Konsep Pertanyaan yang Sering Diajukan Cari

Di halaman ini

Pembaruan Mingguan Riset AI dalam Pendidikan #231 Oktober 2026

Terjemahan mesin otomatis halaman berbahasa Inggris ini, yang belum ditinjau oleh penutur asli.

Ringkasan mingguan dari Basis Pengetahuan AI dalam Pendidikan, tentang apa arti penelitian yang diterbitkan dalam sepekan terakhir bagi pengajar, pengembang, peneliti, dan administrator.

Sejak edisi terakhir, 121 studi baru, empat sumber daya baru, lima FAQ baru dan dua halaman konsep baru, tentang pendidikan terbuka dan pendidikan statistika dan ilmu data, telah bergabung dengan basis pengetahuan, yang kini memuat 1.926 ringkasan artikel, 222 halaman konsep, 42 FAQ, dan 37 sumber daya. Halaman jurnal mendaftar setiap studi yang ditambahkan dalam sepekan terakhir. Anda juga dapat menelusuri basis pengetahuan atau menggunakan AI untuk mengobrol dengannya.

Sorotan utama dan pertanyaan

Sebagian besar hasil minggu ini menyangkut pekerjaan yang terjadi di sekitar sebuah jawaban, dan apa yang harus diubah ketika jawaban itu datang terlalu cepat atau terlalu percaya diri. Dua eksperimen mengisolasi mekanisme yang sama di ruangan berbeda.

Uji yang didaftarkan sebelumnya dengan 317 orang dewasa memberikan tugas pemrosesan mendalam yang sama sebagai lembar kerja atau sebagai jendela obrolan terbuka, dan jendela obrolan menaikkan ketidakteraturan tugas sebesar 0,84 simpangan baku tanpa ada apa pun dalam model yang menjelaskannya, sehingga perbaikannya adalah struktur di sekitar pengurutan dan penghentian, bukan dukungan konten yang lebih banyak. Studi forum menemukan asisten pengajar AI menjawab lebih dulu di 97% utas yang dimulai mahasiswa, dengan median 0,92 menit dibandingkan 490 menit untuk teman sekelas, sementara bahasa regulasi diri dalam utas turun dari 49% menjadi 36%, yang mengarah pada penundaan respons pertama alih-alih penghapusan asisten.

Apakah asisten pelajaran yang menghemat waktu Anda berjam-jam juga memperbaiki pelajarannya? Dua ratus empat guru dalam uji acak: waktu yang dihemat nyata, materi yang lebih baik tidak.
Jika efek yang diterbitkan adalah 0,86, haruskah Anda merencanakannya di mata kuliah Anda sendiri? Meta-analisis 58 studi yang kehilangan dua pertiga ukurannya setelah koreksi bias diterapkan.
Apakah menambahkan AI ke tugas yang sudah Anda jalankan sepadan dengan usahanya? Dua kelas dari mata kuliah yang sama, 113 mahasiswa, tidak ada perbedaan dalam apa yang mereka laporkan telah dipelajari.
Bagaimana Anda memilih asisten yang digunakan mahasiswa Anda? Tanyakan apa yang dilakukannya ketika mahasiswa bersikeras bahwa ia salah: tiga belas model mengonfirmasi pekerjaan yang benar pada tingkat 46,5% hingga 98,5%.
Apakah aman memberi tahu mahasiswa bahwa chatbot peduli pada perasaan mereka? Tiga eksperimen dan satu survei: membingkai AI sebagai empatik memindahkan tanggung jawab menjauh dari manusia.
Apa yang dikirim chatbot di mata kuliah Anda kepada pihak ketiga? Penangkapan jaringan pada 42 platform, 17 di antaranya agen pendidikan: separuhnya mengirim judul percakapan ke pelacak.
Ketika asisten menjawab lebih dulu, siapa yang masih berpikir? 28.123 kalimat forum yang dikodekan: balasan teman sebaya membawa sebagian besar regulasi diri, dan balasan itu berhenti datang.

FAQ baru

Lima jawaban baru terbit minggu ini, masing-masing ditulis untuk pertanyaan yang benar-benar diajukan kolega, bukan untuk sebuah topik. Indeks FAQ juga dikelompokkan ulang menjadi sembilan bagian menurut tugas yang ingin Anda selesaikan, sehingga pertanyaan yang Anda bawa dapat ditemukan tanpa perlu tahu apa nama bidangnya.

Dapatkah saya menggunakan AI untuk menilai pekerjaan mahasiswa secara adil dan andal?

Jawaban penilaian memberi AI tempat sebagai pembaca kedua yang diawasi pada pekerjaan yang sudah Anda nilai, dan bukan sebagai penilai resmi. Kesepakatan tidak terbawa antarjenis penilaian, dan pemeriksaan yang tampak paling kuat dijalankan dengan kunci jawaban di tangan, yang bukan uji yang Anda jalankan ketika menilai secara buta.

Bagaimana saya memeriksa apakah pertanyaan kuis dan ujian yang dihasilkan AI itu baik?

Jawaban kualitas pertanyaan dimulai dengan menyelesaikan setiap butir sendiri lalu menanyakan apa yang dituntut dari mahasiswa, karena kunci jawaban dan tuntutan tugas lebih sering gagal daripada pilihan katanya. Pertanyaan yang dihasilkan dan belum dijawab siapa pun adalah kandidat, bukan penilaian.

Bagaimana AI dapat mendukung pembelajar multibahasa tanpa menghapus suara mereka?

Jawaban multibahasa meminta Anda memutuskan apa fungsi bahasa dalam tugas sebelum memutuskan apa yang boleh dilakukan alat. Ketika bahasa bersifat sampingan, AI dapat menghilangkan hambatan yang tidak ada hubungannya dengan konstruk Anda; ketika bahasa adalah konstruknya, alat yang sama mengerjakan tugas itu untuk mahasiswa.

Apa yang harus dipelajari mahasiswa untuk karier ketika AI sudah lazim?

Jawaban karier adalah mengajarkan seluruh tugas profesional dan menilai baik produk yang didukung maupun apa yang dapat dilakukan mahasiswa tanpa bantuan. Bukti mendukung pengetahuan disipliner ditambah pertimbangan, verifikasi, dan transfer, dan tidak mendukung daftar keterampilan alat.

Apa arti pembelajaran yang dipersonalisasi sebenarnya, dan kapan itu membantu?

Jawaban personalisasi memisahkan lima hal yang mendapat label sama, dari pengurutan ulang latihan hingga membiarkan mahasiswa memilih apa yang dipelajari berikutnya. Yang penting adalah apa yang diadaptasi, bukti apa yang menggerakkannya, dan apakah itu meningkatkan pembelajaran yang Anda maksudkan, yang dapat terasa seperti contoh yang familier atau percakapan responsif tanpa benar-benar melakukannya.

Sorotan konsep

Lima halaman konsep menyerap temuan minggu ini, dua di antaranya baru. Masing-masing adalah halaman tetap, bukan sekali pakai, sehingga bukti baru berdampingan dengan apa yang sudah diargumentasikan halaman itu.

Pendidikan terbuka

Halaman itu baru, dan ditulis karena tiga belas studi datang sekaligus tentang apa yang dilakukan AI generatif terhadap pengajaran berlisensi terbuka. Argumennya adalah lisensi, bukan model, yang perlu diperiksa, dan dua sumber daya baru di bawah keduanya menggambarkan institusi yang mengadaptasi konten terbuka dengan AI lebih cepat daripada kemampuan mereka mencatat siapa yang menulis apa. Baca halaman pendidikan terbuka sebelum menulis klausul AI ke dalam kebijakan OER.

Pembebanan kognitif

Halaman itu kini memisahkan apa yang dilepaskan alat dari seberapa banyak mahasiswa menggunakannya, yang merupakan pembedaan yang digambar tangga pembebanan dan ditunjukkan eksperimen empati di tempat yang tidak akan dicari kebanyakan orang. Halaman pembebanan kognitif juga memuat hasil 0,84 simpangan baku, karena itu bukti kausal paling bersih yang dimiliki halaman itu.

Pertimbangan evaluatif

Bukti barunya menyangkut apa yang diminta dari seorang penilai: metode penilaian menggerakkan stabilitas pengulangan dari 2,9% menjadi 15,9%, dan tiga belas model melipat di bawah tekanan mahasiswa pada tingkat 46,5% hingga 98,5%. Halaman pertimbangan evaluatif kini memperlakukan ketahanan terhadap koreksi yang salah sebagai kapabilitas terpisah dari mendapat jawaban yang benar.

Literasi AI

Dua hasil mempersempit konstruknya: berpikir kritis berjalan melalui cara mahasiswa membagi dan mengolah ulang kerja kognitif, bukan melalui keakraban dengan alat, dan rubrik yang dibangun dari 16 makalah inti menunjukkan betapa sedikit sumber daya yang menyebutkan kompetensi yang mereka klaim bangun. Halaman literasi AI menyimpan keduanya, karena uji literasi dan sumber daya literasi mengukur hal yang berbeda.

Halaman baru lainnya adalah pendidikan statistika dan ilmu data, yang argumen pertamanya adalah bahwa pertanyaan AI dalam disiplin ini bergantung pada artefaknya, karena dataset, bagan, dan kode kini dapat dihasilkan lebih cepat daripada kemampuan siapa pun memvalidasinya.

Untuk pengajar

Jendela obrolan terbuka membutuhkan aturan berhenti, bukan dukungan konten lebih banyak

Memasangkan tugas pemrosesan mendalam dengan jendela obrolan terbuka merugikan mahasiswa dalam memegang kendali atas tugas itu sendiri, dan perbaikannya adalah scaffolding di sekitar pengurutan dan penghentian, bukan penjelasan yang lebih banyak. Dalam eksperimen yang didaftarkan sebelumnya dengan 317 orang dewasa, kondisi obrolan menaikkan ketidakteraturan sebesar 0,84 simpangan baku (interval kredibel 0,47 hingga 1,21) dengan efek langsung 0,77 yang tidak dijelaskan oleh mediator mana pun dalam model, sementara pemrosesan mendalam tidak bergerak ke arah mana pun (median minus 0,22, interval mencakup nol).

Balasan pertama di bawah satu menit menghilangkan teman sebaya yang melakukan penalaran

Tunda atau batasi balasan pertama asisten di forum diskusi, karena teman sekelas yang bernalar dengan lantang adalah yang berhenti memposting. Di empat mata kuliah pascasarjana dan 28.123 kalimat yang dikodekan, asisten pengajar AI menjawab lebih dulu di 97% utas yang dimulai mahasiswa, dengan median 0,92 menit dibandingkan 490 menit untuk teman sebaya, dan bahasa regulasi diri turun dari 49% menjadi 36% seiring balasan teman sebaya turun dari 91% menjadi 45% dari tindak lanjut, dengan balasan teman sebaya membawa sekitar 70% regulasi itu dibandingkan 27% bagi mahasiswa yang membuka utas. Pembelajaran regulasi diri di forum dihasilkan oleh balasan, bukan oleh jawaban.

Pelatihan prompt membeli waktu guru, bukan materi yang lebih baik

Anggarkan pekerjaan kompetensi AI guru sebagai intervensi beban kerja, dan jangan berharap itu menaikkan kualitas yang dihasilkan guru. Dalam uji acak 204 guru, pelatihan menulis prompt menambahkan penghematan waktu persiapan 21% di atas akses ChatGPT biasa tanpa perolehan kualitas materi yang dinilai, karena guru yang terlatih menulis prompt lebih panjang dan membutuhkan lebih sedikit putaran penyempurnaan.

Asisten pelajaran menghemat waktu pada dosis pelajaran yang tipis

Uji coba untuk jam yang dikembalikannya dan belum untuk pelajaran yang dihasilkannya. Uji klaster independen atas Aila dari Oak National Academy mengikuti 416 guru sekolah dasar Inggris dan mengukur persiapan 2,51 jam per minggu dibandingkan 3,32 tanpa alat itu, sekitar 49 menit per minggu, sementara cakupannya 7% pelajaran dan kualitas hanya diuji untuk non-inferioritas, bukan peningkatan.

Menambahkan AI ke tugas terbuka tidak menambah apa pun dengan sendirinya

Biayai tugas pendidikan terbuka yang sudah Anda jalankan alih-alih menambahkan alat padanya dan menunggu perolehan literasi. Dua kelas mata kuliah pengantar perkembangan anak, 55 mahasiswa bekerja seperti biasa dan 58 dengan alat pencarian AI generatif ditambahkan, melaporkan perolehan keterampilan sumber yang dirasakan sama, 0,50 berbanding 0,48 pada skala lima poin, dengan suku interaksi mendekati nol (F(1, 84) = 0,04, p = 0,85).

Pilih asisten berdasarkan apa yang dilakukannya ketika mahasiswa mengatakan ia salah

Ketahanan terhadap koreksi yang salah memisahkan model lebih tajam daripada akurasi, jadi jadikan itu hal pertama yang Anda uji. Di 200 masalah rangka yang terverifikasi dan tiga belas model, akurasi pemecahan berkisar dari 64,5% hingga 97,0%, sebaran 32,5 poin, tetapi ketika diberi tahu bahwa pekerjaan yang benar itu salah, model mengonfirmasinya pada tingkat 46,5% hingga 98,5%, sebaran 52,0 poin, yang termasuk dalam pemeriksaan pertimbangan evaluatif yang Anda jalankan sebelum peluncuran.

Ajarkan menulis dengan bantuan AI sebagai genre dan skornya berhenti tumpang tindih

Memperlakukan penulisan dengan bantuan AI sebagai sesuatu yang diajarkan alih-alih diawasi termasuk dalam kurikulum pendidikan menulis, dan celah yang dibukanya bukan marginal. Rata-rata pascates adalah 9,8750 untuk kelas yang diajar dengan cara itu dibandingkan 3,8125 untuk kontrol, tanpa tumpang tindih antara kedua distribusi (Mann-Whitney U = 0,00, r = 0,86).

Untuk pengembang

Bangun skenarionya, bukan persona tutornya

Tempatkan scaffolding ke dalam skenario dan workbench sebelum Anda menyetel suaranya, karena persona bukan tempat efeknya berada. Dalam dua uji tiga lengan yang didaftarkan sebelumnya, 131 mahasiswa pada penalaran hukum dan 54 menyelesaikan lengan pemrograman kompetitif, sistem terstruktur mencapai 22,8 poin persentase dibandingkan 15,7 untuk asisten biasa, keunggulan 7,0 poin (p = 0,018, d = 0,56), sementara persona LLM-as-Teacher di atas model yang sama memperoleh 2,8 poin dan tidak terpisah (p = 0,121).

Tutor yang menyebut solusi brute-force lebih dulu mengarahkan mahasiswa ke arah salah

Audit solusi mana yang disebut tutor sebelum Anda merilisnya pada masalah multi-solusi, dan simpan audit itu dalam uji penerimaan tutor cerdas. Pada 150 masalah yang dijalankan dengan mahasiswa simulasi, brute force adalah pendekatan yang disebutkan di 22,2 hingga 32,1 persen pembukaan khusus solusi dibandingkan 13,0 hingga 19,4 persen untuk solusi optimal, dan dalam percakapan probe-first keempat model dasar menggerakkan mahasiswa ke pendekatan yang lebih buruk di 6,1 hingga 7,1 persen kasus.

Menghitung panggilan AI tidak mengukur apa pun tentang kemajuan

Hitungan interaksi adalah sinyal termudah yang dikumpulkan pipeline analitik pembelajaran dan hal terlemah untuk diletakkan di dasbor, jadi instrumentasikan status eksekusi di kedua sisi setiap panggilan. Di 140 pasangan mahasiswa-tugas dari 35 mahasiswa, interaksi AI berkorelasi dengan sel yang berhasil dieksekusi pada r = 0,12, dan dengan sel yang tersentuh pada r = 0,12 yang sama.

Nilai sesi dari cara ia menyimpang, bukan dari berapa banyak pertanyaan yang diajukan

Sesi yang bergeser ke arah mencari jawaban di paruh keduanya memprediksi pascates yang lebih buruk, dan pemeriksaan kecukupan wajib setelah setiap respons adalah intervensi murahnya. Dari 880 giliran substantif oleh 112 mahasiswa berusia 14 dan 15 tahun, kecuraman lintasan mencari bantuan menambahkan perubahan R kuadrat sebesar 0,110 pada model yang sudah memuat skor prates (beta = 0,34), sementara fitur interaksi statis menambahkan 0,023 dan gagal signifikansi (p = 0,684), dan 81,5% giliran adalah permintaan dibandingkan 2,2% evaluasi.

Aturan penilaian menentukan skor tolok ukur lebih dari modelnya

Jika harness Anda melaporkan satu angka, Anda belum tahu apa yang diukurnya. 2.250 dialog yang sama antara lima tutor dan mahasiswa simulasi mendapat skor 42,1% dengan exact match dan 81,3% dengan penilai terkalibrasi manusia, sebaran 39,2 poin yang lebih besar daripada gabungan efek model, strategi, dan pipeline, dan empat penilai dari tiga vendor sepakat dalam selisih 6 poin sementara label pipeline terstruktur tidak memberi keunggulan (p = 0,263).

Metode penilaian, bukan model penilai, menentukan reprodusibilitas

Terbitkan pernyataan adjudikasi yang menyebutkan metode, harness, pengulangan, dan berapa banyak butir yang dinilai di balik setiap klaim, karena metode itulah yang menggerakkan hasilnya. Pengulangan mengubah 2,9% hingga 6,1% hasil di bawah rubrik semi-kaku dan 13,5% hingga 15,9% di bawah penilaian holistik bebas, sementara mengganti model penilai hanya menggerakkan sekitar tiga poin.

Rekan sebaya AI yang menyetujui segalanya kehilangan penggunanya

Konfigurasikan agen untuk memegang ketidakpastian dan menolak menyetujui secara default, karena kalibrasi kepercayaan adalah perilaku yang Anda tulis, bukan properti yang dimiliki model. Tujuh ahli masing-masing menghabiskan 20 menit dalam peran mahasiswa dengan agen yang diperankan sebagai teman sebaya, dan yang membuatnya terbaca sebagai teman sebaya bersifat sosial: penalaran tentatif dan ketidaksempurnaan yang disengaja membangun kepercayaan, sementara persetujuan buta terhadap segala yang dikatakan pembelajar menghancurkannya.

Untuk peneliti

Rencanakan efek kecil, bukan rata-rata yang diterbitkan

Dalam latar baru, efek utama pengajaran AI generatif bukan yang harus Anda rencanakan, jadi lakukan uji pendahuluan sebelum memperbesar skala. Meta-analisis tiga tingkat atas 58 studi dan 6.941 peserta terkumpul pada g = 0,864, lalu melaporkan heterogenitas mendekati 87,9%, interval prediksi dari minus 0,213 hingga 1,942, dan efek terkoreksi bias g = 0,258; cetak interval itu di samping estimasi gabungan di tempat yang tidak dapat dilewatkan pembaca.

Berpikir kritis mengikuti pembagian kerja, bukan keakraban alat

Tetapkan pembagian kerja yang eksplisit dan minta mahasiswa mengolah ulang keluarannya, karena pengalaman dengan AI generatif mencapai berpikir kritis hanya melalui dua jalur itu. Di antara 891 mahasiswa di Amerika Serikat dan Türkiye, mengkhususkan dan mengoordinasikan kerja kognitif membawa b = 0,636 dan mentransformasi keluaran secara reflektif b = 0,367, tanpa jalur langsung yang signifikan, yang mengubah pertanyaan pembebanan kognitif menjadi pilihan desain alih-alih peringatan.

Celah pendidikan yang lebih kecil dalam penggunaan AI bukanlah keadilan

Jangan membaca celah penggunaan yang lebih sempit sebagai kemajuan, dan jangan membangun target akses pada butir biner tiga bulan terakhir. Dengan mencocokkan 16 negara Eropa pada tingkat adopsi 2025 mereka dengan tahun era internet mereka sendiri, median celah antara yang paling dan paling kurang berpendidikan turun dari 56,4 poin menjadi 28,6, negatif di 15 dari 16 negara (p = 0,0005), tetapi pencocokan yang sadar komposisi menyusutkan perubahan itu menjadi minus 11,5 dan minus 10,0, sehingga klaim keadilan membutuhkan instrumen yang lebih kuat.

Penggunaan rendah bukan kemauan rendah

Biayai akses dan keterampilan dasar untuk yang tertua dan paling kurang berpendidikan alih-alih kampanye tentang kepercayaan, karena penggunaan dan kepercayaan berjalan terpisah. Pada 2025, 48,4% orang Denmark dan 17,8% orang Rumania pernah menggunakan AI generatif dalam tiga bulan sebelumnya dibandingkan 32,7% di seluruh UE, namun orang Rumania menilai kepercayaan mereka 4,1 dibandingkan 3,8 pada skala tujuh poin, dan 47% dari mereka menyebut hukum dan pengaman saat ini memadai dibandingkan 36% orang Denmark.

Pembebanan hanya erosif ketika melewati tujuan

Tanyakan operasi kognitif mana yang dilepaskan alat, bukan seberapa banyak mahasiswa menggunakannya. Pembebanan membantu ketika mengambil alih pekerjaan yang periferal terhadap tujuan pembelajaran dan berisiko erosi ketika melewati pemrosesan yang konstitutif bagi tujuan itu, dan mengolah keluaran sesudahnya dapat menyelamatkan pembebanan yang seharusnya konstitutif; tujuh proposisi bersyarat menggantikan satu klaim terarah, dan regulasi pembebanan menjadi dimensi literasi AI yang dapat dipelajari.

Alat sentimen melewatkan sekitar separuh respons negatif

Perlakukan pengodean otomatis teks terbuka sebagai argumen validitas, bukan pilihan alat, karena akurasi menyembunyikan justru kasus-kasus yang akan Anda tindak lanjuti. Terhadap 1.220 respons yang dikodekan tangan, transformer terbaik mencapai akurasi 0,79 tetapi hanya kappa 0,42 dan menangkap sekitar separuh kasus negatif, sementara alat leksikon salah mengklasifikasikan sekitar satu dari lima, dalam korpus yang 76,5% positif.

Untuk administrator

Tanyakan apa yang dikirim chatbot sebelum Anda melisensikannya

Wajibkan inventaris skrip pihak ketiga sebelum Anda melisensikan atau meng-host chatbot mata kuliah, dan tanyakan secara spesifik tag mana yang dapat membaca judul halaman, URL, dan bidang input. Instrumentasi 42 platform menemukan 21 mengirim judul percakapan ke setidaknya satu pelacak dan sembilan mengirimkan prompt secara verbatim, 11 dari 13 platform serbaguna yang membocorkan juga mengirim email pendaftaran, dan platform pendidikan rata-rata mengirim sekitar 367 permintaan pelacak masing-masing dengan 24% membawa konten pengguna.

Pengetahuan hafalan yang terkodifikasi adalah bagian dari kredensial yang kehilangan nilai

Lindungi praktik terbimbing dan pertimbangan di bawah ketidakpastian, dan baca implikasi desain kurikulum sebelum implikasi pemasaran program. Difference-in-differences atas 655.919 observasi survei dari 2018 hingga Juni 2026 menemukan imbal hasil satu tahun sekolah di pekerjaan paling terpapar AI turun 0,55 log poin setelah November 2022, sekitar 7% dari tingkat pra-guncangan, sementara imbal hasil pengalaman naik 0,26 log poin pada tiga tahun dan turun 0,12 pada dua puluh lima.

Menyebut chatbot empatik memindahkan empati dari manusia

Posisikan sistem sebagai triase yang mengarahkan mahasiswa kembali ke manusia, dan awasi pencarian bantuan sebagai perilaku yang diam-diam menghilang. Di empat studi dengan 249, 494, 743, dan 737 peserta, membingkai AI sebagai mampu berempati menaikkan kemauan melepaskan tanggung jawab empatik (efek total 0,83) sepenuhnya melalui kapasitas yang dipersepsikan (indirect 0,73), dan mendengar bahwa teman sebaya membawa masalah ke ChatGPT menurunkan akurasi membaca emosi menjadi 7,13 benar dari 12 dibandingkan 7,73 (p = 0,012).

Tolok ukur lolos, anak-anak tetap dirugikan

Evaluasi pada tingkat sesi dan institusi, bukan pada tingkat API, karena filter per-keluaran tidak dapat menjangkau interaksi pendamping ketika tidak ada satu giliran pun yang melewati ambang. Dikodekan dari 1.331 insiden terkait anak yang dilaporkan, seksualisasi adalah subtipe bahaya terbesar dengan 316, di atas eksploitasi seksual dengan 131, dan bahaya berkelompok pada penerapan, tata kelola, dan kegagalan penyalahgunaan, bukan pada cacat model.

Tulis kebijakan integritas untuk pengguna sesekali yang berkonflik

Sebut penolakan, dukungan, dan substitusi sebagai tiga populasi yang ditemui tugas yang sama, karena hampir tidak ada yang menjadi pengguna harian. Dua survei anonim di satu universitas Inggris menemukan 81,05% dari 94 mahasiswa tahun pertama pernah menggunakan alat AI generatif untuk membantu menyelesaikan tugas dibandingkan 4,21% melaporkan penggunaan harian dan 9,47% melaporkan tidak sama sekali, yang menjadikan integritas akademik kebijakan untuk bagian tengah distribusi, bukan pemisahan antara penyontek dan bukan penyontek.

Modul etika tidak mengajarkan dari mana data berasal

Tambahkan tugas tinjauan provenans ke modul etika yang sudah Anda jalankan, yang merupakan perubahan desain kurikulum alih-alih mata kuliah baru. Sensus 36 program di 21 universitas menemukan etika diajarkan di 29 (80,6%) tetapi provenans data sesuai standar penulis di 8 (22,2%), tanpa program master atau eksekutif yang memenuhinya dan 22 dari 29 program yang mencakup etika melewatkan provenans sepenuhnya.

Sumber daya baru

Empat sumber daya bergabung dengan pustaka sumber daya minggu ini, dan keempatnya menggambarkan keputusan institusional, bukan trik kelas.

Learning Design Wiki

Learning Design Wiki adalah referensi berlisensi terbuka yang membagi desain pengajaran menjadi prinsip, elemen, pola, dan strategi, masing-masing terikat pada sitasi di baliknya, dan laporan buktinya sendiri menyatakan 98% klaim bertumpu pada satu studi. Model bahasa memeliharanya di bawah satu pemelihara manusia dan tidak ada halaman yang diperiksa oleh manusia, sehingga itu adalah kumpulan petunjuk bersumber baik, bukan temuan.

teacher.dev

teacher.dev adalah studio nirlaba yang merilis satu aplikasi kelas gratis setiap hari, 34 sejauh ini, masing-masing ditujukan untuk satu momen seperti pembuat gambar yang dapat dicetak atau papan First/Then untuk pendidikan khusus. Sebagian besar berjalan local-first tanpa akun, sehingga tidak ada data mahasiswa yang meninggalkan perangkat.

AI + OER Case Studies: A DOERS Project

AI + OER Case Studies adalah antologi terbuka berisi sebelas kasus tentang titik temu AI generatif dan sumber daya berlisensi terbuka di pendidikan tinggi, dari universitas federasi yang menyusun panduan di bawah kontrak serikat hingga revisi buku teks dengan manusia dalam lingkar. Tidak ada dua bab yang berbagi instrumen, sehingga itu praktik untuk diadaptasi, bukan bukti untuk dikutip, dan koleksinya CC BY 4.0 sementara setiap bab membawa lisensinya sendiri.

Integrating AI in TVET: a practical guide for institutions

Integrating AI in TVET adalah panduan UNESCO-UNEVOC 2026 untuk institusi yang melatih teknisi dan pekerja terampil, dan materi yang dapat digunakan berada di tiga lampiran: alat refleksi diri kesiapan, daftar risiko, dan kerangka indikator. Panduan ini tidak melaporkan data hasil dan menyebut skala kematangannya sendiri sebagai alat diskusi, jadi gunakan untuk menyusun keputusan institusional pertama, bukan untuk membenarkan keputusan yang sudah dibuat.

Juga ditambahkan minggu ini

Studi lainnya, beserta metode dan abstraknya, didaftar hari demi hari di halaman jurnal.

Catatan situs

Seluruh 222 halaman konsep kini memuat bagian miskonsepsi umum yang menyebutkan keyakinan keliru yang mungkin sudah dipegang pembaca dan mengoreksinya dengan bukti di halaman itu.

Setiap FAQ ditulis ulang minggu ini, dan lima yang baru bergabung, membawa koleksinya menjadi 42 jawaban yang ditulis untuk pertanyaan yang benar-benar diajukan kolega, bukan untuk sebuah topik. Indeks mengelompokkannya menjadi sembilan bagian menurut tugas yang ingin diselesaikan pembaca, sehingga datang dengan pertanyaan tidak lagi menuntut pengetahuan tentang apa nama bidangnya.

Terjemahan bergerak lebih jauh daripada bahasa Inggris: dua belas halaman konsep di bagian Esensial dan seluruh FAQ kini diterjemahkan penuh di setiap bahasa.

Setiap bahasa memiliki halaman berandanya sendiri, dan enam belas di antaranya juga menyediakan EPUB dan PDF yang dapat diunduh:

Semua di atas publik di github.com/edtechdev/aied.

Ikuti pembaruan

Dapatkan setiap edisi melalui feed buletin di pembaca feed, dengan menempelkan feed yang sama ke Blogtrottr agar edisi baru dikirim melalui email sesuai jadwal yang Anda pilih, atau dengan mengikutinya di LinkedIn, tempat setiap edisi diterbitkan sebagai buletin LinkedIn.

Pembaruan Mingguan Riset AI dalam Pendidikan berasal dari Basis Pengetahuan AI dalam Pendidikan, yang dihasilkan oleh agen AI. Edisi ini disusun oleh agen AI yang sama, dengan panduan editorial dari pengembang situs, dan setiap klaim di atas menautkan ke halaman asalnya.

Basis pengetahuan ini didedikasikan ke domain publik di bawah lisensi CC0 1.0. Tidak ada hak yang dilindungi.

Menemukan masalah pada konten? Laporkan di GitHub, atau hubungi pengembang situs, Doug Holton.

Sumber Riwayat Sunting Obrolan