K-12

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

K-12 — l'uso dell'intelligenza artificiale nell'istruzione primaria e secondaria, che abbraccia i curricoli di alfabetizzazione in IA, il tutoraggio con IA, il supporto ai docenti e le considerazioni di sicurezza peculiari degli studenti più giovani. Una revisione sistematica del 2026 guidata da PRISMA su 197 studi (2016–2024) organizza il campo attorno a quattro domini di opportunità — personalizzazione, motivazione, valutazione e pratiche didattiche innovative (pedagogy) — segnalando al contempo lacune persistenti nella formazione dei docenti, nelle linee guida etiche ministeriali e nell'equilibrio tra discipline.

Domande da considerare

• L'uso dell'IA nella scuola K-12 richiede protezioni di sicurezza più forti rispetto alla istruzione superiore perché gli studenti più giovani sono i meno attrezzati a individuare un'IA non sicura o manipolativa. In che modo questo cambia ciò che "sicuro" deve significare per gli strumenti usati dai bambini?
• Le revisioni sistematiche rilevano che la base di evidenza K-12 si concentra in misura schiacciante sulle discipline STEM, lasciando le arti e le scienze umane ampiamente non studiate. Che cosa potrebbe rivelare una base di evidenza K-12 sull'IA equilibrata tra discipline, che gli studi solo STEM trascurano?
• La ricerca rileva che i docenti sovrastimano sistematicamente la propria competenza in IA — un divario di circa il 40% tra autovalutazione e prestazione — eppure una formazione breve produce un'integrazione sostanzialmente maggiore. Che cosa potrebbe significare quel divario per il modo in cui le scuole preparano i docenti?
• La maggior parte degli strumenti di IA incentra le prospettive dominanti, eppure il 78% dei docenti in uno studio ha trovato l'IA utile per una pedagogia culturalmente rilevante. Come si può orientare uno strumento che per default adotta le visioni dominanti ad ampliare la rappresentazione anziché restringerla?
• L'evidenza suggerisce che esternalizzare il lavoro all'IA può danneggiare l'apprendimento, specialmente per gli studenti più grandi — eppure gli studenti più giovani potrebbero esserne meno colpiti. Perché la penalizzazione all'apprendimento dovuta all'uso dell'IA potrebbe differire per età, e che cosa implica per la progettazione?
• La revisione K-12 individua otto lacune di ricerca sotto-esplorate, dai mancanti esempi concreti di unità didattiche al sottoutilizzo della robotica, dei dispositivi indossabili e della comunicazione mobile. Quale di queste lacune limita di più ciò che le scuole possono effettivamente fare oggi?
• Le politiche sull'IA istituzionali spesso mancano di indicazioni per l'implementazione. Che cosa servirebbe per trasformare un documento di politica sull'IA per la scuola K-12 in pratiche di classe concrete e in formazione dei docenti — e perché quella traduzione fallisce così spesso?

Introduzione

Il panorama dell'evidenza

Una revisione sistematica guidata da PRISMA del 2026 (Marzano, 197 studi, 2016–2024) costituisce ora l'ancora della base di evidenza K-12, integrando sintesi precedenti di ampia portata come la revisione rapida sull'IA generativa e sugli studenti dalla scuola dell'infanzia alla K-12 e la base di evidenza K-12 sull'IA aggregata. La sua struttura a quattro domande organizza il campo in quattro domini di opportunità — personalizzare l'apprendimento, motivare gli studenti, migliorare la valutazione e consentire una didattica innovativa e immersiva — con ChatGPT come caso di studio di punta esaminato in una larga quota degli articoli inclusi.

Il risultato centrale della revisione è una netta asimmetria: la promessa dell'IA generativa (GAI) nelle scuole è ampia e ben documentata, ma l'evidenza della pratica quotidiana in classe è sottile, concentrata nelle discipline STEM e distorta dalla scarsità di esempi concreti di unità didattiche e di formazione pratica dei docenti. Questo divario tra aspirazione e implementazione è la caratteristica distintiva della ricerca K-12 sull'IA generativa.

Una sintesi lato docenti aggiunge lo strato che le revisioni focalizzate sugli strumenti tralasciano. Una revisione PRISMA su 29 studi sull'intervento dei docenti nell'istruzione K-12 basata sull'IA rileva che l'output dell'IA — avvisi, cruscotti, punteggi automatizzati, feedback dei chatbot — diventa insegnamento solo attraverso un ciclo di monitoraggio, giudizio, intervento e orchestrazione, e che i benefici riportati per la prestazione, la partecipazione e la sicurezza degli studenti sono condizionati dall'interpretabilità delle informazioni, dalla tempistica dell'intervento, dal livello cui ci si rivolge, dalla fattibilità di implementazione per i docenti e dall'autonomia degli studenti. Il suo corpus è concentrato negli stessi luoghi della base di evidenza K-12 più ampia: matematica e materie scientifiche/STEM, classi medie e superiori, e contesti statunitensi.

Considerazioni distintive della scuola K-12

• Sicurezza e guardrail: l'uso dell'IA nella scuola K-12 richiede protezioni di sicurezza pedagogica più forti. EduZone, EduGuard e la ricerca sul danno da tutor affrontano specificamente l'interazione con l'IA sicura per i bambini.
• Curricoli di alfabetizzazione in IA: i moduli di alfabetizzazione in IA per la K-12 sviluppano una comprensione dell'IA adeguata all'età, mentre il framework di vibe coding consente ai docenti di creare i propri strumenti di IA. Uno studio quasi-sperimentale su un programma di alfabetizzazione critica sui media di 18 ore, basato sul modello 5E, rivolto a studenti turchi di quarta elementare (Demir & Akar 2026) ha incorporato l'IA generativa (ChatGPT, Grammarly, Canva AI, Padlet) fase per fase come agente pedagogico allineato ai curricoli di Lingua turca e Studi sociali, producendo ampi guadagni nella lettura dei media (+3,50), nella scrittura (+1,67) e nell'alfabetizzazione mediatica totale (+5,17, tutti con p < ,01) con dimensioni dell'effetto tra gruppi pari a d di Cohen = 1,12–1,31, e crescita qualitativa attraverso sei domini dell'alfabetizzazione critica sui media (autoprotezione digitale e privacy dei dati, uso dei media finalizzato e responsabile, comunicazione sicura e consapevolezza dei confini, valutazione critica e consapevolezza della disinformazione, consapevolezza dei rischi online, ed etica dei media/cittadinanza digitale) — evidenza che curricoli di alfabetizzazione in IA adeguati all'età e integrati nella disciplina possono produrre guadagni misurabili nella competenza critica sui media nelle classi elementari.
• Tutoraggio al livello della classe: i compagni personalizzati per la K-12 e la ricerca sulla trappola della risposta corretta esaminano l'efficacia del tutoraggio per gli studenti più giovani.
• Il vincolo del tutoraggio con IA è il coinvolgimento, non la capacità. In 18 scuole medie del Tennessee, l'assegnazione a Khanmigo ha aumentato il risultato in matematica di circa 0,06–0,08 DS per anno scolastico — guadagni simili alla pratica su Khan Academy senza IA — perché lo studente mediano scriveva al tutor solo nel 17% delle sessioni di errore (Oreopoulos and Low, 2026).
• Adeguatezza allo sviluppo: la ricerca sulla sicurezza dei bambini e le considerazioni sulla istruzione speciale affrontano i bisogni di popolazioni K-12 diversificate.
• IA conversazionale calibrata sull'età: Vahedian Movahed & Martin (2025) hanno dispiegato AMA, un chatbot limitato per argomento con adattamento dei prompt variabile per età, con 63 studenti (classi 1 e 6–8). I bambini hanno mostrato un'ampia apertura e un'alta fiducia nel chatbot come fonte di informazione e hanno attivamente verificato la sua credibilità con domande a risposta nota, mentre le lacune nella consapevolezza della sicurezza digitale (alcuni erano disposti a confidare segreti) indicano la necessità di supporto sensibile all'età e di un'istruzione esplicita sulla privacy.

Effetti sulla conoscenza dei docenti

• Effetti sulla conoscenza dei docenti. Uno studio cross-level (46 docenti, 2.832 studenti della secondaria) ha rilevato che la conoscenza pedagogica dell'IA — non la conoscenza tecnica dell'IA — ha guidato le percezioni degli studenti sull'IA per il bene sociale e la loro intenzione di apprendere l'IA, rafforzando un approccio "prima la pedagogia, poi la tecnologia" alla preparazione dei docenti di IA nella scuola K-12.
• La formazione continua come vincolo stringente. La revisione di Marzano individua nella formazione dei docenti continua e mirata sulle ICT la singola sfida di integrazione più persistente, ed essa deve coprire dimensioni tecniche, pedagogiche ed etiche adattandosi a strumenti in rapida evoluzione. La formazione iniziale e quella continua dovrebbero essere permanenti, collaborative, basate sul gioco, attente alla trasparenza e fondate sullo sviluppo professionale per strumenti avanzati come ChatGPT. Questo si estende all'IA di supporto alla collaborazione in classe: lo studio di fattibilità sul Community Builder (CoBi) nelle classi della scuola media ha rilevato che un uso di alta integrità da parte dei docenti dipendeva da un'formazione professionale sostanziale, con docenti non preparati che tendevano a trattare lo strumento come uno strumento di monitoraggio della prestazione o a orientarsi verso una discussione generale sull'IA anziché verso il suo focus collaborativo previsto.
• Il divario di competenza. La ricerca mostra che i docenti sovrastimano sistematicamente la propria competenza in IA — un divario di circa il 40% tra autovalutazione e prestazione — eppure interventi formativi brevi (per esempio laboratori di prompting di 4 ore) possono produrre un'integrazione dell'IA in classe sostanzialmente maggiore. Questo rende la preparazione dei docenti e la formazione dei docenti centrali per una riuscita integrazione dell'IA nella scuola K-12.

Quattro domini di opportunità

La revisione sistematica consolida ciò che l'IA generativa può fare nelle scuole in quattro domini ricorrenti:

• Apprendimento personalizzato. L'IA generativa adatta le esperienze di apprendimento ai bisogni, al ritmo e alla prontezza individuali — il beneficio di punta documentato attraverso i sistemi compagno e le piattaforme adattive.
• Leggibilità e allineamento ai curricoli. Bird (2026) fonde la classificazione testuale basata su transformer con feature di linguistica computazionale per classificare la letteratura inglese secondo il Key Stage del Regno Unito (F1 0,996), confezionandola in un'applicazione web senza codice così che i docenti possano allineare i materiali di lettura ai livelli degli studenti — un complemento concreto e rilevante per la disciplina (inglese/letteratura) alla base di evidenza K-12 sbilanciata verso le STEM.
• Motivazione e coinvolgimento. Strumenti come ChatGPT rendono l'apprendimento più coinvolgente per gli studenti più giovani, sostenendo lo coinvolgimento e la motivazione — benché la revisione avverta anche che questo può sfociare in un affidamento eccessivo e in dipendenza tecnologica.

Una meta-analisi su 42 studi qualifica questo: l'effetto motivazionale era minimo nei contesti scolastici (secondaria g = 0,360, primaria g = 0,311) rispetto a g = 0,886 all'università, benché quei sottogruppi poggino su soli 9 e 4 studi (Fang et al. (2026)).

• Valutazione. L'IA generativa migliora i metodi di valutazione, dal feedback formativo alla valutazione automatizzata, benché il pregiudizio nel feedback automatizzato resti una preoccupazione attuale. Razavi and Powers (2026) estendono questo alla calibrazione degli item nelle classi K-5: attraverso 5.170 item di matematica e lettura, le valutazioni di difficoltà zero-shot di GPT-4o correlavano in misura da moderata a forte con le difficoltà calibrate con Rasch (r = 0,83 in matematica, r = 0,81 in lettura) ma erano disomogenee tra le classi e non migliori di un regressore fittizio basato sulla media di classe per le classi K e 1 — una limitazione da restrizione di variabilità che conta per la valutazione nei gradi iniziali. Un approccio basato su feature (feature estratte dall'LLM immesse in modelli basati su alberi) ha raggiunto correlazioni fino a r = 0,87, con guadagni più pronunciati per gli item dei gradi iniziali. Una questione collegata è quale modello una scuola faccia girare del tutto: su insiemi allineati agli NGSS per la scuola media (1.078 item) e la scuola superiore (1.150 item), nove modelli open-weight di sei laboratori hanno per lo più superato il 90% e la dimensione del modello non prediceva l'accuratezza — OSS-20b e Nemotron 3 Nano 30b a3 eguagliavano modelli di diverse volte più grandi — mentre la difficoltà degli item risultava alta e la discriminazione bassa, lasciando gli autori a chiedersi se il benchmark sia troppo facile (Schroeder et al. 2026).
• Pratiche didattiche innovative. Gli approcci immersivi, basati sul gioco e collaborativi rendono l'apprendimento più coinvolgente, con i modelli costruzionisti e basati sui progetti che mostrano particolare promessa. Un esempio concreto a livello di classe è il Community Builder (CoBi), un sistema di IA di supporto alla collaborazione dispiegato in sei classi di scuola media, che ha usato il riconoscimento vocale per visualizzare il discorso "edificante" dei piccoli gruppi — evidenza che l'IA vocale in tempo reale può funzionare in modo fattibile in ambienti K-12 rumorosi per sostenere la dimensione relazionale dell'apprendimento.

Imperativo della rilevanza culturale

La progettazione curricolare supportata dagli LLM mostra promesse nel diversificare i materiali — in uno studio il 78% dei docenti ha trovato utili i suggerimenti dell'IA per una pedagogia culturalmente rilevante. Tuttavia, la maggior parte degli strumenti di IA incentra le prospettive dominanti, richiedendo una progettazione centrata sull'equità deliberata per evitare di ampliare le disparità di opportunità.

Traduzione dalla politica alla pratica

Le politiche istituzionali sull'IA generativa mancano ampiamente di indicazioni per l'implementazione. La revisione sistematica sottolinea che le linee guida ministeriali su etica e privacy restano sottosviluppate, in eco al problema di traduzione dalla politica alla pratica: i modelli riusciti trasformano i documenti di politica in moduli formativi azionabili per i docenti, collegando il "che cosa" (politica) e il "come" (istruzione sul prompting).

Scala ed equità

Il dispiegamento dell'IA nella scuola K-12 opera su scala sociale — milioni di studenti, istruzione obbligatoria e implicazioni significative per l'equità. La ricerca sull'equità esamina se l'IA amplifichi o riduca le disparità di opportunità, inclusi l'accesso e il supporto inclusivo per gli studenti con disabilità — una delle otto aree sotto-studiate della revisione.

Otto lacune di ricerca

Un contributo innovativo della revisione di Marzano è l'esplicitazione di otto lacune di ricerca sotto-esplorate che plasmano un'agenda di ricerca K-12 sull'IA generativa: (1) la mancanza di esempi concreti di IA nell'insegnamento per la costruzione di unità didattiche; (2) la necessità di una formazione pratica e quotidiana dei docenti basata sull'applicazione costante dell'IA; (3) competenze nell'apprendimento automatico e un equilibrio tra le discipline, con le discipline STEM sovra-rappresentate; (4) la mancanza di studi ed esperimenti in Europa; (5) la necessità di definire il ruolo del docente e creare quadri pedagogici specifici come il TPACK o l'AI4K12; (6) l'inclusività e il supporto per gli studenti con disabilità; (7) una connessione con le teorie pedagogiche e le metodologie innovative; e (8) le applicazioni di tecnologie emergenti come i dispositivi indossabili, il controllo robotico e la comunicazione mobile.

Connessioni

La K-12 si collega alla sicurezza pedagogica (protezione dei bambini), all'alfabetizzazione in IA (competenza degli studenti), al ruolo del docente (trasformazione del docente K-12), all'equità (disparità di accesso) e all'istruzione speciale (bisogni diversificati di chi apprende). La sua base di evidenza da revisione sistematica si collega alla meta-analisi/revisione sistematica come metodo, e il suo risultato sullo squilibrio tra discipline si collega alle discipline STEM, alle scienze umane e all'istruzione con IA nella prima infanzia e nell'elementare.

Implicazioni per i docenti della scuola K-12

• Date priorità ai guardrail sicuri per i bambini. L'uso dell'IA nella scuola K-12 richiede protezioni di sicurezza più forti — usate strumenti costruiti e vagliati specificamente per i bambini (EduZone, EduGuard) e state attenti ai danni dei tutor senza guardrail (ricerca sul danno da tutor).

• Costruite l'alfabetizzazione in IA in modo adeguato all'età. Usate curricoli e framework progettati per gli studenti più giovani (moduli di alfabetizzazione in IA per la K-12), e non date per scontato che gli studenti arrivino con una conoscenza dell'uso responsabile.

• Colmate il divario di competenza dei docenti. I docenti sovrastimano sistematicamente la propria competenza in IA (divario di circa il 40% tra autovalutazione e prestazione), eppure una formazione breve (per esempio laboratori di prompting di 4 ore) produce un'integrazione dell'IA in classe sostanzialmente maggiore — investite nella vostra preparazione (Competenza in IA dei docenti, Sviluppo professionale).

• Mantenete la formazione continua e ancorata alla pratica. La raccomandazione centrale della revisione sistematica è che la formazione dei docenti non può essere episodica — deve essere continua, collaborativa e basata sull'applicazione quotidiana e costante dell'IA, non su teoria astratta.

• Diversificate i materiali deliberatamente. L'IA è forte nella generazione di materiale culturalmente rilevante (il 78% dei docenti trova utili i suggerimenti), ma gli strumenti adottano per default le prospettive dominanti — usate attivamente l'IA per ampliare, non restringere, la rappresentazione, e guardatevi dalle disparità di opportunità.

• Attenzione al rischio di penalizzazione all'apprendimento. L'evidenza mostra che esternalizzare il lavoro all'IA può danneggiare l'apprendimento, specialmente per gli studenti più grandi (resa cognitiva, penalizzazione per esternalizzazione dei compiti) — progettate compiti che mantengano il lavoro cognitivo nel ciclo e valutate la comprensione durevole, non solo il completamento.

• Distinguete un rallentamento produttivo da una serie di successi. Un esperimento sul campo randomizzato con oltre 6.000 studenti della scuola media ha rilevato che il supporto dell'IA rallentava il progresso ma aumentava la correttezza al tentativo successivo dopo gli errori, mentre una regola dei tre successi consecutivi innalzava la padronanza sulla piattaforma di circa 28,7 punti percentuali senza migliorare un test differito una settimana dopo (Oreopoulos et al. (2026)).

• Progettate gli strumenti per i docenti in funzione del giudizio, non del volume. Più informazioni dall'IA non significa meglio: gli avvisi in tempo reale ampliavano la consapevolezza dei docenti ma in alcuni studi sovraccaricavano l'attenzione o distoglievano il focus dalla loro osservazione, e un singolo docente non può agire su più obiettivi di intervento di quanti possa fisicamente raggiungere (Lee 2026). Gli strumenti che danno priorità e spiegano che cosa vale la pena di fare, e che consentono ai docenti di accettare, rivedere, rinviare o respingere le raccomandazioni, si adattano al lavoro meglio dei cruscotti che mostrano tutto — e le condizioni strutturali (tempo di revisione, dimensione delle classi, personale di supporto) fanno parte dell'intervento, non della logistica di contorno.

• Andate oltre le STEM. La base di evidenza è sbilanciata pesantemente verso le discipline STEM; gli educatori e i ricercatori nelle arti e nelle scienze umane hanno un'opportunità sproporzionata di generare l'evidenza equilibrata tra discipline che manca al campo.

• Traducete la politica in pratica. Le politiche istituzionali sull'IA generativa spesso mancano di indicazioni per l'implementazione; trasformate la politica in pratiche di classe concrete e azionabili e in formazione (dalla politica alla pratica).

Adozione e scetticismo sull'IA nella scuola K-12

• Man mano che l'IA entra nelle scuole, il personale che ne è interessato è sempre più esortato a consultare l'IA conversazionale sull'adozione. Una verifica algoritmica di dieci LLM di frontiera ha sondato una persona scettica sull'IA in una scuola K-12 rurale, rilevando che otto modelli su dieci riconoscevano le preoccupazioni prima di reindirizzare verso inquadramenti del coinvolgimento con l'IA — un esito di progettazione dipendente dal modello anziché una proprietà inevitabile degli LLM. La fiducia, lo scetticismo e la supervisione umana sono quindi centrali per il modo in cui il personale rurale e di altre scuole K-12 incontra l'IA.

Concetti collegati

• Pattern pedagogici — Il livello degli studi sul fallimento produttivo, sul cambiamento concettuale e sulla valutazione orale
• Educazione della prima infanzia — Istruzione con IA nella prima infanzia e nell'elementare
• Sicurezza pedagogica — Guardrail sicuri per i bambini per le interazioni con l'IA di studenti più giovani
• Alfabetizzazione sull'IA — Comprensione adeguata all'età e uso responsabile dell'IA da parte degli studenti
• Insegnamento — Trasformazione del docente e integrazione dell'IA nelle classi K-12
• Equità — Se l'IA amplifichi o riduca le disparità di opportunità nella scuola K-12
• Istruzione speciale — Bisogni diversificati di chi apprende nell'uso dell'IA nella scuola K-12
• Scaffolding (impalcatura) — Strutture di supporto per l'apprendimento K-12 assistito dall'IA
• Apprendimento personalizzato — Istruzione su misura abilitata dall'IA a livello scolastico
• Educazione STEM — Alfabetizzazione e strumenti di IA in scienze, tecnologia, ingegneria e matematica nella scuola K-12
• IA generativa — La tecnologia centrale dietro gli strumenti e i curricoli di IA per la scuola K-12
• Sviluppo professionale — Formazione e potenziamento dei docenti per l'IA in classe
• Apprendimento socioculturale — Dimensioni sociali e culturali dell'apprendimento con IA nella scuola K-12
• Metacognizione — Pensare al pensiero; chiave per l'apprendimento durevole nell'era dell'IA
• Sviluppo educativo professionale — Sviluppo professionale continuo per i docenti
• Progettazione dell'apprendimento — Progettare lezioni e materiali con il supporto dell'IA
• Apprendimento attivo — Mantenere il lavoro cognitivo nel ciclo quando si usa l'IA
• Pensiero computazionale — Competenza fondamentale della scuola K-12 e obiettivo dei curricoli di IA
• Tutoraggio Intelligente — Sistemi di tutoraggio con IA per gli studenti più giovani
• Meta-analisi e revisione sistematica — Il metodo della revisione sistematica dietro la base di evidenza K-12
• Istruzione umanistica e nelle scienze sociali — Controparte di equilibrio tra discipline rispetto all'evidenza K-12 sull'IA sbilanciata verso le STEM
• Genitori e famiglie
• Resa cognitiva

Articoli collegati

• Generative Artificial Intelligence (GAI) in Teaching and Learning Processes at the K-12 Level: A Systematic Review — Systematic review of generative AI in K-12 teaching and learning (Marzano 2026)

• Pedagogy first, technology second: Cross-level relationships between teacher professional knowledge and student — Cross-level effects of teacher AI knowledge (TAIK, TPAIK) on student learning in secondary AI education (Shen et al. 2026)

• Does school-based AI education narrow readiness gaps? The role of prior agency-related learning — School AI education narrows psychological but not cognitive readiness gaps

• AI Tutoring is Not a Monolith: What We Actually Know — AI Tutoring is Not a Monolith: What We Actually Know (Stanford SCALE/NSSA brief)

• AI-Supported Problem-Based Learning for Enhancing Computational Thinking — AI-assisted project-based learning and computational thinking

• Virtual Tutoring with Computer-Assisted Learning: An Experiment in Take-Up and Learning — Virtual tutoring with CAL: an experiment in take-up and learning

• Making AI Tutoring Productive: Evidence from a Mastery-Based Math Practice Experiment — Making AI tutoring productive: mastery-based math practice

• One Click Away: AI Tutoring with Khanmigo in a Two-Year School Experiment — One Click Away: Khanmigo in a two-year school experiment

• EduZone: A Framework for Evaluating LLM Safety for K-12 Students and Teachers — EduZone: child-safe LLM interaction platform for K-12

• EduGuard: A Safe RAG-Based LLM Tutor for Programming Education — EduGuard: safe RAG-based LLM tutor guardrailing

• SafeTutors: Benchmarking Pedagogical Safety in AI Tutoring Systems — Research on harms of unguarded AI tutors for children

• Learning to Use AI for Learning: Teaching Responsible Use of AI Chatbot to K-12 Students Through an AI Literacy Module — K-12 AI literacy modules on prompting

• The Evidence Base on AI in K-12: A 2026 Review — The K-12 AI evidence base aggregated at scale

• ECNUClaw: A Learner-Profiled Intelligent Study Companion Framework for K-12 Personalized Education — K-12 personalized AI companions

• A Guiding Framework for K-12 Teachers in Creating AI-powered Learning Technologies through Vibe Coding — Vibe-coding framework empowering teachers to build AI tools

• Rethinking Elementary Education's Writing Instruction in The Age of Generative AI: A Systematic Review — Systematic review: GenAI and elementary writing

• Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education — Rapid review: GenAI and PreK-12 learners (271 papers)

• Faster Completion, Less Learning: Generative AI Reduced Study Time on Math Problems and the Knowledge They Build — Cognitive surrender strongest for high schoolers, absent for Grade 5

• The Generative AI Learning Penalty: Evidence from Chinese Secondary Education — The generative AI learning penalty: homework outsourcing harms learning

• Marked Pedagogies: Examining Linguistic Biases in Personalized Automated Writing Feedback — Marked Pedagogies: bias in automated feedback for middle-school writing

• Code to Learn with Generative AI: A Theoretically Grounded Framework for Artifact Construction in Upper-Secondary Education — CtL-GenAI: constructionism framework for artifact construction

• Beyond “painting in pink”: A critical case study of all-girls generative AI workshops in a European makerspace — All-girls GenAI makerspace workshops and gender equity in computing

• Transforming clicks into critical thinking: An AI-based media literacy program for children — AI-based critical media literacy program for children

• What differentiates educational literature? A multimodal fusion approach of transformers and computational linguistics — Multimodal fusion for classifying educational literature

• Estimating Item Difficulty Using Large Language Models and Tree-Based Machine Learning Algorithms — Estimating item difficulty using LLMs and tree-based ML

• A Feasibility and Implementation Integrity Study of the Community Builder (CoBi): An AI-based Collaboration Support System in K-12 Classrooms

• Ask Me Anything: Exploring Children's Attitudes Toward an Age-tailored AI-powered Chatbot

• Teacher intervention in K-12 AI-based instruction: a systematic review of processes, strategies, and effects — Teacher intervention in K-12 AI-based instruction: a systematic review

• A Benchmark for LLM's Understanding of Middle School and High School Science Topics — A Benchmark for LLM's Understanding of Middle School and High School Science Topics

• Effects of generative artificial intelligence on students' learning motivation: evidence from a meta-analysis — Meta-analysis of GenAI's effect on motivation, smallest in school settings (secondary g = 0.360, primary g = 0.311)