Mesterséges intelligencia az oktatásban

Ennek az angol oldalnak a gépi fordítása, amelyet még nem ellenőrzött anyanyelvi beszélő.

Mesterséges intelligencia az oktatásban (AIED) — a mesterséges intelligencia tanításban és tanulásban történő alkalmazásával foglalkozó széles, interdiszciplináris tudományterület, amely a rendszerek tervezését, használatát, értékelését és következményeit vizsgálja. A tudásbázis paravánfogalmaként a mesterséges intelligencia az oktatásban magában foglalja az oktatás céljára használt MI-t (a MI tanítás és értékelés javítására való felhasználása) és az MI-ről szóló oktatást (az MI-írástudatosság és a kritikai megértés fejlesztése). A pedagógiai technológia, a tanulástudományok — a tanulás empirikus kutatási területe, amely azt kérdezi, hogy a tanuló megváltozott-e, és nem csupán azt, hogy egy eszköz jól teljesített-e —, a számítástechnika, az oktatáspolitika, az etika és az esélyegyenlőség metszéspontján helyezkedik el. Ez az oldal a tudományterület bevezetése és egy térkép a tudásbázis által lefedett összes fogalomhoz.

Megfontolandó kérdések

• A „mesterséges intelligencia az oktatásban” két irányt ölel fel: az oktatás céljaira használt MI-t (a tanulás javítása) és az MI-ről szóló oktatást (az írástudatosság és a kritikai megértés építése). Melyik ismerős Önnek jobban, és melyiket szokta általában figyelmen kívül hagyni?
• A tudományterület történetét visszatérő feszültségként jelenítik meg az irányítás és a tanulói önállóság között. Ahogy figyeli, hogyan terjednek el az MI-eszközök, hol tapasztalja ma ugyanezt a feszültséget?
• A mesterséges intelligencia az oktatásban a technológia, a tanulástudomány, a politika, az etika és az esélyegyenlőség metszéspontján helyezkedik el. E lencsék közül melyiket alkalmazza természetes módon egy MI-eszköz értékelésekor — és melyiket felejti el legvalószínűbb?
• Ez a tudásbázis a tudományterületet szálakra szervezi: pedagógia, tanuláselméletek, technológiák, tantárgyak, értékelés, visszajelzés, érintettek és irányítás. Ha a saját MI-használatát térképezné fel, melyik szálon találná magát?
• Az AIED magában foglalja a diákok megtanítását arra, hogy kritikusan használják az MI-t, mint önmagában is cél. Az Ön kontextusában az MI-t inkább tananyagként kezelik-e, amelyet tanítani kell, vagy eszközként, amelyet használni kell — és ez az arány tükrözi-e, amire a tanulóknak valójában szükségük van?
• A diákok úgy tanulhatják meg az MI-írástudatosságot, hogy kritikusan használják az MI-t, nem csupán az MI-ről való tanulással. Hogyan építhet a gyakorlati, kritikai használat olyan megértést, amelyet a passzív oktatás nem tud?

Bevezetés

A mesterséges intelligencia az oktatásban az a paraván, amelyet az összes többi fogalomoldal együttesen határoz meg. A tudásbázis a tudományterületet az alábbi nagy szálakra szervezi, mindegyik a releváns fogalomoldalakra hivatkozik.

Egy alapvető történeti perspektívában Mishra és mtsai. az AIED történetét a kibernetikától és a 1956-os dartmouthi konferencián át a kognitív tutorokig és Papert konstrukcionizmusáig követik, azt állítva, hogy a mai GenAI viták újraéltetik a tudományterület alapvető irányítás-és-önállóság feszültségét.

Hogyan szerveződik a tudásbázis: a paravánoldalak

A tudásbázis fogalomlefedettségét több paravánoldal horgonyozza, amelyek a rokon fogalmakat navigálható szálakra csoportosítják. Ezek jó belépési pontok a tudományterület felfedezéséhez:

• Mesterséges intelligencia az oktatásban — ez az oldal, a tudományterület áttekintése és térképe az egész lefedettséghez.
• MI-írástudatosság — a paraván az MI megértéséhez, használatához és kritikai értékeléséhez, átfogva a prompttervezést, a kritikai gondolkodást, az MI-etikát és a felelős használatot. Mellette a ember–MI együttműködés és az azonos MI határozza meg, hogyan dolgoznak együtt az emberek és az MI. (Megjegyzés: az "azonos MI" fordítása félreérthető; lásd az eredetit.)
• Pedagógiák és tanítási stratégiák — a paraván ahhoz, hogyan zajlik a tanítás: azok a tanítási módszerek és stratégiák, amelyekben az MI működik (aktív, kollaboratív, projektalapú, problémaalapú, tapasztalati, játékalapú, szókratészi, Scaffolding és mások), beleértve az online tanítás és tanulás különálló kontextusát.
• Tanuláselméletek — a paraván ahhoz, hogyan zajlik a tanulás: az elméleti keretek (behaviorizmus, kognitivizmus, konstruktivizmus, szociokulturális, kognitív, motivációs), amelyek formálják az MI-tervezést és -értékelést.
• Technológiák — a paraván a műszaki réteghez: az MI-rendszerek (nagy nyelvi modellek, generatív MI, Multimodal AI, robotika) és technikák (retrieval-augmented generation, prompttervezés, megerősítéses tanulás, modelltréning, azonos MI-orchesztráció), amelyek az AIED-et működtetik. A tanulómodellező családot — ismeretkövetés, cognitív diagnózis, diákok szimulálása, és az ezeket felhasználó rendszerek (intelligens tutorálás, adaptív tanulás, személyre szabott tanulás) — e műszaki szálon belül a Tanulómodellezés és adaptív oktatás paraván alatt csoportosítják.
• MI a tantárgyakban — a paraván ahhoz, hogyan alkalmazzák az MI-t a tantárgyak szerint (matematika, fizika, nyelvtanulás, számítástechnika, írás, STEM, mérnöki tanulás, üzleti tanulás, tanárképzés, egészségügyi tanulás, és mások) — és, az akadémiai tantárgyakon túl, a szakmai és alkalmazott szál, amely a bemutatott gyakorlatot értékeli a helyesség helyett (ápolástudomány, informatika, szakképzés és képzés, designtanulás) — és az oktatási szintek (K-12, felsőoktatás, felnőttképzés).
• Assessment (a formatív, szummatív, autentikus, szóbeli és automatizált szálakkal) — a paraván ahhoz, hogyan értékeli az MI a tanulókat, és hogyan formálja át az értékelés érvényességét és integritását.
• Feedback — a paraván ahhoz, hogyan keletkezik, szállítódik és használódik a visszajelzés: a visszajelzési hurok, az visszajelzés minősége, a visszajelzés-írástudatosság, és értékelési kontextusai (formatív, társértékelés, automatizált).
• Érintettek az MI-oktatásban — a paraván ahhoz, kik az szereplők: tanulók, tanárok, tanulástervezők, adminisztrátorok és döntéshozók.
• MI-oktatási értékelés és kutatómódszerek — a paravánok ahhoz, hogyan tudjuk, működik-e az MI: hatékonysági vizsgálatok, benchmarkok, randomizált kontrollált kísérletek, metaanalízis és tanulási nyereség mint a központi kimeneti mutató. Az olvasónak mérlegelnie kell az ezen bizonyítékokat átfogó korlátozásokat is.
• MI-irányítás, oktatási MI-politika és esélyegyenlőség — a paravánok az intézményi, szabályozási és méltányossági réteghez (lásd még a szabályozást és az adatvédelmet).

Ezeket a paravánoldalakat az alábbi szakaszok mindegyikében hivatkozzuk; minden alábbi szál megnevezi mind a paravánját, mind az alkotó fogalmakat.

A mesterséges intelligencia két dimenziója az oktatásban

Az oktatásban alkalmazott mesterséges intelligencia kutatása két összefüggő irányt ölel fel:

• Oktatás céljára használt MI — MI-rendszerek alkalmazása a tanítás, a tanulás, az értékelés és az adminisztráció javítására. Ebbe beletartozik az MI-tutorálás, az adaptív tanulás, a személyre szabott tanulás, az automatizált esszéértékelés, az automatizált kérdésgenerálás, az automatizált értékelés, a formatív értékelés, a tanuláselemzés és a visszajelzési hurkok.
• Oktatás az MI-ról — a tanulók és az oktatók megtanítása arra, hogy megértsék, használják és kritikusan értékeljék az MI-t. A magja a MI-írástudatosság, amelyet a prompttervezés, a kritikai gondolkodás, az MI-etika, a irányítási oktatás, a digitális írástudatosság és a felelős használat támogat.

Ez a két dimenzió nem elkülönül: az MI jól végzett használata megértést igényel, és az MI-ről szóló tanítást gazdagítja annak használata. Ez az ember–MI együttműködés központi téma.

A mesterséges intelligencia alapjai az oktatásban

A tudományterület átszövő és alapvető fogalmai horgonyozzák a tudásbázis lefedettségét, és az oldalsávban ők jelennek meg először. Egy Alapok csoporttal nyitnak — a fogalmak, amelyekkel minden olvasónak kezdenie kell: maga a paraván, a tévhitek az MI-ről, a MI-írástudatosság, az azonos MI, a cognitív leterhelés, a hogyan kerül keretbe az MI-használat a diákok számára, a MI-visszaélés csökkentése, az akadémiai integritás, a tanítás, a tanulástervezés és az oktatásfejlesztés. A tudományterület szál aztán lefedi a tudományterület történetét, az evidenciabázist átfogó korlátozásokat, a filozófiáját, a elméletek és keretek térképét és a elméletfejlesztést. Az átszövő témák — a ember–MI együttműködés, a tanulói önállóság, a tanulói identitás, a design thinking, a tantervtervezés, a kritikai gondolkodás és a komputacionális gondolkodás — minden szálon átvágják magukat, mert az emberek által az MI-ról táplált pontatlan mentális modellek az visszaélés és a kalibrálatlan bizalom felőli oldalon helyezkednek el.

Tanulás és oktatás

Az, hogyan támogatja az MI a tanítást és a tanulást, a tudományterület szíve. A kulcsfogalmak:

• Alapvető pedagógiák: a pedagógiák és tanítási stratégiák — a paraván a tudásbázis tanítási módszereinek lefedettségéhez — a pedagógiai mintákkal (a bevált sorok, amelyekbe ezek a módszerek szétválnak), az aktív tanulással, a kollaboratív tanulással, a csoportmunkával, a projektalapú tanulással, a problémaalapú tanulással, a produktív kudarcral, az vizsgálódáson alapuló tanulással, a tapasztalati tanulással, a játékalapú tanulással, a tanulás tanítással, a állványozással, a szókratészi módszerrel, a kritikai pedagógiával, a pedagógiai partnerségekkel, a történetmeséléssel, a tanulástervezéssel, az online tanítással és tanulással és a videóval az oktatásban.
• Tanuláselméletek és -folyamatok: a tanuláselméletek paravánja (behaviorizmus, kognitivizmus, konstruktivizmus, szociokulturális, elosztott kogníció, szituált tanulás, testi megtestesült tanulás, community of inquiry) a tanuló-felől nézett folyamatok mellett helyezkedik el, mint az önszabályozott tanulás, az önmeghatározás-elmélet, a motiváció, az önhatékonyság, az önirányított tanulás, a metakogníció, a kívánatos nehézségek, a tanulás transzferje, a előzetes tudás, az ICAP kognitív elköteleződés, a cáfoló szöveg, a visszahívás, időzítés és váltogatás és az tehóriaelmélet.
• Tanulói elköteleződés és élmény: a diákok elköteleződése, a segítségkérés, a szociálisan-érzelmi tanulás, a jóllét, a kreativitás, a problémamegoldás, a mestertanulás és a diák–MI kölcsönhatás formálja, hogyan találkoznak valójában a tanulók az MI-vel és hogyan érinti őket, míg az MI-használat körül kialakuló társadalmi normák határozzák meg, hogy mennyire nyíltan lehet ezekről beszélni. A kurzuson túl a diáktámogatás és -siker foglalkozik az intézményi oldali munkával — tanácsadás, kapcsolatépítés, továbbirányítás és a szűkös támogatás elosztása —, ahol az MI megbízhatóan mozgatja a feladatok teljesítését, de a kitartást vagy a diplomaszerzést nem.

Technológiák és technikák

Az Technológiák oldal a műszaki réteg paravánja:

• Modellek és technikák: a generatív MI, az nagy nyelvi modellek, a retrieval-augmented generation, a multimodális modellek, az oktatási NLP, a megerősítéses tanulás, a ismeretgráfok, az robotok az oktatásban, a konverzációs MI, a szimuláció és az LLM-tréning és finomhangolás. A mögöttes módszerek is számítanak: a gépi tanulás az, ahol ezeket a rendszereket építik, a beszéd- és hangtechnológiák viszik a beszélt tutorálást és nyelvi gyakorlást, a vizualizáció a tanulók és oktatók irányítópultjait és vizuális analitikáját fedezi le, és a virtuális és kiterjesztett valóság fogadja az immersív gyakorlást, amelynek vizuális rétegét a modell most már generálhatja. Ide tartoznak az újabb kölcsönhatási stílusok is — leghangsúlyosabban a vibe coding, a természetes nyelvvel vezérelt munkafolyamat, amelyben a felhasználó egy LLM promptolásával ad meg egy programot, és a kapott viselkedést ítéli meg, ahelyett hogy elolvasná vagy szerkesztené a forrást. Ez a programozást kifejezés és ellenőrzés cselekedetévé formálja, és leengedi a küszöböt arra, hogy a végfelhasználók saját eszközeiket építsék. Az integrációs-mélységű keretek, mint a SAMR, és az adaptációs elméletek, mint a TAM, osztályozzák, hogy milyen mélyen veszik fel az MI-t és mennyire formálja át a feladatot.
• Tanulómodellezés és adaptív rendszerek: azokat a műszaki rendszereket, amelyek ábrázolják a tanulót és alkalmazkodnak hozzá, a Tanulómodellezés és adaptív oktatás paraván alatt csoportosítjuk — ismeretkövetés, cognitív diagnózis, diákok szimulálása, intelligens tutorálás, adaptív tanulás, személyre szabott tanulás, ajánlórendszerek és tanulási utak, pedagógiai ágensek, affektív tutorálás, affektív számítástechnika, human-in-the-loop AI és tanuláselemzés. Ezek a műszaki rétegben helyezkednek el, mert ők maguk az MI-rendszerek, megkülönböztetve az általuk megvalósított pedagógiáktól.

MI a tantárgyakban

Az MI-t tantárgyak szerint és oktatási szinteken alkalmazzák. A tudásbázis az AIEd tantárgyak szerinti áttekintése feltérképezi a tantárgyi lefedettséget — a tanulástudományokkal együtt, amely nem tanított tantárgy, hanem az átszövő kutatási terület, amely magát a tanulást tanulmányozza, és a tantárgyi tartalmat sok más változó közül az egyikként kezeli:

• Tantárgyi területek: a matematika, a fizika, a kémia, a biológia, a számítástechnika, az mérnöki tanulás, a STEM, a írás, a nyelvtanulás, az angol nyelvű oktatás (EAP/EFL/ESL), a természettudományos oktatás, az üzlet, közgazdaságtan és menedzsment, a humán- és társadalomtudományok, az művészet-, design- és médiaoktatás, az orvosi és egészségügyi szakma, a jogi oktatás, és a szakmai és alkalmazott szálak — a ápolástudomány, az informatika, a szakképzés és képzés és a designtanulás.

Szintek és kontextusok

Ugyanaz az MI-eszköz nagyon eltérő környezetekkel találkozik, és a tudásbázis elkülöníti az oktatási szintet a pedagógiától, hogy a megállapítások csendben ne szálljanak át rajtuk: a K-12 iskolák, az kora gyermekkor és elemi oktatás, a felsőoktatás, az felnőttképzés, a szakképzés és képzés, a speciális oktatás és a tanárképzés. A szinteken átvágó, tartományhoz közeli fogalmak közé tartozik az univerzális tanulás tervezése, a neuródivergencia, a többnyelvű tanulás és a szociálisan-érzelmi tanulás.

Értékelés és mérés

Az MI átformálja azt, ahogyan a tanulókat értékeljük, és azt, ahogyan magukat az MI-rendszereket értékeljük:

• Értékelés és visszajelzés: Assessment, formatív értékelés, szummatív értékelés, autentikus értékelés, e-portfólió, Feedback és visszajelzés-írástudatosság, MI-visszajelzés minősége, társértékelés, szóbeli értékelés, automatizált értékelés, automatizált esszéértékelés és automatizált kérdésgenerálás. Mivel a modell most már igény szerint hihetően elkészült munkát állíthat elő, a tudásbázis előtérbe helyezi azt a képességet, amely a tanuló sajátja marad: az értékelő ítélőképességet, a saját munkája, társai munkája és az MI-kimenet minőségének indokolt kritériumokkal történő megítélésének képességét. Ez az a konstruktum, amelyre számos visszajelzéses és autentikus-értékelési vizsgálat egyaránt konvergál — a hibrid visszajelzési feltétel, amely felülmúlja a közvetlen MI-visszajelzést egy többtelepheléses kísérletben, a fenntarthatósági rés az MI formatív visszajelzésében, és az a gyakorlati lépés, hogy a diákok által hozott döntéseket értékeljük, nem csupán az artefaktumot —, és ez az egyik központi ok, amiért az MI-korszak átalakítása az felismerésről az olyan feladatok felé tolódik, amelyek integritása átvészeli a vizsgálatot. A csoportmunkát szintén a folyamat és a termék mentén értékeljük, ahol a csapatoknak meg kell állapodniuk abban, hogy kinek és milyen fajta MI-elköteleződése számít elfogadhatónak.

• Mérés és érvényesség: értékelési érvényesség, pszichometriában jártas MI, oktatási mérés, item response theory, önjelentéses mutatók (a műszer, amely ezen bizonyítékok nagy hátterében áll, visszatérő korlátozásként), MI-felismerés, távoli proctoring és akadémiai integritás.

Kutatómódszerek és értékelés

Az, hogyan tudjuk, működik-e az MI, önálló szál, és a tudásbázis annak is kezeli:

• Kutatómódszerek: a kutatómódszerek az AIED-ben, mint paraván, a kvalitatív, kvantitatív, mixed-methods, design-based és használhatósági megközelítésekkel, valamint randomizált kontrollált kísérletekkel, metaanalízissel és szisztematikus áttekintéssel és hálózatelemzéssel.

A tudományterület saját kutatási munkája most önálló tantárgy. Az MI-támogatott oktatáskutatás az MI-t fedezi fel mint irodalmi keresés, szűrés, kvalitatív kódolás, elemzés és írás eszközét, beleértve a gyakorlati kutatásokat is, mint a tanítás és tanulás tudománya. Külön marad azoktól a tervezésektől, amelyekkel azt vizsgálják, mit tesz az MI a tanulókkal.

• MI-rendszerek értékelése: MI-oktatási értékelés és benchmarkok egy rendszer képességének megítéléséhez, a tanulási nyereséggel, mint azzal a kimenettel, amely számít, és az ezen bizonyítékokat átfogó korlátozásokkal és az egyetlen vizsgálat elolvasásával, mint a figyelmeztető ellensúllyal.

Emberek

A mesterséges intelligencia az oktatásban minden érintett szerepét megváltoztatja. A tudásbázis Érintettek az MI-oktatásban oldala az őket mind lefedő paraván:

• Tanulók: a diákélmény, a karrierfejlesztés és készenlét és az MI-szorongás és -stressz formálja, hogyan találkoznak a diákok az MI-vel.
• Családok és közösségek: a szülők és családok az a közönség, amelyhez az iskolák a legtöbbször szólnak az MI-ről, és akik mögött a legkevesebb kutatás áll a tanácsadás hátterében, tehát a gondjaik az érintetti képbe tartoznak, nem annak külsejébe.
• Oktatók és tanítási keretek: a tanári MI-kompetencia, a technological pedagogical content knowledge (TPACK), a SAMR és az oktatásfejlesztés foglalkozik az oktatók felkészítésével és támogatásával.
• Építők: Educational Technology Developers — a terméktervezők, szoftverfejlesztők, tanulásmérnökök és analitikatervezők, akik egy modellképességet olyan dologgá változtatnak, amelyet egy intézmény beszerezhet. Ők külön közönség a fenti gyakorlóktól és adminisztrátoroktól, és azon intézményekön kívül helyezkednek el, amelyek az eszközeiket bevezetik, amiért az alapértelmezések, a közös tervezés és a finanszírozás utáni karbantartás ebben a tudásbázisban pedagógiai kérdésekként jelennek meg, nem kereskedelmiekként.

Intézmények és politika

Az intézményi réteg az, ahol az MI-döntéseket ténylegesen meghozzák és megvédik: adminisztrátorok és intézményi vezetők, oktatási MI-politika, MI-irányítás, változásmenedzsment, mint annak munkája, hogy egy bevezetés megmaradjon, MI-szabályozás, és a technológiaadaptációból, az open source-ből és az edtech platformokból következő beszerzési és platformkérdések, a szakmai és élethosszig tartó tanulás és a szakmai képzés mellett.

Esélyegyenlőség, etika és felelős használat

A méltányosság, a hozzáférés és a felelősség központiak a mesterséges intelligencia oktatásban történő alkalmazásában:

• Esélyegyenlőség és hozzáférés: Esélyegyenlőség, a tanulócsoportok közötti differenciális hatások (a kérdés, hogy ki-re vonatkozik egy megállapítás), a digitális szakadék, a elfogultság-csökkentés, a kulturálisan releváns pedagógia, a többnyelvű tanulás, az inkluzív tanulás, az akadálymentesítés, az segítő technológia, a neuródivergencia, az univerzális tanulás tervezése és a globális déli vizsgálatok.
• Etika és felelősség: az MI-etika, az MI-visszaélés és tanulási kár, a jogi kérdések és kockázatok, az MI-használat nyilvánosságra hozatala, a korlátok, az adatvédelem, a hallucinációs kockázat, az MI-szöveghízelgés, a bizalom, a bizalomkalibrálás, a MI-visszaélés csökkentése, a hogyan kerül keretbe az MI-használat a diákok számára, a pedagógiai biztonság, a fenntarthatóság és a cognitív leterhelés.

A tudományterület etikairodalmának egy szisztematikus áttekintése (Agarwal és mtsai., 2026, 25 cikk) az AIED-etikát hat fő etikai értékbe tömöríti — megkülönböztetés-mentesség, adatkezelés, emberi felügyelet, jóindulat, magyarázhatóság és oktatási alkalmasság —, és az etikai normákat egy érintett-érték mátrixra képezi. Azt találja, hogy a végfelhasználók nagyrészt passzívak az etikai irodalomban (a diákok hangja lényegében hiányzik), és felhívja az etika AIED-tervezésbe integrálására és az AIED-etika oktatási (pedagógiai) dimenziójára irányuló nagyobb figyelemre.

Változó és átszövő témák

Számos téma vág át a tudományterületen:

• Bizalom és kritikai használat: a bizalom, a bizalomkalibrálás, az MI-szöveghízelgés, a kritikai gondolkodás, a cognitív leterhelés, a kritikai pedagógia és a MI-visszaélés csökkentése (lásd még a hogyan kerül keretbe az MI-használat a diákok számára). Hogyan döntenek a tanulók és a tanárok az MI elfogadásáról és megbízhatóságáról, azt a technológiaelfogadás kutatása modellezi, míg a globális déli vizsgálatok előtérbe helyezik az esélyegyenlőséget és a kulturális kontextust az adaptációban. Empirikusan az, hogyan magyarázza meg az MI önmagát, formálja ezt a bizalmat: Feldman-Maggor és mtsai. (2025) megmutatta, hogy a magyarázható MI a tanárok bizalmát építi az MI-ajánlások iránt a megérthetőségen át, ahol a tartomány-vezérelt (tantervi nyelvű) magyarázatokat jobban megbízzák és fogadják el, mint az adatvezérelt jellemzőfontossági kimenetet.
• A tudományterület evolúciója: a tudásbázis a mesterséges intelligencia oktatásban történő alkalmazását a korai intelligens tutoráló rendszerektől és a ismeretkövetéstől az LLM-vezérelt tutoráláson, a ágenseken és az azonos MI-en át követi — egy gyors eltolódás az eszközközpontú vizsgálatoktól a szociotechnikai keretekig (design thinking, tantervtervezés, intézményi változás), és a kézzel íródt rendszerektől a felhasználó-vezérelt munkafolyamatokig, amelyekben egy tanuló vagy egy nem programozó természetes nyelven adja meg a viselkedést (vibe coding). Rismanchian és Doroudi ezt a pályát az AI×Ed keretükkel formalizálja, négy évtized eljárási anyagában található dolgozatokat követve, hogy megmutassák, a tudományterület egy változatos keveréktől — beleértve az MI-t emberi intelligencia és tanulás analógiájaként kezelő jelentős kutatást — egy közel kizárólag az alkalmazott, adatvezérelt, kutató-felőli felhasználásokra irányuló fókusz felé mozdult, egy fordulatot, amelyet az LLM-ek emelkedése most részben megfordítani látszik (a négy „AI-mint-analógia” dolgozat közül három volt LLM-alapú az AIED 2024-en).
• Érzelem, szorongás és karrierjövő: az MI érzelmi válaszokat keltene meg és formál — az MI-szorongás és -stressz, amely a proctoring-megfigyeléstől, az integritási félelmektől és a karrier-kihelyezéstől átnyúlik —, míg a karrierfejlesztés és készenlét foglalkozik azzal, hogyan készíti fel az oktatás a tanulókat egy MI-által megzavart munkaerőpiacra (lásd még a jóllétet).

A tudományterület érettsége

A tudásbázis a gyors fejlődésben lévő tudományterületet tükrözi — a korai intelligens tutoráló rendszerektől az LLM-vezérelt tutoráláson és azonos MI-en át; a felismerésre összpontosító akadémiai-integritási eszközöktől az értékelés újratervezéséig; az eszközközpontú vizsgálatoktól a szociotechnikai és esélyegyenlőségre összpontosító keretekig. Az evidenciabázis egyre inkább hangsúlyozza a szigorú kutatómódszereket, az értékelést, az kísérleti tervezéseket és a hosszú távú kimeneteket.

Kapcsolatok

A mesterséges intelligencia az oktatásban a tudásbázis minden fogalmához kapcsolódik — ez az a tudományterület, amelyet az összes többi fogalomoldal együttesen határoz meg. Használja ezt az oldalt kiindulópontként a teljes tudásbázisban való navigáláshoz.

Kapcsolódó fogalmak

• Pedagogical Patterns — A bevált sorok, amelyek működtetik a tudományterület pedagógiáit
• MI-írástudás — paraván: az MI megértése, használata és értékelése
• Human AI Collaboration — paraván: hogyan dolgoznak együtt az emberek és az MI
• Pedagogies and Teaching Strategies — paraván: tanítási módszerek és stratégiák
• Learning Theories — paraván: hogyan zajlik a tanulás
• Technologies — paraván: modellek, technikák és rendszerek
• AIEd in the Disciplines — paraván: MI a tantárgyak és szintek szerint
• Assessment — paraván: hogyan értékeli az MI a tanulókat és formálja az érvényességet
• Feedback — paraván: hogyan keletkezik, szállítódik és használódik a visszajelzés
• Stakeholders — paraván: kik az szereplők
• Learners — paraván: a tanuló-oldali fogalmak (élmény, identitás, önállóság, kölcsönhatás, tanulómodellek)
• AI Ed Evaluation — paraván: hogyan tudjuk, működik-e az MI
• Research Methods in AIED — paraván: hatékonysági kutatási módszerek
• AI-Assisted Educational Research — MI-támogatott oktatáskutatás
• AI Governance — paraván: az intézményi és szabályozási réteg
• Educational AI Policy — paraván: politika, iránymutatás és megvalósítás
• Equity — paraván: méltányosság, hozzáférés és inklúzió
• Learning Sciences — az AIED mögött álló empirikus tudományterület
• Ethics — a mesterséges intelligencia etikai dimenziói az oktatásban
• Misconceptions about AI — az emberek által az MI-re hozott mentális modellek
• Interpreting and Applying AIEd Research — egy vizsgálat elolvasása és egy megállapítás gyakorlatba vitele
• Limitations in AIEd Research — az evidenciabázist átfogó határok
• Meta-Analysis and Systematic Review — amit az áttekintések és metaanalízisek megállapítanak
• History of AI in Education — hogyan fejlődött a tudományterület
• Philosophy of AI in Education — a filozófiai alapok
• Theories and Frameworks — az elméleti és keretcsomópontok térképe
• Theory Development in AI in Education — elmélet építése és átdolgozása

Kapcsolódó cikkek

A mesterséges intelligencia oktatásban történő alkalmazásának tudományterület-szerű áttekintései — azok a vizsgálatok, amelyek az egész tudományterületet vagy egy egész oktatási szintet felmérék, nem egy témát:

• The Evolution of Research on AI and Education Across Four Decades: Insights from the AIxEd Framework — Az MI-és-oktatás kutatás fejlődése négy évtizeden át (AIxEd keret)
• Control vs. Agency: Exploring the History of AI in Education — Irányítás kontra önállóság: a mesterséges intelligencia története az oktatásban
• Generative AI in Higher Education: A Systematic Review of Opportunities, Challenges, and Pedagogical Innovations (2022–2025) — Generatív MI a felsőoktatásban: 125 vizsgálat szisztematikus áttekintése
• The Evidence Base on AI in K-12: A 2026 Review — Az MI bizonyítékbázisa a K-12-ben: 818 dolgozat áttekintése
• Generative AI technologies and educational outcomes: a comprehensive meta-analysis comparing traditional and AI-driven approaches — Generatív MI és oktatási kimenetek: átfogó metaanalízis