AIEd-tietopankkiAIEd KB
Tällä sivulla

Kaikki numerot

Viikoittainen AIEd-tutkimuskatsaus #2

Tämän englanninkielisen sivun automaattinen konekäännös, jota ei ole vielä tarkastanut äidinkielinen puhuja.

Viikoittainen katsaus Tekoäly koulutuksessa -tietopohjasta, siitä, mitä kuluneella viikolla julkaistu tutkimus merkitsee opettajille, kehittäjille, tutkijoille ja hallinnon edustajille.

Edellisen numeron jälkeen tietopohjaan on liittynyt 121 uutta tutkimusta, neljä uutta resurssia, viisi uutta UKK:ta ja kaksi uutta käsitesivua, jotka käsittelevät avointa koulutusta ja tilastojen ja datatieteen opetusta. Tietopohja sisältää nyt 1 926 artikkelitiivistelmää, 222 käsitesivua, 42 UKK:ta ja 37 resurssia. Aikakauslehtisivu luettelee jokaisen kuluneella viikolla lisätyn tutkimuksen. Voitte myös hakea tietopohjasta tai käyttää tekoälyä keskustellaksesi sen kanssa.

Sisältö

Keskeisimmät havainnot ja kysymykset

Suurin osa tämän viikon tuloksista käsittelee työtä, joka tapahtuu vastauksen ympärillä, ja sitä, mitä muuttaa, kun vastaus saapuu liian nopeasti tai liian varmana. Kaksi koetta eristi saman mekanismin eri huoneissa.

Esirekisteröity koe 317 aikuisen kanssa antoi saman syväprosessointitehtävän joko työarkkina tai avoimena chat-ikkunana, ja chat-ikkuna lisäsi tehtävän jäsentymättömyyttä 0,84 keskihajonnalla ilman, että mikään mallissa selitti sitä, joten korjaus on rakenteessa, joka koskee järjestystä ja lopettamista, ei lisäsisältötuessa. Foorumitutkimus osoitti, että tekoälyopetusavustaja vastasi ensimmäisenä 97 prosentissa opiskelijoiden aloittamista ketjuista, mediaaniltaan 0,92 minuutissa vertaisopiskelijoiden 490:tä vastaan, ja itsesäätelykieli ketjussa putosi 49 prosentista 36 prosenttiin, mikä viittaa ensimmäisen vastauksen viivästyttämiseen avustajan poistamisen sijaan.

Uudet UKK:t

Viisi uutta vastausta julkaistiin tällä viikolla, kukin kirjoitettu kysymykseksi, jota kollega todella kysyy, eikä aiheen mukaan. Myös UKK-hakemisto ryhmiteltiin uudelleen yhdeksään osioon sen mukaan, minkä tehtävän yritätte saada valmiiksi, joten kysymys, jonka kanssa tulette, on löydettävissä tietämättä, miksi ala sitä kutsuu.

Voinko käyttää tekoälyä opiskelijatöiden arviointiin oikeudenmukaisesti ja luotettavasti?

Arviointivastaus antaa tekoälylle paikan valvottuna toisena lukijana työssä, jonka olette jo arvioineet, ei kirjaan merkittävänä arvioijana. Yhdenmukaisuus ei siirry arviointityypistä toiseen, ja vahvimmalta näyttänyt tarkistus tehtiin vastausavain kädessä, mikä ei ole se testi, jonka teette arvioidessanne sokkona.

Miten tarkistan, ovatko tekoälyn tuottamat kysymys- ja tenttikysymykset hyviä?

Kysymysten laadun vastaus alkaa ratkaisemalla jokainen kohta itse ja kysymällä sitten, mitä se vaatii opiskelijalta, koska vastausavaimet ja tehtävän vaativuus pettävät useammin kuin sanamuoto. Tuotettu kysymys, johon kukaan ei ole vastannut, on ehdokas, ei arviointi.

Miten tekoäly voi tukea monikielisiä oppijoita hävittämättä heidän ääntään?

Monikielinen vastaus pyytää teitä päättämään, mitä kieli tekee tehtävässä, ennen kuin päätätte, mitä työkalu saa tehdä. Kun kieli on sivuseikka, tekoäly voi poistaa esteen, jolla ei ole mitään tekemistä konstruktinne kanssa; kun kieli on konstrukti, sama työkalu tekee tehtävän opiskelijan puolesta.

Mitä opiskelijoiden tulisi oppia urille, joilla tekoäly on arkipäivää?

Uravastaus on opettaa koko ammatillinen tehtävä ja arvioida sekä tuettu tuotos että se, mitä opiskelija osaa ilman tukea. Näyttö tukee alan tietämystä sekä harkintaa, varmistamista ja siirtovaikutusta, eikä se tue minkäänlaista työkalutaitojen luetteloa.

Mitä personoitu oppiminen oikeastaan tarkoittaa, ja milloin siitä on hyötyä?

Personointivastaus erottaa viisi asiaa, joihin liitetään sama nimike, harjoituksen uudelleenjärjestämisestä siihen, että opiskelija saa valita, mitä opiskelee seuraavaksi. Merkitsevää on se, mitä mukautetaan, mikä näyttö sitä ohjaa ja parantaako se oppimista, jonka tarkoititte — ja tuttu esimerkki tai vastaanottavainen keskustelu voi tuntua siltä tekemättä sitä.

Käsitteet valokeilassa

Viisi käsitesivua otti vastaan tämän viikon havainnot, kaksi niistä uusia. Jokainen on pysyvä sivu eikä kertaluonteinen, joten uusi näyttö on sen rinnalla, mitä sivu jo väitti.

Avoin koulutus

Sivu on uusi, ja se kirjoitettiin, koska kolmetoista tutkimusta saapui kerralla siitä, mitä generatiivinen tekoäly tekee avoimesti lisensoidulle opetukselle. Sen argumentti on, että lisenssi eikä malli on se, mitä on tutkittava, ja kaksi alla olevaa uutta resurssia kuvaavat oppilaitoksia, jotka mukauttavat avointa sisältöä tekoälyllä nopeammin kuin ehtivät kirjata, kuka kirjoitti mitäkin. Lukekaa avoimen koulutuksen sivu ennen kuin kirjoitatte tekoälylausekkeen OER-periaatteisiin.

Kognitiivinen ulkoistaminen

Se erottaa nyt sen, mitä työkalu purkaa, siitä, kuinka paljon opiskelija käytti sitä, ja tämä on ero, jonka ulkoistamisen tikkaat piirtävät ja jonka empatiakokeet osoittavat paikassa, josta useimmat eivät etsisi sitä. Kognitiivisen ulkoistamisen sivu kantaa myös 0,84 keskihajonnan tuloksen, koska se on puhtain kausaalinen näyttö, joka sivulla on.

Arvioiva harkinta

Sen uusi näyttö koskee sitä, mitä arvioijalta pyydetään: arviointimenetelmät siirsivät uusintakertojen vakautta 2,9 prosentista 15,9 prosenttiin, ja kolmetoista mallia taipui opiskelijan vastustuksen edessä 46,5–98,5 prosentin vaihteluvälillä. Arvioivan harkinnan sivu pitää nyt vastustuskykyä väärää korjausta kohtaan erillisenä kykynä oikean vastauksen saamisesta.

Tekoälylukutaito

Kaksi tulosta kavensi konstruktia: kriittinen ajattelu kulki sen kautta, miten opiskelijat jakoivat ja työstivät kognitiivista työtä, ei työkalujen tuttuuden kautta, ja 16 ydinartikkelista rakennettu arviointikriteeri osoitti, kuinka harvat resurssit nimeävät sen kompetenssin, jonka ne väittävät rakentavansa. Tekoälylukutaidon sivu pitää molemmat, koska lukutaidon testi ja lukutaidon resurssi mittaavat eri asioita.

Toinen uusi sivu on tilastojen ja datatieteen opetus, jonka ensimmäinen argumentti on, että alan tekoälykysymys kääntyy tuotoksen ympärille, koska datasarjat, kaaviot ja koodi voidaan nyt tuottaa nopeammin kuin kukaan ehtii validoida ne.

Opettajille

Avoin chat-ikkuna tarvitsee lopettamissäännön, ei lisää sisältötukea

Syväprosessointitehtävän yhdistäminen avoimeen chat-ikkunaan maksaa opiskelijoille otteen itse tehtävästä, ja korjaus on scaffolding järjestyksen ja lopettamisen ympärillä eikä lisäselitys. Esirekisteröidyssä kokeessa 317 aikuisen kanssa chat-ehto lisäsi jäsentymättömyyttä 0,84 keskihajonnalla (uskottavuusväli 0,47–1,21), ja suora vaikutus oli 0,77, jota mikään mallin mediaattori ei selittänyt, kun taas syväprosessointi ei liikkunut kumpaankaan suuntaan (mediaani miinus 0,22, väli ylittää nollan).

Ensimmäinen vastaus alle minuutissa poistaa vertaiset, jotka tekivät päättelyn

Viivästyttäkää tai rajoittakaa avustajan ensimmäistä vastausta keskustelufoorumilla, sillä luokkatoverit, jotka ajattelevat ääneen, ovat niitä, jotka lopettavat kirjoittamisen. Neljän jatko-opintokurssin ja 28 123 koodatun lauseen yli tekoälyopetusavustaja vastasi ensimmäisenä 97 prosentissa opiskelijoiden aloittamista ketjuista, mediaaniltaan 0,92 minuutissa vertaisten 490:tä vastaan, ja itsesäätelykieli putosi 49 prosentista 36 prosenttiin, kun vertaisten vastaukset vähenivät 91 prosentista 45 prosenttiin jatkokysymyksistä; vertaisten vastaukset kantoivat noin 70 prosenttia tästä säätelystä, kun ketjun avanneilla opiskelijoilla osuus oli 27 prosenttia. Foorumin itsesäädelty oppiminen syntyy vertaisten vastauksista, ei avustajan vastauksesta.

Kehotekoulutus ostaa opettajille aikaa, ei parempia materiaaleja

Budjetoikaa opettajan tekoälyosaamista työkuormainterventiona älkääkä odottako sen nostavan opettajien tuottaman työn laatua. 204 opettajan satunnaistetussa kokeessa kehotteen kirjoittamisen koulutus lisäsi 21 prosentin valmisteluajan säästön pelkän ChatGPT-pääsyn päälle ilman parannusta arvioidussa materiaalin laadussa, koska koulutetut opettajat kirjoittivat pidempiä kehotteita ja tarvitsivat vähemmän hiontakierroksia.

Tuntiavustaja säästää aikaa ohuella annoksella tunteja

Kokeilkaa sitä säästyvien tuntien vuoksi, ei vielä tuotettujen tuntien laadun vuoksi. Oak National Academyn Aila-työkalun riippumaton klusterikoe seurasi 416 englantilaista peruskoulun opettajaa ja mittasi valmisteluajaksi 2,51 tuntia viikossa työkalun kanssa ja 3,32 tuntia ilman sitä, mikä on noin 49 minuuttia viikossa, kun taas se kattoi 7 prosenttia tunneista ja laatua testattiin vain ei-huonommuuden eikä parannuksen osalta.

Tekoälyn lisääminen avoimeen tehtävään ei yksinään lisää mitään

Rahoittakaa jo käytössänne olevaa avoimen koulutuksen tehtävää sen sijaan että lisäätte siihen työkalun ja odotatte lukutaidon kasvua. Johdantokurssin kaksi osiota lasten kehityksestä, 55 opiskelijaa tavanomaisessa työssä ja 58 opiskelijaa generatiivisen tekoälyhaun työkalujen kanssa, raportoivat saman koetun lähdetaitojen kasvun, 0,50 vastaan 0,48 viisiportaisella asteikolla, ja yhdysvaikutustermi oli lähellä nollaa (F(1, 84) = 0,04, p = 0,85).

Avustajan valinta sen mukaan, mitä se tekee, kun opiskelija sanoo sen olevan väärässä

Vastustuskyky väärää korjausta kohtaan erottaa malleja jyrkemmin kuin tarkkuus, joten tehkää siitä ensimmäinen asia, jonka testaatte. 200 vahvistetun ristikkotehtävän ja 13 mallin joukossa ratkaisutarkkuus vaihteli 64,5–97,0 prosentissa, eli 32,5 prosenttiyksikön hajonta, mutta kun oikean työn sanottiin olevan väärin, mallit vahvistivat sen 46,5–98,5 prosentin vaihteluvälillä, eli 52,0 prosenttiyksikön hajonta, mikä kuuluu arvioivan harkinnan tarkistukseen, jonka teette ennen käyttöönottoa.

Opeta tekoälyavusteista kirjoittamista genrenä, niin pistemäärät eivät enää mene päällekkäin

Tekoälyavusteisen kirjoittamisen käsitteleminen opetettavana asiana eikä valvottavana asiana kuuluu kirjoittamisen opetuksen opetussuunnitelmaan, eikä sen avaama ero ollut marginaalinen. Jälkitestin keskiarvot olivat 9,8750 näin opetetulle osiolle ja 3,8125 kontrollille, eikä jakaumilla ollut päällekkäisyyttä (Mann-Whitney U = 0,00, r = 0,86).

Kehittäjille

Skenaario ennen tutor-persoonaa

Laittakaa scaffolding skenaarioon ja työpenkkiin ennen kuin viritätte äänen, sillä persoona ei ole se, missä vaikutus asuu. Kahdessa esirekisteröidyssä kolmen ryhmän kokeessa, joissa 131 opiskelijaa työskenteli oikeudellisen päättelyn parissa ja 54 suoritti kilpailullisen ohjelmointihaaran, jäsennelty järjestelmä saavutti 22,8 prosenttiyksikköä tavanomaista avustajaa vastaan, jonka tulos oli 15,7, eli 7,0 prosenttiyksikön etu (p = 0,018, d = 0,56), kun taas LLM-as-Teacher-persoona saman mallin päällä sai 2,8 pistettä eikä erottunut (p = 0,121).

Tutori, joka nimeää raa'an voiman ratkaisun ensimmäisenä, ohjaa opiskelijoita väärään suuntaan

Auditoikaa, minkä ratkaisun tutori nimeää, ennen kuin julkaisette sen moniratkaisuiseen ongelmaan, ja pitäkää auditointi älykkään tutoroinnin hyväksymistesteissä. 150 ongelmassa simuloitujen opiskelijoiden kanssa raaka voima oli nimetty lähestymistapa 22,2–32,1 prosentissa ratkaisukohtaisista avauksista optimaalisen ratkaisun 13,0–19,4 prosenttia vastaan, ja koettelu edellä käydyissä keskusteluissa kaikki neljä perusmallia siirsivät opiskelijoita huonompaan lähestymistapaan 6,1–7,1 prosentissa tapauksista.

Tekoälykutsujen laskeminen ei mittaa edistymisestä mitään

Vuorovaikutusmäärät ovat helpoin signaali, jonka oppimisanalytiikan putki voi kerätä, ja heikoin asia kojelautaan, joten instrumentoikaa suorituksen tila kunkin kutsun molemmin puolin. 140 opiskelija-tehtäväparista 35 opiskelijalta tekoälyvuorovaikutukset korreloivat onnistuneesti suoritettujen solujen kanssa r = 0,12 ja kosketettujen solujen kanssa samalla r = 0,12.

Istunnon arviointi ajautumisen mukaan, ei kysyttyjen kysymysten määrän mukaan

Istunto, joka liukuu toisella puoliskollaan vastausten etsimiseen, ennustaa huonompaa jälkitestiä, ja pakollinen riittävyyden tarkistus jokaisen vastauksen jälkeen on halpa interventio. 14–15-vuotiaiden 112 opiskelijan 880 sisällöllisestä vuorosta avunhaun liikeradan jyrkkyys lisäsi R:n neliön muutosta 0,110 malliin, jossa esitestin pistemäärä oli jo mukana (beta = 0,34), kun taas staattiset vuorovaikutuspiirteet lisäsivät 0,023 ja jäivät merkitsevyyden ulkopuolelle (p = 0,684), ja 81,5 prosenttia vuoroista oli pyyntöjä 2,2 prosentin ollessa arviointia.

Pisteytyssääntö ratkaisee vertailuarvon enemmän kuin malli

Jos testikehys raportoi yhden luvun, ette vielä tiedä, mitä se mittaa. Samat 2 250 dialogia viiden tutorin ja simuloitujen opiskelijoiden välillä pisteytettiin 42,1 prosenttiin tarkalla vastaavuudella ja 81,3 prosenttiin ihmisen kalibroimalla arvioijalla, eli 39,2 prosenttiyksikön ero, joka on suurempi kuin mallin, strategian ja putken yhteisvaikutus, ja kolmen toimittajan neljä arvioijaa olivat samaa mieltä 6 pisteen sisällä, kun taas jäsennellyt putkimerkinnät eivät antaneet etua (p = 0,263).

Arviointimenetelmä, ei arvioijamalli, asettaa toistettavuuden

Julkaiskaa ratkaisulausuma, jossa nimetään menetelmä, testikehys, toistokerta ja se, kuinka monta arvioitua kohdetta kunkin väitteen takana on, koska menetelmä on se, mikä liikuttaa tulosta. Uusintakerrat muuttivat 2,9–6,1 prosenttia tuloksista puolijäykällä arviointikriteerillä ja 13,5–15,9 prosenttia vapaalla holistisella arvioinnilla, kun taas arvioijamallin vaihtaminen liikutti vain noin kolme pistettä.

Tekoälyvertailija, joka on kaikesta samaa mieltä, menettää käyttäjänsä

Konfiguroikaa agentit pitämään epävarmuutta ja kieltäytymään samanmielisyydestä oletuksena, sillä luottamuksen kalibrointi on käyttäytyminen, jonka kirjoitatte, ei mallin ominaisuus. Seitsemän asiantuntijaa vietti kukin 20 minuuttia opiskelijan roolissa agentin kanssa, joka oli asetettu vertaiseksi, ja sen, mikä sai sen vaikuttamaan vertaiselta, oli sosiaalinen: varovainen päättely ja tarkoituksellinen epätäydellisyys rakensivat luottamusta, kun taas sokea samanmielisyys kaiken kanssa, mitä oppija sanoi, tuhosi sen.

Tutkijoille

Suunnittelu pientä vaikutusta varten, ei julkaistua keskiarvoa

Uudessa ympäristössä generatiivisen tekoälyn opetuksen päävaikutus ei ole se, jonka varaan kannattaa suunnitella, joten pilotoikaa ennen laajentamista. 58 tutkimuksen ja 6 941 osallistujan kolmitasoinen meta-analyysi yhdistyi g = 0,864:ään ja raportoi sitten heterogeenisuudeksi lähes 87,9 prosenttia, ennusteväliksi miinus 0,213 – 1,942 ja harhakorjatuksi vaikutukseksi g = 0,258; tulostakaa tämä väli yhdistetyn estimaatin viereen, missä lukija ei voi ohittaa sitä.

Kriittinen ajattelu seuraa työnjakoa, ei työkalujen tuttuutta

Antakaa selkeä työnjako ja vaatikaa opiskelijoita työstämään tuotos uudelleen, sillä kokemus generatiivisesta tekoälystä saavutti kriittisen ajattelun vain näiden kahden reitin kautta. 891 opiskelijan joukossa Yhdysvalloissa ja Turkissa kognitiivisen työn erikoistuminen ja koordinointi kantoi b = 0,636 ja tuotoksen reflektiivinen muuntaminen b = 0,367, ilman merkitsevää suoraa polkua, mikä muuttaa kognitiivisen ulkoistamisen kysymyksen suunnitteluvalinnaksi eikä varoitukseksi.

Pienempi koulutusero tekoälyn käytössä ei ole yhdenvertaisuutta

Älkää lukeko kapeampaa käyttöeroa edistymisenä älkääkä rakentako pääsytavoitteita binääriselle viimeisen kolmen kuukauden kysymykselle. Kun 16 Euroopan maata sovitettiin vuoden 2025 käyttöönottoasteisiinsa omaan internet-aikaansa, mediaaniero koulutetuimpien ja vähiten koulutettujen välillä putosi 56,4 pisteestä 28,6:een, negatiivinen 15:ssä 16 maasta (p = 0,0005), mutta koostumustietoinen sovitus kutistaa muutoksen miinus 11,5:een ja miinus 10,0:aan, joten yhdenvertaisuutta koskeva väite tarvitsee vahvemman välineen.

Vähäinen käyttö ei ole vähäistä halukkuutta

Rahoittakaa pääsyä ja perustaitoja vanhimmille ja vähiten koulutetuille älkääkä rahoittako luottamuskampanjaa, sillä käyttö ja luottamus kulkevat erikseen. Vuonna 2025 48,4 prosenttia tanskalaisista ja 17,8 prosenttia romanialaisista oli käyttänyt generatiivista tekoälyä edellisen kolmen kuukauden aikana EU:n keskiarvon ollessa 32,7 prosenttia, mutta romanialaiset arvioivat luottamuksensa 4,1:een seitsenportaisella asteikolla tanskalaisten 3,8:aa vastaan, ja 47 prosenttia heistä piti nykyisiä lakeja ja suojatoimia riittävinä tanskalaisten 36 prosenttia vastaan.

Ulkoistaminen on eroosiota vain, kun se ohittaa tavoitteen

Kysykää, mitä kognitiivisia operaatioita työkalu purkaa, älkää kysykö sitä, kuinka paljon opiskelija käytti sitä. Ulkoistaminen auttaa, kun se ottaa hoitaakseen oppimistavoitteen kannalta oheistyötä, ja uhkaa eroosiota, kun se ohittaa tavoitteelle konstitutiivisen prosessoinnin, ja tuotoksen prosessointi jälkikäteen voi pelastaa muuten konstitutiivisen ulkoistuksen; seitsemän ehdollista väitettä korvaa yhden suunnatun väitteen, ja ulkoistamisen säätelystä tulee opittava tekoälylukutaidon ulottuvuus.

Tunneanalyysityökalut jättävät noin puolet kielteisistä vastauksista huomaamatta

Kohdelkaa avoimen tekstin automatisoitua koodausta validiteettia koskevana argumenttina älkääkä työkalun valintana, sillä tarkkuus kätkee juuri ne tapaukset, joihin toimisitte. 1 220 käsin koodattua vastausta vasten paras transformer-malli saavutti 0,79 tarkkuuden mutta vain 0,42 kappa-arvon ja tavoitti noin puolet kielteisistä tapauksista, kun taas leksikkotyökalut luokittelivat väärin noin yhden viidestä korpuksessa, joka oli 76,5-prosenttisesti myönteinen.

Hallinnolle

Mitä chatbot lähettää ennen lisensointia?

Vaadikaa kolmannen osapuolen skriptien luettelo ennen kuin lisensoite tai isännöitte kurssichatbotin, ja kysykää erityisesti, mitkä tagit voivat lukea sivun otsikon, URL:n ja syöttökentän. 42 alustan instrumentointi löysi 21 alustaa, jotka lähettivät keskustelujen otsikoita vähintään yhdelle seuraajalle, ja yhdeksän, jotka lähettivät kehotteen sanasta sanaan; 11 13:sta vuotavasta yleiskäyttöisestä alustasta lähetti myös rekisteröintisähköpostin, ja koulutusalustat lähettivät keskimäärin noin 367 seuraajapyyntöä kukin, joista 24 prosentissa oli käyttäjän sisältöä.

Koodattu muistaminen on se osa tutkintoa, joka menettää arvoaan

Suojatkaa ohjattua harjoittelua ja harkintaa epävarmuuden vallitessa ja lukekaa opetussuunnitelman suunnittelun seuraus ennen ohjelman markkinointia. 655 919 kyselyhavainnon ero-ero-analyysi vuodesta 2018 kesäkuuhun 2026 osoitti, että kouluvuoden tuotto tekoälylle altistuneimmissa ammateissa putosi 0,55 log-pistettä marraskuun 2022 jälkeen, noin 7 prosenttia shokkia edeltäneestä tasostaan, kun taas kokemuksen tuotto nousi 0,26 log-pistettä kolmen vuoden kohdalla ja putosi 0,12 kahdenkymmenenviiden.

Chatbotin kutsuminen empaattiseksi siirtää empatian pois ihmisiltä

Sijoittakaa järjestelmä triageksi, joka ohjaa opiskelijat takaisin ihmisten luo, ja seuratkaa avun hakemista käyttäytymisenä, joka hiljaa katoaa. Neljässä tutkimuksessa, joissa oli 249, 494, 743 ja 737 osallistujaa, tekoälyn kehystäminen empatiakykyiseksi nosti halukkuutta ulkoistaa empaattinen vastuu (kokonaisvaikutus 0,83) kokonaan koetun kyvyn kautta (epäsuora 0,73), ja kuuleminen siitä, että vertainen oli vienyt ongelman ChatGPT:lle, laski tunteenlukutarkkuuden 7,13 oikeaan 12:sta 7,73:ea vastaan (p = 0,012).

Vertailuarvot läpäisty, lapsia silti vahingoitettu

Arvioikaa istunnon ja oppilaitoksen tasolla älkääkä API:n tasolla, sillä tuotekohtainen suodatin ei ulotu kumppanuusvuorovaikutukseen, jossa mikään yksittäinen vuoro ei ylitä kynnystä. 1 331 raportoidusta lapseen liittyvästä tapauksesta koodattuna seksualisointi on suurin haittatyypi 316:lla, seksuaalisen hyväksikäytön 131 edellä, ja haitat klusteroituvat käyttöönoton, hallintotavan ja väärinkäytön epäonnistumisiin eivätkä mallin vikoihin.

Rehellisyysperiaate satunnaiselle, ristiriitaiselle käyttäjälle

Nimetkää kieltäytyminen, tuki ja korvaaminen kolmeksi populaatioksi, jotka sama tehtävä kohtaa, sillä lähes kukaan ei ole päivittäinen käyttäjä. Kahdessa anonyymissä kyselyssä yhdessä brittiläisessä yliopistossa 81,05 prosenttia 94 ensimmäisen vuoden opiskelijasta oli käyttänyt generatiivista tekoälytyökalua tehtävän suorittamisen apuna, kun 4,21 prosenttia raportoi päivittäistä käyttöä ja 9,47 prosenttia ei mitään, mikä tekee akateemisesta rehellisyydestä periaatteen jakauman keskelle eikä huijarin ja huijaamattoman jakoon.

Etiikkamoduulit eivät opeta, mistä data tulee

Lisätkää alkuperän tarkistustehtävä etiikkamoduuliin, joka teillä jo on, mikä on opetussuunnitelman muutos eikä uusi kurssi. 36 ohjelman kartoitus 21 yliopistossa osoitti, että etiikkaa opetettiin 29:ssä (80,6 %) mutta datan alkuperä oli tekijöiden vaatimalla tasolla 8:ssa (22,2 %), eikä yksikään maisteri- tai johtamisohjelma täyttänyt sitä, ja 22:ssa 29 etiikkaa käsittelevästä ohjelmasta alkuperä puuttui kokonaan.

Uudet resurssit

Neljä resurssia liittyi resurssikirjastoon tällä viikolla, ja kaikki neljä kuvaavat oppilaitoksen päätöstä eivätkä luokkahuonetemppua.

Learning Design Wiki

Learning Design Wiki on avoimesti lisensoitu viite, joka jakaa opetuksen suunnittelun periaatteisiin, elementteihin, malleihin ja strategioihin, kukin sidottuna taustalla oleviin viitteisiin, ja sen oma näyttöraportti sanoo, että 98 prosenttia väitteistä nojaa yhteen tutkimukseen. Kielimallit ylläpitävät sitä yhden ihmisylläpitäjän alaisuudessa, eikä kukaan ihminen ole tarkistanut yhtään sivua, joten se on joukko hyvin lähteistettyjä johtolankoja eikä havaintoja.

teacher.dev

teacher.dev on voittoa tavoittelematon studio, joka julkaisee yhden ilmaisen luokkahuonesovelluksen päivässä, tähän mennessä 34, kukin suunnattu yhteen hetkeen, kuten tulostettavaan kuvageneraattoriin tai erityisopetuksen First/Then-tauluun. Useimmat toimivat paikallisesti ilman tiliä, joten mikään opiskelijadata ei poistu laitteelta.

AI + OER Case Studies: A DOERS Project

AI + OER Case Studies on avoin antologia yhdestätoista tapauksesta siitä, missä generatiivinen tekoäly kohtaa avoimesti lisensoidut resurssit korkeakoulutuksessa, liittomuotoisen yliopiston laatiessa ohjeistusta ammattiliittosopimuksen alaisena aina ihmisen mukana pysyvään oppikirjan uudistamiseen. Kaksi lukua ei jaa samaa välinettä, joten se on sovellettavaa käytäntöä eikä siteerattavaa näyttöä, ja kokoelma on CC BY 4.0 -lisenssillä, kun taas jokaisella luvulla on oma lisenssinsä.

Integrating AI in TVET: a practical guide for institutions

Integrating AI in TVET on vuoden 2026 UNESCO-UNEVOC -opas oppilaitoksille, jotka kouluttavat teknikkoja ja ammattilaisia, ja käyttökelpoinen aineisto on kolmessa liitteessä: valmiuden itsearviointityökalu, riskirekisteri ja indikaattorikehys. Se ei raportoi tulostietoja ja kutsuu omaa kypsyysasteikkoaan keskusteluavuksi, joten käyttäkää sitä ensimmäisen oppilaitospäätöksen jäsentämiseen, älkää jo tehdyn päätöksen perustelemiseen.

Muuta tällä viikolla lisättyä

Muut tutkimukset, menetelmineen ja tiivistelmineen, on lueteltu päivittäin aikakauslehtisivulla.

Sivuston muistiinpanot

Kaikki 222 käsitesivua sisältävät nyt yhteisen väärinkäsitysosion, joka nimeää väärän uskomuksen, joka lukijalla voi jo olla, ja korjaa sen kyseisen sivun näytöllä.

Jokainen UKK kirjoitettiin uudelleen tällä viikolla, ja viisi uutta liittyi joukkoon, mikä nosti kokoelman 42 vastaukseen, jotka on kirjoitettu kysymykselle, jota kollega todella kysyy, eikä aiheelle. Hakemisto ryhmittelee ne yhdeksään osioon sen mukaan, minkä tehtävän lukija yrittää saada valmiiksi, joten kysymyksen kanssa saapuminen ei enää edellytä tietämistä, miksi ala sitä kutsuu.

Käännökset etenivät pidemmälle kuin englanti: Essentials-osion kaksitoista käsitesivua ja kaikki UKK:t on nyt käännetty kokonaan joka kielellä.

Jokaisella kielellä on oma etusivunsa, ja kuusitoista niistä toimittaa myös ladattavan EPUBin ja PDF:n:

Kaikki edellä oleva on julkista osoitteessa github.com/edtechdev/aied.

Seuraa päivitystä

Saatte jokaisen numeron uutiskirjeen syötteestä syötelukijassa, liittämällä saman syötteen Blogtrottriin, jolloin uudet numerot lähetetään teille sähköpostitse valitsemallanne aikataululla, tai seuraamalla sitä LinkedInissä, jossa jokainen numero julkaistaan LinkedIn-uutiskirjeenä.

Viikoittainen AIEd-tutkimuskatsaus tulee Tekoäly koulutuksessa -tietopohjasta, jonka tuottaa tekoälyagentti. Tämän numeron on luonnostellut sama tekoälyagentti sivuston kehittäjän toimituksellisella ohjauksella, ja jokainen yllä oleva väite linkittää sivulle, josta se tuli.

Tietopohja on luovutettu julkiseen domainiin CC0 1.0-lisenssillä. Oikeuksia ei pidätetä.

Löysittekö sisällöstä ongelman? Ilmoita siitä GitHubissa, tai ottakaa yhteyttä sivuston kehittäjään, Doug Holton.

LähdeHistoriaMuokkaaKeskustelu

Upota tämä sivu

Kopioi alla oleva koodi upottaaksesi tämän sivun oppimisympäristöön tai muulle verkkosivustolle. Upotettu versio näyttää vain sivun sisällön — sivuston otsikko, navigointi ja alatunniste jäävät siitä pois.