Engagement degli Studenti

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

L'engagement degli studenti — il grado e la qualità del coinvolgimento attivo di chi apprende nel processo di apprendimento, più spesso scomposto nelle dimensioni comportamentale, cognitiva e affettiva. Nella ricerca sull'IA in educazione, l'engagement degli studenti è sia un esito chiave (uno strumento di IA mantiene gli studenti coinvolti?) sia un meccanismo (l'engagement media tra il design dell'IA e l'apprendimento?). È concettualmente distinto dall'apprendimento stesso — l'engagement è partecipazione all'apprendimento, non prova di guadagno cognitivo — e dalle metriche specifiche usate per misurarlo.

Domande da considerare

• La pagina insiste che l'engagement non è la stessa cosa dell'apprendimento — uno studente può essere attivo dal punto di vista comportamentale (cliccando, trascorrendo tempo) pur essendo cognitivamente superficiale. Dove hai visto un alto "engagement" che ha prodotto poco apprendimento, e come te ne sei accorto?
• Pensa a un momento in cui eri profondamente coinvolto a livello cognitivo in qualcosa — alle prese davvero con un'idea. Cosa c'era di diverso rispetto alle volte in cui eri semplicemente occupato o intrattenuto, e uno strumento di IA potrebbe creare in modo affidabile quello stato?
• L'engagement è scomposto nelle dimensioni comportamentale, cognitiva e affettiva, che possono divergere. Perché pensi che i ricercatori insistano nel trattarle separatamente anziché come una cosa sola, e cosa misureresti per distinguerle?
• La ricerca suggerisce che l'engagement cognitivo profondo con l'IA predice l'apprendimento, mentre l'engagement superficiale predice l'eccessivo affidamento. Se uno strumento è "coinvolgente" ma superficiale, di chi è la colpa — del design, del compito o di chi apprende?
• Come potrebbe uno strumento di IA soddisfare autonomia, competenza e relazione (i bisogni dietro l'engagement) senza che queste caratteristiche si trasformino in intrattenimento superficiale che soppianta l'apprendimento reale?

Introduzione

L'engagement è un costrutto multidimensionale radicato nella psicologia dell'educazione. L'engagement comportamentale si riferisce a partecipazione, sforzo, persistenza e attività on-task. L'engagement cognitivo si riferisce alla profondità dell'elaborazione mentale — elaborazione, analisi critica, auto-regolazione e investimento di sforzo mentale. L'engagement affettivo si riferisce a reazioni emotive come interesse, piacere, ansia e identificazione con l'apprendimento. Queste dimensioni possono divergere: uno studente può essere attivo a livello comportamentale (cliccando, trascorrendo tempo) pur essendo cognitivamente superficiale (accettando passivamente l'output), o affettivamente interessato pur essendo comportamentalmente distratto. Questa multidimensionalità è il motivo per cui l'engagement non deve essere equiparato a nessun singolo comportamento osservabile.

Come l'engagement degli studenti appare nella ricerca

• L'engagement come esito del design dell'IA: la ricerca sulla motivazione con GenAI mostra che l'engagement nell'apprendimento supportato dalla IA generativa segue la soddisfazione dei bisogni psicologici di base (autonomia, competenza, relazione) — l'engagement è il risultato a valle del supporto motivazionale, non della sola disponibilità della tecnologia. L'engagement è spesso misurato tramite autovalutazione mentre l'engagement comportamentale deriva dai log di interazione, e i due non sono intercambiabili.

• Guadagno di engagement senza guadagno di apprendimento, in uno studio in classe randomizzato a cluster: Rücker e Becker-Genschow (2025) hanno randomizzato 195 classi di nona (gruppo sperimentale di 102 studenti) a un chatbot di matematica specifico di dominio o a materiali di differenziazione convenzionali per una singola lezione sul metodo di Erone per stimare le radici quadrate. L'interesse situazionale è aumentato sensibilmente nella condizione con chatbot (M = 2,63 vs 2,43, p = 0,00005, d di Cohen = 0,63) e l'accettazione su tutte e quattro le dimensioni del Technology Acceptance Model era alta, eppure il confronto delle prestazioni pre-post non ha trovato un'interazione significativa gruppo×tempo (F(1194) = 2,84, p = 0,094) e il carico cognitivo estrinseco era leggermente più alto. Lo studio è uno dei pochi test randomizzati a cluster di un chatbot personalizzato nella matematica secondaria, e il suo risultato scisso è il punto: interesse e rendimento si sono mossi su tempi diversi, quindi un risultato di engagement non è evidenza di apprendimento.

• Qualità anziché quantità: l'engagement critico nel completamento di codice con IA, l'analisi del discorso sull'engagement cognitivo e lo scaffolding dell'engagement critico mostrano che l'engagement profondo (cognitivo) con l'IA predice l'apprendimento, mentre l'engagement superficiale (comportamentale) predice l'Over-Reliance e lo spostamento dell'apprendimento che dominano la letteratura sui rischi della knowledge base.

• Fragile e dipendente dal contesto: Polished artifacts, fragile engagement e i pattern di engagement multi-istituzione rilevano che l'engagement varia per compito, contesto e studente — uno strumento di IA che coinvolge profondamente uno studente può produrre un comportamento superficiale e teso all'output in un altro.

• Antecedenti motivazionali: AI availability and motivation mostra che sapere che l'IA è disponibile può ridurre il valore percepito dell'engagement faticoso, in particolare per chi apprende in modo novizio — l'engagement è plasmato da aspettativa, valore e competenza percepita tanto quanto dalle caratteristiche dello strumento. Wang e Wang (2026) estendono questo con un resoconto basato sulla teoria del goal setting su 758 studenti universitari di inglese nell'apprendimento assistito dall'IA, mostrando che il supporto dell'insegnante accresce direttamente l'engagement e opera attraverso gli obiettivi di padronanza e di performance degli studenti (anziché gli obiettivi di evitamento). L'engagement nei contesti di IA non è quindi solo un esito individuale o di design — è anche socialmente supportato dall'insegnante e dagli orientamenti agli obiettivi che si incoraggia chi apprende ad adottare.

Quello supporto ha una controparte istituzionale con un doppio percorso. Il disegno a due studi di Chen (2026) (160 studenti d'arte in un esperimento con scenari, 425 intervistati) ha rilevato che l'incongruenza percepita tra la promozione della GAI da parte di un'università e le sue pratiche effettive di insegnamento e valutazione prediceva l'engagement nel processo creativo attraverso due valutazioni opposte — negativa via impedimento (β = −0,060, p = 0,004) e positiva via sfida (β = 0,217, p < 0,001) — con il pathways thinking che rafforza solo la via positiva, così che la stessa condizione istituzionale coinvolgeva alcuni studenti e disimpegnava gli altri.

• Competenza ed emozione come motori dell'engagement: Zhao et al. (2026) modellano 871 studenti universitari che interagiscono con un chatbot LLM, rilevando che la competenza in GenAI predice l'engagement con il chatbot sia direttamente sia indirettamente attraverso le emozioni positive (la via affettiva), e che sia la competenza sia l'emozione positiva predicono l'engagement e le emozioni positive di apprendimento. L'engagement è quindi congiuntamente un esito di competenza e un esito affettivo — chi apprende e manca di competenza nell'IA e prova ansia o frustrazione si disimpegna, il che ha implicazioni per la formazione sull'alfabetizzazione nell'IA come intervento sull'engagement anziché come mero obiettivo di competenza.

• Engagement cognitivo associato alla disciplina nelle chat studente-IA. Chang e Li (2026) mostrano che i prompt degli studenti all'IA codificano in media una domanda cognitiva di ordine superiore del ~62%, ma i profili di engagement per livello di Bloom differiscono nettamente per disciplina (STEM prevalenza di Apply 20,8%, lingue prevalenza di Understand 31,7%, scienze sociali prevalenza di Create 33,8%). Usando un disegno within-person, hanno rilevato che gli stessi studenti producevano significativamente più prompt di ordine superiore in scienze sociali che nei corsi STEM (p < .001), con variazione a livello di corso superiore alla variazione a livello di studente — evidenza che l'engagement cognitivo con l'IA è plasmato dal contesto disciplinare, non solo dallo stile individuale.

• Il feedback dell'IA sostiene l'attivazione comportamentale. L'esperimento di tipo lab-in-the-field di Geschwind et al. (2026) durato un semestre ha rilevato che gli studenti che ricevevano feedback individuale di GPT-4 su compiti aperti hanno sostenuto la partecipazione più alta su otto compiti settimanali (~50% all'ultimo, vs ~30% per i gruppi con feedback del docente o dei pari) e hanno scritto ~29 caratteri in più per risposta — il feedback IA individuale ha attivato l'engagement sia sul margine estensivo (partecipazione) sia sul margine intensivo (sforzo per risposta), anche se gli studenti hanno valutato il feedback dei pari leggermente più alto.

• Predire l'uso accademico dell'IA a partire dai costrutti di apprendimento. Un framework esplorativo di machine learning ha analizzato dati di sondaggio su 166 studenti universitari per identificare i costrutti legati all'apprendimento associati all'uso accademico previsto di ChatGPT, usando l'analisi SHAP per mantenere l'interpretabilità. I risultati informano su come engagement, supporto all'apprendimento e altri costrutti plasmino l'incorporazione degli strumenti di IA nel lavoro accademico degli studenti.

• L'accesso a uno strumento di IA può abbassare l'engagement misurato, e i tassi di completamento non lo mostreranno. Liu et al. (2026) hanno randomizzato l'accesso al tutor su 13 blocchi in una grande università pubblica statunitense e hanno rilevato che la partecipazione registrata sulla piattaforma è scesa di 0,90 DS, le visualizzazioni di pagina di 0,37–0,38 DS e i giorni attivi di 0,51–0,61 DS — mentre la consegna dei compiti e la consegna puntuale non erano alterate. La dissociazione è la lezione di misurazione: un corso che monitorasse solo il completamento dei compiti non avrebbe visto nulla, perché la riduzione risiedeva nell'attività di discussione, quiz e interazione con il docente che la piattaforma registrava. Gli studenti nelle sezioni trattate hanno anche riferito di porre all'insegnante meno domande di contenuto (circa il 57% rispetto al 44%), quindi il calo coincideva con una sostituzione che si allontanava dal contatto umano anziché con un disimpegno dal corso.

• La latenza di risposta è una leva dell'engagement. In 1.137 sessioni di tutoraggio Quantitative AI, risposte più rapide si associavano a più messaggi degli studenti e a più pratica corretta (tempo mediano di risposta da 1,9 s a 31,0 s tra i modelli; latenza inferiore correlata con l'engagement a ρ di Spearman = −0,81, p = .0056), una catena che gli autori leggono come spiegazione di come modelli che ottengono risultati non notevoli sulla qualità di insegnamento raggiungano comunque guadagni a livello umano (Northcutt et al. (2026)).

• L'uso dell'IA può accompagnarsi a maggiore assenteismo in classe mentre la fiducia non lo predice. Un'indagine PLS-SEM su 291 studenti universitari portoghesi ha rilevato che l'uso generale dell'IA era associato positivamente all'assenteismo (β = 0,148, f² = 0,029) e all'autoefficacia per l'apprendimento indipendente, eppure l'autoefficacia stessa non prediceva l'assenteismo (β = −0,068, p = 0,276) — il pattern "fiducioso ma assente" dello studio. L'associazione con la frequenza era modesta e secondaria rispetto all'influenza dei pari (β = 0,510, f² = 0,326) e alla gestione del tempo (β = −0,163), e poiché il costrutto dell'uso dell'IA era unidimensionale e mescolava item orientati al supporto con item orientati alla sostituzione, lo studio non può separare l'uso complementare da quello sostitutivo né stabilire la direzione (Franco et al. (2026)).

Misurare l'engagement: il problema della scelta della metrica

L'engagement è operazionalizzato attraverso una gamma di segnali osservabili. Le metriche comportamentali misurano ciò che chi apprende fa (tempo sul compito, conteggi di attività, frequenza di interazione, persistenza); le metriche cognitive misurano come chi apprende pensa (profondità di elaborazione, engagement critico, analisi del discorso); le metriche affettive misurano come chi apprende si sente (emozione, motivazione, interesse); e le metriche contestuali colgono il multitasking e l'attenzione. La ricerca sull'IA in educazione combina sempre più spesso questi elementi e tratta l'engagement come un meccanismo mediatore tra il design dello strumento di IA e i risultati di apprendimento, anziché come un esito in sé.

• Sei famiglie di applicazioni dell'IA + misurazione multi-metodo: la revisione sistematica di Zhou (2025) di 24 studi WoS mappa sei applicazioni dell'IA per l'engagement — chatbot nella progettazione dei corsi, riconoscimento di emozione/volto/voce e eye tracking, ML per l'analisi dei dati, supporto all'interazione docente–studente, feedback e raccomandazioni personalizzati, e bot basati sull'IA in ambienti di apprendimento smart. Trova che integrare molteplici modalità e fonti di dati dell'IA fornisca una visione più accurata e in tempo reale dell'engagement cognitivo, emotivo e comportamentale rispetto agli approcci a fonte singola — rafforzando il problema della scelta della metrica sopra esposto.

La scelta della metrica è definitoria: uno studio che misura l'engagement come tempo sul compito può concludere che uno strumento di IA accresce l'engagement quando gli studenti trascorrono più tempo a interagire con esso, mentre uno studio che misura l'engagement come elaborazione critica può giungere alla conclusione opposta per lo stesso strumento. Questo è il motivo per cui la ricerca della knowledge base distingue l'engagement (partecipazione) dall'apprendimento (guadagno cognitivo effettivo) — si veda performance vs apprendimento — e per cui le metriche di engagement devono essere validate rispetto a ciò che dichiarano di misurare.

• L'engagement come segnale fragile e dipendente dalla situazione: Polished artifacts, fragile engagement e i pattern di engagement multi-istituzione rilevano che l'engagement varia per contesto, compito e studente — lo stesso strumento produce un forte engagement per alcuni studenti e un comportamento superficiale teso all'output per altri.

• Telemetria comportamentale dalle piattaforme di apprendimento: la previsione di sforzo e progresso, il Learning Engagement Assistant, la valutazione dell'engagement nell'apprendimento video e le dashboard di apprendimento traducono segnali comportamentali e fisiologici (attenzione, attività, persistenza) in metriche di engagement usate per il feedback adattivo e l'intervento del docente.

• La sensoristica fisiologica aggiunge una modalità — e un problema di baseline. E3Sense co-localizza sulla testa EEG a elettrodi secchi, occhiali di eye tracking ed elettrodi elettrodermici frontali e predice 450 valutazioni di engagement a livello di segmento su 30 partecipanti universitari su una scala ordinale a cinque livelli: AdaBoost sulla rappresentazione multimodale fusa ha raggiunto il 75,0% di accuratezza bilanciata entro-un-livello contro il 63,0% del predire sempre la valutazione più comune. La ristrettezza di quel divario è il punto — il credito entro-un-livello consegna alla baseline senza sensori la maggior parte del suo punteggio su valutazioni distorte — e chiedere agli studenti cosa significhi per loro l'engagement ha spostato la stessa misura dal 64,6% al 71,5%, evidenza che l'etichetta di autovalutazione, non solo il sensore, decide cosa tali analytics possano affermare.

• I vincoli di equità hanno bisogno di soggetti held-out per reggere. Il regolarizzatore mirato al genere di uno stimatore di attenzione multimodale ha ridotto il divario di MAE in validazione da 0,02 a 0,005 ma ha aumentato sia il divario sia l'errore del gruppo peggiore su soggetti held-out, quindi una validazione ripetuta a livello di soggetto e consapevole dei sottogruppi appartiene a qualsiasi affermazione di sensing dell'engagement (Fragkiadakis et al. (2026)).

• L'engagement come segnale per la modellizzazione di chi apprende: l'intensità dell'engagement come segnale per la modellizzazione di chi apprende usa la forza dell'engagement per informare i sistemi di IA adattivi, posizionando le metriche di engagement come input per lo Modellamento dello studente e istruzione adattiva e l'apprendimento adattivo anziché come meri output di valutazione.

Engagement vs apprendimento

Un tema centrale nella ricerca della knowledge base è che engagement e apprendimento devono essere distinti. Strumenti di IA che generano un alto engagement (tempo sul compito, volume di interazione) possono non produrre apprendimento se quell'engagement è passivo o si sostituisce al lavoro cognitivo della comprensione — si veda performance vs apprendimento. Al contrario, la lotta produttiva e le difficoltà desiderabili possono produrre apprendimento anche quando l'engagement di superficie appare più basso. L'engagement è quindi meglio trattato come un meccanismo — prezioso nella misura in cui riflette o abilita un'elaborazione cognitiva significativa — anziché come un esito terminale.

La distinzione non è accademica. Pramod e Patil (2026) collocano l'engagement al centro del loro modello PLS-SEM, tra motivazione e presenza sociale da un lato e performance percepita dall'altro — il coefficiente più grande nel loro modello, e pur sempre una percezione anziché una misura dell'apprendimento.

La pedagogia media l'effetto dell'IA sull'engagement

Una sintesi sistematica dell'IA nell'istruzione superiore (Long et al., 2026) enfatizza che il metodo di insegnamento in cui uno strumento di IA è inserito è il mediatore decisivo del fatto che esso coinvolga o meno gli studenti. Chatbot, sistemi adattivi e predictive analytics accrescono l'engagement soprattutto quando dispiegati all'interno di pedagogie interattive — flipped classroom, apprendimento basato su progetti e cicli di feedback con scaffolding — anziché come strumenti autonomi. La revisione formalizza questo come il modello PMAISE (Pedagogical Mediation of AI for Student Engagement), mappando l'allineamento tra le tecnologie dell'IA, le strategie pedagogiche e le dimensioni affettiva, comportamentale e cognitiva dell'engagement. L'implicazione è che gli esiti di engagement sono co-prodotti dallo strumento e dalla progettazione didattica circostante: la stessa IA può amplificare l'engagement in una pedagogia e inibirlo in un'altra.

Collegamenti ai concetti correlati

L'engagement degli studenti si collega alla motivazione e alla teoria dell'autodeterminazione come suoi motori psicologici, e alla esperienza studentesca come contesto vissuto. La sua misurazione si basa sulla learning analytics e sulla misurazione educativa, che forniscono gli strumenti quantitativi per operazionalizzare le dimensioni sopra esposte. La distinzione tra engagement profondo e superficiale si lega direttamente all'apprendimento autoregolato (chi apprende in modo autoregolato si impegna strategicamente), al cognitive offloading e all'Over-Reliance (la fiducia superficiale come modalità di fallimento), e alla metacognizione. Nella progettazione di sistemi, i segnali di engagement alimentano lo Modellamento dello studente e istruzione adattiva e l'apprendimento adattivo, e gli esiti di engagement compaiono nelle valutazioni metodologiche degli interventi di IA in educazione.

• Le caratteristiche di chi apprende moderano le lezioni basate su dialogo TTS (2026): Nelle lezioni di dialogo insegnante–studente, studente–studente e insegnante–insegnante generate con LLM+TTS, lo stile di apprendimento esperienziale e la disposizione al pensiero critico interagivano significativamente con il formato del dialogo per la motivazione basata su ARCS, indicando che il contenuto di dialogo generato dall'IA è diversamente motivante a seconda del profilo di chi apprende (Interaction Effects Between Learner Characteristics and Dialogue Format in TTS Dialogue-Based Lessons).

• Guadagni specifici per dimensione a livello primario (2026): Un programma di scrittura in L2 supportato dalla GenAI della durata di nove settimane con 301 studenti di classe 5 e 6 ha aumentato l'engagement comportamentale ed emotivo ma ha lasciato invariato quello cognitivo e metacognitivo, e i suoi autori individuano il ridotto automonitoraggio durante la scrittura come un rischio permanente (Lu et al., 2026). Il pattern è un'istanza concreta della distinzione engagement-vs-apprendimento sopra esposta: più attività e più piacere non si sono tradotti in un'elaborazione più profonda.

• La dissociazione può andare nell'altra direzione (2026): In un corso professionale di interior design di 12 settimane, uno studio VR immersivo con un assistente didattico LLM integrato ha aumentato l'engagement cognitivo (d = 0,90) e comportamentale (d = 0,75) rispetto all'istruzione tradizionale basata su progetti mentre l'engagement affettivo non differiva significativamente (d = 0,38) — l'inverso del caso della scrittura in L2 sopra riportato (Jin et al., 2026). I guadagni cognitivi e comportamentali qui si accompagnavano a un carico cognitivo riportato inferiore, che gli autori attribuiscono all'assistente che assorbe lo sforzo di ricerca e di integrazione interdisciplinare. Letti contro il caso della scrittura, i due studi suggeriscono che quale dimensione di engagement un intervento supportato dall'IA muove è una proprietà del design — collaborazione immersiva ricca di discorso vs supporto alla scrittura in solitaria — anziché dell'assistenza dell'IA in generale, e che un vantaggio affettivo non può essere assunto da un feedback ad alta fedeltà o intelligente.

• L'alfabetizzazione nell'IA agisce sull'engagement attraverso le risorse psicologiche (2026): Uno studio di mediazione moderata su 1.198 studenti universitari a Zhengzhou, Cina (Wang, 2026) ha modellato l'engagement come un esito dell'alfabetizzazione nell'IA anziché come un sottoprodotto dell'uso dello strumento. L'alfabetizzazione nell'IA prediceva l'engagement di apprendimento direttamente e anche indirettamente costruendo capitale psicologico, con la via indiretta a portare circa la metà dell'effetto totale — mediazione parziale, quindi una competenza tecnologica si converte in engagement solo in parte attraverso le risorse psicologiche che genera. L'impegno professionale, una variabile basata sull'identità, moderava il legame capitale-psicologico–engagement senza alcun effetto diretto proprio, e la traduzione del capitale psicologico in engagement era marcatamente più forte per gli studenti che si vedevano diretti verso la professione. Il pattern è l'istanza più chiara disponibile del punto sopra esposto che le caratteristiche di chi apprende condizionano come l'IA influisce sull'engagement.

• La pratica con l'IA prima della lezione può aumentare la partecipazione dal vivo (2026): Un esperimento sul campo preregistrato con 759 studenti MBA ha rilevato che prepararsi con un compagno di discussione vocale basato sull'IA aumentava i contributi volontari di circa il 31% nelle sessioni successive, ma solo dopo un secondo uso; un primo uso era preceduto da una partecipazione più bassa (Wang et al., 2026)).

• Il disimpegno come mossa a livello di turno, non come stato stabile: Rho et al. (2026) hanno codificato 5.522 enunciati di studenti rivolti a un agente insegnabile basato sull'IA in Math Nation in sei categorie di disimpegno conversazionale (False Answering, Mocking, Ghosting, Mirroring, Withholding, Random/Noisy) e hanno rilevato che il tasso di engagement dominava al 75,7% degli enunciati. Le associazioni basate sulla prevalenza di False Answering e Mocking con i punteggi al post-test non sopravvivevano a una verifica di sensibilità con annotazione umana. L'analisi sequenziale è il risultato rilevante per l'engagement: il cluster con le prestazioni più alte combinava un disimpegno moderato con forti transizioni di recupero verso l'engagement (Withholding → Engagement p = 0,83), mentre il più basso mostrava auto-loop persistenti senza recupero (Engagement auto-loop p = 0,96). Il Withholding era l'unico tipo di disimpegno che tendeva a persistere anziché risolversi — persistenza vs riparazione, non presenza vs assenza, è la distinzione che separa le traiettorie di engagement.

Concetti collegati

• Studenti — Learners: l'ombrello per i concetti relativi a chi apprende
• Partnership pedagogiche — Pedagogical Partnerships
• Comunità di indagine — Community of Inquiry (engagement agentico come dimensione del CoI)
• E-portfolio (portafoglio elettronico)
• Didattica e apprendimento online — Online Teaching and Learning
• Motivazione
• Teoria dell'autodeterminazione
• Esperienza dello studente
• Analitiche dell'apprendimento
• Misurazione Educativa
• Apprendimento autoregolato
• Offloading cognitivo
• Metacognizione
• Modellamento dello studente e istruzione adattiva
• Apprendimento adattivo
• Metodi di ricerca nell'AIED
• Istruzione superiore
• Inquadrare l'uso dell'IA per gli studenti
• Portatori di interesse — Ombrello: persone e pubblici nell'IA in educazione (studenti, insegnanti, progettisti, amministratori, decisori politici)
• Misure di autodichiarazione
• Fallimento produttivo

Articoli collegati

• Disengaged Conversational Behaviors and Learning in Student-AI Dialogues for Mathematical Problem Solving — Disengaged conversational behaviors and learning in student-AI dialogues (Rho et al. 2026)

• How assigned AI use before class shapes active student engagement in class — Voice-based AI pre-class practice raised voluntary class contributions by ~31%, but only after a second use (Wang et al. 2026)

• Confident but absent: AI use, self-efficacy for independent learning, and student absenteeism in higher education — AI use tracked with greater class absenteeism while self-efficacy did not predict it, with peer influence the dominant correlate (Franco et al. 2026)

• When universities advocate GAI but practice falls short: student appraisals and creative process engagement in art education — When universities advocate GAI but practice falls short: student appraisals and creative process engagement in art education

• E3Sense: Head-Confined Multimodal Sensing of Learner Engagement — Head-confined EEG, eye tracking, and EDA predict five-level engagement ratings, while learners' own definitions shift the mapping (Anupkrishnan et al. 2026)

• Fairness-Aware Multimodal Transformer Modeling for Real-Time Student Attention Estimation — Fairness-Aware Multimodal Transformer Modeling for Real-Time Student Attention Estimation

• Artificial Intelligence and Student Engagement in Online Learning: A Literature Review

• Artificial intelligence in higher education: a systematic review of its impact on student engagement and the mediating role of teaching methods — AI in higher ed: systematic review of engagement + mediating role of teaching methods

• Examining the Impact of Generative AI on Student Motivation and Engagement: The Mediating Role of Autonomy-Support and Autonomous Motivation in Education — Impact of Generative AI on Student Motivation and Engagement

• To Tab or Not to Tab: Measuring Critical Engagement in AI Code Completion Tools Using Behavioral Signals and Attention Checks — To Tab or Not to Tab: Measuring Critical Engagement in AI Code Completion

• Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents — Measuring Cognitive Engagement in Collaborative Discourse

• Not All Students Engage Alike: Multi-Institution Patterns in GenAI Tutor Use — Not All Students Engage Alike: Multi-Institution Patterns

• "Polished Artifacts, Fragile Engagement? Tackling the Challenge of Reduced Epistemic Effort in Human-AI Knowledge Construction" — Polished Artifacts, Fragile Engagement

• Why Put in This Much Effort?": How AI Availability Shapes Students’ Motivation in Introductory Programming — "Why Put in This Much Effort?": How AI Availability Shapes Motivation

• Distinguishing performance gains from learning when using generative AI — Distinguishing Performance Gains From Learning

• Scaffolding critical engagement with GenAI: Transforming ethnic minority preparatory students' collaborative discourse — Scaffolding Critical Engagement With GenAI

• Engagement Intensity as a Learner-Modeling Signal for Adaptive AI Ethics Instruction — Engagement Intensity as a Learner-Modeling Signal

• Learning Engagement Assistant (LEA): Cross-Course Scalability and Classroom Evaluation of an Agentic AI Tutoring System — Learning Engagement Assistant

• EduGage: Methods and Dataset for Sensor-Based Momentary Assessment of Engagement in Self-Guided Video Learning — Engagement Assessment in Video Learning

• From Heuristics to Analytics: Forecasting Effort and Progress in Online Learning — From Heuristics to Analytics: Forecasting Effort and Progress

• Interactive learning dashboards: rethinking learning visualisations as engagement tools — Interactive Learning Dashboards and Engagement

• Interaction Effects Between Learner Characteristics and Dialogue Format in TTS Dialogue-Based Lessons — Learner characteristics × TTS dialogue-format interactions

• Explaining learning engagement in AI-assisted learning through teacher support and achievement goals: insights from goal-setting theory — Goal-setting theory: teacher support, achievement goals, and engagement in AI-assisted English learning (758 Chinese students)

• Engagement in LLM Chatbot-Supported Learning: The Pivotal Roles of GenAI Competency and Emotion — GenAI competency and emotion as drivers of chatbot engagement (Zhao et al. 2026)

• Chat as Learning: Student-AI Conversations as Discipline-Associated Cognitive Engagement Patterns — Discipline-associated Bloom-level cognitive engagement in student-AI conversations (Chang & Li 2026)

• GPT-4 feedback increases student activation and learning outcomes in higher education

• Exploring the impact of a GenAI-supported writing program on primary students' writing motivation, engagement — Dimension-specific engagement gains at the primary level (Lu et al. 2026)

• Cultivating Design Creativity of Vocational Students: A Model of Project-Based Learning in AI-Enabled Immersive Virtual Environments — Cognitive and behavioral engagement up, affective engagement flat, in an immersive VR PBL studio (Jin et al. 2026)

• Enhancing enthusiasm for STEM education with AI: Domain-specific chatbot as personalized learning assistant — Cluster-randomized secondary mathematics trial: situational interest rose with a customized chatbot while test performance did not (Rücker & Becker-Genschow 2025)

• The impact of artificial intelligence literacy on learning engagement among university students: the mediating role of psychological capital and the moderating role of professional identity — AI literacy drives engagement directly and through psychological capital, amplified by professional commitment (Wang 2026)

• StudentBench: AI and human tutoring yield equivalent GRE learning gains — StudentBench: AI and human tutoring yield equivalent GRE learning gains

• The Effects of Course-Integrated AI Tutoring on Student Performance and Engagement: A Randomized University Trial — Access to an AI tutor lowered recorded platform participation by 0.90 SDs while homework submission held steady (Liu et al. 2026)