Istruzione superiore

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

Istruzione superiore — l'integrazione dell'intelligenza artificiale nell'insegnamento, nell'apprendimento, nella valutazione e nell'amministrazione universitaria. L'istruzione superiore è il contesto più studiato nella knowledge base, con oltre 100 articoli che esaminano come l'IA trasformi l'insegnamento a livello universitario, le politiche istituzionali e l'esperienza studentesca. L'IA nell'istruzione superiore è sia l'ambito dominante per la AIED e la ricerca ad essa legata, sia il luogo in cui le sue tensioni sono più visibili — tra la promessa di IA generativa di una personalizzazione scalabile e i suoi rischi per l'integrità, l'apprendimento, la Privacy e l'equità. Comprende sia gli studi di primo livello sia quelli post-laurea, inclusi i programmi professionali come la medicina e il business.

Domande da considerare

• L'istruzione superiore è il contesto in cui le tensioni dell'IA sono più visibili — personalizzazione scalabile contro rischi per integrità, apprendimento, privacy ed equità. Quale di queste tensioni vedi manifestarsi più concretamente nella tua istituzione?
• Studi su larga scala rivelano un divario tra le politiche istituzionali e ciò che gli studenti fanno effettivamente con l'IA giorno per giorno. Perché, secondo te, le politiche ufficiali divergono così spesso dalla pratica reale degli studenti?
• La pagina inquadra l'adozione dell'IA come diseguale — alcune istituzioni si trasformano mentre altre restano indietro, plasmate da driver organizzativi e politiche nazionali. Quali fattori, secondo te, determinano se un'università si adatta o si blocca?
• Ora che l'IA rende il supporto personalizzato uno-a-uno quasi gratuito e universale, come si sposta il valore e il ruolo dell'università stessa? Cosa diventa più scarso e quindi più prezioso?
• Un risultato rileva un calo del tempo di studio tra gli studenti universitari che usano l'IA. Se gli studenti studiano meno ma dichiarano soddisfazione, cosa suggerisce riguardo a ciò che le istituzioni dovrebbero misurare e tutelare?
• Dato il divario tra la prontezza all'IA auto-valutata dal corpo docente e quella effettiva, come sarebbe uno sviluppo professionale docente significativo nel tuo contesto — e chi ne dovrebbe essere responsabile?

Introduzione

La ricerca sull'IA nell'istruzione superiore abbraccia ogni funzione dell'università: dal tutoraggio basato su IA e dalla valutazione automatizzata allo sviluppo del corpo docente, all'integrità accademica, alla governance istituzionale e al supporto agli studenti. Gli articoli sull'istruzione superiore della knowledge base si raggruppano intorno a diversi temi chiave — trasformazione istituzionale, esperienza studentesca su larga scala, corpo docente e insegnamento, valutazione e integrità, e il rapido mutamento di politiche e pratiche.

Trasformazione istituzionale

I quadri di cambiamento istituzionale analizzano come le università si adattano all'IA — non solo a livello di classe, ma attraversando politiche, governance e struttura organizzativa. Il framework EPIQ-AI riformula la prontezza del corpo docente come una sfida di allineamento sociotecnico che coinvolge domini epistemici, pedagogici, istituzionali e di qualità. Ripensare le università nell'era dell'IA esamina se gli attuali modelli istituzionali possano accogliere un'educazione guidata dall'IA. L'adozione non è uniforme: la ricerca sui driver organizzativi individua ciò che abilita o blocca l'adozione istituzionale, e le analisi delle politiche nazionali mostrano come il contesto sistemico plasmi le risposte delle università. Un progetto istituzionale concreto viene da Qin (2026), che documenta il riposizionamento della Lingnan University come "Research-Intensive Liberal Arts Institution in the Digital Era", imponendo la literacy GenAI a tutti gli studenti di laurea triennale e integrando la literacy digitale nel Common Core, sviluppando al contempo un modello human-in-the-loop che mette in primo piano il ragionamento etico e il giudizio critico — sostenendo che il passaggio all'AI-for-education è una trasformazione intellettuale, non un potenziamento tecnocentrico. La mappatura a livello macro di 22 interventi di integrazione dell'IA nell'istruzione superiore (AlSheikh et al., 2026) rafforza l'idea che la trasformazione resti più un'aspirazione che una realtà: valutati sul modello SAMR, la maggior parte degli interventi si colloca a livello di Sostituzione o Aumento, l'integrazione è concentrata in medicina, ingegneria e informatica con scarsa presenza delle discipline umanistiche, e le evidenze si concentrano in Nord America e Asia con una rappresentanza minima del Sud globale.

Un indice comparativo globale misura il divario tra discorso e struttura. Chan (2026) ha codificato i siti web ufficiali di tutte le 100 università classificate nel Times Higher Education 2026 rispetto a un AI Institutionalization Index di 20 indicatori. Lo strato simbolico è saturo mentre quello strutturale è esile: il 100% ha un gruppo di lavoro sull'IA e un corso di laurea magistrale in IA, ma solo il 12% ha una leadership IA a livello dirigenziale, il 5% richiede un corso introduttivo di IA per gli studenti di laurea triennale, e lo 0% pubblica una politica di accessibilità dell'IA nonostante il 93% distribuisca servizi IA sul campus.

L'istituzionalizzazione si è rivelata indipendente dal prestigio (correlazione di rango r ≈ 0,04), con significativa variazione regionale (ANOVA F = 5,86, p < .001; Nord America M = 0,63 contro Europa 0,51, Asia 0,50) e una tipologia a sei modelli in cui solo un piccolo sottoinsieme, per lo più di grandi università pubbliche statunitensi, raggiunge la "deep institutionalization". L'autore segnala che l'indice è una misura di prima generazione, non validata e basata solo sui siti web dell'élite delle prime 100 — una mappa comparativa, non una classifica.

Anche quali forme di uso della GenAI un'istituzione ha reso legittime è di per sé misurabile. Sun, Dohn e Rehm (2026) hanno classificato 102 studi empirici sull'istruzione superiore in base a come il lavoro epistemico era distribuito tra studente e sistema, trovando che le applicazioni di tipo Assistant (42,16%) e Enabler (42,16%) dominavano, mentre Generator, Reimaginator e Synthesizer insieme costituivano meno di un quinto del corpus — non perché i modelli non sappiano fare il resto, ma perché le forme marginali distribuiscono l'autorialità in modi che la logica di competenza individuale dell'università non riconosce ancora. Secondo la loro analisi, il vincolo stringente sulla GenAI nell'istruzione superiore è la legittimità istituzionale piuttosto che la capacità tecnica, il che colloca la questione esattamente nello stesso territorio di politiche e ripensamento della valutazione dell'integrità e della Valutazione riforma.

Il dispiegamento dell'IA al di fuori della classe è diventato una questione di protezione del consumatore, e l'inventario dal lato degli studenti è esiguo. Il rapporto SHAPE AI di Student Defense (2026) mappa l'uso istituzionale dell'IA attraverso ammissioni, reclutamento e aiuti finanziari, servizi per il successo studentesco (orientamento, counseling, accesso ai benefici, trasferimento di crediti) e consegna dell'educazione — funzionalità incorporate negli LMS di Canvas, Blackboard e D2L Brightspace, piattaforme GenAI a livello istituzionale, sistemi di tutoraggio e feedback, rilevamento e proctoring — e sostiene che l'adozione stia superando la protezione. Le sue sei preoccupazioni trasversali (se gli studenti ottengono ciò per cui pagano, la perdita delle comunità di apprendimento, la divulgazione e la trasparenza, la privacy dei dati, il bias e la supervisione umana calibrata) si uniscono a uno screening di procurement in quattro domande: quale problema si sta risolvendo, se esista capacità di governance, se l'istituzione sia trasparente, e se il dispiegamento crei valore per gli studenti. La posizione del rapporto è che stati, enti di accreditamento e il Dipartimento dell'Istruzione federale non siano ancora attrezzati per intercettare questi rischi, lasciando la politica scritta dell'istituzione stessa come protezione operativa, e nomina direttamente la modalità di fallimento: un college che pubblicizza un programma guidato dal corpo docente mentre l'insegnamento o il design del corso è esternalizzato all'IA o a fornitori terzi vende un prodotto diverso sotto il proprio nome.

Esperienza studentesca su larga scala

Studi su larga scala sull'uso autentico dell'IA da parte degli studenti e sulla disponibilità della GenAI e la soddisfazione documentano come gli studenti usino effettivamente l'IA — rivelando divari tra le politiche istituzionali e la pratica quotidiana. La ricerca tramite sondaggi coglie come gli studenti si orientino nel panorama dell'IA, e studi sul tempo di studio, sulle competenze di IA per i laureati e sulle percezioni degli studenti sugli strumenti di IA mostrano che l'esperienza studentesca dell'IA è mista — efficiente ma spesso più superficiale. Gran parte di questo apprendimento universitario avviene ora online, dove l'insegnamento e l'apprendimento online plasmano sia i benefici dell'IA (personalizzazione scalabile, supporto sempre attivo) sia i suoi rischi (integrità accademica, cognitive offloading) per gli studenti universitari. Un approccio esplorativo di ML con analisi SHAP ha esaminato come le percezioni e le caratteristiche demografiche degli studenti si relazionino all'uso accademico previsto di ChatGPT, privilegiando l'interpretabilità (An Exploratory Machine Learning Approach to Understanding Determinants of Future ChatGPT Use in Higher Education). Nell'educazione artistica e al design, dove l'IA generativa sfida il valore della creatività umana, un modello di apprendimento basato su progetti con lo storytelling digitale al centro ha coltivato le capacità emotive, culturali e narrative che all'IA mancano — valutato attraverso uno studio di caso incorporato di 15 settimane con 426 studenti universitari cinesi che hanno tradotto il patrimonio culturale locale in narrazioni multimodali (In the AI era: A project-based digital storytelling framework for art and design education). Gli usi assistivi e inclusivi della GenAI stanno inoltre rimodellando l'esperienza studentesca per gli studenti con disabilità: Khlaif et al. (2026) — uno studio di caso qualitativo su 21 studenti universitari ipovedenti in tre università palestinesi — ha rilevato che la GenAI adatta ritmo, contenuti e modalità di erogazione ai profili individuali, semplifica testi complessi e converte i contenuti tra modalità, dando agli studenti un senso di autonomia e fiducia nella partecipazione in classe, essendo vista come complementare piuttosto che sostitutiva dei docenti.

Al di là della classe, l'IA raggiunge gli studenti attraverso l'istituzione stessa — orientamento, outreach, segnalazione e allocazione del supporto scarso — che il supporto e il successo studentesco raccoglie come corpo di evidenza a sé. La sua cautela centrale sulla scala proviene da una valutazione randomizzata quadriennale (N = 8.708) in cui i nudge per la registrazione hanno spostato una scadenza di 34 punti percentuali mentre laurea, crediti e GPA non si sono mossi affatto.

Istruzione post-laurea e professionale

La knowledge base è pesantemente orientata verso gli studi di primo livello, e ospita la formazione post-laurea e professionale all'interno delle pagine disciplinari (educazione medica e delle professioni sanitarie, educazione al business, educazione degli insegnanti) piuttosto che in una pagina separata sull'istruzione post-laurea. Due filoni riguardano nondimeno specificamente gli studenti magistrali, dottorali e professionali: la formazione alla ricerca e i programmi di laurea professionali.

La pratica di ricerca post-laurea è il più distintivo dei due. Dai e Chan (2026) hanno analizzato come 28 studenti di ricerca post-laurea, distribuiti in sette focus group, mettessero in atto la alfabetizzazione all'IA nella loro ricerca assistita dalla GenAI, trovandoli utenti calibrati piuttosto che adottanti passivi — abbinando gli strumenti ai compiti in base alla posta in gioco percepita e alle norme disciplinari, conservando la supervisione umana, e tracciando i propri confini tra aiuto accettabile nella stesura e sostituzione del proprio ragionamento. Il loro risultato centrale è un vuoto nelle politiche: le linee guida istituzionali sulla GenAI riguardano l'insegnamento, l'apprendimento e la valutazione ma non dicono quasi nulla sul processo di ricerca, perciò gli autori propongono linee guida orientate ai ricercatori che forniscono supporto a ogni dimensione della literacy IA attraverso il flusso di lavoro della ricerca per i ricercatori e i loro supervisori. Oh, Talton e Bui (2026) affrontano la stessa popolazione dal lato istituzionale: tra 93 studenti di dottorato in bioscienze e tirocinanti post-dottorato in un corso obbligatorio di etica della ricerca, tre semplici segnali comportamentali pre-istruzione hanno informato una profilazione d'ingresso leggera per un'istruzione etica adattiva basata su IA, mentre i corsi di IA precedenti non predicevano nessuno dei cinque esiti di percezione. L'IA sta inoltre rimodellando il team di ricerca stesso — l'analisi di 147.074 pubblicazioni dal 2020 associa la scrittura assistita dall'IA a team più piccoli, inclini ai membri junior, che producono lavori molto citati, invertendo la deriva pluridecennale della "Big Science" verso collaborazioni più ampie — e uno studio di caso su un singolo ricercatore documenta come si presenta un supporto agentico sostenuto all'interno del flusso di lavoro di un ricercatore.

I programmi di laurea professionali detengono la maggior parte delle evidenze a livello post-laurea, organizzate per disciplina. Nell'educazione alle professioni sanitarie, uno studio controllato randomizzato su 100 studenti di medicina del terzo anno ha testato un sistema LLM multi-agente — paziente simulato, tutor socratico, valutatore a livello di turno — organizzato attorno a funzioni esplicite di supporto per l'addestramento al colloquio clinico, mentre il framework SCAN riformula l'uso dell'IA da parte dei tirocinanti come un problema di distribuzione dei compiti e classificazione metacognitiva in tempo reale piuttosto che come un uso improprio da parte di chi apprende. La formazione a livello magistrale appare in Zhu et al. (2026), il cui modello D–T–E ha elevato la competenza di progettazione didattica degli studenti M.Ed. di educazione matematica (d di Cohen = 0,62) facendo agire tre LLM come "revisori intelligenti" in un ciclo progettazione–feedback–riflessione. Come gli studenti concettualizzano la GenAI e la propria professionalizzazione attraversa trasversalmente questi programmi, mentre l'apprendimento professionale lavorativo e continuativo — adiacente ma distinto dagli studi post-laurea — è trattato sotto Adulti che apprendono e Apprendimento sul posto di lavoro.

Corpo docente e insegnamento

La ricerca sullo sviluppo professionale esamina come i docenti adottino, resistano o si adattino all'IA. Gli studi sull'adozione dell'IA da parte dei docenti individuano fiducia, supporto e atteggiamento come predittori chiave. La ricerca sull'feedback discrezionale assistito dall'IA esplora se l'IA aumenti la qualità e la quantità del feedback dei docenti, e la ricerca sull'etica valuta se gli insegnanti debbano usare l'IA per il feedback in generale. La ricerca sulle prospettive del personale e gli studi fenomenografici sulle concezioni degli insegnanti sondano come gli educatori comprendano il proprio ruolo in cambiamento. Nelle classi numerose, l'IA può ora sostenere una quota crescente del carico di feedback: un esperimento sul campo di un semestre nei tutorial di macroeconomia del primo livello (Geschwind et al., 2026) ha rilevato che il feedback individuale di GPT-4 ha sostenuto la partecipazione più alta attraverso otto compiti a risposta aperta e prodotto i maggiori guadagni di apprendimento sui contenuti, posizionando il feedback dell'IA come complemento scalabile al feedback del docente e sostituto dell'inaffidabile feedback tra pari. Una via complementare per le grandi classi STEM del primo livello è un sistema diagnostico di assistente didattico: Arthur (Yin et al. 2026) usa una backbone di ML per singola domanda per fornire feedback personalizzato in tempo reale sulle Calculated Formula Questions di Engineering Economics — un dominio in cui le soluzioni scritte a mano avevano precedentemente bloccato il supporto dell'IA — attraverso un'interfaccia web dialogica basata su un archivio di domande che bilancia accuratezza del feedback ed efficienza di raccolta. Farazouli et al. (2026) colgono la dimensione emozionale di quel cambiamento: 24 docenti universitari svedesi hanno vissuto l'emergere della GAI come allarmante e travolgente, riportando uno "stato di vulnerabilità" (bassa fiducia, insicurezza, paura di "non essere avanti rispetto agli studenti") e sentendosi "bloccati" tra discorsi utopici e distopici — mentre ripensavano la valutazione e rivalutavano le proprie priorità verso il pensiero critico e l'uso etico della GAI.

Valutazione e integrità

L'integrità accademica e la ricerca sulla riforma della valutazione con l'IA si confrontano con come le università debbano ripensare la valutazione per un corpo studentesco capace di usare l'IA. Gli approcci centrati sul rilevamento stanno cedendo il passo alla valutazione autentica e alla valutazione basata sul processo, inclusi esami orali, assessment twins e ripensamento della valutazione autentica. Lo spostamento riflette una preoccupazione più profonda: come studenti e istituzioni definiscono l'imbroglio con l'IA, e la qualità dei materiali di valutazione generati dall'IA. L'automazione della valutazione stessa sta maturando per i compiti universitari a risposta aperta: Pecuchova, Benko e Drlik (2025) hanno messo a benchmark undici modelli GenAI e di sentence-embedding su 1.885 risposte a 24 domande d'esame di ingegneria del software e hanno rilevato che solo GPTo1 ha raggiunto un accordo quasi perfetto con due valutatori umani esperti (Kappa di Fleiss 0,82), con i modelli sensibili al contesto che superavano quelli basati su riferimenti — ma i costi della sua API proprietaria hanno portato gli autori a raccomandare un dispiegamento ibrido human-in-the-loop per le istituzioni con risorse limitate. A livello di programma professionale, Olvet et al. (2026) mostrano che la valutazione di domande d'esame aperte di medicina pre-tirocinio tramite LLM (GPT-4) può raggiungere un accordo da sostanziale a quasi perfetto con i valutatori del corpo docente (weighted kappa fino a 0,94) dopo un raffinamento iterativo della rubrica da parte di umani, mentre gli autori raccomandano comunque di mantenere gli umani nel ciclo per arbitrare le discrepanze residue. A completamento di questa evidenza a livello di modello, Falahat, Das, Bhaumik e Thambi (2026) hanno valutato un esame di farmacia universitaria di 21 item con ChatGPT-5 e hanno rilevato un accordo quasi perfetto con il corpo docente sulle domande oggettive (CCC 0,935–1.000) ma un accordo inaffidabile sulle domande a risposta breve e sui saggi, con la fornitura della rubrica che non migliorava costantemente la performance — rafforzando il caso di una valutazione ibrida, human-in-the-loop nella valutazione universitaria.

Implicazioni per i docenti dell'istruzione superiore

• Progetta la valutazione per un corpo studentesco capace di usare l'IA. Gli approcci all'integrità centrati sul rilevamento stanno cedendo il passo alla valutazione autentica e basata sul processo (oltre il rilevamento, riforma della valutazione) — ripensa cosa valuti, non solo come lo controlli.
• Ripensa la domanda "cosa dovrebbero ancora imparare a fare a mano gli studenti?". Proprio come nell'informatica, decidi quali competenze devono essere preservate (verifica, giudizio, processo) e rendile il nucleo valutato, piuttosto che presumere che le competenze di IA si trasferiscano automaticamente.
• Tratta la prontezza del corpo docente come sociotecnica, non solo tecnica. EPIQ-AI inquadra la prontezza attraverso domini epistemici, pedagogici, istituzionali e di qualità — allinea la tua pratica didattica alla governance istituzionale, non solo alla fluidità con gli strumenti.
• Affronta il divario tra politiche e pratica. Gli studi su larga scala (AI in the wild) mostrano che gli studenti usano l'IA in modi che le politiche istituzionali non anticipano — allinea le tue aspettative all'uso reale e insegna esplicitamente l'alfabetizzazione all'IA.
• Usa l'IA per aumentare qualità e quantità del feedback. Il feedback assistito dall'IA può aumentare il feedback che i docenti erogano; abbinalo al giudizio umano così che migliori l'apprendimento piuttosto che limitarsi ad automatizzare.
• Affronta deliberatamente l'innovazione nella valutazione e nel grading. Mesny, Roberge-Maltais e Galy (2026) sostengono che la valutazione e il grading sono tra i fattori più influenti che plasmano l'apprendimento nell'istruzione superiore, eppure restano sotto-ricercati in campi come la formazione manageriale (soli 58 articoli in 20 anni su quattro riviste leader). Gli approcci tradizionali, fortemente sommativi e norm-referenziati minano l'apprendimento profondo, il benessere, l'equità e l'integrità nell'era dell'IA generativa; gli autori esortano i docenti a impegnarsi più attivamente e reciprocamente con cinque pratiche innovative (valutazione autentica, auto- e co-valutazione, ri-valutazione, standards-based grading, ungrading), notando che l'implementazione richiede supporto istituzionale e culturale e sperimentazione incrementale.
• Tratta la formazione alla ricerca e la supervisione come un ambito di alfabetizzazione all'IA a sé. I ricercatori post-laurea mettono in atto la alfabetizzazione all'IA come pratica situata piuttosto che come insieme statico di competenze, e le linee guida istituzionali si fermano in gran parte a insegnamento e valutazione. Le linee guida per il lavoro di tesi, dissertazione e pubblicazione dovrebbero fornire supporto a verifica, attribuzione e divulgazione in modo concreto per ogni dimensione della literacy IA — e semplici segnali pre-istruzione possono indirizzare quel supporto nei corsi di etica della ricerca — invece di emanare regole binarie.

Concetti collegati

• Pattern pedagogici — Il livello in cui è stata generata la maggior parte dell'evidenza su sequenze testate
• Didattica e apprendimento online — Insegnamento e apprendimento online
• IA generativa — Tecnologie e modelli di IA generativa
• Grandi modelli di linguaggio (LLM) — Large language model
• Esperienza dello studente — Esperienza studentesca con l'IA nell'istruzione superiore
• Sviluppo educativo professionale — Sviluppo professionale del corpo docente e prontezza all'IA
• Integrità accademica — Integrità accademica in un corpo studentesco capace di usare l'IA
• Alfabetizzazione sull'IA — Alfabetizzazione all'IA per studenti e corpo docente
• Validità della valutazione — Validità della valutazione nell'era della GenAI
• Politica sull'IA nell'istruzione — Politiche educative sull'IA
• La regolamentazione dell'IA nell'istruzione — Regolamentazione dell'IA in educazione
• Sorveglianza degli esami a distanza — Remote proctoring e integrità automatizzata degli esami
• Apprendimento autodiretto — Apprendimento autodiretto con l'IA
• Apprendimento basato sui problemi — Apprendimento basato su problemi con l'IA
• Insegnamento — Ruolo docente in evoluzione nelle classi con IA
• Portatori di interesse — Ombrello: persone e pubblici nell'educazione all'IA (chi apprende, insegnanti, progettisti, amministratori, policymaker)
• Educazione artistica, al design e ai media
• Sostegno e successo degli studenti — orientamento, outreach, segnalazione e allocazione del supporto — il lato istituzionale del successo studentesco

Articoli collegati

• How colleges and universities are adopting AI in higher education: a global comparative analysis — Chan (2026): AI Institutionalization Index across 100 top-ranked universities; discourse outruns structure, adoption independent of prestige
• Faculty Readiness for AI-Supported Teaching and Scalable Online Program Delivery in Higher Education: The EPIQ-AI Framework for Epistemic Integrity — EPIQ-AI Faculty Readiness Framework
• AI in the Wild: A Large Scale Analysis of Authentic Interactions of College Students with Generative AI — AI in the Wild: College Student AI Use
• A Framework for Institutional Change in the Age of AI — Institutional Change in the Age of AI
• Generative AI Availability, Grades, and Student Satisfaction at a Large University — GenAI Availability and Student Satisfaction
• A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform — AI Assessment Scale and Reform
• The University AI Didn''t Replace: Rethinking Universities in the AI Era — Rethinking Universities in the AI Era
• AI Adoption Among Teachers: Insights on Concerns, Support, Confidence, and Attitudes — AI Adoption Among Teachers
• 'AI Should Help Them Learn, Not Learn for Them': University Staff Perspectives on the Role of Generative AI in Education — Staff perspectives on GenAI in higher education
• Exploring Organisational Drivers and Innovation Attributes of Artificial Intelligence Adoption in Higher Education — Organizational drivers of AI adoption in higher ed
• Is It Ethical for Teachers to Use AI for Student Feedback? — AI in student feedback: ethics
• Beyond Detection: Redesigning Authentic Assessment in an AI-Mediated World — Beyond detection: redesigning authentic assessment in an AI-mediated world
• "It is a temptation to get it to do the work…" Student Experiences of Navigating the Generative AI Landscape in UK Higher Education: A Cross-Institutional Survey with International Comparison — GenAI experiences among UK higher-education students (survey)
• AI skills for college graduates: Exploring how instructors and employers prioritize AI skills differently — Instructors vs. employers on AI skills for college graduates
• Faster Completion, Less Learning: Generative AI Reduced Study Time on Math Problems and the Knowledge They Build — 26.9% study-time decline among college students
• Artificial Intelligence in UK Higher Educational Policy and Institutional Decision Making — UK higher-education AI policy
• Is using artificial intelligence tools for academic work cheating? Student perceptions, ethics, and the impact on academic performance and critical thinking — AI tools, academic work, and cheating
• Assessing the Quality of AI-Generated Exams: A Large-Scale Field Study — Assessing the quality of AI-generated exams: a large-scale field study
• Reconsidering the Use of Oral Exams and Assessments: An Old Way to Move Into a New Future — Reconsidering oral exams as authentic, AI-resistant assessment
• Assessment twins: An approach for strengthening assessment validity in the age of generative AI — Assessment twins for strengthening assessment validity in the age of GenAI
• Students' Perceptions of Artificial Intelligence Tools for Study Productivity and Learning: An Exploratory Survey Study — Students' Perceptions of Artificial Intelligence Tools for Study Productivity and Learning: An Exploratory Survey Study
• Understanding what good education is: a phenomenographic investigation of university teachers' understandings of AI — phenomenographic study of university teachers' conceptions of AI
• AI for Education: The Digital Transformation of a Liberal Arts Institution — Implementation at Lingnan University — Digital transformation of a liberal arts university toward a research-intensive model in the GenAI era (Qin 2026)
• Mapping artificial intelligence integration in higher education: A systematic review using the FACETS and SAMR frameworks — Systematic review mapping AI integration in higher ed via FACETS + SAMR frameworks (AlSheikh et al. 2026)
• Navigating uncertainty: university teachers' experiences and perceptions of generative artificial intelligence — University teachers' experiences and perceptions of GAI: vulnerability, rethinking assessment, student learning at risk (Farazouli et al. 2026)
• GPT-4 feedback increases student activation and learning outcomes in higher education
• Automated Grading of Open-Ended Questions in Higher Education Using GenAI Models
• Innovative assessment and grading practices in higher education: A critical exploration for management educators
• Shaping Responsible GenAI Use in Research Through AI Literacy-Oriented Guidelines: Insights From Postgraduate Students — Postgraduate researchers' GenAI use in the research workflow and AI-literacy-oriented guidelines (Dai & Chan 2026)
• Engagement Intensity as a Learner-Modeling Signal for Adaptive AI Ethics Instruction — Engagement intensity as a learner-modeling signal for adaptive AI ethics instruction (Oh, Talton & Bui 2026)
• Smaller, Younger, and More Impactful: How AI-Assisted Writing Transforms Research Teams — AI-assisted writing shifts research teams toward smaller, junior-leaner, highly cited collaborations (Wang et al. 2026)
• StudentBench: AI and human tutoring yield equivalent GRE learning gains — StudentBench: AI and human tutoring yield equivalent GRE learning gains
• From Sentiment Classification to Actionable and Responsible Feedback: A Scoping Review and Evidence Map of NLP in Student Evaluation of Teaching, 2015–2026 — From Sentiment Classification to Actionable and Responsible Feedback: A Scoping Review and Evidence Map of NLP in Student Evaluation of Teaching, 2015–2026
• Literacy demands placed on students in student–GenAI entanglements in higher education — Assistant and Enabler forms dominate higher-education GenAI research; the marginal entanglement types stay rare for institutional rather than technical reasons (Sun, Dohn & Rehm 2026)
• Students at Stake: Risks of AI Deployment in Higher Education — Student-side map of AI deployment across admissions, financial aid, student services and education delivery, with a four-question procurement screen (Student Defense 2026)