Aggiornamento settimanale sulla ricerca in IA ed educazione #37 novembre 2026

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

Un briefing settimanale dalla Base di conoscenza sull'IA in educazione, su cosa significa la ricerca pubblicata nell'ultima settimana per docenti, sviluppatori, ricercatori e amministratori.

Dall'ultimo numero sono entrati nella base di conoscenza 159 nuovi studi, otto nuove pagine di concetti, due nuove FAQ e tre nuove risorse, che ora contiene 2.085 riassunti di articoli, 230 pagine di concetti, 44 FAQ e 40 risorse. Cerchi o usi l'IA per dialogare con la base di conoscenza.

Sommario

• Principali risultati e domande
• Nuove FAQ
• Nuovi concetti
• Nuove risorse
• Per i docenti
• Per gli sviluppatori
• Per i ricercatori
• Per gli amministratori
• Altro aggiunto questa settimana
• Note sul sito
• Segui l'aggiornamento

Principali risultati e domande

• Il feedback dell'IA può sostituire quello di un docente? Il feedback generato dall'IA e quello del docente hanno migliorato allo stesso modo le revisioni dei saggi in uno studio randomizzato con 312 studenti del primo anno. Il feedback del docente ha alzato di più la motivazione perché gli studenti si sentivano legati alla persona che lo dava. L'IA può portare un passaggio di revisione; il docente porta ancora la relazione.
• Un chatbot di sostegno può sostituire un pari? Un chatbot di sostegno ha avuto lo stesso effetto della scrittura di un diario nel ridurre la solitudine in uno studio randomizzato con 296 studenti del primo anno; un pari assegnato a caso l'ha ridotta. Il bot esprimeva più empatia mentre gli studenti ne restituivano meno, quindi misuri la solitudine stessa.
• Un breve modulo di etica cambia il giudizio sull'IA? Un modulo di etica dell'informazione di quattro settimane ha alzato i punteggi degli studenti negli scenari di giudizio etico legati all'IA in uno studio che ha randomizzato 16 classi. Circa il 60% del guadagno si è mantenuto quattro settimane dopo, e gli utenti più intensi dell'IA hanno guadagnato di più. L'insegnamento basato sui casi mostra potenziale.
• Più assistenza dell'IA migliora il lavoro creativo? Quattro esperimenti randomizzati con 728 adulti hanno rilevato che, quando l'IA faceva più del lavoro, i valutatori giudicavano le proposte di innovazione risultanti meno buone, soprattutto perché i partecipanti facevano meno del lavoro cognitivo. Più assistenza corrispondeva a un lavoro più debole.
• Un gioco scritto dall'IA può insegnare meglio di una lezione? Un gioco di ruolo investigativo ha battuto la lezione dello stesso docente su conoscenza e ragionamento giuridico in uno studio randomizzato con 84 studenti di giurisprudenza. Il gioco era costruito con IA generativa; il confronto era gioco contro lezione, quindi il risultato sostiene l'apprendimento basato sul gioco e lascia non testato l'uso del chatbot.
• I rapporti sulle prestazioni degli studenti cambiano l'insegnamento? I docenti nuovi a un sistema di tutoraggio online di matematica sono stati sollecitati a caso ad aprire un rapporto di learning analytics sulle prestazioni dei loro studenti nel primo compito. Aprirlo non ha cambiato né la quota che iniziava il compito successivo né i guadagni nei punteggi dei test degli studenti, anche se il completamento del compito successivo è salito, soprattutto nelle classi più piccole.
• Eguagliare i valutatori umani rende sicuro un valutatore IA? Un audit di sei modelli IA che valutavano 300 risposte brevi ha rilevato che tutti davano un voto più alto allo stesso lavoro quando veniva detto loro che lo studente era ad alto rendimento, da 0,28 a 0,75 punti su una scala da dieci. La concordanza può nascondere una distorsione legata al precedente rendimento dello studente; ometta il fascicolo.
• Perché il linguaggio generato dall'IA è così difficile da capire? Il testo dell'IA abusa di combinazioni rare di parole, verbi denominali, soggetti inanimati, relative oggetto ridotte, nomi impilati e dipendenze lunghe, perché il post-addestramento per matematica, codice e ragionamento premia risposte compresse invece di spiegazioni chiare. L'implicazione per l'educazione è che spiegazioni, feedback e materiali di lettura scritti dall'IA possono essere più difficili da elaborare per gli studenti anche quando i punteggi di leggibilità sembrano buoni, un problema per la didattica della lettura che le formule non colgono. [Nota editoriale: come promemoria, questa newsletter e la Base di conoscenza sull'IA in educazione sono generate dall'IA. Lo sviluppatore del sito ha fornito un'ampia guida editoriale per migliorare leggibilità e utilità; dopo quella guida, l'agente IA ha applicato la skill Humanizer e ha seguito un'istruzione esplicita di scrivere in forma affermativa ed evitare la costruzione «non X, ma Y».]

Nuove FAQ

Due nuove risposte si sono aggiunte alle FAQ questa settimana.

Come può l'IA aiutare gli studenti con la lettura e la comprensione del testo?

La risposta sulla lettura tratta le etichette di livello di lettura come stime approssimative: le valutazioni di pochi lettori reali battono una formula, e un'IA a cui si chiede di fingere di essere uno studente non può dire quanto sarà difficile un testo. Usi l'IA per trovare, semplificare e glossare le letture, poi provi il risultato con gli studenti e tenga l'originale accanto.

Come si manifestano i pregiudizi e l'ingiustizia dell'IA in educazione, e cosa possiamo fare?

La risposta sui pregiudizi chiede tassi di errore per i gruppi che Lei insegna, poiché una media può nascondere un divario e il fallimento può stare nella valutazione, nel tutoraggio, nei cruscotti o nel rilevamento. Inserisca la rendicontazione per gruppo e una via di ricorso nel processo di acquisto, e corregga la pipeline stessa.

Nuovi concetti

Otto pagine di concetti si sono aggiunte alla base di conoscenza questa settimana.

Didattica della lettura

La didattica della lettura ha ora una pagina che separa quattro cose che spesso condividono un'unica etichetta: aiutare un lettore, valutare la lettura, adattare un testo e misurarne la difficoltà. Cita uno studio in cui 193 studenti hanno valutato 3.954 frasi; il 72,8% le ha sentite facili o molto facili anche quando i punteggi Flesch dicevano altro, quindi un'etichetta di livello scolastico è una guida debole a come un particolare lettore vivrà un testo.

Riflessione

La riflessione ha una nuova pagina che la separa dal monitoraggio nel momento chiamato metacognizione. La prima domanda di progettazione è se la riflessione l'abbia scritta lo studente. In un esperimento con 302 adulti, i prompt di riflessione hanno raddoppiato il tempo con il feedback e ridotto la pratica del 40%, lasciando una padronanza inferiore, 65% contro 79%, quindi il tempismo conta quanto il prompt stesso.

Bias di automazione

Il bias di automazione nomina l'abitudine umana che può trasformare una raccomandazione IA corretta in una decisione sbagliata: accettare una risposta che avrebbe messo in dubbio se ci fosse arrivato da solo. Raccoglie i luoghi in cui questo accade in educazione, dai punteggi dei saggi agli avvisi precoci fino alla sorveglianza degli esami, e mostra come un passaggio di revisione che esiste solo sulla carta non riesca a intercettarlo.

Educazione civica e politica

L'educazione civica e politica mappa un vuoto nelle prove e sintetizza il campo. Un'analisi di 310 piani di lezione generati dall'IA ha rilevato che il 90% delle attività richiedeva solo richiamo, comprensione o applicazione di base; il 94% non aveva quasi contenuti multiculturali; e nessuno studio del corpus misurava affatto l'apprendimento civico.

Biblioteche

Le biblioteche trattano la biblioteca come luogo, servizio e gruppo di professionisti. Una revisione di 29 studi trova l'adozione concentrata nel reference e nella catalogazione, mentre il progetto pilota Public AI Libraries fa dell'accesso condiviso e assistito da personale l'argomento di equità.

Avatar IA e insegnanti sintetici

Gli avatar IA mappano i ruoli che un essere umano sintetico può occupare, dal docente registrato al tutor fino al paziente simulato e all'esaminatore. Le prove sono disomogenee, e un volto realistico dice poco sull'apprendimento; trasparenza e fiducia contano quanto il modello.

Analisi di sensori e sguardo

L'analisi di sensori e sguardo copre eye tracking, segnali cerebrali e cardiaci e postura ripresa da telecamera come modi per inferire attenzione e coinvolgimento e carico cognitivo. Il campo è più bravo a osservare gli studenti che a cambiare l'insegnamento, e la pagina tratta privacy, pregiudizi e il divario tra un segnale corporeo e uno stato mentale come questioni centrali.

Alfabetizzazione all'informazione e ai media

L'alfabetizzazione all'informazione e ai media tratta le due come un unico problema didattico: l'alfabetizzazione all'informazione chiede se una fonte meriti fiducia, mentre quella ai media chiede chi ha prodotto un messaggio e perché. L'IA generativa fa crollare entrambe le domande perché un testo fluente nasconde la propria origine; la pagina trova poche prove su un curriculum combinato.

Nuove risorse

Tre risorse si sono aggiunte alla libreria di risorse questa settimana.

LearnHarness

LearnHarness è un'app desktop gratuita e open source in cui agenti IA stabiliscono che cosa un discente sa già, mappano le idee necessarie per raggiungere un obiettivo, insegnano un passaggio di ragionamento alla volta e adattano la pratica.

Learning Commons

Learning Commons pubblica blocchi di costruzione aperti per prodotti di curriculum: una mappa di standard e curricoli, strumenti per valutare il testo generato e flussi di lavoro IA pronti per i docenti.

Public AI Libraries

Public AI Libraries è un progetto pilota che colloca una postazione IA condivisa nelle biblioteche pubbliche statunitensi, con chat, generazione di immagini e video, uno spazio di lavoro per il codice, una guida educativa e un account privato per ogni utente.

Per i docenti

Il feedback dell'IA eguaglia un docente sulle revisioni mentre la motivazione resta indietro

L'IA e il feedback del docente hanno migliorato gli stessi saggi di circa la stessa misura in uno studio randomizzato con 312 studenti. Il feedback del docente ha fatto di più per la motivazione perché lo studente si sentiva legato alla persona che lo dava.

Tenga una voce umana intorno al feedback. Abbini il commento generato a una breve risposta del docente, oppure usi l'IA per il primo passaggio e il docente per la conversazione sul lavoro.

Vedi anche: Feedback IA su larga scala

Un saggio su cinque è stato scritto interamente dal chatbot

Uno studio su 77 studenti universitari di un corso di scrittura ha registrato ogni prompt, ogni risposta e ogni testo incollato. Quindici, cioè uno su cinque, hanno consegnato saggi scritti dal chatbot, e la maggior parte riteneva ancora che il saggio fosse proprio.

Chieda il lavoro intermedio: i prompt, le revisioni e una breve nota su cosa è cambiato e perché. Renda visibile il passaggio di consegne mentre c'è ancora tempo per insegnare.

Vedi anche: Ridisegnare la valutazione per l'era dell'IA

Gli studenti delle superiori usano l'IA quasi universalmente, e chi ha risultati più bassi la usa di più

Uno studio di un anno su 4.062 studenti tedeschi delle superiori ha rilevato un uso dell'IA quasi universale: il 95% la usava, e chi aveva risultati più bassi la usava di più per finire i compiti. Quel modello prediceva meno impegno in seguito.

Ciò rende la presentazione dell'uso dell'IA e l'apprendimento autoregolato parte del curriculum, da rivedere durante l'anno. Chieda agli studenti a cosa serve lo strumento in questo compito, e dia agli studenti con risultati più bassi un percorso assistito che inizi dalla comprensione del lavoro.

Vedi anche: Ridurre la dipendenza eccessiva dall'IA

Un chatbot di sostegno ha eguagliato il diario mentre un pari ha ridotto la solitudine

In uno studio randomizzato di due settimane con 296 studenti del primo anno, un chatbot di sostegno ha avuto lo stesso effetto della scrittura di un diario nel ridurre la solitudine, mentre un pari assegnato a caso l'ha ridotta. Il bot mostrava più empatia mentre gli studenti ne restituivano meno.

Un bot può servire come primo contatto utile mentre un pari o un consulente resta disponibile. Costruisca quel percorso umano in qualsiasi servizio di sostegno agli studenti che raccomanda, e misuri la solitudine stessa.

Vedi anche: IA, ansia e benessere

Tratti una simulazione IA come una prova supervisionata

Una revisione di 14 studi ha rilevato che gli studenti di infermieristica apprezzavano la simulazione IA ripetibile e a bassa pressione e riportavano più fiducia, soprattutto nella comunicazione e nel ragionamento clinico. Realismo, linguaggio del corpo e ritardo di risposta restavano deboli.

Informi gli studenti dei limiti, chieda loro di verificare i contenuti generati e faccia un debriefing dopo. Mantenga l'interazione umana dove la comunicazione non verbale o l'empatia prolungata è il punto dell'esercizio.

Vedi anche: Formazione infermieristica

Il codice dei progetti finali è triplicato mentre i commenti sono rimasti stabili

Dieci semestri di 260 progetti finali in didattica dell'informatica mostrano il codice mediano salito da circa 3.400 righe a 10.000, mentre i commenti sono rimasti intorno all'8%. Il numero di commit è cresciuto; i singoli commit sono cambiati appena.

Valuti le decisioni di progettazione, la spiegazione del codice e la capacità dello studente di modificarlo. L'artefatto può ora crescere più in fretta dell'apprendimento che dovrebbe mostrare.

Vedi anche: Ridisegnare la valutazione per l'era dell'IA

Per gli sviluppatori

Senza la figura, un tutor IA dovrebbe rifiutare

Sei modelli IA capaci di immagini hanno affrontato 376 item di matematica della scuola media le cui figure portavano informazioni chiave. Con la figura, il migliore ne risolveva poco più della metà; senza, rifiutavano quasi ogni volta.

Tratti un rifiuto come un segnale di contesto mancante. Un punteggio o un aggiornamento del profilo prodotto senza la figura misura un compito diverso.

Vedi anche: Didattica della matematica

Un tutor di scrittura che pone domande e lascia la scrittura agli studenti

MAIKE pone domande e diagnostica gli argomenti lasciando allo studente il testo del saggio. Tra 65 studenti delle superiori, il miglioramento ha eguagliato quello di un chatbot di controllo, dal 40% al 41%, e gli utenti di MAIKE hanno dedicato più turni alle idee; nessuno è peggiorato.

Misuri se un'idea discussa nella chat diventa una revisione. Uno strumento di didattica della scrittura che migliora solo il testo finale può aggirare il ragionamento che il compito esiste per costruire.

Vedi anche: Insegnare la scrittura con l'IA

Ingrandisca ed evidenzi la diapositiva mentre scorre la narrazione

GuideSlide narra una presentazione e usa la visualizzazione per ingrandire la parte di cui si sta parlando. In uno studio su 24 persone che guardavano sul telefono, il carico di lavoro è calato, la comprensione è salita da 5,5 a 6,5 su 9 e 21 persone su 22 lo hanno preferito.

Il vantaggio un giorno dopo non era statisticamente significativo, quindi lo studio sostiene l'attenzione durante la visione; l'apprendimento durevole resta non testato. Costruisca il segnale direttamente nella narrazione.

Vedi anche: Progettare l'IA nell'apprendimento

Un rilevatore fine-tuned può de-identificare il testo degli studenti senza la distorsione sui nomi

Cinque strumenti sono stati testati su 13.613 file di testo di studenti. Un GPT-4o-mini fine-tuned ha trovato circa il 96% dei dettagli identificativi a circa un sesto del prezzo per token di Azure; gli strumenti Microsoft mancavano più spesso i nomi africani e asiatici.

L'addestramento su dieci trascrizioni ha funzionato su un nuovo insieme, quindi l'approccio viaggia. Metta in bilancio il secondo controllo quando la precisione conta, e riporti i gruppi che il Suo strumento manca.

Vedi anche: Politica istituzionale sull'IA

L'analisi video ha raggiunto una concordanza a livello umano, con una persona ancora nel ciclo

GAIVA trascrive, etichetta e interpreta video di aula per il learning analytics. Su cinque registrazioni, le sue etichette concordavano con i revisori umani quasi quanto due revisori tra loro, e ha fatto emergere un tipo di partecipazione che la teoria originale non nominava.

Tratti il modello come un partner di codifica con un prompt tracciabile e una decisione umana in ogni fase. Il modello fa anche emergere schemi che un revisore umano potrebbe non aver cercato.

Vedi anche: Ricerca educativa assistita dall'IA

Per i ricercatori

Un grande effetto medio può comunque significare nessun beneficio affidabile

Una revisione di quattro studi controllati con 420 studenti di informatica e ingegneria ha trovato un grande miglioramento medio, mentre gli studi erano in forte disaccordo e l'intervallo probabile includeva nessun beneficio. Le prove sono state giudicate molto incerte.

Tratti un grande effetto medio da quattro studi dissimili come un'ipotesi sul Suo corso. Faccia uno studio pilota sull'apprendimento personalizzato dove verrà applicato, e dica chiaramente quanto siano incerte le prove.

Vedi anche: Che cosa significa apprendimento personalizzato

Un valutatore IA che conosce il fascicolo del discente valuta lo stesso lavoro in modo diverso

Sei modelli IA hanno valutato le stesse 300 risposte brevi con una nota vera e una scambiata sul rendimento precedente. Ogni modello ha dato un voto più alto allo stesso lavoro con l'etichetta alta, da 0,28 a 0,75 punti su una scala da dieci.

Il contesto dello studente qui agisce come una distorsione. Riporti l'effetto del contesto accanto alla cifra di concordanza, e testi la valutazione senza il fascicolo dello studente prima di definire un modello affidabile.

Vedi anche: Equità e affidabilità della valutazione IA

Un tutor dall'aria equa può nascondere un divario di competenza del 26%

Due anni di log di 8.549 studenti che usavano MATHia, un tutor adattivo di matematica, hanno mostrato che gli studenti ancora impegnati a imparare a leggere padroneggiavano le competenze al 68,7% contro il 77,6%, mentre la misura complessiva di equità sembrava quasi neutra. Una competenza nascondeva un divario del 26% nella padronanza prevista.

Il tutor non aveva una componente di competenza di lettura, quindi la didattica della lettura era un fattore mancante in un sistema di matematica. Modelli la competenza e riporti i divari al livello in cui un docente interverrebbe.

Vedi anche: Pregiudizi e equità dell'IA in educazione

I falsi positivi del rilevamento sono un problema di governance

Una revisione di 90 studi ha rilevato che i rilevatori IA segnalano la scrittura legittima a tassi che non possono essere aggregati, perché strumenti, soglie, dataset e lingue differiscono. Abstract, rassegne della letteratura, risposte d'esame, testi tradotti e prosa revisionata continuavano a essere segnalati.

Il rimedio è procedurale: uso trasparente, revisione umana, alfabetizzazione all'IA, una politica istituzionale esplicita e una via di ricorso. Tutto ciò appartiene alla governance, con le impostazioni dei rilevatori come una parte.

Vedi anche: Dovremmo usare i rilevatori di IA?

Eguagliare i valutatori umani può comunque mancare il lavoro

Ventidue modelli IA hanno valutato 100 item per compito tra risposte brevi, codice e saggi. La maggior parte eguagliava gli umani sulle risposte brevi, quattro li eguagliavano o superavano sul codice, e nessuno ha raggiunto il livello umano sui saggi.

Un'elevata cifra di concordanza può convivere con un valutatore IA che valuta la nota e manca la risposta. Aggiunga risposte alterate alla valutazione e riporti dove il modello si discosta dal lavoro.

Vedi anche: Equità e affidabilità della valutazione IA

Per gli amministratori

Le prove sull'edtech per i neurodivergenti sono concentrate e guidate dai ricercatori

Una revisione di 93 studi ha rilevato che l'autismo dominava le prove sull'edtech per i discenti neurodivergenti con il 39,8%, davanti alla disabilità intellettiva, all'ADHD e alla dislessia. La realtà estesa (VR e AR) era la più studiata; gli esiti sociali e tra pari ricevevano meno attenzione, e i bambini avevano poco da dire.

Chieda l'esito che interessa all'aula e i discenti inclusi nella valutazione. Un'affermazione validata solo dai ricercatori può allontanarsi dalle persone che dovrebbe servire.

Vedi anche: IA per studenti con disabilità e neurodivergenti

Gli studenti volevano un assistente istituzionale per il feedback

Un programma di co-progettazione di 13 mesi con 315 studenti e 20 membri del personale ha rilevato che il 73% apprezzava un feedback disponibile a ogni ora e legato ai propri studi. Flashcard e quiz attiravano commenti più positivi della chat aperta, e 16 dei 18 beta tester volevano l'assistente.

Il 10-15% che si è opposto per ragioni di valore rappresenta il rischio di adozione. Tratti le loro preoccupazioni come sostanziali. Spieghi come vengono trattati i dati degli studenti e che cosa l'assistente non può fare prima del progetto pilota, e dia agli studenti una via per rinunciarvi.

Vedi anche: Progettare l'IA nell'apprendimento

La sorveglianza intercetta gli imbrogli e sposta il costo sui meno avvantaggiati

Una revisione di 32 studi ha rilevato che la sorveglianza IA intercetta la sostituzione di persona e gli imbrogli, mentre falsi positivi, guasti di illuminazione e banda, ansia e danni alla privacy ricadono più duramente sui meno avvantaggiati. La sorveglianza automatizzata era il 59% degli studi.

I revisori raccomandano la valutazione alternativa e una combinazione di monitoraggio umano e automatizzato. Riduca l'esame online ad alta posta in gioco prima di aggiungere un altro rilevatore.

Vedi anche: Politica istituzionale sull'IA

Un rapporto su cruscotto ha alzato il completamento mentre i punteggi dei test restavano stabili

I docenti nuovi a un tutor online di matematica sono stati sollecitati a caso ad aprire un rapporto di learning analytics sulle prestazioni degli studenti nel primo compito. Non ha cambiato né la quota che iniziava il compito successivo né i guadagni nei punteggi dei test degli studenti, anche se il completamento è salito nelle classi più piccole.

Verifichi se i docenti aprono il rapporto, agiscono su di esso e vedono un guadagno di apprendimento prima di acquistare analytics; un aumento del completamento da solo non basta.

Vedi anche: Verificare se l'IA educativa funziona

Quasi nessuna istituzione sa dire chi possiede la gestione dell'IA

Un sondaggio su 387 studenti e membri del personale in 13 paesi ha rilevato che solo il 17% conosceva un ruolo designato di governance dell'IA. Del resto, il 71% riteneva che un tale ruolo fosse necessario e il 76% si aspettava che migliorasse la propria esperienza.

Gli intervistati descrivevano un ruolo con un mandato; un comitato senza mandato lascia quel ruolo vacante. Dia al proprietario autorità su formazione, sicurezza dei dati, revisione etica e strategia, e pubblichi chi lo ricopre.

Vedi anche: Politica istituzionale sull'IA

Altro aggiunto questa settimana

• Assessment of teacher performance and learner behavior using artificial intelligence in higher education: an integrative review of literature
• Process visualization feedback in news translation: a controlled intervention study of human-AI interaction using multimodal process data
• A teamwork framework for preventing breaches of academic integrity and improving students' collaborative skills in the AI era
• Artificial intelligence in higher education and graduate employability: cognitive engagement, self-efficacy, and career adaptability in the AI era
• Uneven automation: comparing authorship anxiety and generative AI use among art and design undergraduate students
• University students’ overreliance on generative AI feedback in the learning process: the effects of perceived cognitive load, cognitive offloading, and metacognitive monitoring
• What Do They Think? Undergraduate Perceptions of Student-AI Use
• Ability of AI detection tools and humans to accurately identify different forms of AI-generated written content
• AI and I-Distributed authorships in the Swedish upper secondary writing classroom
• Beyond Response Scoring: An AI-aware Cognitive Supervision Framework for Automated Mathematical Short Answer Grading
• Data and AI Literacy in Geography Education: A Needs Assessment of Pre-Service Geography Teachers
• Declared, Not Detected: A Blockchain-Anchored, Agentic Framework for Academic Integrity in the Generative AI Era
• Developing Feedback Taxonomy for Math: A Synergy of Perspectives through Data Mining Methods
• Digital borders, algorithmic governance and civic digital literacy: examining the educational implications of AI-driven immigration management in post-apartheid South Africa
• Examining AI interaction profiles in generative AI supported fraction division problem posing
• I'm Sorry, Dave. I'm Afraid This Feedback is not Constructive: Human Perspectives Versus ChatGPT Evaluations of Feedback in an Era of Artificial Intelligence
• Making argumentative work visible in GenAI-mediated assessment: An exploratory LLM simulation and questionnaire study in university ideological and political education
• Owning what one did not make: psychological ownership, agency, and the authorship legitimation deficit in human-AI co-creation
• Preliminary evaluation of an AI-powered chatbot for academic integrity support in higher education
• Automating Self-Affirmation Essay Coding: Fine-Tuned BERT Performance Comparable to Human Coders and Comparison with GPT-4
• Mapping moral reasoning research among college students: a bibliometric analysis of traditional foundations and emerging digital ethics
• The longitudinal relationships among AI-assisted music classroom engagement, flow experience, and musical emotional intelligence: a parallel-process latent growth modeling study
• A Comparative Study of Knowledge Component Granularity in Intelligent Language Tutoring Systems
• Effects of generative AI assisted grammar instruction on Ethiopian EFL learners' self-efficacy, metalinguistic awareness, and writing performance
• Mapping the Integration of AI Literacy Into Information Literacy Instruction in Academic Libraries: A Systematic Review of Emerging Research
• AI in mathematics classrooms: A synergistic strategy for diversity and inclusivity
• Artificial intelligence in embodied learning: A systematic literature review
• Dear Gemini: Agency, Peer Review, and Critical AI Literacies in Student Writing Ecologies
• From design to classroom adoption: Teachers' perspectives on AI-powered writing analytics in resource-constrained contexts
• How does generative AI support inquiry-based learning? A systematic review
• Scaffolding Autonomy: AI-Augmented Self-Paced Learning Environments for Sustainable Learning Outcomes
• Sustained use of generative artificial intelligence (GenAI) in programming education: A systematic review of empirical evidence on adoption, learning outcomes, and continuance intention
• Active Learning with Generative AI in Introductory Physics: A Multi-Institutional Study of the P-A.I.R. Framework
• AI literacy and vocational students’ complex problem-solving skills: a moderated mediation model of systematic thinking, cognitive load, and perceived school ICT support
• AI literacy facets in creative higher education: associations with learning performance and academic well-being
• Artificial intelligence (AI) and information seeking: A comparative exploration of AI chatbots, search engines, and library resources as information sources among university students
• Artificial intelligence in professionally oriented physics education: patterns of use and perceived learning support among future engineers
• Breaking career boundaries in the AI era: how AI literacy relates to university students' perceived employability through future work self salience and boundaryless career mindset
• Designing Safe and Relevant Generative Chats for Math Learning in Intelligent Tutoring Systems
• From generation to judgment: the multidimensional structure of design thinking mindset and differences across learning stages in AIGC-supported fashion film design learning
• Generative AI dependency and perceived learning outcomes among university students: an indirect association involving effort regulation
• Generative artificial intelligence reshapes university students’ sustainable use of academic information resources: mixed evidence from behavioral logs and perceptual survey data
• Learning engagement and creative self-beliefs in generative AI-supported design education: self-reported prompt literacy and dimensions of AI dependence
• Scaffolding GenAI Use in Ethical Essay Writing: A Three-Year Experience Report in Introductory Computing
• Teachers’ basic psychological need satisfactions and their intentions to use generative artificial intelligence: the mediating role of engagement in professional development
• Using Machine Learning to Measure Self-Efficacy Belief Through Learners' Interaction Traces in Technology-Enhanced Learning
• What Am I Really Doing with My Own Brain?": College students on learning, ownership, and AI
• A Framework for Considering Exploration, Interpretation, and Confirmation During Data Analysis: Computationally Assisted Analysis of Teacher-Group Interactions
• A metacognitive approach to learning and performance in human-AI interaction
• Beyond access: How GenAI literacy relates to task performance, motivation, cognitive load and interaction patterns in AI-assisted learning environment
• Characterizing diverse student behaviors, interactions, and perceptions with GAI-augmented learning analytics tool
• ChatGPT and student engagement in L2 writing: a systematic review towards a ChatGPT-enabled smart learning environment framework
• ClickSight: An LLM Framework for Interpreting Student Clickstreams Through Learning Strategies
• CLST: Cold-Start Mitigation in Knowledge Tracing by Aligning a Generative Language Model as a Students' Knowledge Tracer
• Combining AI and corpus technology in language teaching: Professional development and knowledge co-construction using the CoI framework
• Comparing Zero-Shot Large Language Model Prompting with Human Coding of Theory Concepts in Student Essays
• Design and preliminary validation of an AI enhanced game based learning environment for computational thinking in upper secondary education
• Development and validation of the AI cognitive offloading scale for Chinese college students
• Evaluating Generative AI as a Supportive Analytic Partner in Qualitative Coding of Metacognitive Student Reflections
• Exploring AI peer in collaborative mathematics learning
• GenAI-based metacognitive prompting in collaborative inquiry: A comparison across diverse preconception groups
• Generative AI and student motivation: an SDT-guided systematic review of learning activities, motivational regulation, and measurement
• Intrinsic and Contextual Factors Impacting Student Ratings of Automatically Generated Questions: A Large-Scale Data Analysis
• Leveraging Large Language Models to Identify Conversation Threads for Collaborative Learning Analysis
• Motivational organization in AI-supported writing: A self-determination perspective
• Personalizing Second Language Learning: Integrating AI with Learner Preference, Proficiency, and Engagement
• Psychological pathways to responsible generative AI decision-making among teachers: governance clarity, perceived accountability, decision uncertainty, and AI literacy
• Rigor, commitment, and generative AI: a conceptual framework for student engagement in EAP writing
• Should there be a teacher in-the-loop? A study of generative AI-personalized tasks middle school
• To Align Long, Plan Short: Simulating Diverse Profile-Aligned Students by Realizing Short-Term Plans in Long-Horizon Learning Environments
• Using Bayesian Knowledge Tracing to Evaluate Perceptual Scaffolding and Desirable Difficulties in a Math Intervention
• Using LLMs to Identify Indicators of Persistence from Students' Dialogues with a Pedagogical Agent
• What a teacher cannot delegate: a pedagogy-first framework for integrating conversational AI agents across the simulation cycle
• Who Is Doing the Thinking? Characterising Human Agency in First-Year Students’ AI Interactions
• Artificial intelligence and immersive technologies for LGBTQ+ youth: a narrative review
• Who benefits from LLMs? Prompt engineering competence and equity in higher education
• Trusting AI too much? Psychological correlates of overtrust and the role of AI literacy
• AI for eGovernance: Leveraging Language Technologies For Digital Inclusion
• Perceived and demonstrated generative AI literacy in engineering problem solving: the role of verification behavior
• Rethinking the Structure of AI Literacy in Generative AI Educational Systems: Descriptive Patterns of Expert Convergence and Heterogeneity
• Human-AI Collaboration for Qualitative Analysis in Participatory Design: Refining the Writing Analytics Tool
• Why is AI-generated language so hard to understand?
• Generative AI configurations across creative phases: a 2 x 2 experiment on creative performance and immediate knowledge in art and design education
• Supporting creative agency: metacognitive control and trust in generative AI art education
• A model for enhancing the quality of geography education based on the integration of Artificial Intelligence and Geographic Information Systems
• From Policing Provenance to Designing for Evidence: Testing Four Propositions on Generative AI Against Research and Institutional Policy
• Higher education governance under AI and geopolitical disruption: a socio-technical framework for administrative artificial intelligence
• ChatGPT and employability in higher education: exploring creativity, critical thinking, and problem-solving
• From technology adoption to curricular coherence: technology-enhanced simulation as a bridge in health professions education
• A Survey of Graph-Based Knowledge Tracing from Structural and Propagation Perspectives: Models, Applications, and Future Directions
• Integrating Topic Modeling and LLM Prompt Engineering into a Human-driven Approach to Analyze Interview Transcripts
• Leveraging Interview-Informed LLMs to Model Survey Responses: Comparative Insights from AI‑Generated and Human Data
• Analyzing Educational Video Transcripts with LLMs: Accuracy, Named Entities, and Interpretability
• Data Plus Theory Equals Codebook: Leveraging LLMs for Human-AI Codebook Development
• Towards responsible and trustworthy educational data mining: Comparing symbolic, sub-symbolic, and neural-symbolic AI methods
• The Ghost Learner Paradox: A Systematic Review of Metacognitive Laziness in the Age of Generative AI
• Beyond ChatGPT: A Comparative Mapping of AI Research in STEM and Engineering Education and the Contemporary AI Tool Ecosystem
• Generative AI and Cognitive Processes in Education: A Narrative Review and Conceptual Framework
• Fifty years of topic development, thematic combination, and AI's evolving reach in Computers & Education
• From "usefulness" to "dependence": the dynamic evolution mechanism of generative AI use behaviors
• Generative AI in Education and the Erosion of Critical Democratic Citizenship

La pagina del diario elenca ogni studio aggiunto questa settimana, compresi quelli non riassunti qui.

Note sul sito

La newsletter e il suo feed RSS sono ora disponibili anche in spagnolo: visiti il sito spagnolo della newsletter o si iscriva al feed RSS spagnolo della newsletter. Per richiedere un'altra localizzazione, apra una segnalazione o contatti lo sviluppatore del sito.

Il sito è molto più leggero. L'albero completo di concetti e FAQ resta fuori da ogni pagina: la barra laterale mostra dieci gruppi tematici e recupera l'elenco completo solo quando un lettore ne apre uno, e la colonna di destra elenca otto pagine recenti, scese da trenta. Sull'intera build, l'HTML è calato da 1,80 GB a 1,26 GB, e il markup della barra laterale da 604 MB a 87 MB.

Le traduzioni sono state aggiornate in tutte le 33 lingue configurate, comprese le edizioni da destra a sinistra in arabo, ebraico e urdu. I riassunti di articoli restano solo in inglese.

Le edizioni offline sono passate a una nuova posizione nelle release di GitHub, quindi i vecchi link a EPUB e PDF non si risolvono più. Ogni sito per lingua mantiene il proprio indirizzo abituale. I file EPUB e PDF esistono per le 19 lingue con i link qui sotto; le altre 14 sono solo sul sito.

• Inglese: EPUB e PDF
• Español (spagnolo): EPUB e PDF
• Français (francese): EPUB e PDF
• 中文 (cinese): EPUB e PDF
• Deutsch (tedesco): EPUB e PDF
• 日本語 (giapponese): EPUB e PDF
• 한국어 (coreano): EPUB e PDF
• Português (portoghese): EPUB e PDF
• العربية (arabo): EPUB e PDF
• עברית (ebraico): EPUB e PDF
• हिन्दी (hindi): EPUB e PDF
• Русский (russo): EPUB e PDF
• Українська (ucraino): EPUB e PDF
• Italiano: EPUB e PDF
• বাংলা (bengalese): EPUB e PDF
• اردو (urdu): EPUB e PDF
• Bahasa Indonesia (indonesiano): EPUB e PDF
• Tiếng Việt (vietnamita): solo sul sito
• Nederlands (olandese): solo sul sito
• Svenska (svedese): solo sul sito
• Dansk (danese): solo sul sito
• Suomi (finlandese): solo sul sito
• Norsk bokmål (norvegese bokmål): solo sul sito
• Română (rumeno): solo sul sito
• Magyar (ungherese): solo sul sito
• Čeština (ceco): solo sul sito
• Български (bulgaro): solo sul sito
• Slovenčina (slovacco): solo sul sito
• Hrvatski (croato): solo sul sito
• Ελληνικά (greco): solo sul sito
• Polski (polacco): solo sul sito
• Kiswahili (swahili): EPUB e PDF
• Türkçe (turco): EPUB e PDF

Il codice sorgente è pubblico su github.com/edtechdev/aied.

Segui l'aggiornamento

Riceva ogni numero attraverso il feed della newsletter in un lettore di feed, incollando lo stesso feed in Blogtrottr per ricevere i nuovi numeri per email secondo la cadenza che sceglie, oppure seguendolo su LinkedIn, dove ogni numero è pubblicato come newsletter di LinkedIn.

---

L'Aggiornamento settimanale sulla ricerca in IA ed educazione proviene dalla Base di conoscenza sull'IA in educazione, che è generata da un agente IA. Questo numero è stato redatto da quello stesso agente IA, con la guida editoriale dello sviluppatore del sito, e ogni affermazione sopra riportata collega la pagina da cui proviene.

La base di conoscenza è dedicata al pubblico dominio con licenza CC0 1.0. Nessun diritto riservato.

Ha trovato un problema nel contenuto? Lo segnali su GitHub o contatti lo sviluppatore del sito, Doug Holton.