Kako umjetna inteligencija može poduprijeti studente s invaliditetom i neurodivergentne studente na mojem kolegiju?

Automatski strojni prijevod ove engleske stranice, koji još nije pregledao izvorni govornik.

U potvrdi o prilagodbi navedeni su student, kolegij i alat za koji nikada niste čuli. Ili je student razumno pitao može li i dalje rabiti svoj softver za pretvaranje govora u tekst na vremenski ograničenom ispitu, a vaše pravilo o umjetnoj inteligenciji na kolegiju zabranjuje bilo kakvu umjetnu inteligenciju. Ili ured za pristupačnost želi do petka odgovor treba li licencirati alat za čitanje, a dobavljačevi dokazi su izjava zadovoljnog korisnika s drugog sveučilišta.

Odgovor koji izdrži sva tri slučaja: pođite od prepreke koju zadatak stvara, rabite alate koji su doista mjereni i poučavajte sve što usvojite. Dva su pravila važnija od bilo kojeg izbora proizvoda. Navedite transkripciju i OCR u svojem pravilu o umjetnoj inteligenciji kao prilagodbe same po sebi i dajte zadatku strukturu umjesto da od studenata tražite da je sami zaključe. Budite jasni glede dokaza: najsnažniji broj na ovoj stranici dolazi iz specijalnoobrazovnih okruženja od predškole do 12. razreda koja su uglavnom rabila umjetnu inteligenciju iz razdoblja prije generativnih modela, a literatura o visokom obrazovanju jest karta onoga što je isprobano.

Kratka verzija

1. Zapišite funkcionalnu prepreku u potvrdu o prilagodbi prije naziva alata: čitanje i pisanje, upravljanje učenjem, pažnja ili socijalna komunikacija.

2. Počnite sa strukturiranim nastavnim softverom, koji ima izmjereni učinak, i pročitajte njegovu oznaku pouzdanosti prije nego kupite chatbot koji vam je ponuđen.

3. Odlučite je li ovo promjena dizajna ili osobna prilagodba. Gdje je prepreka zajednička, promijenite dizajn, jer se time uklanja korak otkrivanja.

4. Poučavajte alat. Prilagodba pružena bez poduke obrazac je neuspjeha koji sudska praksa kažnjava.

5. Navedite transkripciju i OCR izričito u pravilu o umjetnoj inteligenciji, kako zabrana napisana protiv generativnog sastavljanja teksta ne bi ukinula studentu sredstvo za stvaranje čitljivog rada.

6. Provedite probu usmjerenu na prepreku, a ne na anketu o zadovoljstvu, i unaprijed recite što ćete smatrati uspjehom.

Pođite od prepreke koju stvara zadatak

Većina onoga što pođe po zlu za studente s invaliditetom i neurodivergentne studente događa se na razini zadatka: tekst koji pretpostavlja tiskani medij, videozapis koji pretpostavlja trajnu pažnju, grupni projekt koji pretpostavlja neizgovorena socijalna pravila. Te se prepreke ponavljaju bez obzira na dijagnozu, pa je korisno pitanje koju funkcionalnu prepreku alat uklanja, a pitanje nabave trebalo bi biti formulirano na isti način.

Dijagnostičke kategorije to skrivaju. Pregled opsega u nastavku nalazi da literaturom dominiraju pojedinačne prilagodbe i alati za jedan neurotip izgrađeni oko formalne dijagnoze, dok funkcionalne razlike koje obrađuju presijecaju neurotipove. Studenti s disleksijom obično imaju koristi od manjeg oslanjanja na isključivo pisane materijale. Autistični studenti i studenti s ADHD-om mogu oboje iskusiti česte promjene u fokusu, što čini uspjeh osjetljivim na dosljednu strukturu i dovoljno vremena za prebacivanje zadataka. Alat usklađen s oznakom može promašiti prepreku koju student u vašoj grupi doista ima.

Isti oprez vrijedi za grupne statistike. Različiti učinci među skupinama učenika izvješćuje o znatno većem učinku za studente sa specifičnim teškoćama u učenju, intelektualnim i razvojnim teškoćama ili za gluhe studente nego za studente s poremećajem iz spektra autizma, a ta razlika nije bila statistički značajna među veličinama učinka.

Rabite ono što je izmjereno i pročitajte oznaku

Najsnažniji kvantitativni rezultat na ovoj stranici ujedno je i najopćenitiji, a dolazi s ograničenjima koja trebate ponijeti u odluku o kupnji.

Zhang, Carter, Liu i Peng (2024) sintetizirali su 29 (kvazi)eksperimentalnih studija intervencija utemeljenih na umjetnoj inteligenciji za studente s invaliditetom: 239 veličina učinka iz 41 neovisnog uzorka, statistički značajan srednji ukupni učinak na ishode učenja od Hedgesova g = 0,588 (95% CI [0,349; 0,826], p < 0,01) i visoku heterogenost među studijama. Akademska izvedba bila je najveća podskupina ishoda (k = 80, g = 0,929), a socijalno-emocionalne vještine najmanja (k = 144, g = 0,382). Računalni softver, što znači prepoznavanje govora, ekspertne sustave i inteligentne sustave podučavanja, postigao je snažan učinak (k = 74, g = 0,959), a roboti umjeren (k = 144, g = 0,509), dok inteligentna virtualna stvarnost (g = 0,528) nije bila značajna. Pristranost objavljivanja bila je prisutna (Eggerov β = 2,837, p < 0,001); trim-and-fill smanjio je procjenu na g = 0,269, koja je i dalje značajna.

Svaka je studija bila iz raspona od predškole do 12. razreda. Njih 96,6% rabilo je nastavu utemeljenu na koracima u specijalnoobrazovnim ili kliničkim okruženjima, a većina je rabila stariju umjetnu inteligenciju zasnovanu na pravilima, a ne generativnu umjetnu inteligenciju. To podupire oprezno usvajanje strukturiranog nastavnog softvera. To se ne prenosi na chatbot opće namjene, a postupati kao da se prenosi najskuplja je pogreška dostupna na ovoj stranici.

Tri manja rezultata pokazuju što jedan alat može učiniti kad je prepreka uska. Svaki je ispitan na nekolicini učenika, pa ih tretirajte kao jeftine i reverzibilne eksperimente, a ne kao infrastrukturu.

Za pažnju, Pimenova, Begel i suradnici (2026) naknadno su segmentirali nastavne videozapise u odsječke s jednom uputom i fiksnim stankama. Sa 17 učenika s ADHD-om i 10 bez njega, to je poboljšalo sve i dovelo pogreške i oklijevanja sudionika s ADHD-om na razinu ostalih. Učinak izjednačavanja proizašao je iz lagane preobrazbe materijala.

Za jezični pristup, Chen i suradnici (2026) dodali su vizualna pitanja (vremenske oznake na kojima je vjerojatno da će se vizualne informacije pogrešno pročitati) i pitanja o emocijama (vremenske oznake na kojima su prethodni gluhi i nagluhi učenici prijavili frustraciju) osnovnom skupu LLM-a, stvorivši 30 pitanja, po deset za svaku strategiju. Sa 16 učenika, samoefikasnost je u prosjeku iznosila 5,70 (SD = 1,12) na ljestvici od sedam stupnjeva, a vizualna pitanja češće su birali gluhi nego nagluhi sudionici.

Za čitanje i pisanje, Rezazadegan i suradnici (2026) analizirali su rasprave koje su studenti s disleksijom sami vodili na forumima. Ti su učenici cijenili umjetnu inteligenciju kao potporu pismenosti i izvijestili o neujednačenoj kvaliteti izlaza i nedostatku pravednih prilagodbi. Ta nedosljednost i sama je prepreka: alat na koji se ne može osloniti dodaje posao umjesto da ga uklanja.

Slika za visoko obrazovanje najslabiji je dio dokaza i dio najbliži vašem poslu. Rempel, Heimann i Prilop (2026) prosijali su 766 zapisa iz pet baza na 40 uključenih studija objavljenih između 2015. i 2025. Generativna umjetna inteligencija pojavila se u njih 15 od 40, a virtualna stvarnost u 11. Pokrivenost prepreka bila je neujednačena: čitanje i pisanje (n = 13) i upravljanje učenjem (n = 12) dominirali su, pažnja (n = 4) i socijalna komunikacija (n = 5) bile su zanemarene, a samo 6 studija obrađivalo je više od jedne prepreke. Pregled je po svojem ustroju isključio osnovno i srednje obrazovanje i okruženja specijaliziranih ustanova, pa ne govori ništa o mlađim učenicima. Rabite ga da vidite koje su prepreke obrađene na vašoj razini, a koje su jedva dotaknute.

Odlučite mijenjate li dizajn ili prilagodbu

Univerzalni dizajn uklanja potrebu da se student izjasni kao onaj kome je potrebna posebna prilagodba. Prilagodba zahtijeva upravo to, a stigma je dio cijene. Stoga, kad se pokaže da je prepreka zajednička, promjena dizajna je bolja kupnja: doseže studente koji se nikada ne izjasne.

Rezultat sa segmentacijom najjasniji je slučaj. Videozapis razrezan na odsječke s jednom uputom i fiksnim stankama poboljšao je sve učenike u studiji, ne samo one s ADHD-om, i doveo pogreške i oklijevanja sudionika s ADHD-om na razinu ostalih. To je ishod univerzalnog dizajna, postignut montažom, a ne proizvodom.

Iskreno ograničenje: to je 17 učenika s ADHD-om i 10 bez njega, u jednoj studiji, i ništa u ovoj literaturi ne kaže dokle generalizirati rezultat iz jedne učionice ni kada je potreba studenta dovoljno posebna da zahtijeva individualni aranžman. Ta prosudba ostaje na vama i na uredu za pristupačnost.

Poučavajte alat i pridružite poduci ime odgovorne osobe

Dokumentirani neuspjeh jest prilagodba pružena bez poduke. U predmetu W.A. v. Clarksville/Montgomery County School System (2024), student koji je dobio umjetnu inteligenciju kao prilagodbu maturirao je ne znajući čitati, a sud je utvrdio da besplatno i primjereno javno obrazovanje nije pruženo.

Dvije stvari čine taj neuspjeh vjerojatnim, a obje su institucionalne. Shin i suradnici (2026) rabili su modeliranje tema utemeljeno na LLM-u i dva kruga Delphi anketa sa 17 stručnjaka na 12 američkih dokumenata politike umjetne inteligencije u obrazovanju od 2015. do 2025. Priprema edukatora jedna je od njihovih pet potvrđenih tema i nosi 4 od 36 čestica, a stručnjaci su osnaživanje učenika i pismenost u području umjetne inteligencije ocijenili najbitnijima: ti bi učenici trebali naučiti rabiti umjetnu inteligenciju odgovorno i samostalno, s time da se čuvanje od pretjeranog oslanjanja poučava kao dio iste vještine. Autori LUDIA-e prepreku nazivaju „jaz između znanja i djelovanja“: smjernica ima u izobilju, napisane su općenito, a prepreka je uvijek posebna za ovu sobu, ovaj tjedan.

Ono što vam ova stranica ne može dati jest protokol osposobljavanja. Ne postoje formalne smjernice utemeljene na dokazima koje bi pomogle edukatorima ili obiteljima primijeniti umjetnu inteligenciju za te učenike, pa su količina poduke, njezin redoslijed i to ko je pruža stvar prosudbe. Sudska praksa postavlja pod, a ne standard: student mora na kraju moći obaviti dotičnu stvar, i netko mora odgovarati za to da do toga dođe.

Upišite transkripciju i OCR u pravilo o umjetnoj inteligenciji imenom

Wright (2026) tvrdi da su pravila koja jednako tretiraju svaku „upotrebu umjetne inteligencije“ preširoka, jer ne razdvajaju pretvaranje govora u tekst i OCR od generativnog sastavljanja teksta. Studenti sa stanjima koja utječu na finu motoriku, čitljivost rukopisa ili točnost tipkanja oslanjali su se na samostalne proizvode za pretvaranje glasa u tekst, poput Dragon NaturallySpeaking, i na samostalni OCR, od kojih su mnogi ukinuti ili degradirani, a transkripcija potpomognuta umjetnom inteligencijom popunila je funkcionalnu prazninu.

Pravilo napisano kao „bez umjetne inteligencije“ može stoga ukinuti studentovo glavno sredstvo za stvaranje čitljivog rada. Nitko još nije izmjerio razmjere tog potiskivanja, što je razlog da budete izričiti, a ne da čekate broj. Navedite transkripciju i OCR kao prilagodbe u politici, uz zabrane sastavljanja teksta, kako bi se dva pitanja odlučivala odvojeno. Izloženost koju to stvara za ustanovu pripada temi pravna pitanja i rizici.

To je popravak od jednog retka u većini dokumenata i to je redak s najtežim posljedicama na ovoj stranici.

Dajte strukturu ondje gdje to zadatak podrazumijeva

Struktura je najjeftinija intervencija ovdje i ona koja najčešće izostaje iz plana. Zastudil i suradnici (2026) anketirali su 24 neurodivergentna studenta računarstva (autistična i/ili s ADHD-om) i 20 neurotipičnih vršnjaka, s četiri dodatna intervjua. Neurodivergentnoj skupini bilo je neugodno s nestrukturiranim ili dvosmislenim zadacima i snažno su preferirali manje timove koji dosljedno rade zajedno s izričito definiranim ulogama, snalazeći se samoodabirom uloga i strateškim otkrivanjem.

To su podaci o preferencijama, a ne studija učinka, i ujedno je nacrt dizajna koji su studenti napisali sami za sebe. Rad posredovan umjetnom inteligencijom nosi posebnu inačicu tog rizika, jer model interakcije alata može reproducirati istu strukturnu dvosmislenost koju je zadatak već imao. Provjerite što alat traži da student odluči sam prije nego ga dodate zadatku.

Provedite probu usmjerenu na prepreku i zapišite što ste brojili

Zbirni učinci daju vam smjer. Ne kažu vam djeluje li alat za studenta u vašoj grupi sljedeći tjedan, pa svaka proba treba mjeru odabranu prije početka.

Tri opreza trebaju oblikovati tu mjeru. Prvi je da je poredak podskupina sugestivan, a ne utvrđen: nijedan moderator bilo koje vrste nije dosegnuo značajnost u meta-analizi iz 2024., pa rangiranja poput podučljivih agenata (g = 1,100) ispred socijalno-emocionalnih trenera (g = 0,336) ili dijadične interakcije ispred trijadične (g = 0,973 prema g = 0,385) ne treba smatrati riješenima. Smjer učinka je poduprt; veličina, optimalni dizajn i trajnost bilo kojeg dobitka nisu.

Drugi je da ovaj korpus opisuje primjene i percepcije više nego izmjereno učenje. Pažnja (n = 4) i socijalna komunikacija (n = 5) najmanje su proučavane prepreke, a oskudnost (kvazi)eksperimentalnih i longitudinalnih nacrta razlog je zašto je rad o visokom obrazovanju pregled opsega, a ne meta-analiza. Pokrivenost naginje preddiplomskoj razini i globalnom sjeveru, pretraga je obuhvaćala recenzirane radove na engleskom jeziku, a poslijediplomski studenti nedovoljno su zastupljeni. Angažman i zadovoljstvo slabi su pokazatelji.

Treći je da alat koji otklanja jednu prepreku može ostaviti drugu. Provjerite alat prema konkretnoj teškoći koju student prijavljuje, bila to čitanje i pisanje, upravljanje učenjem, pažnja ili socijalna komunikacija, i procjenjujte prema toj teškoći, a ne prema tome kako se student osjećao u vezi s proizvodom. Pitajte studenta što brojiti. Sudionici Zastudila i suradnika i forumaši iz rada Rezazadegana i suradnika opisuju svoje potrebe preciznije nego proizvodi izgrađeni za njih.

Ono što ovdje nećete naći jest validirani instrument za mjerenje prepreke na jednom kolegiju ni dokaz o tome koliko proba treba trajati. Oboje su praznine u literaturi, a ne propusti vaše pretrage, i vrijedi ih zapisati u bilješke pregleda.

Kupujte prema prepreci i odbijte skupu zadanu opciju

Dva zahtjeva za nabavu proizlaze izravno iz pregleda: navedite univerzalni dizajn i participativni razvoj kao uvjete i gradite alate s neurodivergentnim studentima, a ne za njih. Vlastiti uzorak pregleda pokazuje kako je to rijetko, jer se samo 3 od 40 studija bave okruženjem ili neurotipičnim vršnjacima kao predmetom intervencije.

Zatim planirajte proračun iskreno. Asistivna tehnologija zahtijeva uređaje i povezanost, a alati koji su besplatni u pilot-projektu redovito prelaze iza paywalla. Virtualna stvarnost najzahtjevnija je opcija u skupu s obzirom na resurse, a područje je koncentrirano na globalnom sjeveru, pa su njezini najimerzivniji alati najmanje skalabilni. Shin i suradnici izravno upozoravaju na digitalni jaz: cijena naprednih alata umjetne inteligencije može produbiti nejednakosti između bogatijih i siromašnijih škola, uz algoritamsku pristranost i nedostatke u osposobljavanju učitelja.

LUDIA je jedan razrađen primjer jeftine alternative, a njezini autori neuobičajeno su jasni o tome što nisu pokazali. Povezuje edukatore s univerzalnim dizajnom za učenje dok je odluka o dizajnu još otvorena i uklanja pristupne prepreke arhitekturom: bez troška, bez računa ili pohranjenih razgovora, sukladnost s WCAG 2.2 razinom AA i 13 strojno prevedenih jezika, iako inačice na drugim jezicima mogu nositi pretpostavke engleskog iz kojeg su nastale. To je partner za razmišljanje, a ne motor rješenja, i autori navode da nemaju dokaza da poboljšava učenje. Navode i ograničenje koje pripada u svaki plan primjene: pristranost automatizacije znači da je edukator koji najvjerojatnije prihvati loš prijedlog upravo onaj koji vjeruje da alat poznaje univerzalni dizajn za učenje. Nitko nije ispitao ni njegove izlaze na kulturnu ili jezičnu pristranost.

Imajte na umu i drugi neuspjeh. Pretjerano oslanjanje na chatbot i kognitivno preopterećenje imerzivnih okruženja dokumentirani su kao inverzni učinci, gdje dodavanje tehnologije snižava učenje. Od alata koji samo reproducira postojeću nastavu u digitalnom obliku treba očekivati ograničene dobitke u učenju.

U čemu nastavnici ovdje griješe

Dijagnoza mi kaže koji alat kupiti. Prepreke presijecaju dijagnoze, a alat usklađen s oznakom može promašiti prepreku u sobi. Pitajte što zadatak pretpostavlja: tiskani medij, trajnu pažnju, neizgovorena socijalna pravila, određen način stvaranja teksta.

Prilagodba je osobni aranžman, pa popravak pripada studentu. Neke jesu, a one koje vrijedi generalizirati upravo su one koje biste ionako ugradili u dizajn. Segmentacija je pomogla svakom učeniku u svojoj studiji. Promjene dizajna uklanjaju korak otkrivanja, a s njim i stigmu.

Angažman i zadovoljstvo pokazuju da je alat djelovao. Pokazuju da se studentu svidio. Ovaj korpus uglavnom čine primjene i percepcije, a samo 6 od 40 studija o visokom obrazovanju služilo je više od jednoj prepreci, pa zadovoljan student još nije dokaz da je prepreka uklonjena.

Alat nosi potporu, a poduka je dodatak. Sudska praksa neuspjehom smatra nepodoučeni alat, a stručnjaci za politiku osnaživanje učenika i pismenost u području umjetne inteligencije rangirali su kao svoju najbitniju temu. Planirajte vrijeme za poduku zajedno s licencom.

Što će vam se vratiti kao prigovor

„Ne možemo zahtijevati alat za svakoga.“ Gdje je alat značajka dizajna, zahtijevati ga je poanta. Segmentacija videozapisa s fiksnim stankama poboljšala je sve učenike i dovela pogreške i oklijevanja sudionika s ADHD-om na razinu ostalih, što je ishod univerzalnog dizajna koji uklanja potrebu za otkrivanjem. Pristupačne zadane postavke nose istu logiku: čitanje naglas, OCR i alati za prilagodbu razine teksta ponavljaju se među potvrđenim česticama politike Shina i suradnika. Njihov korpus pokazuje i koliko politika mora prijeći, jer se samo 2 od 12 dokumenata posebno bave teškoćama u učenju, dok 18 tema prisutnih u općoj politici o umjetnoj inteligenciji ili politici drugih invaliditeta, među njima zaštita podataka, upravljanje pravnim rizicima i etičke smjernice, nedostaje u politici specifičnih teškoća u učenju.

„Titlovanje i prevođenje nisu akademska potpora.“ Titlovanje je početak, a ne cjelina jezičnog pristupa. Vizualna i emocionalna pitanja Chena i suradnika postoje zato što sam transkript gluhom učeniku ostavlja rekonstrukciju konteksta koji videozapis nikada nije izgovorio. Rangiranje stručnjaka za politiku također se ne slaže s tim prigovorom. Njihovih 36 potvrđenih čestica raspoređeno je na pet tema, pri čemu je uključivo i personalizirano učenje najveće s 11 (30,56%), etika, pravednost i uključenost s 9 (25,00%), a priprema edukatora s 4 (11,11%), no stručnjaci su osnaživanje učenika i pismenost u području umjetne inteligencije ocijenili najbitnijima od pet, sa 6 čestica (16,67%), na razini s ocjenjivanjem i istraživanjem.

„Studenti moraju biti samostalni.“ Samostalnost je svrha poduke, zato je alat bez poduke neuspjeh. Tema pripreme edukatora kod Shina i suradnika postoji iz istog razloga. Razmjere potrebe lako je podcijeniti: oko 240 milijuna djece u svijetu živi s invaliditetom, otprilike polovica njih izvan je škole u zemljama s niskim i srednjim dohotkom, a oko trećina učitelja u sustavima OECD-a navodi da nema kompetencije za potporu učenicima s posebnim potrebama. U Sjedinjenim Državama Zakon o asistivnoj tehnologiji (2004.) i IDEA (2004.) smještaju procjenu asistivne tehnologije unutar svakog individualiziranog obrazovnog programa i zahtijevaju besplatno i primjereno javno obrazovanje, a ipak nikakve formalne smjernice utemeljene na dokazima ne pomažu edukatorima ili obiteljima primijeniti umjetnu inteligenciju za te učenike. Samostalnost izgrađena na nepodoučenom alatu ono je što sudska praksa kažnjava.

„Ne možemo si to priuštiti.“ Onda odbijte skupu zadanu opciju. Virtualna stvarnost najzahtjevnija je opcija u skupu s obzirom na resurse, a najimerzivniji alati u području najmanje su skalabilni. Besplatan alat koji čuva privatnost i poboljšava razgovor o dizajnu, uz prethodno pročitane ograde njegovih autora, bolja je početna kupnja od naglavnog uređaja.

„Dokazi su preslabi da bi se po njima djelovalo.“ Slabi su, ali nisu prazni. Meta-analiza iz 2024. daje vam smjer sa širokim intervalom i korekcijom pristranosti objavljivanja koja procjenu reže na manje od polovice, tri studije pojedinačnih alata male su, a pregled visokog obrazovanja mjeri pokrivenost, a ne učinak. Ono što to podupire jest jeftin i reverzibilan potez: promjena dizajna, imenovana prilagodba, proba s mjerom dogovorenom unaprijed. Odgađanje odluke također je odluka, i ostavlja studenta pred vama s onim što pruža zadani aranžman.

Što učiniti ovog tjedna

1. Za svaki zahtjev za prilagodbu na vašem stolu zapišite funkcionalnu prepreku uz naziv alata i provjerite da alat obrađuje tu prepreku, a ne dijagnozu.

2. Pitajte je li prepreka zajednička cijeloj grupi. Ako jest, promijenite dizajn: razdvojite videozapis na odsječke, uklonite dvosmislenost, uključite čitanje naglas i dajte zadatku strukturu koja mu je nedostajala.

3. Dodajte transkripciju i OCR u pravilo o umjetnoj inteligenciji imenom, kako bi se zabrana generativnog sastavljanja teksta i prilagodba za stvaranje teksta odlučivale odvojeno.

4. Pridružite poduci ime i datum: tko pokazuje studentu alat, kada i tko provjerava da djeluje.

5. Dogovorite mjeru sa studentom prije početka probe i zabilježite rezultat u bilješke pregleda, uključujući i slučaj kada je odgovor da nije pomoglo.

Kamo dalje

Univerzalni dizajn za učenje pokriva pristup dizajnu koji sprječava prepreke prije nego se pojave, asistivna tehnologija sloj je alata koji student rabi, pristupačnost odgovara na pitanje može li se format uopće opaziti i njime rukovati, a neuroraznolikost nudi gledište koje različitost tretira kao raznolikost, a ne kao manjak, sve u okviru uključivog učenja. Smanjenje pretjeranog oslanjanja pokriva pretjerano oslanjanje i inverzne učinke koji odlučuju hoće li alat nastaviti pomagati, a uključivanje pravednosti, pristupačnosti, privatnosti, etike i pedagoške sigurnosti u istraživanja AIED-a pokriva obveze na istraživačkoj strani.