueba si los docentes abren el informe, actúan a partir de él y ven una ganancia de aprendizaje antes de comprar analítica; un aumento de finalización por sí solo no basta.
Ver también: Comprobar si la IA educativa funciona
Casi ninguna institución puede nombrar a quién pertenece la gestión de la IA
Una encuesta a 387 estudiantes y personal en 13 países encontró que solo el 17% conocía un rol designado de gobernanza de la IA. Del resto, el 71% pensaba que era necesario y el 76% esperaba que mejorara su experiencia.
Los encuestados describieron un rol con mandato; un comité sin mandato deja ese rol vacante. Da al responsable autoridad sobre formación, seguridad de datos, revisión ética y estrategia, y publica quién lo ocupa.
Ver también: Política institucional de IA
También añadido esta semana
- 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
La página del journal enumera cada estudio añadido esta semana, incluidos los que no se resumen aquí.
Notas del sitio
El boletín y su feed RSS ya están disponibles también en español: visita el sitio del boletín en español o suscríbete al feed RSS del boletín en español. Para solicitar otra localización, abre un issue o contacta con el desarrollador del sitio.
El sitio es sustancialmente más ligero. El árbol completo de conceptos y preguntas frecuentes ya no se envía dentro de cada página: la barra lateral muestra diez grupos temáticos y obtiene la lista completa solo cuando un lector abre uno, y el panel derecho muestra ocho páginas recientes en lugar de treinta. En todo el build, el HTML bajó de 1,80 GB a 1,26 GB, y el marcado de la barra lateral de 604 MB a 87 MB.
Las traducciones se actualizaron en los 33 idiomas configurados, incluidas las ediciones de árabe, hebreo y urdu de derecha a izquierda. Los resúmenes de artículos siguen solo en inglés.
Las ediciones sin conexión se trasladaron a una nueva ubicación de versiones de GitHub, así que los enlaces antiguos a EPUB y PDF ya no funcionan. Cada sitio de idioma conserva su dirección habitual. Hay archivos EPUB y PDF para los 19 idiomas con enlaces abajo; los otros 14 son solo sitio.
- English: EPUB y PDF
- Español (Spanish): EPUB y PDF
- Français (French): EPUB y PDF
- 中文 (Chinese): EPUB y PDF
- Deutsch (German): EPUB y PDF
- 日本語 (Japanese): EPUB y PDF
- 한국어 (Korean): EPUB y PDF
- Português (Portuguese): EPUB y PDF
- العربية (Arabic): EPUB y PDF
- עברית (Hebrew): EPUB y PDF
- हिन्दी (Hindi): EPUB y PDF
- Русский (Russian): EPUB y PDF
- Українська (Ukrainian): EPUB y PDF
- Italiano (Italian): EPUB y PDF
- বাংলা (Bengali): EPUB y PDF
- اردو (Urdu): EPUB y PDF
- Bahasa Indonesia (Indonesian): EPUB y PDF
- Tiếng Việt (Vietnamese): solo sitio
- Nederlands (Dutch): solo sitio
- Svenska (Swedish): solo sitio
- Dansk (Danish): solo sitio
- Suomi (Finnish): solo sitio
- Norsk bokmål (Norwegian Bokmål): solo sitio
- Română (Romanian): solo sitio
- Magyar (Hungarian): solo sitio
- Čeština (Czech): solo sitio
- Български (Bulgarian): solo sitio
- Slovenčina (Slovak): solo sitio
- Hrvatski (Croatian): solo sitio
- Ελληνικά (Greek): solo sitio
- Polski (Polish): solo sitio
- Kiswahili (Swahili): EPUB y PDF
- Türkçe (Turkish): EPUB y PDF
El código fuente es público en github.com/edtechdev/aied.
Seguir la actualización
Recibe cada número a través del feed del boletín en un lector de feeds, pegando ese mismo feed en Blogtrottr para recibir los nuevos números por correo con la frecuencia que elijas, o siguiéndolo en LinkedIn, donde cada número se publica como un boletín de LinkedIn.
AIEd Research Weekly Update proviene de la Base de conocimiento sobre IA en educación, que genera un agente de IA. Este número fue redactado por ese mismo agente, con orientación editorial del desarrollador del sitio, y cada afirmación anterior enlaza a la página de la que proviene.
La base de conocimiento está dedicada al dominio público bajo una licencia CC0 1.0. Sin derechos reservados.
¿Encontraste un problema con el contenido? Repórtalo en GitHub o contacta al desarrollador del sitio, Doug Holton.