Valutazione tra pari

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

La valutazione tra pari — la pratica in cui gli studenti valutano, votano o forniscono Feedback sul lavoro altrui, attraverso revisione tra pari scritta, votazione tra pari, revisione di codice tra pari, o valutazione di gruppo e di team. Nella Pedagogie e strategie didattiche della scrittura è da tempo una prassi consolidata: gli studenti apprendono sia dal ricevere feedback basati su criteri sia dal fornirlo, e il dialogo tra pari sul lavoro condiviso è correlato a un apprendimento più profondo, alla consapevolezza del pubblico e allo sviluppo sociale. Nell'era dell'IA viene riesaminata come una scelta di progettazione della valutazione piuttosto che come una singola attività — un complemento umano al feedback generato dall'IA, un terreno di addestramento per la Literacy del Feedback e un luogo in cui Integrità accademica e agentività degli studenti vengono rinegoziati.

Domande da considerare

• Ripensa a un momento in cui un tuo pari ha valutato il tuo lavoro — o tu hai valutato il suo. Cosa ti ha insegnato di più: dare feedback o riceverlo, e perché?
• Perché il feedback di uno studente potrebbe essere più sensibile al contesto e più supportivo sul piano emotivo rispetto a quello dell'IA, anche mentre il feedback dell'IA è più coerente e basato su criteri? Come potrebbero completarsi a vicenda?
• I pari tendono a sottostimare i lavori forti e l'IA tende a gonfiare quelli deboli. Se nessuna delle due fonti è affidabilmente accurata sull'intera gamma qualitativa, a cosa dovrebbe servire un voto proveniente da una delle due?
• La valutazione tra pari dipende fortemente dallo Scaffolding (impalcatura) e da criteri chiari, e il pregiudizio dovuto all'amicizia e l'ansia sociale possono rendere una revisione tra pari non addestrata peggiore di nessuna revisione. Come si presenta, nel tuo contesto, un addestramento adeguato?
• Se l'IA può abbozzare commenti su organizzazione e struttura, questo rende la valutazione tra pari superflua — o libera i pari dal fornire quel feedback specifico e consapevole del pubblico che solo loro possono dare?
• In uno studio, il feedback tra pari supportato dalla GenAI ha superato il semplice feedback tra pari, ma solo con l'aggiunta dello scaffolding tramite prompt. Cosa viene qui supportato — l'IA, lo studente o la valutazione?
• Valutare criticamente il feedback generato dall'IA è descritto come un modo per costruire alfabetizzazione sull'IA e agentività dello scrittore. Che cosa significa avere agentività sul proprio lavoro quando le macchine lo commentano sempre di più?

Introduzione

La valutazione tra pari è una scelta di progettazione della valutazione in cui gli studenti si assumono parte del lavoro valutativo solitamente riservato ai docenti. Le sue forme differiscono per ciò che gli studenti producono e per ciò che è in gioco: feedback tra pari (commenti su una bozza, solitamente formativo e a bassa posta in gioco), votazione tra pari (un voto che contribuisce al voto finale), revisione di codice tra pari, e valutazione di gruppo o di team (dove i pari valutano il prodotto collettivo o i contributi reciproci). La forma determina ciò che gli studenti praticano — fornire un commento basato su criteri costruisce il giudizio valutativo in modo diverso dall'assegnare un numero, e difendere oralmente il proprio codice costruisce qualcosa di diverso ancora. L'Autovalutazione, pratica sorella, rivolge lo stesso scrutinio basato su criteri al lavoro proprio dello studente, mentre la valutazione tra pari lo indirizza alla consegna di un pari e alla consapevolezza del pubblico che ne deriva.

La base di ricerca concorda sul fatto che la valutazione tra pari produca apprendimento e dissente su quanto dipenda dalla progettazione. Essa offre agli studenti un pubblico autentico, sviluppa il giudizio valutativo attraverso la risposta basata su criteri, e costruisce il contesto sociale che sostiene lo engagement e la Motivazione. La sua qualità dipende fortemente dallo Scaffolding (impalcatura) — da quanto è strutturata e da se gli studenti ricevono criteri chiari e formazione. Ed è proprio in questa dipendenza che entra l'IA, come complemento coerente e basato su criteri al feedback specifico e sensibile al contesto che i pari forniscono, e sempre più come scaffolding integrato nel processo stesso di valutazione tra pari.

Ciò che gli studenti apprendono valutando i pari

L'argomentazione più forte a favore della valutazione tra pari è che chi valuta apprende. Fowles et al. (2026) hanno sottoposto ogni consegna del corso CS1 a un colloquio orale di revisione del codice di 15 minuti con un assistente didattico formato, pesante il 70% del voto del compito. La percentuale di testo incollato è salita dal 61,0% al 68,1% (p < 0,0001), eppure i punteggi d'esame non sono diminuiti e il tempo sull'attività è rimasto stabile; il 90% degli studenti ha dichiarato che le revisioni li hanno motivati a comprendere meglio il proprio codice e il 65% che li hanno aiutati a evitare l'eccessivo affidamento sull'IA. Richiedere agli studenti di spiegare il proprio lavoro a un pari formato ha convertito un potenziale scaricamento cognitivo in un'opportunità di pratica autoregolata.

Il meccanismo ricorre in tutta la letteratura. In una revisione sistematica PRISMA 2020 di 22 articoli selezionati tra 203 esaminati, Martínez-Peláez et al. (2025) hanno rilevato che gli LLM supportano la collaborazione in parte favorendo il feedback tra pari e simulando valutazioni basate su criteri, e che gli studenti che verificano e correggono l'output del modello sviluppano il pensiero critico. Il Imparare insegnando emerge persino tra le macchine: il discorso simile all'apprendimento tra pari tra oltre 2,4 milioni di agenti IA era per lo più assertivo anziché interrogativo (rapporto affermazione-domanda 11,4:1, riflessione metacognitiva solo nel 7% di una tassonomia codificata su 28.683 post), cosa che Chen et al. (2026) trattano come un monito: il discorso superficiale non dimostra che qualcosa sia stato appreso.

Addestramento, calibrazione e alfabetizzazione al feedback

La valutazione tra pari fallisce in modo prevedibile quando gli studenti non sono formati. Gu, Chen e Yan (2026) hanno condotto un quasi-esperimento metodi misti con 118 studenti universitari del primo anno in Cina, confrontando ChatGPT-4o sotto criteri pre-addestrati con schede di revisione tra pari strutturate corredate da un esempio di alta qualità. L'alfabetizzazione al feedback è cresciuta leggermente di più nel gruppo GenAI (ANCOVA p = 0,049, η²p = 0,03), ma i risultati qualitativi contano di più: gli studenti dei gruppi tra pari sceglievano le fonti di feedback per comodità sociale — pari vicini, pari della stessa disciplina, coinquilini — raramente si ponevano obiettivi di feedback specifici e dovevano affrontare ansia sociale nel cercare feedback. La valutazione tra pari era più spesso distorta dal pregiudizio dovuto all'amicizia e dalla competenza percepita dei pari, e la riflessione tra pari era spesso rimandata agli esami successivi. Gli autori raccomandano progettazioni multifase con feedback tra pari anonimo, poiché la revisione tra pari costruisce comunque in modo unico la consapevolezza del pubblico e il giudizio valutativo attraverso il dare feedback.

I framework di progettazione puntano a questi colli di bottiglia. Irwin e Muller (2026) propongono due ruoli della GenAI nel feedback tra pari EFL/ESL sullo speaking, un caso che ritengono più difficile della scrittura a causa della pressione temporale, della prestazione orale effimera e del coinvolgimento affettivo accentuato: un Trainer che supporta chi fornisce feedback attraverso la calibrazione basata su esempi e il feedback sul feedback, e un Synthesizer che aggrega i commenti tra pari in un rapporto di ricezione collegato ai criteri, normalizzando i formati, preservando le opinioni di minoranza e segnalando le contraddizioni. I loro principi sono un'attenta temporizzazione e sequenziazione, brevi unità ripetute del Trainer, preservare la voce di chi fornisce il feedback, e Salvaguardie che mantengono il docente nel circuito, senza votazione automatizzata. L'articolo è concettuale, senza nuovi dati empirici.

Validità, equità e accuratezza dei voti: pari contro IA contro docente

Dove la valutazione tra pari produce un voto, la domanda è se il voto sia difendibile. Usher e Faraon (2026) hanno rilevato che l'allineamento pari–docente era più forte per i lavori di qualità inferiore (r = 0,51 nella fascia di bassa qualità) e si indeboliva per i progetti di alta qualità, che i pari tendevano a sottostimare — a riflettere plausibilmente la riluttanza a criticare lavori forti. ChatGPT mostrava il pattern opposto: migliore allineamento sui lavori di alta qualità, ma voti gonfiati per le consegne deboli. Gli studenti percepivano i voti dei pari come più coerenti con il feedback scritto degli stessi pari, e apprezzavano il giudizio consapevole delle relazioni dei pari accanto alla coerenza neutrale di ChatGPT. L'accuratezza dei pari dipende dalla qualità ed è sensibile alle relazioni, e nessuna fonte singola è affidabile sull'intera gamma.

Questo vincola l'uso che si dovrebbe fare di un voto tra pari. Un voto calibrato nel mezzo della distribuzione non è necessariamente calibrato ai suoi estremi, quindi i voti tra pari sono più difendibili come input per una decisione moderata o come prova del giudizio di chi valuta, che non come voto definitivo su un lavoro forte. Suen e Hung (2026) sottolineano perché le istituzioni continuano a cercare alternative scalabili: il feedback tra pari e il coaching esperto richiedono tempo, costano e sono difficili da scalare in modo coerente. Il loro sistema a circuito chiuso ha valutato 204 studenti adulti sulle competenze di presentazione con un backbone XGBoost che si avvicina all'affidabilità dei valutatori esperti (ρ = 0,69–0,78) e con guadagni pre–post del d di Cohen = 0,39–0,90 — uno studio sul campo pre–post, non un confronto con la valutazione tra pari, che sostituisce il giudizio della macchina anziché potenziare quello dei pari.

Valutazione tra pari potenziata dall'IA: PAIRR e la divisione Trainer/Synthesizer

Il pattern progettuale dominante mantiene il pari al centro e aggiunge l'IA attorno a lui. Il modello Peer and AI Review + Reflection ne è l'istanza meglio documentata. Sperber et al. (2025) hanno implementato PAIRR in 10 corsi di scrittura e tre corsi STEM ad alta intensità di scrittura, con 654 studenti (37% prima generazione, 13% internazionali, 68% multilingue). Gli studenti redigevano bozze, si scambiavano revisioni tra pari, richiedevano a ChatGPT feedback basati su criteri sulla stessa bozza, valutavano criticamente entrambi, pianificavano le revisioni e riflettevano. Il 58% preferiva il feedback combinato, il 36% il solo feedback tra pari, e solo il 6% il solo feedback dell'IA. Le due fonti erano spesso simili (75% segnalavano somiglianze, descritte come confermantesi e rafforzantesi a vicenda) e, quando differivano, complementari: il feedback dell'IA era spesso giudicato troppo generale (31%) ma forniva strategie di revisione attuabili su organizzazione e struttura, mentre il feedback tra pari era più specifico e dettagliato (28%) e attingeva alla conoscenza contestuale del compito. Valutare criticamente l'output dell'IA costruiva Alfabetizzazione sull'IA, e solo il 5,3% degli studenti mostrava sovrastima di esso.

Il pattern si generalizza alla scrittura professionale. MacArthur et al. (2025) hanno applicato PAIRR a un corso avanzato di scrittura business in cui ciascuno dei cinque compiti principali richiedeva una bozza, un'analisi del pubblico, una revisione tra pari di 2–3 pari, e una revisione finale (hanno partecipato 34 dei 46 studenti iscritti; 69% multilingue). Gli studenti apprezzavano il feedback dell'IA ma talvolta lo trovavano troppo generale, e apprezzavano la conoscenza contestuale dei pari — "i miei pari lo guardavano dalla prospettiva del datore di lavoro… ChatGPT non lo faceva allo stesso modo." Un quarto delle riflessioni codificate nel più ampio studio PAIRR esprimeva scetticismo sul feedback dell'IA o ne notava inesattezze, cosa che gli autori leggono come sviluppo dell'alfabetizzazione sull'IA. Lo studio è descrittivo e specifico del corso.

La GenAI come scaffolding interno al feedback tra pari e alla valutazione di gruppo

Il test più rigoroso di quanto conti la progettazione è un esperimento randomizzato a grappoli multisito. Ateş (2026) ha randomizzato 48 sezioni in 4 università — 1.176 studenti universitari del primo anno in biologia, chimica e fisica — a quattro condizioni per l'argomentazione scientifica: solo feedback tra pari, feedback GenAI diretto, feedback GenAI riflessivo (autovalutazione poi critica dell'IA), e un ibrido di autovalutazione → feedback tra pari → critica GenAI. La GenAI diretta superava il feedback tra pari sulla qualità immediata dell'argomentazione ma mostrava un transfer più debole; le progettazioni riflessiva e ibrida producevano una maggiore ricezione del feedback e apprendimento autoregolato; l'ibrido mostrava il vantaggio più chiaro sull'apprendimento concettuale; entrambe superavano la GenAI diretta sul transfer differito senza IA. Il valore della GenAI, concludono gli autori, dipende meno dall'accesso che dal fatto che l'ambiente preservi l'agentività e la proprietà dello studente durante la revisione.

Anche sequenziare il feedback dell'IA prima della discussione tra pari, anziché dopo, ha migliorato i risultati: rispetto al solo feedback tra pari, 122 studenti cinesi di EFL ai quali è stato fornito un feedback integrato IA-pari hanno riportato un maggiore engagement affettivo, comportamentale e cognitivo (η² parziale = 0,29, 0,28, 0,32) e hanno superato i compagni su tutte e quattro le dimensioni della scrittura IELTS, con il valore più alto per il task achievement (d = 1,41) (Liu (2026)).

Questo pattern — un vantaggio iniziale che non regge — ricorre quando il confronto è tra feedback del docente e feedback tra pari assistito dall'IA, anziché con la sola GenAI. Tang, Li e Luo (2026) hanno condotto un quasi-esperimento di otto settimane con 61 scrittori cinesi di L2 (244 testi valutati) lavorando a partire da una checklist a cinque dimensioni, con una classe che riceveva feedback scritto del docente e l'altra feedback tra pari assistito dall'IA. Il feedback del docente produceva molti più commenti — 316 elementi contro 185 nel primo compito, concentrati su lessico e dettagli tecnici — e il guadagno immediato leggermente maggiore, ma il suo miglioramento calava bruscamente al secondo compito, mentre la classe con feedback tra pari assistito dall'IA restava stabile e concludeva con il punteggio di revisione più alto. I commenti tra pari assistiti dall'IA erano meno numerosi ma restavano ancorati a contenuto e struttura, e il loro vantaggio iniziale sulla diversità lessicale non persisteva; nessuna delle due modalità ha inciso sulla complessità sintattica. Gli autori leggono le due come scaffold complementari e propongono un ibrido IA–Pari–Docente, in cui l'IA segnala gli errori di superficie durante la stesura, i pari negoziano il contenuto durante la revisione, e il docente si concentra su ciò che nessuno dei due ha raggiunto.

Anche aggiungere la GenAI può aumentare la qualità del feedback tra pari stesso, ma apparentemente solo con il supporto dei prompt. Chang et al. (2026) hanno confrontato tre condizioni tra 45 studenti insegnanti in 12 gruppi su quattro turni di argomentazione collaborativa: solo feedback tra pari, feedback tra pari con GenAI, e feedback tra pari con GenAI sotto scaffolding tramite prompt. I gruppi supportati dalla GenAI superavano il semplice feedback tra pari nella performance di argomentazione, e il gruppo con scaffolding tramite prompt otteneva i risultati migliori sugli elementi avanzati come "dati e giustificazione della confutazione" e "affrontare la posizione opposta". I gruppi supportati dalla GenAI producevano più spiegazioni, suggerimenti, e feedback neutrali o negativi, e il gruppo con scaffolding accoppiava emozioni negative a contenuti di feedback di ordine superiore — valutazione critica anziché accettazione passiva. È un piccolo esperimento singolo, ma isola lo scaffolding tramite prompt come ingrediente attivo.

La valutazione di gruppo cambia il problema, perché gli studenti devono negoziare quale uso dell'IA sia accettabile. Chen e Zou (2026) hanno intervistato 15 focus group di 52 insegnanti in formazione in un corso in cui una presentazione di gruppo del valore del 30% del voto finale richiedeva integrazione e coerenza. Sono emersi tre pattern: agentività orientata alla cooperazione in cinque gruppi, che hanno intensificato l'uso della GenAI per tenere insieme il lavoro e proteggere un voto condiviso; agentività normativa in sette gruppi, che hanno contenuto l'uso per proteggere autenticità ed equità — uno studente ragionava che generare una parte con l'IA sarebbe stato "non giusto verso gli altri compagni di gruppo"; e agentività non esercitata in tre gruppi la cui pratica non è mai cambiata rispetto al lavoro individuale. Gli autori sostengono che la capacità individuale non diventa da sé agentività collettiva e che la negoziazione dell'uso accettabile dell'IA dovrebbe diventare essa stessa un esito valutabile, con i compiti di revisione tra pari che alimentano il prodotto finale.

Architettura del feedback, trasparenza e condizioni sociali della valutazione tra pari

La valutazione tra pari dipende anche da ciò che gli studenti possono vedere gli uni degli altri e da ciò che ammetteranno. Hao e Cukurova (2026) hanno testato una progettazione di apprendimento basata su riassunti generati dall'IA attraverso tre iterazioni con 128 studenti su otto settimane. Gli studenti delle iterazioni supportate dall'IA mostravano una centralità out-degree standardizzata significativamente più alta rispetto alla baseline (β = 0,547 e β = 0,438, entrambi p < 0,001): visualizzavano o interagivano con più pari. Le interviste descrivevano i riassunti come una mappa di navigazione che riduceva lo sforzo di trovare i contributi sepolti in thread mal denominati, e gli studenti si rivolgevano ai contributori attivi scelti per opinioni in contrasto piuttosto che per amicizia. La progettazione non ha impedito il declino dell'attività di visualizzazione sotto il carico di lavoro crescente, quindi le sole possibilità tecnologiche non sostengono l'engagement.

Anche le norme tra pari plasmano l'onestà, cosa che conta dovunque i pari valutino lavori influenzati dall'IA. Qu e Wang (2026) hanno intervistato 409 studenti universitari di Singapore sul perché gli studenti nascondano l'uso della GenAI nonostante gli obblighi di dichiarazione, e hanno rilevato che le variabili relazionali dominavano: la percezione della dichiarazione dei pari e il comfort con i docenti erano i predittori più forti della dichiarazione, mentre il disimpegno morale era più debole. La non-dichiarazione era un adattamento strategico alle norme percepite tra pari e alla bassa fiducia interpretativa, non una negligenza morale. Le norme tra pari possono quindi sostenere l'onestà, come quando gli studenti della valutazione di gruppo hanno contenuto l'uso dell'IA per senso di obbligo verso i compagni, o sopprimerla, come quando l'adozione collettiva ha abbassato il rischio percepito dell'uso improprio. La trasparenza, sostengono gli autori, dipende meno dalla conformità che dalla fiducia e da climi normativi positivi — una condizione relazionale che le progettazioni di valutazione tra pari o creano o distruggono.

Implicazioni progettuali e domande aperte

Ne conseguono diverse mosse progettuali. Fornire a chi valuta formazione, esempi e criteri prima che valuti, perché la valutazione tra pari non addestrata è vulnerabile al pregiudizio dovuto all'amicizia, alla selezione delle fonti per comodità e all'ansia sociale. Sequenziare il lavoro in modo che l'autovalutazione preceda il feedback tra pari e la critica dell'IA, poiché la condizione ibrida ha prodotto l'apprendimento concettuale più forte e il miglior transfer differito. Dove entra la GenAI, supportare il modo in cui gli studenti la sollecitano. Mantenere il docente nel circuito per qualsiasi cosa che diventi un voto, trattare i voti tra pari come evidenza dipendente dalla qualità anziché come voti uniformi, e rendere l'uso dell'IA stesso qualcosa che i gruppi negoziano e documentano.

Anche la revisione mediata dalla GenAI eredita le norme linguistiche dello strumento: i contributori a un dialogo sui World Englishes sostengono che chi usa la GenAI per revisionare è esposto allo stesso pregiudizio verso le varietà dominanti dell'inglese proprio come i modelli, e raccomandano di modificare o riscrivere il testo generato per riflettere l'identità linguistica propria dello scrittore (Ugwuanyi et al. (2026)).

Le domande aperte riguardano la solidità delle evidenze, non solo la progettazione. Molte delle evidenze su pari-e-IA sono piccole e legate al contesto: 45 studenti insegnanti in un corso, 34 studenti in un corso di scrittura business, 52 insegnanti in formazione in 15 focus group. L'indagine PAIRR è il dataset più ampio qui e misura le percezioni degli studenti, non la qualità degli output dell'IA che gli studenti giudicavano. Solo l'esperimento multisito con i suoi 1.176 studenti universitari si avvicina a una scala causale-comparativa, e testa la progettazione del feedback per l'argomentazione scientifica anziché la valutazione tra pari come tale. Intanto O'Neill (2026) ha verificato 14 meta-analisi sottoposte a revisione tra pari che sostenevano che l'IA migliori l'istruzione e non ne ha trovata nessuna che fornisse una base valida per le proprie affermazioni — tutte tranne due definivano il trattamento come uno strumento anziché come un intervento pedagogico, l'eterogeneità era alta in ogni meta-analisi che riportava l'I² (dal 77,2% al 94,4%), e una verifica di 59 studi primari ha rilevato che il 61% presentava problemi di validità, più spesso una discrepanza tra l'esito misurato e l'affermazione fatta. Le affermazioni su ciò che l'IA fa nella valutazione tra pari dovrebbero essere trattate come affermazioni su un'attività progettata, testate nei termini di quell'attività.

Concetti collegati

• Pattern pedagogici — PAIRR e il feedback combinato pari-più-IA: le sequenze e le loro evidenze comparative
• Scrittura
• Valutazione formativa
• Autovalutazione
• Qualità del feedback con IA
• Alfabetizzazione sull'IA
• Apprendimento autoregolato
• Metacognizione
• Esperienza dello studente
• Apprendimento collaborativo
• Integrità accademica
• Literacy del Feedback
• Feedback
• Lavoro di gruppo
• Valutazione
• Scaffolding (impalcatura)

Articoli collegati

• AI-peer integrated feedback in second language writing classes: exploring students' engagement and writing performance — Integrated AI-plus-peer feedback raised all three engagement dimensions and all four IELTS writing dimensions

• Who grades best? Comparing ChatGPT, peer, and instructor evaluations across varying levels of student project quality — Comparing ChatGPT, peer, and instructor grading across project quality levels (Usher & Faraon 2026)

• Peer and AI Review + Reflection (PAIRR): A Human-Centered Approach to Formative Assessment — Peer and AI Review + Reflection (PAIRR)

• AICoFe: Implementation and Deployment of an AI-Based Collaborative Feedback System for Higher Education — AI Peer Feedback Systems

• Unravelling undergraduates' development of evaluative judgments through AI-supported internal feedback — Unravelling Undergraduates' Development of Evaluative Judgments

• Enhancing learner-centered feedback with AI: teachers'' practices and perceptions — Enhancing Learner-Centered Feedback With AI

• Generative AI and linguistic diversity in academic writing and publishing: Perspectives from World Englishes — Generative AI and Linguistic Diversity in Academic Writing

• GIFT-AI: Teaching the Game and Leveling the Field: Peer and AI Review + Reflection in a Business Writing Course — PAIRR in a business writing course: peer review, chatbot feedback, reflection (MacArthur et al. 2025)

• Fostering feedback literacy by scaffolding self-regulated feedback: a comparative study of GenAI and human peers — GenAI vs. human peers for scaffolding self-regulated feedback and feedback literacy (Gu et al. 2026)

• Positioning Generative AI in EFL Peer Feedback: Training Feedback Literacy and Enabling Uptake in Speaking Classes — GenAI as Trainer and Synthesizer in EFL peer feedback on speaking (Irwin & Muller 2026)

• Human-centered GenAI feedback design in higher education: a multisite experiment on direct, reflective, and hybrid approaches to scientific argumentation — Multisite experiment comparing peer-only, direct, reflective, and hybrid GenAI feedback (Ateş 2026)

• Leveraging generative AI to facilitate peer feedback in collaborative argumentation learning — Prompt-scaffolded GenAI peer feedback in collaborative argumentation (Chang et al. 2026)

• Students' Agency in GenAI-Mediated Group Assessment: An Ecological-Emergent Perspective — Agency in GenAI-mediated group assessment: cooperation, restraint, non-enactment (Chen & Zou 2026)

• Combating Harms of Generative AI in CS1 with Code Review Interviews and a Flipped Classroom — Oral code review interviews as harm reduction for GenAI in CS1 (Fowles et al. 2026)

• An Interpretable Closed-Loop Intelligent Tutoring System for Multimodal Affective Feedback in Asynchronous Presentation Training — Automated multimodal presentation coaching as a scalable alternative to peer feedback (Suen & Hung 2026)

• Enhancing Peer Exposure and Creating Opportunities for Bridging Social Capital Through an AI-Generated Summary-Driven Learning Design in Online Discussion Forums — AI-generated discussion summaries broaden peer exposure in online forums (Hao & Cukurova 2026)

• To disclose or not to disclose: Peer influence and psychological factors in students' use of generative artificial intelligence — Peer influence and relational trust in students' GenAI disclosure (Qu & Wang 2026)

• Can Large Language Models Foster Critical Thinking, Teamwork, and Problem-Solving Skills in Higher Education?: A Literature Review — Systematic review of LLMs for critical thinking, teamwork, and problem solving (Martínez-Peláez et al. 2025)

• When AI Agents Teach Each Other: Discourse Patterns Resembling Peer Learning in the Moltbook Community — Peer-learning-like discourse among 2.4 million AI agents (Chen et al. 2026)

• Presumed Effective: The Manufacturing of an Evidence Base for AI-in-Education Through Flawed Meta-Analysis — Audit of 14 AIED meta-analyses and 59 primary studies (O'Neill 2026)

• Teacher feedback vs. AI-assisted peer feedback in L2 writing: A quasi-experimental study in a Chinese university — Teacher feedback vs. AI-assisted peer feedback in L2 writing: quantity, focus, and improvement trajectories over two tasks (Tang, Li & Luo 2026)