Misure di autodichiarazione

In questa pagina

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

Misure di autodichiarazione — strumenti in cui la persona studiata è anche la fonte dei dati: questionari e indagini, interviste, diari, competenza autovalutata, uso auto-stimato, apprendimento percepito e soddisfazione. Sono il cavallo da tiro della ricerca sull'IA nell'educazione — in questa base di conoscenza 139 pagine di articoli portano il tag metodologico dell'indagine, più di qualunque altro disegno a eccezione dell'esperimento e del Benchmark (riferimento di confronto) — e sono l'unico modo praticabile per raggiungere atteggiamenti, credenze, intenzioni e Autoefficacia. Il loro limite è categorico anziché statistico: un'autodichiarazione non può misurare il comportamento o l'apprendimento, solo ciò che qualcuno dice del comportamento o dell'apprendimento, e le due cose divergono in questa base di ricerca tanto spesso da costituire di per sé un risultato.

Domande da considerare

Se uno studio afferma che gli studenti «hanno riportato un coinvolgimento elevato», che cosa è stato esattamente misurato — e che cosa ti servirebbe vedere per concludere che si siano effettivamente coinvolti?
In uno studio, le misure oggettive e quelle autodichiarate dell'alfabetizzazione all'IA degli insegnanti correlavano solo da r = 0,07 a r = 0,24 su quattro dimensioni. Dove è più probabile che la tua Autovalutazione diverga da un test della stessa abilità, e perché?
La soddisfazione è facile da misurare e facile da migliorare — un sistema tarato per compiacere gli utenti otterrà un punteggio alto su di essa. Perché questo potrebbe renderla una misura di esito povera per l'apprendimento, e che cosa misureresti al suo posto?
«Quasi tutti gli studenti usano l'IA per i compiti» viene dal chiederlo agli studenti. Che cosa potrebbe sbagliare il chiedere anziché il registrare, in entrambe le direzioni?
Un'indagine ottiene 112 risposte con un tasso di risposta del 31%, ovvero 90 risposte su 572 inviti. Prima di accettarne le percentuali, che cosa vuoi sapere su chi non ha risposto?
Quando uno studio correla due variabili autodichiarate misurate in un unico momento, quante spiegazioni distinte puoi generare per la correlazione — e quale disegno le escluderebbe?
Se dovessi consigliare qualcuno su una piccola valutazione, quali affermazioni lo lasceresti sostenere con un'indagine, e per quali insisteresti che servano evidenze di log, di performance o osservative?

Introduzione

L'autodichiarazione abbraccia molto più del questionario. Comprende indagini trasversali che usano Likert e altri formati di scala, interviste e focus group condotti da ricercatori qualitativi, diari ed esperience sampling, abilità o fiducia autovalutate, stime richiamate della frequenza d'uso di uno strumento, e apprendimento percepito o soddisfazione trattati come esiti. Ciò che li unisce è la posizione epistemica del rispondente: riporta su sé stesso anziché essere osservato.

Questa non è una debolezza di cui scusarsi. Molti costrutti di interesse — motivazione, ansia, fiducia, utilità percepita, intenzioni di coinvolgimento — sono stati interni che nessun file di log registra, e chiedere è l'unico modo difendibile per raggiungerli. Il problema emerge quando un'autodichiarazione è usata per sostenere un'affermazione che non può reggere, ed è in fondo una questione di validità: se lo strumento misuri il costrutto che nomina, e se l'affermazione avanzata riguardi il tipo di cose che l'autodichiarazione può vedere. Questa preoccupazione appartiene alla Misurazione Educativa e alla Validità della valutazione; questa pagina tratta di ciò che accade quando la ricerca sull'IA nell'educazione si appoggia specificamente sull'autodichiarazione, e di dove la base di evidenze mostra che essa si rompe.

Come questa pagina si rapporta alle pagine vicine. Metodi di ricerca nell'AIED cataloga i disegni e i loro punti di forza e di debolezza, compresi gli studi su indagine e SEM. Ricerca quantitativa copre la famiglia dei metodi numerici. Misurazione Educativa copre lo sviluppo di strumenti, la Teoria della risposta agli item e la validazione psicometrica. Questa pagina è la porzione più ristretta a cui quelle pagine rimandano: lo strumento di misura e la fonte dei dati stessi — ciò che l'autodichiarazione può e non può stabilire, il divario ricorrente tra ciò che le persone riportano e ciò che fanno, e come leggere criticamente un risultato basato sull'autodichiarazione.

Che cosa l'autodichiarazione può e non può stabilire

L'autodichiarazione è ben adatta ad atteggiamenti, credenze, intenzioni, percezioni di uno strumento, stati affettivi, e fiducia o difficoltà autovalutate. È poco adatta al comportamento, e non può misurare affatto l'apprendimento: la credenza di una persona di aver imparato qualcosa è essa stessa una percezione, e la base di conoscenza tratta l'apprendimento percepito come una quantità distinta dai guadagni di apprendimento.

Ne consegue un insieme di affermazioni che sembrano simili in una sezione dei risultati ma differiscono per forza:

«Gli studenti hanno trovato utile il tutor» — una percezione, appropriatamente misurata chiedendo.
«Gli studenti hanno usato il tutor regolarmente» — un comportamento, solo approssimato chiedendo.
«Gli studenti hanno imparato di più con il tutor» — un esito, non stabilibile in alcun modo chiedendo.
«Gli insegnanti si sentono sicuri nell'usare l'IA» — un'auto-credenza, non evidenza di competenza.

Due implicazioni seguono per chiunque legga o progetti questa ricerca. Primo, se uno strumento di autodichiarazione misuri davvero il costrutto che nomina è una questione empirica, risolta dalla validazione anziché dalla plausibilità degli item. Secondo, la direzione della tentazione nell'IA nell'educazione è coerente: gli strumenti sono valutati da come gli utenti si sentono riguardo a essi, e la sensazione è precisamente la parte che l'autodichiarazione cattura al costo più basso. La Autovalutazione è un membro di quella famiglia più ampia anziché un suo sinonimo: laddove le misure di autodichiarazione raggiungono atteggiamenti, fiducia e soddisfazione, l'autovalutazione volge la stima dello studente specificamente sulla propria abilità, fiducia o apprendimento.

Una seconda modalità di fallimento è il collasso discriminante tra due costrutti autodichiarati: regredire la capacità dichiarata rispetto all'IA accanto al controllo comportamentale percepito misurato come efficacia può confrontare un fattore generale di fiducia con sé stesso, ed è per questo che i criteri sono fissati in anticipo — un rapporto eterotratto-monotratto inferiore a 0,85 e un test su modello annidato che vincola la correlazione capacità-controllo all'unità (Mnguni (2026)).

Uno strumento validato può rendere preciso quel limite anziché vago. L'AI Literacy Self-Assessment Questionnaire (AIL-SAQ) di Thianwan e Srikoon (2025) è una scala a 15 item confermata con una struttura a tre fattori stabile su due campioni (n = 335 esplorativo, n = 579 confermativo) e un'alpha di Cronbach complessiva di 0,934. Gli autori sono espliciti sul fatto che essa registra comprensione percepita, atteggiamenti e consapevolezza anziché abilità dimostrata, e che l'accuratezza dell'autovalutazione dipende da un'abilità metacognitiva ancora in via di maturazione nei bambini, così che l'autostima di un bambino è un segnale più debole di quella di un adulto.

La scelta opposta è egualmente difendibile: PAUSE è un autocontrollo dello scaricamento su quattro domini che non pubblica alcuna evidenza di affidabilità o validità, non offre alcun composito, e dichiara che le letture non devono giustificare alcuna decisione consequenziale, e i suoi item confondono l'impalcatura deliberata con la sostituzione — un rispondente che ricorre all'IA presto per impalcare risulta come scaricamento (Alam, 2026)).

Il divario percezione–comportamento

Il risultato più forte sull'autodichiarazione in questa base di conoscenza non è che l'autodichiarazione sia in generale distorta, ma che il comportamento riportato e quello osservato divergono in modi specifici e documentati.

Uno studio che ha costruito misure parallele autodichiarate e oggettive dell'alfabetizzazione all'IA degli insegnanti ha trovato un debole accordo tra i fattori autodichiarati e quelli oggettivi (r = 0,07 - r = 0,24) in un campione di 288 insegnanti, con l'analisi fattoriale confermativa a supporto della validità di costrutto di entrambe le misure e al contempo una bassa correlazione tra i fattori autodichiarati e quelli oggettivi. I due strumenti erano credibili; semplicemente misuravano cose diverse. Nel campione completo di 288 insegnanti le correlazioni tra i fattori oggettivi e quelli autodichiarati andavano da r = 0,07 a r = 0,24, e l'analisi dei profili latenti ha trovato 43 insegnanti che si valutavano alto ottenendo un punteggio più basso sulla misura oggettiva, contro 59 che mostravano il modello opposto.

GLAT giunge alla stessa conclusione dall'altra direzione: il suo test di performance a 20 item prediceva la performance su compiti di apprendimento supportati dalla GenAI in uno studio within-subject su 83 studenti, mentre l'alfabetizzazione dichiarata su ChatGPT non lo faceva. L'inquadramento degli autori è brutale — gli strumenti in quest'area si appoggiano in misura schiacciante a indagini autodichiarate, «che catturano la competenza percepita anziché quella effettiva e sono soggette a distorsione e sovrastima».

Le stime comportamentali mostrano la stessa scissione. Uno studio su larga scala sulla programmazione competitiva ha riportato uno scollegamento tra la fiducia autodichiarata e il comportamento pratico effettivo, con la prima come proxy povera del secondo. Uno studio di modellazione dello studente è candido sul fatto che la frequenza d'uso fosse autodichiarata su una scala Da-mai-a-quotidianamente anziché osservata, e che con predittori ed esiti entrambi autodichiarati, stili di risposta come l'acquiescenza o la distorsione per estremo potessero produrre le associazioni.

A volte chiedere e osservare sono messi a confronto diretto. Una revisione esplorativa di 46 categorizzazioni tratte da 33 studi ha trovato la letteratura divisa a metà tra dati di autodichiarazione e dati di log di interazione, e ha concluso che le categorie «spesso riflettono l'approccio di misura tanto quanto l'interazione stessa» — con gli studi su autodichiarazione che catturano percezioni e intenzioni mentre quelli su log catturano il comportamento conversazionale osservabile, e i due raramente integrati. Il lavoro sui dati di processo relativi all'alfabetizzazione alla GenAI propone la versione costruttiva del punto: che uno studente formuli iterativamente i prompt, affini l'output e gestisca le allucinazioni è osservabile nei log di interazione e non in un questionario.

Una revisione strutturata e meta-analisi esplorativa 2026 delle misure per l'uso competente della IA generativa mette un numero aggregato su quel divario dall'altra direzione: aggregando tre correlazioni soggettivo-oggettivo direttamente riportate sullo stesso campione (N riportato complessivo = 2.765) si ottiene r = 0,055 (Hartung–Knapp IC 95% [−0,047, 0,156]), e aggiungendo le correlazioni cross-fattore di un quarto studio si arriva solo a r = 0,079. Tutti e tre gli effetti primari provenivano da un unico programma di ricerca, la correlazione e il p-value riportati dal contributore più grande non potevano essere ricondotti a coerenza, e la revisione conclude che l'autodichiarazione non può sostituirsi ai punteggi oggettivi di performance — notando però che gli strumenti di performance sono essi stessi ristretti, coprendo la conoscenza di base anziché i comportamenti di supervisione e dipendenza che contano nel lavoro (Verí (2026)).

La letteratura sugli strumenti può essere essa stessa letta come evidenza della scala del divario. Zainal, Mohd Matore e Maat (2026) hanno valutato 33 strumenti per l'alfabetizzazione all'IA degli insegnanti e hanno trovato che 31 (93,9%) erano scale di autodichiarazione della fiducia percepita, solo 2 (6,1%) testavano la conoscenza in modo oggettivo, e nessuno usava compiti basati sulla performance tra il 2019 e il 2025. La loro conclusione è quella a cui questa pagina continua a giungere da altre direzioni: i punteggi di autodichiarazione indicizzano la fiducia anziché la capacità, perciò non possono sostituirsi alla competenza quando si confrontano gruppi o programmi.

Le misure di esito ereditano lo stesso divario. Pramod e Patil (2026) modellano il percorso dall'IA agentica attraverso la motivazione e la presenza sociale fino a ciò che etichettano come performance di apprendimento con un coefficiente di 0,671 — la relazione più forte dello studio — e la loro stessa sezione dei limiti dichiara che questa variabile dipendente riflette le percezioni degli studenti e non i risultati d'esame, la performance nei compiti o le learning analytics. È questo lo schema da leggere con attenzione nei modelli di percorso in generale: un coefficiente grande su un esito percepito quantifica quanto coerentemente gli studenti credono che qualcosa li abbia aiutati, e non dice ancora nulla sul fatto che lo abbia fatto.

Soddisfazione e apprendimento percepito come esiti

La soddisfazione è l'esito autodichiarato più frequente in questo corpus, presente su 63 pagine di articoli. È anche il più debole come proxy dell'apprendimento, e la base di conoscenza contiene argomentazioni esplicite in tal senso.

Il lavoro sul feedback sequenziato dell'IA enuncia direttamente il principio di progettazione: la soddisfazione dell'utente e il coinvolgimento comportamentale non sono proxy affidabili dei guadagni di apprendimento, perciò l'apprendimento deve essere misurato direttamente.
Sulla guida pedagogica si osserva che gli attuali modelli di linguaggio sono istruiti a essere assistenti utili che massimizzano la soddisfazione dell'utente, mentre l'obiettivo di un tutor è massimizzare l'apprendimento — i due obiettivi possono entrare in conflitto, il che rende la soddisfazione un bersaglio potenzialmente fuorviante anziché semplicemente debole.
Uno studio sull'impalcatura sostiene che l'utilità percepita, la facilità d'uso e la soddisfazione immediata non dovrebbero essere trattate come indicatori sufficienti dell'efficacia dello Scaffolding (impalcatura).
Sulla modellazione dello studente allineata alla personalità si osserva che ottimizzare per la soddisfazione dell'utente non è la stessa cosa che ottimizzare per gli esiti di apprendimento, e che le due cose possono divergere.

Lo schema da portare con sé: la soddisfazione è sensibile alle cose sbagliate quando l'obiettivo è l'apprendimento. Un sistema che risponde rapidamente, concorda prontamente e riduce lo sforzo sarà valutato positivamente, e quelle stesse proprietà sono quelle che la base di conoscenza associa a una ridotta lotta produttiva e a performance gonfiate sul lavoro assistito dall'IA. La soddisfazione riportata e l'apprendimento misurato non sono nemici; semplicemente non sono sostituti, e trattare la prima come evidenza del secondo è lo slittamento più comune che questa pagina documenta.

Che cosa rende credibile uno strumento di autodichiarazione

Quattro proprietà separano un'indagine che può sostenere un'affermazione da una che non può.

Validità di costrutto. Gli item devono essere mostrati misurare il costrutto nominato, idealmente con l'analisi fattoriale. Lo studio sulle misure parallele qui sopra ha validato entrambi i suoi strumenti e ha comunque trovato che divergevano — la validità di uno strumento non dice nulla sul fatto che esso catturi il comportamento.
Affidabilità e struttura. Gli strumenti validati fattorialmente ricorrono in questo corpus, dalle misure di alfabetizzazione all'IA degli insegnanti fondate sulla teoria dell'autodeterminazione alle scale di accettazione modellate con la TAM e la SEM in studi sugli strumenti linguistici assistiti dall'IA.
Invarianza, quando si confrontano gruppi. Una scala che si comporta diversamente tra popolazioni non può sostenere un confronto. Il lavoro in SEM multigruppo riporta il test di invarianza di misura (configurale, metrica, scalare) accanto ai suoi effetti indiretti, e un confronto Svizzera–Cina ha trovato che solo il valore intrinseco raggiungeva l'invarianza metrica e non quella scalare — un limite dichiarato anziché nascosto, e uno che vincola ciò che le sue differenze tra paesi possono significare.
Un'alternativa di performance dove il costrutto è la competenza. I 20 item a scelta multipla di GLAT esistono precisamente perché l'autodichiarazione non può reggere un'affermazione di competenza.

Campionamento, risposta e non risposta

Poiché le indagini sono economiche da somministrare, i problemi di campionamento sono solitamente il punto in cui fallisce l'affermazione di generalizzabilità. Questo corpus li riporta esplicitamente e in modo istruttivo:

Un'indagine britannica sull'uso della GenAI da parte degli studenti riporta un campione di convenienza su 7 istituzioni, tassi di risposta istituzionali che variano nettamente, e una distorsione da non risposta che può pendere verso gli studenti con opinioni forti — e osserva che circa il 32% dei rispondenti ha descritto condotte che violavano probabilmente le politiche, in un formato in cui la desiderabilità sociale e la pressione contestuale rendono la sottodichiarazione la probabile direzione dell'errore.
Uno studio sul feedback di valutazione assistito dall'IA poggia su 112 risposte, con un tasso di risposta del 31%.
Uno studio sulla faculty attinge a 90 docenti STEM su 572 premiati invitati — il 16%.
Un'indagine sociologica ha ottenuto 504 rispondenti su 844 invitati, e gli autori notano che i tassi di risposta variavano per domanda.
Uno studio Delphi ha completato il suo primo round con 17 rispondenti, un limite che enuncia con chiarezza.

L'autoselezione si somma a questo. Uno studio di inoculazione ha reclutato 782 partecipanti e ne ha mantenuti 100 validi da un campione di convenienza di utenti autodichiarati di ChatGPT; uno studio di fisica ha fatto autoselezionare gli studenti in un compito con credito extra, verosimilmente inclinando le opinioni verso i compiacenti ed escludendo gli scettici.

Due ulteriori errori specifici dell'autodichiarazione ricorrono. I limiti dell'introspezione e la distorsione per desiderabilità sociale sono nominati come intrinseci all'autodichiarazione nel lavoro sulla valutazione del coinvolgimento e nelle studi i cui dati qualitativi si basano sull'autodichiarazione. La varianza da metodo comune sorge quando predittori ed esiti provengono dagli stessi rispondenti nello stesso momento: uno studio a mediazione moderata sull'uso dell'IA e il pensiero critico ha operazionalizzato uso, carico cognitivo e apprendimento autoregolato tutti attraverso strumenti standardizzati di autodichiarazione in un unico punto temporale, e solleva la distorsione da metodo comune come conseguenza; uno studio PLS-SEM su motivazione e coinvolgimento poggia egualmente interamente sull'autodichiarazione e non può stabilire l'ordinamento temporale tra i suoi mediatori.

Rimedio: aggiungere evidenze non autodichiarate

Le risposte costruttive della base di conoscenza sono coerenti, e nessuna di esse richiede di abbandonare le indagini.

Abbinare l'autodichiarazione ai dati di traccia o di log. Uno studio di otto settimane su 194 studenti sulla tecnologia di apprendimento adattivo ha combinato l'autodichiarazione con i dati di traccia sotto modellazione lineare gerarchica, ed è ciò che gli ha permesso di seguire le fasi dell'apprendimento autoregolato mentre si svolgevano anziché come richiamate.
Osservare la pratica direttamente quando l'affermazione riguarda la pratica. Un compito di valutazione registrato a schermo più interviste a stimolazione video ha colmato il divario tra l'uso dichiarato dell'IA e la pratica osservata, catturando la consapevolezza metacognitiva che l'indagine non poteva.
Valutare il comportamento con una rubrica anziché chiedendone. Il lavoro sulla ritenzione tratta lo sforzo di pratica come indicatore comportamentale derivato dai log di interazione, esplicitamente non una misura dello stato motivazionale interno.
Triangolare. I disegni a metodi misti e la ricerca a metodi misti in generale scambiano la dimensione campionaria con la capacità di verificare una fonte di dati con un'altra; una revisione sistematica dell'istruzione professionale è istruttiva per lo squilibrio, notando che tra gli studi quantitativi che ha esaminato, 2 si basavano esclusivamente sull'autodichiarazione mentre 5 usavano solo misure oggettive.
Misurare l'esito che ti interessa. Se l'affermazione riguarda l'apprendimento, i guadagni di apprendimento devono essere misurati, non inferiti dalla soddisfazione.

Come leggere un'affermazione basata sull'autodichiarazione

Chiedi che tipo di affermazione sia. Le percezioni sono ammesse; il comportamento è approssimato; apprendimento e competenza non sono raggiungibili in questo modo.
Verifica chi ha risposto e chi no. Tasso di risposta, cornice di campionamento e autoselezione decidono che cosa descrivono le percentuali — uno studio sugli studenti di un'unica istituzione descrive quel contesto, non gli studenti in generale.
Verifica lo strumento. È stato validato per questo costrutto e questa popolazione, e se si confrontano gruppi, è stata testata l'invarianza?
Fai attenzione ai disegni a fonte unica. Se predittori ed esiti provengono entrambi dallo stesso questionario in un unico punto temporale, le associazioni sono coerenti con la varianza da metodo comune tanto quanto con la teoria proposta.
Tratta la soddisfazione come un segnale di progettazione, non come un esito di apprendimento. Soddisfazione alta più apprendimento non testato è la configurazione standard nella valutazione degli strumenti di IA, e questo corpus mostra le due cose divergere.
Preferisci gli studi che mostrano il loro lavoro: tassi di risposta dichiarati, limiti dichiarati, e almeno una fonte di evidenza che non derivi dal chiedere.

Concetti collegati

Articoli collegati

A Capability–Decision Model of teacher readiness for AI integration in teaching — Discriminant-validity criteria for separating self-reported AI capability from efficacy beliefs
Agentic AI in educational environments and its association with social and motivational pathways to learning performance — Engagement predicts perceived rather than measured performance in an agentic AI path model (Pramod & Patil 2026)
How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures — Parallel self-report and objective measures of teacher AI literacy
GLAT: The Generative AI Literacy Assessment Test — GLAT: a performance-based alternative to self-report
"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 — Student GenAI use surveyed across UK institutions
Toward Convergence in Student-LLM Interactions: A Rapid Scoping Review and Taxonomy for Learning-Oriented Use — Taxonomies shaped by whether data came from self-report or logs
Tracing GenAI Literacy: Student-AI Interaction Patterns in Academic Writing — Process data characterizing GenAI literacy
Engagement Intensity as a Learner-Modeling Signal for Adaptive AI Ethics Instruction — Self-reported usage as a learner-modeling signal
Predicting Student Attrition in Competitive Programming: A Large-Scale Study Integrating Survey Insights and Global Behavioral Logs — Self-reported confidence versus practice behavior
From AI Use to Critical Thinking Among Medical Students: A Moderated Mediation Perspective on Cognitive Load and Self-Regulated Learning — Common-method bias in a single-source mediation model
Examining the Impact of Generative AI on Student Motivation and Engagement: The Mediating Role of Autonomy-Support and Autonomous Motivation in Education — Self-report-only PLS-SEM of motivation and engagement
Trust-utility gap in introductory physics education: Students' adoption, domain-specific skepticism, and preferences for AI integration — Survey of 81 physics undergraduates on AI use and trust
Summarize, elaborate, try again: exploring the effect of feedback literacy on AI-enhanced essay writing — Screen recording and stimulated recall as a self-report remedy
Fostering self-regulated learning through adaptive learning technology: A differentiated perspective on the role of feedback — Self-report plus trace data on self-regulated learning
Do Gains from Generative AI-Enabled Adaptive Pretesting Persist? Evidence from a Retention Study — Behavioral effort indicators derived from logs
Artificial intelligence in vocational education and training: A systematic review of educational purposes, theoretical conceptualizations, and empirical effectiveness — Review reporting the self-report/objective-measure imbalance
Uso di GenAI da parte degli studenti e opinioni sulla scrittura — Survey plus interviews in one sociology department
Beyond AI Literacy: A Structured Review and Exploratory Meta-Analysis of Measures for Competent Generative-AI Use — Beyond AI Literacy: A Structured Review and Exploratory Meta-Analysis of Measures for Competent Generative-AI Use
PAUSE: A Privacy-Preserving Self-Reflection Tool for AI-Associated Cognitive Offloading — PAUSE: A Privacy-Preserving Self-Reflection Tool for AI-Associated Cognitive Offloading
Development of an AI literacy self-assessment questionnaire in upper primary school students — A 15-item self-assessment instrument for upper-primary students, explicit about what perceived competence can establish
Assessing teachers' AI literacy: a systematic review of measurement tools — Review finding 31 of 33 teacher AI literacy instruments self-report and none performance-based

FAQ collegate

Metadati

Disegno dello studio	Survey
Destinatari previsti	Researchers, Instructors
Apprendimento e istruzione	Autoefficacia, Engagement degli Studenti
Valutazione e misurazione	Validità della valutazione, Misurazione Educativa, Incrementi di apprendimento
Metodi di ricerca e valutazione	Ricerca quantitativa, Metodi di ricerca nell'AIED, Ricerca qualitativa
Equità, etica e uso responsabile	Calibrazione della fiducia
Basi dell’IA nell’educazione	Alfabetizzazione sull'IA
Tipo di pagina	Evaluation

Source History Edit Chat