Apprendimento collaborativo

Traduzione automatica della pagina in inglese, non ancora rivista da una persona di madrelingua.

L'apprendimento collaborativo — approcci didattici in cui gli studenti lavorano insieme per risolvere problemi, completare compiti o costruire conoscenza, supportati o mediati da strumenti di IA. Nell'IA nell'educazione, la ricerca sull'apprendimento collaborativo abbraccia l'IA come partner di collaborazione, l'IA come mediatore della collaborazione umana, e la progettazione di sistemi di tutoring collaborativo basati sull'IA.

Domande da considerare

• Pensa a una volta in cui hai imparato qualcosa in profondità in un gruppo. Che cosa ha funzionato? Ora immagina un chatbot di IA che si unisce a quel gruppo: come potrebbe rafforzare o minare silenziosamente ciò che hai vissuto?
• La ricerca trova un trade-off: delegare il ragionamento all'IA produce la migliore performance sul compito ma il minore coinvolgimento autorregolativo, mentre la modalità che costruisce l'autoregolazione ottiene risultati peggiori sul compito. Se dovessi scegliere, che cosa proteggeresti — l'esito o la lotta?
• Il framework ICAP colloca la collaborazione "interattiva" come la forma più profonda di coinvolgimento. Un'IA che risponde per il gruppo potrebbe di fatto retrocedere la collaborazione da interattiva a meramente passiva — anche se gli studenti si sentono più soddisfatti?
• Uno studio ha trovato che i mediatori di IA sono credibili solo finché restano neutrali; quando l'IA passa a consigliare o a sfidare, quella fiducia si erode. Quanto neutrale dovrebbe essere davvero il mediatore di IA di un gruppo?
• Quando i discenti usano l'IA per produrre un artefatto rifinito, possono saltare lo sforzo epistemico che costruisce la comprensione. Come progetteresti un partner di IA che faccia emergere disaccordo e conflitto anziché appianarli?
• Gli studenti neurodivergenti riferiscono di aver bisogno di compiti strutturati, team piccoli e costanti, e ruoli espliciti. Se gli strumenti di collaborazione con l'IA sono costruiti per il discente "medio", chi potrebbero escludere — e come progetteresti diversamente?

Introduzione

L'apprendimento collaborativo è fondato sulle teorie socioculturali dell'apprendimento, che collocano la costruzione della conoscenza come fondamentalmente sociale. L'IA introduce nuove dinamiche: l'IA può servire come pari, come facilitatore o come partecipante ai processi collaborativi. Gli articoli di questa knowledge base esplorano come la collaborazione mediata dall'IA influisca sui risultati di apprendimento, sul coinvolgimento epistemico e sull'equità — e come le strutture collaborative debbano essere progettate per accogliere discenti diversi.

La collaborazione come costrutto rispetto al lavoro di gruppo come struttura. L'apprendimento collaborativo è la teoria più ampia: la conoscenza è co-costruita attraverso l'attività e il dialogo congiunti. Il lavoro di gruppo è la sua implementazione formale più concreta — un team che produce un risultato condiviso, e spesso un voto condiviso. I due sono strettamente correlati ma non identici: un gruppo può operare senza una collaborazione genuina (compito partizionato in parti indipendenti, lavoro semplicemente fuso), e la collaborazione può avvenire senza gruppi formali (coppie, dialogo con l'intera classe, o interazione umano–IA). L'IA preme con più forza proprio su questo scarto: Chen e Zou (2026) hanno trovato gruppi la cui pratica individuale con la GenAI non diventava mai una capacità collettiva perché il compito non richiedeva mai lavoro congiunto, accanto a gruppi in cui il voto condiviso rendeva l'uso della GenAI un problema di coordinamento. La pagina sul lavoro di gruppo esamina queste dinamiche in profondità; questa pagina mantiene la lente più ampia sull'apprendimento collaborativo nel suo complesso.

L'IA come partner collaborativo esplora il ruolo dell'IA nell'apprendimento di gruppo. Kimmerle concettualizza il rischio di ridotto sforzo epistemico quando i discenti usano l'IA per produrre artefatti di conoscenza rifiniti, sostenendo un'IA strutturata come partner argomentativo che preserva il conflitto cognitivo. Testandolo su scala di aula, Oppenheimer, Cash & Connell Pensky (2025) hanno fatto scrivere a studenti introduttivi di scienze sociali (n = 154) saggi argomentativi, ricevere critiche da LLM come ChatGPT, Gemini o Claude, e poi incorporarle o confutarle; i codificatori in cieco hanno trovato riflessione nel 92,7% e confutazione attiva delle affermazioni degli LLM nell'87,8% delle risposte (κ inter-valutatore = 0,81–0,89), evidenza che i discenti si comportavano come consumatori critici che preservavano anziché cedere il conflitto cognitivo della critica. Ordered Network Analysis of Epistemic Emotions during Collaborative Problem Solving esamina come le emozioni plasmino la risoluzione collaborativa di problemi con l'IA. Systematic Review of Collaborative Learning Activities for Promoting AI Literacy esplora approcci collaborativi allo sviluppo dell'alfabetizzazione sull'IA.

L'avallo del facilitatore è la leva osservata più forte sull'accettazione da parte degli studenti di un agente contrarian: in dodici team interprofessionali, quelli il cui facilitatore docente influenzava la loro integrazione dell'IA la valutavano più parte del team (M = 3,08 vs 2,64) e il suo feedback più utile (M = 3,44 vs 2,93) (Wiss et al. (2025)).

La collaborazione tra pari mediata dall'IA esamina come l'IA strutturi la collaborazione da umano a umano. ProPACT: A Proactive AI-Driven Adaptive Collaborative Tutor for Pair Programming e Exploring How Agent Voice Accents Shape Human-AI Collaboration in K-12 Group Learning esplorano come le caratteristiche degli agenti di IA influenzino le dinamiche di gruppo. When AI Agents Teach Each Other: Discourse Patterns Resembling Peer Learning in the Moltbook Community documenta come agenti di IA che si insegnano a vicenda producano pattern di discorso somiglianti all'apprendimento tra pari umano. I sistemi su scala di aula estendono questo alla dimensione relazionale della collaborazione: CoBi usa il riconoscimento vocale e la comprensione del linguaggio per rilevare discorsi "elevanti" nei piccoli gruppo (essere rispettosi, equi, impegnati nella comunità, far avanzare il pensiero) e restituisce visualizzazioni non valutative a livello di aula per supportare la costruzione di comunità e le abilità di collaborazione, trattenendo deliberatamente il feedback a livello di studente o di gruppo per proteggere la privacy e la fiducia.

Le prospettive neurodivergenti sulla collaborazione rivelano requisiti di progettazione critici. Zastudil et al. hanno trovato che gli studenti neurodivergenti hanno bisogno di compiti strutturati, team piccoli e costanti con ruoli esplicitamente definiti, e pattern di interazione prevedibili — requisiti che gli strumenti di collaborazione con l'IA devono accogliere. Questo collega l'apprendimento collaborativo all'apprendimento inclusivo e alla neurodiversità.

La collaborazione docente-IA esamina come docenti e IA lavorino insieme. Balancing Teacher and Student Agency: Co-Orchestration Tool Design Supporting Real-Time Dynamic Pairing e Towards Synergistic Teacher-AI Interactions with Generative Artificial Intelligence esplorano framework per l'insegnamento collaborativo umano-IA, collegandosi al ruolo del docente e all'umano nel ciclo dell'IA.

L'IA come mediatore pedagogico riconcettualizza il ruolo dell'IA nella collaborazione al di là di strumento o pari. Basandosi sulla teoria socioculturale e sulla cognizione distribuita, Niari posiziona l'IA come partecipante attivo nell'orchestrazione dell'interazione, del senso epistemico e dei processi regolativi, ridistribuendo agentività, autorità e responsabilità tra attori umani e non umani senza spiazzare l'agentività del discente o del docente. Questo fonda l'apprendimento collaborativo in una visione socialmente mediata e co-regolata dell'IA anziché individualistica.

Le modalità di collaborazione e il trade-off efficienza–regolazione. La ricerca empirica su studenti universitari che collaborano con l'IA per la risoluzione di problemi complessi identifica tre modalità distinte — Delegated Reasoning, Concerted Interpretation e Delegated Elaboration. La modalità più efficiente (ragionamento delegato) produce la performance più alta sul compito ma il minore coinvolgimento autorregolativo dei discenti, mentre la modalità con la maggiore autoregolazione (interpretazione concertata) ottiene risultati peggiori sul compito.(Unpacking Interaction Profiles and Strategies in Human-AI Collaborative Problem Solving: A Cognitive Distribution and Regulation Perspective) Questo rivela una tensione progettuale centrale: gli ambienti di apprendimento collaborativo devono bilanciare l'efficienza del sistema distribuito umano–IA contro la profondità del coinvolgimento regolativo dei discenti.

L'unico contrasto meta-analitico disponibile per il lavoro collaborativo supportato dall'IA si colloca dentro gli interventi PBL/PjBL supportati dalla GenAI, dove la collaborazione tra pari aggregata dà g = 0,885 contro g = 0,416 per il lavoro individuale, ma la differenza ha raggiunto solo una tendenza marginale (QM = 3,675, p = .055) e il lato del lavoro individuale poggia su due studi — quindi l'evidenza aggregata che la collaborazione batta il lavoro da soli sotto la GenAI è suggestiva anziché stabilita (Chen et al. 2026).

Una revisione di scoping di 18 studi mappa lo stesso trade-off nel lavoro di gruppo: la GenAI ha supportato lo sviluppo della conoscenza, la generazione di idee e l'efficienza comunicativa riducendo al contempo la domanda di interazione tra pari, negoziazione e costruzione di senso collettiva, e l'evidenza randomizzata ha trovato più suggerimenti innovativi dell'IA senza un guadagno significativo nell'innovatività complessiva dei partecipanti (Wei e Perkins (2026)).

La progettazione dei ruoli è una leva sulla qualità, non sul volume, della costruzione collaborativa di conoscenza. Cheng et al. (2026) hanno assegnato ruoli rotanti di moderatore, analista e argomentatore su 58 studenti laureati e il loro partner di IA in 16 gruppi, e hanno trovato che la struttura elevava il contenuto delle mappe mentali di gruppo di quasi un'intera banda SOLO (M = 3,65 a 4,59, z = 3,771, p < 0,001) mentre i conteggi di nodi e rami restavano piatti — organizzazione anziché copertura — al costo di un aumento moderato del carico cognitivo collaborativo (p = 0,023). L'analisi sequenziale Lag ha aggiunto un'auto-transizione valutativa e un percorso conflitto-difesa che lo strumento da solo non aveva prodotto, posizionando la collaborazione umano-IA come un problema di progettazione anziché un problema di strumento.

La GenAI come agente e spazio nei piccoli gruppi — la modalità conta. Xu et al. (2026) osservano che come un team accede alla GenAI plasma la collaborazione: con un'unica interfaccia condivisa nel lavoro sincrono, i team co-costruiscono "prompt collettivi", eseguono un ciclo superficie–valuta–incorpora, e trattano la chat come memoria condivisa; nel lavoro asincrono, il prompting privato e la "de-etichettatura" dell'output frammentano la trasparenza e aumentano il costo di sostenere un modello cognitivo condiviso. La loro lente GenAI-Supported Cooperative Work (GSCW) inquadra la GenAI come un agente configurabile (da assistente individuale a membro del team) e uno spazio collaborativo interattivo — collegando la configurazione dell'accesso direttamente alla qualità del coinvolgimento interattivo rilevante per l'ICAP.

La GenAI come infrastruttura di coordinamento del gruppo — e il rischio di cooperazione appiattita. Chen e Zou (2026) mostrano come quindici gruppi di insegnanti in formazione abbiano gestito la GenAI in una presentazione di gruppo valutata, e la spaccatura va contro l'assunzione abituale che la pressione del gruppo aumenti l'affidamento sull'IA. Cinque gruppi hanno intensificato l'uso per risolvere un problema di collaborazione familiare — non sapere che cosa contenessero le sezioni dei pari — riversando quel lavoro in un chatbot per renderlo intelligibile e allineare la propria parte, con un gruppo che ricostruiva il proprio ciclo come discussione → esternalizzazione alla GenAI → revisione collettiva → ri-discussione. Gli autori lo leggono come più di un offloading cognitivo, poiché gli studenti conservavano il giudizio mentre lo strumento assorbiva il coordinamento, ma segnalano che il flusso di lavoro più fluido può aggirare il disaccordo attraverso cui la coesione viene convenzionalmente costruita, rendendo il lavoro relazionale la questione aperta. Sette gruppi hanno invece ridotto l'uso della GenAI, proteggendo la conoscenza situata costruita nelle aule condivise ("l'IA conosce solo quel momento in cui scrivi"), l'equità verso i compagni di gruppo, l'originalità tra i gruppi, e la diversità di prospettive che il gruppo già deteneva. Tre gruppi non hanno visto alcun cambiamento: con il compito partizionato in sezioni indipendenti, la pratica individuale sofisticata con la GenAI non è mai diventata una capacità collettiva, anche se la coerenza era un criterio esplicito. Il pattern suggerisce che siano le norme del gruppo, non lo strumento, a decidere che cosa un gruppo fa con l'IA — e che l'adozione collettiva possa abbassare il rischio percepito di uso improprio anziché aumentare l'impegno.

La collaborazione come oggetto di istruzione. ProPACT è un tutor adattivo guidato dall'IA per la programmazione in coppia che tratta la diade — non l'individuo — come unità di analisi, modellando l'attenzione visiva congiunta, lo sforzo mentale congiunto e i segnali pupillari in tempo reale per predire i cedimenti collaborativi fino a 30 secondi in anticipo e intervenire prima che si verifichino. Le diadi che ricevevano feedback proattivo hanno ottenuto un successo di debugging sostanzialmente più alto e completato i compiti più efficientemente, mostrando guadagni sostenuti nella regolazione collaborativa in seguito: è evidenza che l'IA può insegnare la collaborazione stessa, non solo supportare un compito. Misurare la competenza collaborativa pone la sfida complementare di valutare l'abilità di risoluzione collaborativa di problemi (CPS) su larga scala, che tradizionalmente richiede di codificare manualmente i dati di processo di compiti simulati in comportamenti CPS — operazione dispendiosa in tempo e impraticabile su larga scala; il prompting contestuale di modelli linguistici pre-addestrati automatizza questa codifica modellando le dipendenze contestuali e fondendo abilità cognitive e sociali, ottenendo prestazioni superiori a forti baseline. Strutturare sull'ordine del discorso di gruppo, non sulla sua frequenza. Wong, Bulathwela & Cukurova (2026) hanno minato le sequenze di dialogo delle triadi di 65 studenti e hanno trovato che un unico ordinamento — parafrasare, poi proporre, poi mettere in discussione — tracciava il miglioramento mentre l'inverso no; lo scaffolding massimale aumentava il comportamento on-task ma anche lo scripting e meno indicatori di risoluzione di problemi.

L'IA come mediatore neutrale — e la tensione quando smette di esserlo. Spritz è una sonda basata su Grandi modelli di linguaggio (LLM) su Discord che media i confini disciplinari nei team studenteschi interdisciplinari facendo emergere assunti impliciti e restituendo sintesi anonimizzate alla discussione condivisa. Gli studenti l'hanno valutata come supporto sia cognitivo sia relazionale, ma è emersa una tensione centrale: la neutralità percepita dell'IA era portante, e si erodeva una volta che l'IA passava da mediatore neutrale a consigliere o sfidante — un vincolo progettuale chiave per gli agenti che mediano la collaborazione preservando la collaborazione umano-IA e la calibrazione della fiducia.

Un protocollo strutturato di facilitazione — e il suo rischio di sycophancy. Seo et al. (2026) estendono la progettazione dell'apprendimento collaborativo con un protocollo strutturato divergenza–deliberazione–convergenza: un facilitatore LLM impila i turni di parola, cronometra le fasi e riassume in modo incrementale, un formato che 45 studenti hanno trovato semplice e simile a una discussione e che ha ridotto la necessità di facilitazione esterna. La progettazione ruota attorno a una tensione che lo studio ha misurato direttamente: gli agenti hanno supportato l'ampiezza dell'assunzione di prospettiva (i gruppi producevano insiemi di stakeholder e soluzioni più ampi e divergenti, e gli agenti esprimevano coerentemente punti di vista minoritari), eppure l'accordo sycophantic, privo di ragionamento, appiattiva il conflitto cognitivo che fa approfondire il pensiero alla collaborazione. I partecipanti chiedevano output degli agenti che esponessero i passi intermedi della deliberazione anziché solo le conclusioni, e controargomentazioni che preservassero il disaccordo genuino.

Strutture collaborative per l'educazione all'IA. The Academic League of AI organizza l'educazione all'IA attraverso la governance democratica degli studenti e i team di progetto, incorporando l'apprendimento attivo e l'apprendimento basato su progetti in una struttura collaborativa e connessa alla comunità.

Il framework ICAP: la collaborazione come modalità di coinvolgimento più alta

L'apprendimento collaborativo occupa la cima del framework ICAP (Interactive–Constructive–Active–Passive): la modalità interattiva — co-costruire significato attraverso il dialogo, difendere una posizione, o risolvere congiuntamente — produce il cambiamento di conoscenza più profondo nella tassonomia di Chi. Questo rende l'ICAP sia una giustificazione per le pedagogie collaborative sia un vincolo progettuale sull'IA. Un'IA che media la discussione (come fanno Spritz o ProPACT) è preziosa proprio quando sostiene il coinvolgimento interattivo; un'IA che risponde per il gruppo o appiana il conflitto cognitivo può retrocedere la collaborazione a una mera modalità attiva o passiva. L'annotazione basata sull'ICAP (si veda la misurazione ICAP estesa del dialogo collaborativo) e la ricerca sui tempi di facilitazione trattano entrambe la qualità del discorso interattivo come l'esito di interesse, fondando l'apprendimento collaborativo nel coinvolgimento studentesco e nella gerarchia ICAP.(Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents)(To Facilitate or not to Facilitate: Human and LLM Facilitator Tendencies in Online Discussions)

Guida pratica

• Modellare la collaborazione, non solo l'individuo. Gli strumenti che tracciano lo stato diadico o di gruppo (come fa ProPACT) possono strutturare la collaborazione stessa, prevedendo e prevenendo i cedimenti anziché reagire a essi.

• Preservare il conflitto cognitivo. Strutturare l'IA come un partner argomentativo che faccia emergere disaccordo e assunti impliciti, evitando il problema degli artefatti rifiniti in cui l'IA appiana il fragile coinvolgimento epistemico.

• Le persone contrarian hanno costi affettivi. Su 97 triadi, l'IA contrarian ha spinto il discorso verso la sfida e la riflessione ma ha abbassato la soddisfazione di lavoro di squadra (ε² = .062) e la sicurezza psicologica (ε² = .114) senza aumentare la produzione creativa (Jin et al. (2026)).

• Far corrispondere la funzione dell'agente all'esito che intendi ottenere. Una revisione di 46 studi su agenti di IA nell'apprendimento collaborativo supportato dal computer ha trovato guadagni cognitivi riportati coerentemente mentre gli esiti comportamentali, sociali ed emotivi restavano dipendenti dal contesto, con l'allineamento più forte tra funzione dell'agente ed esito dentro lo stesso dominio (Ba et al. (2026)).

• Un ruolo separato di Facilitatore riduce la dominanza, non la reattività. Nel benchmark simulato di Oyelere (2026), aggiungere un agente Facilitatore accanto al Tutor abbassava lo squilibrio di turni e parole nelle diadi (M = 0,103 e 0,105 contro 0,183 e 0,182) senza cambiare il coinvolgimento reciproco — benché i discenti fossero persone sintetiche, non diadi reali.

• Bilanciare l'efficienza con l'autoregolazione. L'IA collaborativa che massimizza l'efficienza sul compito (ragionamento delegato) può minare il coinvolgimento regolativo dei discenti; la progettazione dovrebbe proteggere deliberatamente uno spazio per l'interpretazione concertata.

• Rispettare il vincolo della neutralità. I mediatori di IA sono credibili finché sono neutrali; il passaggio a ruoli consultivi o di sfida destabilizza quella fiducia, quindi i cambi di ruolo dovrebbero essere espliciti e configurabili.

• Accogliere i discenti neurodivergenti. Compiti strutturati, team piccoli e costanti, e definizioni esplicite dei ruoli sono requisiti che gli strumenti di collaborazione con l'IA devono supportare.

• Preferire un feedback non valutativo a livello di aula. Quando si supporta la dimensione relazionale della collaborazione, il feedback aggregato a livello di classe protegge la privacy e l'agentività studentesca laddove la valutazione individuale darebbe la sensazione di essere sorvegliati; gli studenti di CoBi preferivano visualizzazioni qualitative (un albero organico) rispetto a quelle quantitative (un grafico radar), e i docenti apprezzavano l'uso delle osservazioni del sistema per innescare riflessione più della visualizzazione live.

• Progettare per la visione/attenzione che precede il contributo. L'apprendimento collaborativo nei forum di discussione online dipende non solo dal postare ma dalla lettura che lo precede. Hao & Cukurova (2026) mostrano che le sintesi di discussione e i post di esempio generati dagli LLM possono agire come impalcature di navigazione che ampliano l'esposizione degli studenti ai contributi dei pari e le condizioni di rete per il capitale sociale di bridging (legami deboli) — un supporto che dovrebbe completare, non sostituire, le strategie socio-didattiche per sostenere il coinvolgimento sotto il carico di lavoro accademico.

• Il lato sociale mostra una perturbazione senza un guadagno contrario. Su cinque processi di collaborazione un consenso di 30 esperti ha raggiunto la sola vulnerabilità, con valutazioni di potenziamento al di sotto della soglia: Social Connection (3,80 contro potenziamento 1,90), Socio-Emotional Development (3,60 contro 2,00), Social Learning, Collaborative Learning e Sense of Belonging (tutti 3,30) (Kendeou, Greene & Nixon et al., 2026). Il report tratta l'asimmetria come un bersaglio progettuale, poiché la risoluzione collaborativa di problemi è ancorata a un prodotto condiviso mentre l'apprendimento collaborativo non ha un referente visibile e può erodere non rilevato.

Concetti collegati

• Pattern pedagogici — Collaborazione con IA condivisa basata su script e le sue progettazioni di ruolo testate
• Partnership pedagogiche — Partnership pedagogiche
• Lavoro di gruppo — Lavoro di gruppo
• Apprendimento basato sui problemi
• Didattica e apprendimento online — Insegnamento e apprendimento online
• Apprendimento attivo
• Framework ICAP
• Scaffolding (impalcatura)
• Insegnamento
• IA con intervento umano (HITL)
• Equità
• Alfabetizzazione sull'IA
• K-12
• Istruzione superiore
• Apprendimento inclusivo
• Neurodiversità
• Cognizione distribuita
• Apprendimento autoregolato
• Apprendimento basato sui progetti
• Collaborazione tra esseri umani e IA
• Calibrazione della fiducia
• Agente pedagogico
• Modellamento dello studente e istruzione adattiva
• Engagement degli Studenti
• Pedagogie e strategie didattiche — Ombrello: pedagogie e strategie didattiche nell'educazione all'IA

Articoli collegati

• Ways Generative AI Can Support and Threaten Learning in K–20 US Education - A 30-expert consensus finds one-sided social risk: collaboration processes vulnerable with no enhancement pathway
• Problem-based and project-based learning as promising frameworks for generative AI-supported education: Emerging evidence from a systematic review and three-level meta-analysis — Problem-based and project-based learning as promising frameworks for generative AI-supported education: Emerging evidence from a systematic review and three-level meta-analysis
• Emergent Learner Agency in Implicit Human-AI Collaboration: How Supportive and Contrarian AI Personas Reshape Interaction — Emergent learner agency in implicit human-AI collaboration: supportive vs. contrarian personas
• Towards an adaptive AI scaffold for developing student collaborative problem solving
• Utilizing Generative AI to Counter Learner Groupthink by Introducing Controversy in Collaborative Problem Based Learning Settings
• "Polished Artifacts, Fragile Engagement? Tackling the Challenge of Reduced Epistemic Effort in Human-AI Knowledge Construction"
• Ordered Network Analysis of Epistemic Emotions during Collaborative Problem Solving
• Systematic Review of Collaborative Learning Activities for Promoting AI Literacy
• I can't read your mind": A Study of Neurodivergent Computing Students' Experiences with Collaborative Active Learning
• Balancing Teacher and Student Agency: Co-Orchestration Tool Design Supporting Real-Time Dynamic Pairing
• Beyond Automation: AI as a Pedagogical Mediator in Collaborative Learning
• Unpacking Interaction Profiles and Strategies in Human-AI Collaborative Problem Solving: A Cognitive Distribution and Regulation Perspective
• ProPACT: A Proactive AI-Driven Adaptive Collaborative Tutor for Pair Programming — ProPACT: proactive AI adaptive collaborative tutor for pair programming
• Exploring AI-Supported Disciplinary Mediation in Student Project Teams' Text-Based Communication — Spritz: AI disciplinary mediation in student project teams
• Academic League of Artificial Intelligence: An Integrative Perspective of Teaching, Research, and Extension — Academic League of AI: collaborative, project-based AI education
• Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents — Extended ICAP framework for measuring engagement in collaborative dialogue
• To Facilitate or not to Facilitate: Human and LLM Facilitator Tendencies in Online Discussions — LLM facilitation timing in online collaborative discussions
• Artificial Intelligence Agents in Computer-Supported Collaborative Learning: A Systematic Literature Review — AI agents in computer-supported collaborative learning review
• Generative AI and Student Collaboration: A Scoping Review of Group Work Processes, Outcomes, and Risks — GenAI and student group work: a scoping review (Wei & Perkins 2026)
• ASTRA: A synthetic benchmark for trace-based evaluation of socially intelligent multi-agent tutoring — ASTRA synthetic benchmark for multi-agent tutoring and participation-balanced collaboration
• AI as an Agent and Collaborative Space: Exploring the role of generative AI in small group synchronous and asynchronous collaborative dynamics — GenAI as agent and collaborative space in small-group dynamics (Xu et al. 2026)
• A Feasibility and Implementation Integrity Study of the Community Builder (CoBi): An AI-based Collaboration Support System in K-12 Classrooms
• You've Got AI Friend in Me: LLMs as Collaborative Learning Partners
• Enhancing Peer Exposure and Creating Opportunities for Bridging Social Capital Through an AI-Generated Summary-Driven Learning Design in Online Discussion Forums — AI-Generated Summary-Driven Learning Design in Online Discussion Forums
• Students' Agency in GenAI-Mediated Group Assessment: An Ecological-Emergent Perspective — GenAI as coordination infrastructure in student groups: intensified, restrained, and non-enacted use
• Ethics Training Agents: Facilitating Group-Based Ethics Education with Role-Playing and Discussion for Ethical Reflection and Exploration — Ethics Training Agents: Facilitating Group-Based Ethics Education with Role-Playing and Discussion for Ethical Reflection and Exploration