אפקטים דיפרנציאליים בין קבוצות לומדים

תרגום אוטומטי של העמוד באנגלית, שטרם נבדק בידי דובר/ת שפת אם.

אפקטים דיפרנציאליים בין קבוצות לומדים — מה מחקר החינוך באמצעות בינה מלאכותית מוצא על האופן שבו השימוש בבינה מלאכותית ואפקטיה נבדלים בין סוגי לומדים: תלמידים עם מוגבלות ותלמידים נוירודיברגנטיים, לומדים בשפה שנייה ולומדים רב-לשוניים, בנות ובנים, תלמידים מקבוצות מוקטנות, תלמידים מרקע בעל הכנסה נמוכה, תלמידים כפריים, תלמידים דור ראשון, תלמידים בינלאומיים, ולומדים בוגרים. הדפוס שיש לקחת עמו אינו סדוק בשני כיוונים בו-זמנית: חלק מהתילים מחזיקים ראיות אמיתיות (מוגבלות, שפה) בעוד שאחרים קרובים לריק (דור ראשון, בינלאומי, פליט), ואפילו התילים החזקים מקימים לעיתים רחוקות שקבוצה נבדלת — הם מקימים שכלי עזר או פגע במדגם מאותה קבוצה, וזוהי טענה אחרת. עמוד זה ממפה מה שקיים, מה הוא מראה, ואת הסיבות המתודולוגיות לכך שממוצע קבוצתי אינו תחזית על לומד.

שאלות לשימת לב

• הכלי שלכם עובד ברובו עבור התלמידים בכיתה שלכם, ותת-קבוצה של חמישה נאבקה. האם הבדל תת-קבוצה בגודל כזה היה ניתן לגילוי בכלל במחקר מסוג זה — והייתם רוצים לשנות את הכלי עבור כל הכיתה על בסיס ראיה זו?
• מחקר על תלמידים עם מוגבלות מדווח על אפקטים המשתנים לפי קטגוריית מוגבלות. אם שתי קטגוריות יושבות בגדלי אפקט שונים מאוד במטא-אנליזה אותו, מה זה אומר על התייחסות ל"מוגבלות" כקבוצה אחת בהחלטת תכן?
• כמה מחקרים מוצאים שכלי בינה מלאכותית אינם נבדלים לפי מגדר באפקטים שלהם, ועבודה אחרת מראה שמשוב בינה מלאכותית וכתיבה בסיוע בינה מלאכותית כן משחזרים סטריאוטיפים מגדריים כאשר פרסונות או הנחיות נושאות אותם. כיצד שני הדברים עשויים להיות נכונים בו-זמנית?
• רוב עבודת ההוגנות בודקת פרסונות תלמידים מדומות במקום לומדים אמיתיים, מכיוון שמאפייני דמוגרפיה אמיתיים אינם זמינים למודל בזמן ההיסק ברוב הפריסות. מה ביקורת פרסונה נגד-עובדתית יכולה לקבוע, ומה היא אינה יכולה?
• בסיקור התילים בעמוד זה, אילו קבוצות לומדים מיוצגות בפועל במחקרים שמאחורי אימות הכלי שלכם — ומה הייתם עושים לגבי קבוצה שנעדרת?
• התערבות שמעלה תוצאות עבור כולם אך סוגרת פער (ועוזרת לתלמידים שנשארו מאחור ביתר שאת) יש לה סיפור שוויוני שונה מכזו שמעלה את הממוצע. כאשר אתם מעריכים פיילוט, האם אתם מודדים את הפער או את הממוצע?

מבוא

שתי שאלות מסתתרות בתוך "האם בינה מלאכותית עובדת עבור סוג זה של תלמיד?". הראשונה עוסקת באפקטים: האם כלי מייצר תוצאות שונות לקבוצות שונות. השנייה עוסקת בשימוש: האם קבוצות שונות מאמצות, ניגשות או מקיימות אינטראקציה עם אותו כלי באופן שונה, מה שיכול לעצב תוצאות ללא כל אפקט דיפרנציאלי. עמוד זה מכסה את שניהם, קבוצה-קבוצה, וקובע במישרין היכן הספרות נעצרת.

הוא במכוון אינו שכפול של שכניו. שוויון בחינוך באמצעות בינה מלאכותית נושא את המסגרת הנורמטיבית והמבנית — גישה, ייצוג ושוויון תוצאות, והטענה למה שבינה מלאכותית בחינוך צריכה לעשות. למידה מכילה נושאת את מסגרת התכן, ובכללה תכנון אוניברסלי ללמידה. הפער הדיגיטלי מכסה את שכבות הגישה והכישורים. נוירודיברסיות, חינוך מיוחד, נגישות, ולמידה רב-לשונית יורדים לעומק על קבוצות בודדות. מה שנשאר לעמוד זה הוא מפת הראיות החוצה-קבוצתית ושאלת ההערכה: כיצד אפקטים אלה מוערכים, אילו קבוצות נחקרות בכלל, ומה ממצא ברמת קבוצה מתיר לכם לעשות.

כיצד הבדלי קבוצה מדווחים, ולמה רובם אינו יכול

מחקר קבוצה-בודדה אינו מחקר אפקט-דיפרנציאלי. רוב הספרות בתחום זה מודד קבוצה אחת בהיעדר קבוצת השוואה. Zhang et al. (2024) צברו 29 מחקרים (קווזי-)אקספירימנטליים של בינה מלאכותית עבור תלמידים עם מוגבלות ומצאו אפקט חיובי בינוני (g של Hedges = 0.588, CI 95% [0.349, 0.826]) — ללא משווה נוירוטיפי. זה אומר לכם שהתערבות עזרה, לא שהיא עזרה לקבוצה זו באופן שונה.

ניתוחי תת-קבוצות קטנים מדי בדרך כלל לענות על השאלה. המיקרו-RCT למדעי GCSE מפורש במידה יוצאת-דופן: אינטראקציית הטיפול-לפי-סטטוס שלו הייתה 0.57 נקודות (CI 95% −2.25 עד 3.39), עם הערכות שכבתיות של g = 0.28 (CI 95% −0.04 עד 0.59) לקבוצה אחת ו-g = 0.35 (CI 95% 0.18 עד 0.52) לאחרת. מרווח תת-קבוצה שנכנס באפס הוא שאלה לפילוט מקומי, לא בסיס לכלל כלל-כיתתי.

מאפייני דמוגרפיה מדומים בדרך כלל. דמוגרפיית לומדים אמיתית מצורפת לעיתים רחוקות לקלטי המודל, ולכן ביקורות מספקות פרסונות במקום זאת. Rooein, Benedetto ו-Hovy (2026) הרצו שישה מודלים מכווננים-הנחיה על שלוש משימות חינוכיות תחת תנאי ברירת-מחדל-של-מודל, פרסונה-מפורשת והיסטוריה-מרומזת — 192,480 קריאות היסק — ומצאו שגם פרסונות מפורשות וגם מרומזות היסטוריות שיחה מזיזות התנהגות מודל. ההבחנה שלהם שווה שמירה: מודעות להבדלי לומדים עשויה להיות רצויה (התאמת משוב לשפת האם של לומד), בעוד שאותה רגישות היא נזק כאשר היא מזיזה את השיפוט על עבודה זהה.

תיקוני הוגנות עשויים שלא להיות ניתנים להכללה. Fragkiadakis et al. (2026) צמצמו פערי שגיאה ממוקדי-מגדר וגיל בהערכת קשב תלמידים על נתוני אימות, אך הזכיות לא הועברו באופן עקבי לנושאים מוחזקים-בחוץ או לחלוקות ברמת-נושא חוזרות.

תוויות קבוצה מסתירות את השונות שבפנים. במטא-אנליזת המוגבלות אותה, תלמידים עם לקויות למידה ספציפיות, מוגבלות אינטלקטואלית והתפתחותית, או חירשים הראו אפקט גדול יותר (g = 0.952) מתלמידים עם הפרעה בספקטרום האוטיסטי (g = 0.368) — הבדל שהמחברים מדווחים עליו כבלתי-מובהק סטטיסטית על פני 239 גדלי אפקט מ-41 מדגמים עצמאיים. "מוגבלות" אינה קבוצה אחת, וגם "לומד L2" אינו.

מוגבלות ונוירדיברגנציה

זהו התיל העמוק ביותר במאגר הידע, וזהו שבו הדיווח החזק ביותר.

• האפקטים אמיתיים אך מחולקים באופן לא-שווה לפי תוצאה. בZhang et al. (2024), הישגים אקדמיים הראו את האפקט הגדול ביותר (k = 80, g = 0.929), לפני כישורי חיים יומיומיים ואחרים (g = 0.766) וכישורים סוציו-רגשיים (k = 144, g = 0.382). הטיית פרסום הייתה נוכחת (מבחן של Egger β = 2.837, p < .001); טרים-ומלא צמצם את ההערכה המצטברת ל-g = 0.2694, שנשארה מובהקת סטטיסטית. קראו את האפקט הכותרת ואת המוסתר-הטיה יחד.
• התחום ארגן מחדש סביב בינה מלאכותית גנרטיבית. הסקירת ההיקף של טכנולוגיות מסייעות דיגיטליות לתלמידים נוירודיברגנטיים סיננה 766 רשומות כדי לכלול 40 מחקרים אמפיריים, מהם 15 השתמשו בבינה מלאכותית גנרטיבית ו-11 בפורמטים אimmersive. התיל קטן ועדכני ולא בוגר.
• חלק מתמיכות הבינה המלאכותית מוויינות במקום להבדיל. Pimenova, Begel ועמיתיהם חילקו סרטוני הוראה למקטעים של הוראה-אחת עם השהיות קבועות במחקר תוך-משתתפים (17 ADHD, 10 ללא ADHD); כולם השתפרו, ושגיאות והססנות של משתתפי ADHD ירדו לשוויון עם עמיתהם ללא ADHD. זו הצורה החזקה הזמינה של ראיה לתכנון אוניברסלי ללמידה באמצעות שינוי תכן אוטומטי: שינוי כללי שסוגר פער, במקום תיקון ממוקד-קבוצה.
• מה שתלמידים נוירודיברגנטיים אומרים שהם צריכים הוא לעיתים שגרתי. סקר של 24 סטודנטים למחשוב נוירודיברגנטיים ו-20 עמיתים נוירוטיפיים, עם ארבעה ראיונות, מצאה אי-נוחות משמעותית עם משימות חסרות מבנה ברור או הנושאות ציפיות דו-משמעיות — התאמה שאין עולה דבר לספק.
• בחירות תכן יכולות גם להדיר אפיסטמית. Tali-Otmani (2026) טוען שנתוני אימון אנגלופוניים ומערביים-מרכזיים שוליים דרכי ידע לא-הגמוניות ומציבים את מצבם של לומדים עם מוגבלות במרכז הביקורת הזו.

שפה: לומדים בשפה שנייה, רב-לשוניים ולומדים אנגלית

לפי מספר מאמרים זהו התיל הגדול ביותר, והוא מתחלק באופן נקי לאפקטי כלי ולנזקי כלי.

• אפקטי הכלי מבטיחים ורועשים. Wang, Zhang ו-Zou (2026) ביצעו מטא-אנליזה של 11 מחקרים (17 גדלי אפקט, N = 595) של למידת שפה בסיוע רובוט ומצאו אפקט כולל חיובי (g = 0.83, CI 95% [0.46, 1.21]) עם הטרוגניות גבוהה (I² = 84.4%); משישה מנחים שנבדקו, רק סוג אינטראקציית רובוט-לומד היה מובהק. בסיס ראיות בגודל זה תומך בבנצ'מרק זמני, לא בהחלטת רכש.
• התשתית עצמה אינה-שווה לפני שכל כלי בשימוש. Roy ו-Roy (2026) מתעדים את פער המאגר עם בנגלית כמקרה: פחות מ-0.5% מתוכן הרשת העולמי לעומת כ-49.5% לאנגלית, אם כי דוברי בנגלית הם כמעט 4% מאוכלוסיית העולם.
• שפת ההוראה משנה תוצאות על פני 294 סטודנטים להשכלה גבוהה. אותה סקירה מדווחת שתוכן בשפה זרה הניב תוצאות נמוכות מהוראה בשפת אם, ושהוראה דו-לשונית בתכנות עלתה על הוראה באנגלית בלבד.
• גלאים מענישים כותבים בשפה שנייה. Hadra, Cambridge ו-Mesbah (2026) בדקו את Turnitin ו-Originality מול 192 טקסטים: גלאה אחד סיווג 48 מתוך 48 טקסטים שנכתבו מקצועית בצורה נכונה אך סיווג באופן שגוי ארבעה מתוך 48 טקסטים של סטודנטים EFL (91.6%). הא-סימטריה היא הנקודה — השגיאה נוחתת על הקבוצה שכתיבתה כבר נבחנת בקפדנות.

מגדר

מחקר המגדר כאן מתחלק לשאלה האם הכלים מתייחסים ללומדים באופן שונה, ולשאלה האם הלומדים נחשפים לכלים הנושאים סטריאוטיפים.

• תכן מגדרי-נייטרלי בכוונה הראה הבדל מגדרי אפס. מחקר קווזי-אקספירימנטלי של 195 תלמידי כיתה ט' בדק את ADA, צ'אטבוט צ'אטבוט מקודד-נשי מעוגן ב-Ada Lovelace: עניין סיטואציוני עלה עבור שני המגדרים ללא הבדל מגדרי בתגובה רגשית, בעומס קוגניטיבי או בהישגים אקדמיים. פרסונת דגם-חיקוי ניתנת לבנייה ללא עורר איום-סטריאוטיפ.
• אך תכן ההנחיה מעביר הטיה לעבודת תלמידים. מחקר מבוקר עם 123 משתתפים הובילו תלמידים לכתוב מסות תכנון-קריירה לפרופילים מצומדים הנבדלים רק במגדר, תחת תנאי ללא-בינה-מלאכותית, בינה-מלאכותית-נייטרלית ובינה-מלאכותית-מוטית-מגדרית; המצב המוטה העביר שפה מובחנת-מגדרית לכתיבת התלמידים ודיכא את הסוכנות הנשית באופן א-סימטרי. החוקרים אישרו תחילה את האפקט על 1,600 מסות נוצרות.
• המרחב והמסגור חשובים לא פחות מהכלי. מקרה של מרחב-עשייה של בינה מלאכותית גנרטיבית לבנות בלבד מצא שבנות העריכו את ההגדרה מגדר-יחיד כבטוחה ורגועה יותר, ומזהיר מ"נשיות-על" — התאמה ברמת פנים שמשאירה יחסי כוח ללא נגיעה.
• רגישות מודל היא תכונת מודל, לא קבוע. בEduFair-Bench, חמישה חונכים מ-7B עד 70B נסקרו על פני תשע רמות דמוגרפיות: Qwen2.5-7B עלה על סף ההטיה |r| ≥ 0.10 ב-7 מתוך 12 תאים של תחום-לפי-ממד, בעוד ש-LLaMA-3.1-8B עלה עליו פעם אחת. אימון ספציפי-פדגוגיה צמצם חלק מההטיות והגדיל אחרים.
• תיקון ציר-יחיד עשוי להשאיר קבוצה גרועה יותר: סטודנטים מגדרית-מגוונים שנקבעו לקטגוריית "מגדר לא ידוע" היו עם שיעורי חיוב-אמיתי הנמוכים ביותר תחת כל שיטת הוגנות, ושיטה בציר-יחיד לא שיפרה את הטיפול בהם — שונות תווית-הקבוצה שנצפתה לעיל, בתוך מודל התראה-מקדימה חוזה במקום חונך (McConvey et al. (2026)).

גזע, אתניות ותלמידים מקבוצות מוקטנות

תיל זה קטן במספר מאמרים וחזק במנגנון, מכיוון שהראיה עוסקת במה שבינה מלאכותית עושה עם מאפיין דמוגרפיה ברגע שיש לה אחד.

• התאמה אישית היא וקטור הטיה. Marked Pedagogies מראה שכלי משוב-כתיבה של מודלי שפה גדולים (LLM) נוטים לשבח המיושר-סטריאוטיפית ולשיתוק ביקורת כאשר המשוב מותאם אישית עם הגזע, השפה, המוגבלות, ההישג או המוטיבציה של תלמיד — על מסות זהות.
• הרמז הדמוגרפי יכול להיות מרומז. הביקורת הנגד-עובדתית לעיל מצאה שהיסטוריות שיחה, לא רק פרסונות מפורשות, הזיזו התנהגות ציון ומשוב — אותו תוצאה של 192,480 קריאות היסק, וסיבה שכלל גילוי על דמוגרפיה מוצהרת אינו מספיק.
• פערי נדידה ושפה יכולים לדרוש. ב-EduFair-Bench, המודל בן ה-70B שידך את פערי השפה וההגירה הגדולים ביותר עם פערי הפדגוגיה הקטנים ביותר, ולכן חונך שנראה פדגוגית חזק עשוי להיות הרגיש ביותר למי שהתלמיד נראה שהוא.
• הדרה אפיסטמית, לא רק שגיאה: ראו שולייות של דרכי ידע מוקטנות לעיל.

סטטוס סוציו-אקונומי, גאוגרפיה וגיל

• אוריינות דיגיטלית, לא שימוש בבינה מלאכותית, היא המתווכת. Wang ועמיתיהם (2026) מידדו נתוני סקר ורישום לאומי מ-4,497 תלמידי כיתה ו' בהולנד ומצאו שהקישור בין תכונות אישיות להישגים אקדמיים עבר דרך אוריינות דיגיטלית ולא דרך עוצמת שימוש בבינה מלאכותית, כאשר הבדלים באוריינות דיגיטלית נבעו יותר מאישיות מאשר מסטטוס סוציו-אקונומי — ויתרונות SES פעלו באופן עצמאי ממעורבות בבינה מלאכותית. המסגרת הקלאסית של SES-בלבד אינה שלמה.
• גאוגרפיה יכולה להיות האילוץ הקושר. הסבר של ARC על רובוטיקה וחינוך בינה מלאכותית בחינוך גן ותיכון (K-12) מדווח שהשתתפות FIRST LEGO League הכפרית ירדה בעונת 2020 המרוחקת ולא התאוששה, בעוד שהשתתפות עירונית התאוששה בהדרגה, ומזהה מנטוריות טכנית מקומית מתמשכת — לא ערכות או תכנית לימודים — כאותו אילוץ שמחולק גאוגרפית.
• לומדים בוגרים הם מקרה תכן נפרד, המכוסה על ידי למידת בוגרים ועבודת האנדרגוגיה של מאגר הידע ולא על ידי מחקרי K-12.
• גישה עדיין שולטת בכל השאר: ראו הפער הדיגיטלי ואת הממצא שגישה לחונכות בינה מלאכותית אינה מספיקה ללא שילוב פדגוגי.

רקע תחום דעת

רקע תחום דעת הוא ציר דיפרנציאלי שמפת הקבוצה-קבוצה של עמוד זה לא נשאה עדיין: אותו כלי יכול לחלק את תועלתו באופן לא-שווה בין תחומים ולא בין דמוגרפיות תלמידים.

• כלי יכול לגייס תחום אחד ולשחרר אחר. בניסוי קווזי-אקספירימנטלי של שבועיים עם 130 סטודנטים על צוותים בעלי-תחום-מעורב, ChatGPT העלה את מעורבות הפיזית עבור תלמידי STEM והורידה עבור תלמידים שאינם STEM (Q = 9.87, p < .05), והערות שנכתבו ללא ChatGPT קיבלו דיר גבוה יותר על גיוון ושילוב רעיונות תחום (Zhu et al. (2026)).

היכן הראיות חסרות

הממצא הכנה של סקירה זו הוא כמה דלים חלק מהקבוצות. כל אחד מהם הוא פער אמיתי בבסיס הראיות, לא פער בעמוד זה.

• תלמידי דור ראשון: מחקר אחד מדווח על הבדל שימוש ולא על אפקט. במחקר חקירה של CS2, תלמידי דור ממשיך התייחסו לבינה המלאכותית כשותף פתרון בעיות פעיל, בעוד שתלמידי דור ראשון נטלו תפקיד מאשר, מוכוון-אימות, ושאלו פחות שאלות בסך הכל.
• תלמידי דור ראשון: הערכת האפקט הראשונה, והיא פועלת בכיוון השגוי. הניסוי רנדומלי של Liu et al. (2026) על חונך בינה מלאכותית המשולב-קורס מספק את מה שהכניסה שלעיל חסרה — אפקט דיפרנציאלי נמדד ולא דפוס שימוש. במדגם המלא, אפקט הגישה לחונך על הציונים הסופיים היה 2.87 נקודות (0.28 SDs) יותר שלילי עבור תלמידי דור ראשון, ומשתמע −5.10 נקודות (−0.50 SDs) עבורם לעומת −2.23 נקודות (−0.22 SDs) עבור עמיתהם; האפקט הדיפרנציאלי היה גדול יותר במדגם ההתאמה-המדויקת (−3.89 נקודות, −0.35 SDs), ותלמידי דור ראשון גם איבדו יותר נקודות שיעורי בית וצפיות בדפי הפלטפורמה. המחקר מדווח על מנגנון אינו ודיוקו משתנה לפי תוצאה, אך הכיוון הוא ההיפך של סיפור סגירת-הפער: התלמידים עם הגישה האקדמית המועטה ביותר לשעבר נשאו את העלות הנמדדת הגדולה ביותר.
• תלמידים בינלאומיים: מחקר מעורב-שיטות אחד (סקר n = 60, ראיונות n = 14) על תמיכה בהסתגלות חוצה-תרבותית.
• תלמידים בינלאומיים: דפוס מעורבות נמדד, לא הערכת אפקט. על פני 270 תלמידים בינלאומיים ממוצא אתני מיעוט בשבעה בתי ספר לעסקים בבריטניה, שימוש מדווח בבינה מלאכותית גנרטיבית היה קשור באופן חיובי לכל ארבעת תילי המעורבות — ביתר שאת במעורבות סוכנית (β = 0.429) — כאשר תנאים מקלים (β = 0.369) היו החוזה החזק ביותר לכוונת שימוש (Adekoya et al. (2026)).
• תלמידים מחוננים ובעלי הישגים גבוהים: בלתי-נחקרים למעשה כקבוצה במאגר זה.
• לומדים פליטים, מהגרים ומפולגים: אין מחקרים.
• מגדר עדיין מנותח כדו-ערכי ברוב העבודה שלעיל, וקטגוריות המוגבלות משתנות בין מחקרים, ולכן השוואה חוצה-מחקרת של אותה קבוצה מוגבלת.

שימוש בראיות זו בלי לעשות התאמה-יתר לתווית קבוצה

• התייחסו לממוצעי קבוצה כהשעיות על אוכלוסייה, ולא כתחזיות על אדם. כל טענה דיפרנציאלית שלעיל היא הצהרה התפלגותית.
• שאלו האם הלומדים שלכם היו במדגם האימות בכלל לפני שאתם סומכים על הטענת הכלוליות של כלי; תילי הנוירודיברגנציה והשפה שניהם מראים שייצוג בפיתוח הוא החריג.
• העדיפו תכנים מוויינים היכן שהראיות מתירות. תוצאת חלוקת הסרטונים של ADHD — כולם משתפרים, הפער נסגר — היא מטרה מתאימה יותר לכיתה כללית מאשר תוספת ממוקדת-קבוצה.
• היזהרו עם התאמה אישית הצורכת מאפייני דמוגרפיה. ממצא הפדגוגיות המסומנות עוסק ישירות במנגנון הזה, והוא חל על בדיקות רווחה, על חונכים אפקטיביים, ועל מערכות המלצה שמפרופלות לומדים.
• בדקו באופן מקומי, על הקבוצה שאכפת לכם מפר, עם תוצאה שנמדדה ללא הכלי. ראו פרשנות ויישום מחקר AIEd עבור הרגלי ההערכה ושיטות מחקר בחינוך באמצעות בינה מלאכותית עבור התכנים שהופכים בדיקה מקומית להגנה.

מושגים קשורים

• שוויון
• למידה מכילה
• הפער הדיגיטלי
• נוירו-מגוון
• נגישות
• חינוך מיוחד
• למידה רב-לשונית
• לימוד שפות
• צמצום הטיה
• פדגוגיה רלוונטית תרבותית
• עיצוב אוניברסלי ללמידה
• טכנולוגיה מסייעת
• דרום גלובלי
• למידה מותאמת אישית
• לומדים
• זהות הלומד
• פרשנות ויישום מחקר AIED

מאמרים קשורים

• Let's CHAT About Artificial Intelligence for Students With Disabilities: A Systematic Literature Review — 29 מחקרים של בינה מלאכותית עבור תלמידים עם מוגבלות: g = 0.588, ו-g = 0.269 לאחר התאמת הטיה
• ChatGPT for interdisciplinary learning: Does it equally benefit STEM and non-STEM students — ChatGPT הועיל לתלמידי STEM ושאינם STEM באופן לא-שווה בלמידה בין-תחומית
• Multidimensional engagement effects of generative AI adoption among minority ethnic international students in UK higher education — שימוש ב-GenAI ומעורבות בארבעה תילים בקרב תלמידים בינלאומיים ממוצא אתני מיעוט
• Generative AI, virtual reality, and beyond: A scoping review of digital assistive technologies for neurodivergent students in higher education — 766 רשומות ל-40 מחקרים, 15 מהם בינה מלאכותית גנרטיבית
• Leveling the Playing Field: Temporal Video Segmentation for Individuals with ADHD in Computing Education — שינוי תכן כללי שהביא משתתפי ADHD לשוויון
• I can't read your mind": A Study of Neurodivergent Computing Students' Experiences with Collaborative Active Learning — 24 סטודנטים נוירודיברגנטיים על מבנה, דו-משמעות ושיתוף פעולה
• Generative artificial intelligence and the marginalization of minoritized knowledges in higher education — שולייות אפיסטמית בבינה מלאכותית, עם מוגבלות כמקרה
• Multimodality and Social Interactions in AI-Enhanced Embodied Robot-Assisted Language Learning: A Meta-Analysis — g = 0.83 עם I² = 84.4% בבסיס ראיות L2 קטן
• Structural Silence: When AI Infrastructure Fails Speakers of Underrepresented Languages — פחות מ-0.5% מתוכן הרשת של בנגלית לעומת 49.5% של אנגלית
• Evaluating the accuracy and reliability of AI content detectors in academic contexts — גלאים מסווגים באופן שגוי כתיבה EFL תוך ציון טקסטים מקצועיים בצורה מושלמת
• Bridging the Gender Gap in STEM Education with AI: Female-Coded Chatbot as Role Model and Learning Assistant — מבחן של 195 תלמידים על דגמי-חיקוי מקודדים-נשיים ללא הבדל מגדרי
• Contaminated Collaboration: Measuring Gender Bias Transfer in LLM-Assisted Student Writing — הנחיות מוטות-מגדרית המועברות למסות תלמידים
• Beyond “painting in pink”: A critical case study of all-girls generative AI workshops in a European makerspace — מרחב מגדר-יחיד מוערך, עם אזהרה מנשיות-על
• EduFair-Bench: Evaluating Pedagogical Fairness of LLM Tutors Across Student Demographics — הוגנות חונכים המשתנה לפי מודל, תחום וממד התנהגות
• Marked Pedagogies: Examining Linguistic Biases in Personalized Automated Writing Feedback — משוב המיושר-סטריאוטיפית על מסות זהות
• The Role of Implicit and Explicit Demographic Signals in Large Language Model-based Student Assessment — 192,480 קריאות: פרסונות מפורשות והיסטוריות מרומזות מזיזות מודלים
• Fairness-Aware Multimodal Transformer Modeling for Real-Time Student Attention Estimation — רגולריזציית הוגנות שלא הוכללה
• Decoding Divides: The Role of Socioeconomic Status and Personality Traits in AI Divides and Educational Inequality — 4,497 תלמידים: אוריינות דיגיטלית, לא שימוש בבינה מלאכותית, מתווכת את הפער
• Teaching AI, Robotics, & Community: A Hubs-Based K-12 Education Framework for Reaching Rural Schools — השתתפות כפרית שלא התאוששה, ומנטוריות כאילוץ
• Evaluating AI Tutoring at the Speed of Innovation: Practitioner-Led Micro-Randomised Trials of an AI Tutoring Platform in GCSE Science — אינטראקציית תת-קבוצה שמרווח הביטחון שלה חוצה אפס
• Analysis of Types of Inquiries in Student-AI Interaction: A case study of two CS2 tasks — ממצא השימוש היחיד של דור-ראשון במאגר
• Understanding How International Students in the U.S. Are Using Conversational AI to Support Cross-Cultural Adaptation — המחקר היחיד של תלמיד-בינלאומי במאגר
• The Effects of Course-Integrated AI Tutoring on Student Performance and Engagement: A Randomized University Trial — הערכת האפקט הראשונה במאגר עבור תלמידי דור ראשון: גישה לחונך עלתה להם 0.50 SDs של ציון סופי לעומת 0.22 עבור עמיתהם (Liu et al. 2026)
• Fairness Theatre: Evaluating Post-Hoc Fairness Interventions in Vendor-Controlled Early Warning Systems — Fairness Theatre: Evaluating Post-Hoc Fairness Interventions in Vendor-Controlled Early Warning Systems