AIED-onderzoek interpreteren en toepassen

Automatische machinale vertaling van deze Engelse pagina, nog niet nagekeken door een moedertaalspreker.

AIED-onderzoek interpreteren en toepassen — hoe u besluit of een bevinding over AI in het onderwijs het waard is om naar te handelen, of u nu lesgeeft, een programma leidt, een cursus ontwerpt of software bouwt. U hebt geen statistiek nodig om deze pagina te gebruiken. Ze begint bij de vraag die een professional in de praktijk werkelijk heeft — moet ik dit doen? — loopt de weinige punten langs die daar antwoord op geven, en bewaart de technische details voor een latere sectie, voor wie ze wil of nodig heeft. De korte versie: een bevinding is het waard om naar te handelen wanneer u weet waarmee is vergeleken, wat is gemeten, wie is onderzocht en of de tool nog bestaat in de vorm die is onderzocht. De meeste beweringen die docenten, bestuurders en ontwikkelaars bereiken, falen op een van die vier punten.

Vragen om over na te denken

Een leverancier, een nieuwsbericht of een collega zegt dat een AI-tool het leren heeft verbeterd. Wat is het ene dat u zou willen zien voordat u de tool in uw eigen cursus probeert — en zou u weten waar u moet kijken?
Elke artikelpagina in deze kennisbank heeft nu een sectie Wat dit betekent voor de praktijk, en de meeste hebben een sectie Beperkingen. Als u beide naast elkaar leest, wat vertelt elk dan dat het andere niet vertelt?
Studenten oefenen met een AI-tool en presteren beter op het oefenwerk, maar doen het daarna slechter op het gesloten-boekexamen. Welk getal is de leeruitkomst die uw cursus belangrijk vindt — en zouden uw huidige beoordelingen het verschil opvangen?
Een onderzoek belooft een grote verbetering, maar het volgde 30 studenten in één cursus aan één instelling, en de onderzochte versie van de tool is niet meer de versie die iedereen gebruikt. Welk van die twee feiten verontrust u meer, en waarom?
Veel AI-tools verhogen hoe veel studenten ze gebruiken zonder te verhogen hoe veel studenten leren. Als u moest kiezen tussen een tool die de betrokkenheid verhoogt en een die de onondersteunde prestatie verhoogt, welk bewijs zou de knoop doorhakken?
U wordt gevraagd een tool goed te keuren of te kopen op basis van de effectiviteitscijfers van de leverancier zelf. Wat zou u willen weten over hoe die cijfers tot stand zijn gekomen?

Inleiding

Deze pagina is voor mensen die iets moeten beslissen: een docent die overweegt een opdracht te wijzigen, een bestuurder die een pilot afweegt, een leerontwerper die een cursus bouwt, een softwareontwikkelaar die bepaalt wat een functie moet doen, of een onderzoeker die een bevinding aan een van hen uitlegt.

Twee gewoonten maken het verschil, en geen van beide vereist onderzoekstraining.

Lees eerst de twee secties die voor u zijn geschreven. Elke artikelpagina hier heeft nu een sectie Wat dit betekent voor de praktijk — meestal drie tot vijf concrete acties die uit dat onderzoek volgen — en de meeste hebben een sectie Beperkingen die aangeeft wat het onderzoek niet kan ondersteunen. Lees die vóór de bevindingen van het onderzoek, niet erna. De praktijksectie vertelt u waar het onderzoek goed voor is; de beperkingensectie vertelt u waar het ophoudt. Als de praktijksectie ontbreekt of vaag is, beschouw die pagina dan als onvoltooid in plaats van als bewijs.

Beoordeel de bewering, niet het vertrouwen waarmee ze wordt gebracht. Beweringen over AI in het onderwijs zijn meestal ergens accuraat en misleidend over het punt dat u belangrijk vindt, omdat een onderzoek en uw klas op vier manieren verschillen: waarmee is vergeleken, wat is gemeten, wie heeft deelgenomen en welke versie van de tool is gebruikt. De rest van deze pagina geeft u de controles in gewone taal, en daarna het bewijs achter elk ervan voor lezers die dat willen.

Wat volgt vervangt ook de buurpagina's niet. Onderzoeksmethoden in AI in het onderwijs behandelt hoe onderzoeksontwerpen worden gebouwd, Beperkingen in AIED-onderzoek inventariseert de terugkerende zwakheden in de literatuur, AIED-evaluatie behandelt hoe systemen en outputs worden geëvalueerd, en Differentiële effecten tussen leergroepen behandelt wie een bevinding wel en niet omvat.

Vier vragen die de meeste beweringen beslechten

Stel ze voordat u tijd, geld of een semester aan iets besteedt.

1. Waarmee is het vergeleken, en was die vergelijking eerlijk? "Studenten die de AI gebruikten deden het beter dan studenten die dat niet deden" zegt alleen iets als de andere studenten iets wezenlijks deden. Als de vergelijking 'zoals gewoonlijk' was — of niets — dan bundelt de bevinding de tool met extra tijd, extra aandacht en nieuwigheid. Waar u op moet letten: een controlegroep die een geloofwaardig alternatief kreeg, en willekeurige toewijzing aan de twee condities.

2. Wat hebben ze precies gemeten? Hier sneuvelen de meeste spannende beweringen geruisloos. Toetscijfers, huiswerkkwaliteit, motivatie, houdingen en betrokkenheid worden samengevoegd tot één getal voor "prestatie", of een maat voor prestatie met de tool erbij wordt gerapporteerd als leren. Leren dat afhangt van de aanwezigheid van de tool is niet hetzelfde als leren dat beklijft. Waar u op moet letten: wat het instrument mat, of het gevalideerd was voor die populatie, en of een uitkomst zonder de AI in de kamer is gemeten.

3. Wie is onderzocht, hoeveel, en hoe lang? Dertig studenten in één cursus zijn een signaal, geen resultaat. Een interventie van vier weken kan u niets vertellen over een jaar. En een onderzoek onder studenten die van de uwe verschillen is nog steeds nuttig — het is een hypothese over uw situatie, geen voorspelling. Waar u op moet letten: steekproefomvang, hoe deelnemers zijn geworven, één locatie, duur, en of een subgroep groot genoeg was om te analyseren.

4. Is de tool nog de tool die is onderzocht? De capaciteit van AI beweegt sneller dan publicatie. Een bevinding uit 2025 beschrijft de modelgeneratie van 2025 — soms een specifieke versie, soms een configuratie die niemand nu nog gebruikt. Dat maakt de bevinding niet onwaar; het maakt haar gedateerd, en het betekent dat de bewering opnieuw moet worden getoetst in plaats van geërfd. Waar u op moet letten: modelversie en het venster waarin de gegevens zijn verzameld.

Wat het bewijs in het algemeen zegt over AI-beweringen

Als u één ding van deze pagina onthoudt, onthoud dan dat het kopgetal meestal opgeblazen is en de vergelijking meestal zwak. Dat is geen randstandige opvatting — het is wat audits van het vakgebied zelf rapporteren. Verschillende goed opgezette onderzoeken laten wel echte winst zien; het punt is dat de bewijslast bij de bewering ligt.

Ongeveer twee derde van het gemiddelde effect verdwijnt zodra u corrigeert voor het feit dat indrukwekkende resultaten worden gepubliceerd en onindrukwekkende niet. Bartoš et al. (2026) bundelden 1,840 effectgroottes uit 67 reviews en vonden dat het gecorrigeerde gemiddelde ongeveer een derde van de gepubliceerde mediaan bedroeg — SMD 0.196 tegen 0.67.
Een productnaam is geen onderwijsmethode. Bij het doorlichten van de vergelijkingen achter een prominente meta-analyse vonden Weidlich et al. (2025) dat slechts 21% een goed gedefinieerde behandeling, een controlegroep en een geldige leermaat had — en het gerapporteerde voordeel van "ChatGPT gebruiken" kwam groter uit dan dat van speciaal gebouwde intelligente tutorsystemen (g = 0.7 tegen 0.66), wat een waarschuwingssignaal is en geen triomf.
Prestatie met de tool wordt routineus voor leren aangezien. In één K-12-onderzoek naar wiskunde haalden studenten die met een algemene chatbot oefenden betere oefencijfers en scoorden daarna ongeveer 17% slechter dan medestudenten zonder toegang tot AI op het gesloten-boekexamen (Stanfords bewijsbasis voor AI in K-12).
De reviews van het vakgebied zelf doorstaan de audit niet. De audit van O'Neill (2026) van 14 peer-reviewed meta-analyses die claimen dat AI het onderwijs verbetert, vond dat geen enkele een geldige basis bood voor de beweringen die ze naar voren bracht, en onder 46 willekeurig geselecteerde primaire studies vertoonde 61% validiteitsproblemen. Het probleem is niet één slecht artikel; het is een rapportagecultuur.
Een review kan de rapportagescheefheid in het eigen corpus kwantificeren. Een systematische review van 155 studies in het hoger onderwijs vond dat 117 (75.5%) succesvolle implementatie rapporteerden, 124 (80.0%) alleen impact op korte termijn dekten en slechts 23 (14.8%) rapporteerden over mislukkingen op het gebied van ethiek, rechtvaardigheid of governance — de onevenwichtigheid die de controles hierboven beschrijven, gemeten op de eigen bewijsbasis van de review (Nyamboga (2026)).
Zelfrapportage vleit iedereen. Mensen beoordelen hun eigen AI-vaardigheden ongeveer 40% hoger dan prestatiemetingen laten zien, en daarom zijn tevredenheids- en vertrouwensenquêtes het zwakste bewijs waarop u kunt handelen (Zelfrapportagematen, Onderwijsmeting).
De meeste producten die al in klaslokalen staan, hebben helemaal geen onafhankelijk bewijs. De learning tour van Instruction Partners uit 2025–26 profielde 20 AI-producten voor studenten en vond dat van de 16 met volledige profielen er slechts zeven een onafhankelijke review hadden die leerprestaties over studentengroepen in de VS onderzocht; twee waren alleen in het buitenland onderzocht, vier hadden lopende studies en drie vertrouwden uitsluitend op interne data. De auteurs betogen dat onafhankelijke causale studies over prioriteitsgroepen de norm zouden moeten zijn voor alle producten voor studenten — nog geen praktijk voor tools die scholen al gebruiken.

Een bevinding omzetten in een beslissing

De volgorde die de meeste verspilde inspanning bespaart.

Schrijf eerst uw uitkomst op. Niet "meer AI gebruiken" maar "studenten kunnen X zonder de tool". Als uw uitkomst onondersteunde prestatie is, dan is een onderzoek dat ondersteunde prestatie mat aangrenzend bewijs, geen direct bewijs.
Zoek de vergelijking en de maat — in het onderzoek, of in de praktijksectie van de artikelpagina. Als een van beide ontbreekt, behandel de bewering dan als een demo en niet als een bevinding.
Lees de beperkingensectie als instructies, niet als disclaimers. "Eén cursus, zelfgerapporteerde uitkomsten, vier weken" vertelt u precies welke van uw aannames het onderzoek niet dekt.
Controleer de versie en de datum. Als het onderzoek een modelgeneratie van twee jaar oud gebruikte, plan dan een hertest in plaats van een aanname.
Benoem de randvoorwaarden. Kosten, licenties, personeelstijd, dataregels en of studenten moeten betalen voor de laag die werkelijk werkt. Onderzoeken dragen deze zelden mee, en ze beslissen of een interventie een semester overleeft. In een onderzoek naar docentontwikkeling met tien deelnemers zei iedereen dat ze AI zouden blijven gebruiken, terwijl dezelfde mensen persoonlijke abonnementen voor tooltoegang en geen tijdsondersteuning voor de geplande herontwerpen beschreven.
Pilot klein, en meet de onondersteunde conditie. Een korte voor/na-meting met één beoordeling zonder de tool verslaat een tevredenheidsenquête. Klein en eerlijk verslaat groot en retorisch. Zie Learning design voor waar dit past in cursusontwerp.
Noteer een evaluatiedatum, en wees bereid de bewering te laten vallen. Wanneer de premisse van een onderzoek een capaciteit is die niet meer bestaat, is de eerlijke zet de bewering intrekken in plaats van haar eindeloos te citeren — dezelfde discipline die deze kennisbank op haar eigen pagina's toepast.

Woorden die u in het onderzoek zult tegenkomen

Gewone vertalingen, zodat u een onderzoek of leverancierspagina kunt scannen zonder methodologische achtergrond.

Effectgrootte — hoe groot het verschil was, op een schaal waar 0 niets is. Behandel kleine waarden als "een duwtje", niet als "een transformatie".
Statistisch significant — onwaarschijnlijk dat het puur toeval is in deze steekproef. Het zegt niets over de grootte van het effect, en ook niet of het in uw klas zal optreden.
Betrouwbaarheidsinterval — het bereik van resultaten dat de data niet kunnen uitsluiten. Als het bereik nul omvat, is de bevinding misschien helemaal niets, hoe interessant de kop ook is.
Meta-analyse — een onderzoek dat veel onderzoeken bundelt. Krachtig, en slechts zo goed als wat er is gebundeld, en daarom worden reviews geaudit.
Publicatiebias — interessante resultaten worden gepubliceerd en saaie niet, dus het gemiddelde in de literatuur ziet er rooskleuriger uit dan de werkelijkheid.
Zelfrapportage — mensen die zichzelf beschrijven. Nuttig voor houdingen, zwak voor competentie of gedrag.
Controlegroep — de vergelijkingsconditie. Het allerbelangrijkste dat u moet zoeken.
Voor/na — gemeten voor en na zonder vergelijkingsgroep. Suggestief, nooit beslissend.
Subgroepanalyse — resultaten voor een deel van de steekproef. Meestal met te weinig power, dus behandel haar als een hypothese.
Replicatie — iemand anders kreeg hetzelfde resultaat. Zeldzaam, en het sterkste bewijs dat beschikbaar is.
Benchmark — een vaste takenreeks om systemen te scoren. Scores bewegen wanneer het doel beweegt, dus controleer de datum.

Wanneer u toch moet vertragen

De bewering komt van de leverancier, op de meetgegevens van de leverancier. Dat kan nog informatief zijn — één aanbieder van AI-tutoring rapporteert een betrokkenheidsmaat die is gekalibreerd tegen menselijke experts op F1 0.83, met verbeteringen uit meer dan 40 experimenten in vijf maanden (Udeshi et al., 2026) — maar het construct, de beoordelaars en de maat zijn keuzes van de leverancier. Vraag naar de vergelijkingsgroep en de onondersteunde uitkomst.
Geautomatiseerde scoring wordt als opgelost beschouwd. Hoge overeenstemming met menselijke beoordelaars is betrouwbaarheid, geen kwaliteit. In één scoringsonderzoek waren menselijke beoordelaars het met de multi-beoordelaarsconsensus eens op ongeveer r = 0.88, dus geautomatiseerde scores rond r = 0.85 zaten al op het eigen meetplafond van de taak (Wanneer u AI-scoring kunt vertrouwen).
De referentielijst draagt zwaar werk. Dertig referenties met verifieerbaar verzonnen bibliografische informatie werden bevestigd in 14 informaticaonderwijs-artikelen, alle uit 2025 en 2026 (Denny et al., 2026). Als een bewering op een citaat rust, controleer het citaat.
Niemand mat het gedrag waarvan uw beleid afhangt. Bij 493 gededupliceerde records en 14 prioriteitsstudies mat geen enkele studie zowel of verificatie slaagde en wat de lerende daarna ermee deed, afgemeten tegen een onafhankelijke standaard voor outputkwaliteit (verificatie- en reliance-kalibratie). Cursusbeleid hangt precies van dat gedrag af.

Als u een tool bouwt of koopt

Dezelfde controles keren om in ontwerpeisen, en de evaluatiepagina's van de kennisbank bevatten de details (AIED-evaluatie, Geautomatiseerde beoordeling).

Maak de vergelijking deel van de functiespecificatie. Bepaal wat een lerende anders zou doen, en zorg dat u kunt zeggen waarom uw tool daar beter is — niet waarom ze beter is dan niets.
Meet de onondersteunde conditie. Als uw uitkomst leren is, neem dan een taak op die zonder de tool is voltooid; ondersteunde prestatie alleen zal u net zo misleiden als uw kopers.
Rapporteer hoe uw geautomatiseerde oordelen zijn gevalideerd — de gouden standaard, het kalibratiedoel, wie geschillen beslechtte — en rapporteer dat als betrouwbaarheid, niet als kwaliteit.
Noem de versie en de datum in elke effectiviteitsclaim, want uw volgende release maakt die ongeldig.
Laat de tegenwichten zien: kosten per student, toegankelijkheid, gegevensverwerking, en wat er gebeurt met lerenden in de gratis laag. Zie Openbaarmaking van AI-gebruik, Privacy en AI Governance.

Voor lezers die het bewijs willen

De controles hierboven zijn geen volkswijsheid; ze komen uit gedocumenteerde mislukkingen in deze literatuur. Deze sectie bewaart de details voor wie een artikel reviewt, een beslissing verdedigt of betoogt dat een tool behoorlijk moet worden geëvalueerd.

De validiteitsfouten hebben een verdeling, niet alleen een aanwezigheid. In de 46 geauditeerde studies van O'Neill (2026) was een verkeerde afstemming van de afhankelijke variabele het meest voorkomende probleem (n = 15) — de maat ving niet wat de bewering stelde — gevolgd door een verkeerde afstemming van de onafhankelijke variabele (n = 11), problemen met het experimentele ontwerp (n = 7), problemen met data-extractie (n = 6), het ontbreken van een controlegroep (n = 6) en niet-willekeurige groepsindeling (n = 6). Van de 14 meta-analyses behandelden twaalf meerdere effectgroottes uit dezelfde primaire studie als onafhankelijk, wat de schijnbare bewijsbasis opblaast.

Subgroepbeweringen zijn in de studies die ze doen meestal onbeslisbaar. De GCSE-wetenschapsmicro-RCT rapporteert een behandeling-×-status-interactie van 0.57 punten (95% BI -2.25 tot 3.39), met gestratificeerde schattingen van g = 0.28 (95% BI -0.04 tot 0.59) voor de ene groep en g = 0.35 (95% BI 0.18 tot 0.52) voor de andere. Een interval dat nul kruist is geen rechtvaardigheidsbevinding; het is een vraag voor een lokale pilot.

Een synthese kan haar eigen protocol volgen en toch kwaliteit zonder weging bundelen. Doğan et al. (2026) zeggen ronduit dat ze geen formeel instrument voor kwaliteitsbeoordeling gebruikten en hun inclusiecriteria als de stringensdrempel behandelden, zodat een quasi-experimentele studie en een gerandomiseerde even zwaar meetelden — en hun heterogeniteit luidt I² = 82.98% onder een fixed-effectmodel maar 15.75% onder het random-effectsmodel, en daarom kan een heterogeniteitscijfer zonder model u niet vertellen hoe inconsistent het corpus is.

Validatie van geautomatiseerd oordeel maakt deel uit van het resultaat. Overeenstemming met menselijke codeerders is een betrouwbaarheidsuitspraak, en het plafond hierboven laat zien waarom dat niet hetzelfde is als kwaliteit (machines lezen pedagogische kwaliteit verkeerd).

De leeftijd van de tool is een volwaardige beperking. Een review van AI-ondersteunde beoordeling merkt op dat haar eigen bevindingen specifieke modelversies op specifieke momenten weerspiegelen, en dat de beweging in het veld elk overzicht van modelcapaciteiten binnen maanden mogelijk verouderd maakt (AI-ondersteunde beoordeling en instructie in het hoger onderwijs). Begrens beweringen tot hun generatie: "generatieve AI verbeterde X" is niet overdraagbaar, terwijl "tooling uit het GPT-4-tijdperk, in deze taak, met deze Scaffolding" dat wel is.

Benchmarkdoelen bewegen, dus een resultaat dat een systeem vandaag verzadigt of niet haalt, kan met de volgende release omslaan; verzadigings- en contaminatiecontroles horen naast elke benchmarkgebaseerde bewering.

Deze literatuur naast haar eigen critici lezen is hier normale praktijk. De checklists aan de rapportagekant voor auteurs en reviewers staan in de FAQ over het rapporteren en interpreteren van AI-onderzoek, en de beoordelingsgewoonten op deze pagina sluiten aan bij Theorieontwikkeling in AI in het onderwijs wanneer een bewering theoretisch is in plaats van empirisch.

Een korte checklist

Formuleer uw uitkomst in één zin, inclusief of de tool erin aanwezig is.
Zoek de vergelijking. Geen geloofwaardige vergelijking, geen beslissing.
Laat de maat bij uw bewering passen, en geef de voorkeur aan een onondersteunde uitkomst.
Corrigeer het getal neerwaarts: lees het bias-gecorrigeerde effect, niet de kop.
Controleer de modelversie en de data van het onderzoek.
Lees de beperkingensectie als instructies voor wat u nog niet weet.
Breng de kosten in kaart: licenties, tiers, personeelstijd, dataregels.
Pilot klein met een onondersteunde maat, en beslis dan.
Noteer een evaluatiedatum een jaar vooruit, en wees klaar om de bewering in te trekken.

Veelvoorkomende misverstanden

"Een gepubliceerde meta-analyse is vaststaand bewijs over AI in het onderwijs." De syntheses van het veld hebben de audit niet doorstaan. De audit van O'Neill (2026) van 14 peer-reviewed meta-analyses die claimen dat AI het onderwijs verbetert, vond dat geen enkele een geldige basis voor die conclusie bood. Een gebundelde effectgrootte is slechts zo goed als de gebundelde studies, en in deze literatuur omvatte het bundelen routineus ontwerpen die de uitkomst niet aan AI konden toeschrijven. Voordat u een meta-analytisch getal citeert, vraag wat er is samengevoegd.

"De grotere effectgrootte hoort bij de betere interventie." Vaak het tegenovergestelde. In de reviewcontext die deze pagina documenteert, had slechts 21% van de studies een goed gedefinieerde behandeling, een controlegroep en een geldige leermaat — en het gerapporteerde voordeel van "ChatGPT gebruiken" kwam groter uit dan dat van speciaal gebouwde intelligente tutorsystemen. Zwak gespecificeerde behandelingen produceren doorgaans opgeblazen effecten, omdat de vergelijking vager is en de uitkomstmaat losser. Een groter getal is een reden om naar het ontwerp te kijken, niet om de interventie te verkiezen.

"Hogere cijfers tijdens het gebruik van de tool betekenen dat de tool meer heeft onderwezen." In één K-12-wiskundeonderzoek haalden studenten die met een algemene chatbot oefenden betere oefencijfers en scoorden daarna ongeveer 17% slechter op een onondersteunde beoordeling. Oefenprestatie gemeten met de tool erbij is de opgeblazen maat; de onondersteunde is de uitkomst, en slechts één van beide steeg.

"Als het effect echt is, doen de implementatiedetails er weinig toe." Ze zijn het effect. Een onderzoek dat 30 studenten volgde in één cursus aan één instelling, op een versie van de tool die niemand nu gebruikt, heeft een bevinding opgeleverd over een configuratie die niet meer bestaat. Behandelspecificatie, versie en setting maken deel uit van de bewering, niet de context eromheen.

Verbonden concepten

Verbonden artikelen

Presumed Effective: The Manufacturing of an Evidence Base for AI-in-Education Through Flawed Meta-Analysis — Presumed Effective: forensische audit van 14 AIED-meta-analyses
Effect of Artificial Intelligence on Learning: A Meta-Meta-Analysis — Publicatiebias-gecorrigeerde AI-effecten ongeveer een derde van de gerapporteerde grootte
ChatGPT in Education: An Effect in Search of a Cause — ChatGPT in Education: An Effect in Search of a Cause
The Impact of Artificial Intelligence-Supported Instruction on Student Learning in STEM: A Systematic Review and Meta-Analysis — Inclusiecriteria als stringensdrempel, en heterogeniteit die met het model verandert
Know when to trust: Making AI scoring more reliable for educational assessment — Wanneer de betrouwbaarheid van geautomatiseerde scoring het meetplafond van de taak raakt
Beyond checking: verification quality, reliance calibration, and learning in generative AI-assisted higher education — Wat de verificatie- en reliance-literatuur niet meet
Testing Our Foundations: Citation Trends, Errors, and Emerging Hallucinations in the Computing Education Literature — Verzonnen referenties die in 2025–2026 in druk kwamen
The Evidence Base on AI in K-12: A 2026 Review — Oefenwinst, examenverlies: het probleem van het wegnemen van ondersteuning in K-12-wiskunde
Evaluating AI Tutoring at the Speed of Innovation: Practitioner-Led Micro-Randomised Trials of an AI Tutoring Platform in GCSE Science — Subgroepseffecten waarvan de betrouwbaarheidsintervallen nul kruisen
From fear to innovation: A case study of transformative faculty development for ethical AI integration in higher education — Randvoorwaarden: beleidssignalen, persoonlijke abonnementen, geen tijd
Methodologies for improving the quality of AI tutoring in K-12 education — Leveranciersmetrieken met hun kalibratie en aantal experimenten openbaar
AI-assisted assessment and instruction in higher education: Foundations, applications, and implications for exam design — Bevindingen gebonden aan modelversies, en het verloop in het veld
AI in Action Learning Tour — Aantallen onafhankelijk bewijs voor 16 AI-producten voor studenten die al in gebruik zijn
From digital transformation to intelligent classrooms: artificial intelligence, adaptive leadership, and service delivery in global higher education—a systematic literature review — Een review kan de rapportagescheefheid in het eigen corpus kwantificeren

Gerelateerde FAQ's

Metadata

Onderzoeksopzet	Literature Review
Beoogde doelgroep	Instructors, Administrators, Instructional Designers, Software Developers, Researchers
Toetsing en meting	Assessment Validity, Educational Measurement, Self-Report Measures, Learning Gains
Onderzoeksmethoden en evaluatie	AI Ed Evaluation, Benchmark, Research Methods in AIED, Meta-Analysis and Systematic Review, Quantitative Research
Gelijkheid, ethiek en verantwoord gebruik	AI Use and Disclosure Statements
Grondslagen van AI in het onderwijs	Beperkingen in AIED-onderzoek
Soort pagina	Evaluation, Framework

Bron Geschiedenis Bewerken Chat