Baza wiedzy AIEdAIEd KB
Na tej stronie

Przeczytaj tę stronę po angielsku

Pojęcia

Interpretowanie i stosowanie badań nad SI w edukacji

Utworzono 2026-09-19 · Zaktualizowano 2026-11-08

Tłumaczenie automatyczne tej strony z języka angielskiego, jeszcze nie sprawdzone przez rodzimego użytkownika języka.

Interpretowanie i stosowanie badań nad SI w edukacji — jak zdecydować, czy ustalenie dotyczące SI w edukacji jest warte działania, niezależnie od tego, czy uczysz, prowadzisz program, projektujesz kurs czy tworzysz oprogramowanie. Nie potrzebujesz statystyki, by korzystać z tej strony. Zaczyna się od pytania, które praktyk naprawdę ma — czy powinienem to zrobić? — przechodzi przez kilka rzeczy, które na nie odpowiadają, a szczegóły techniczne zostawia do późniejszej sekcji dla tych, którzy ich chcą lub potrzebują. W skrócie: ustalenie jest warte działania, gdy wiesz, co było punktem odniesienia, co zmierzono, kogo badano i czy narzędzie nadal istnieje w formie, w jakiej je badano. Większość twierdzeń, które docierają do wykładowców, administratorów i twórców oprogramowania, zawodzi na jednym z tych czterech punktów.

Pytania do rozważenia

  • Dostawca, artykuł w mediach albo kolega mówi, że narzędzie SI poprawiło uczenie się. Co chciałbyś zobaczyć, zanim wypróbujesz je na własnym kursie — i czy wiedziałbyś, gdzie tego szukać?
  • Każda strona artykułu w tej bazie wiedzy ma teraz sekcję Co to oznacza dla praktyki, a większość ma sekcję Ograniczenia. Czytając je razem, czego dowiadujesz się z jednej, czego nie mówi druga?
  • Studenci ćwiczą z narzędziem SI i wypadają lepiej na ćwiczeniach, a potem gorzej na egzaminie zamkniętym. Która liczba jest wynikiem uczenia się, na którym zależy Twojemu kursowi — i czy Twoje obecne ocenianie wychwyciłoby tę różnicę?
  • Badanie obiecuje dużą poprawę, ale objęło 30 studentów na jednym kursie w jednej instytucji, a badana wersja narzędzia nie jest już wersją, której ktokolwiek używa. Który z tych dwóch faktów niepokoi Cię bardziej i dlaczego?
  • Wiele narzędzi SI zwiększa to, jak dużo studenci z nich korzystają, nie zwiększając tego, ile się uczą. Gdybyś musiał wybrać między narzędziem, które podnosi zaangażowanie, a takim, które podnosi wyniki bez wsparcia, jakie dowody rozstrzygnęłyby sprawę?
  • Proszą Cię o zatwierdzenie lub zakup narzędzia na podstawie własnych wskaźników skuteczności dostawcy. Co chciałbyś, aby ujawniono o tym, jak te liczby powstały?

Wprowadzenie

Ta strona jest dla osób, które muszą coś zdecydować: wykładowcy zastanawiającego się, czy zmienić zadanie, administratora ważącego pilotaż, projektanta uczenia się budującego kurs, twórcy oprogramowania decydującego, co powinna robić funkcja, albo badacza wyjaśniającego ustalenie któremukolwiek z nich.

Dwa nawyki robią różnicę i żaden nie wymaga szkolenia badawczego.

Najpierw przeczytaj dwie sekcje napisane dla Ciebie. Każda strona artykułu ma teraz sekcję Co to oznacza dla praktyki — zwykle od trzech do pięciu konkretnych działań wyprowadzonych z tego badania — a większość ma sekcję Ograniczenia, która mówi, czego badanie nie może uzasadnić. Przeczytaj je przed wynikami badania, nie po nich. Sekcja praktyczna mówi, do czego badanie się nadaje; sekcja ograniczeń mówi, gdzie się kończy. Jeśli sekcji praktycznej brakuje lub jest mglista, traktuj tę stronę jako niedokończoną, a nie jako dowód.

Oceniaj twierdzenie, a nie pewność, z jaką jest wygłaszane. Twierdzenia o SI w edukacji są zwykle trafne co do czegoś i mylące co do tego, na czym Ci zależy, ponieważ badanie i Twoja klasa różnią się pod czterema względami: co było punktem odniesienia, co zmierzono, kto wziął udział i która wersja narzędzia została użyta. Reszta tej strony podaje te kontrole prostym językiem, a potem dowody za każdą z nich dla czytelników, którzy ich chcą.

To, co następuje, nie zastępuje też sąsiednich stron. Metody badawcze w SI w edukacji opisują, jak buduje się projekty badań, Ograniczenia w badaniach AIED katalogują powtarzające się słabości literatury, Ocena AIED opisuje, jak ocenia się systemy i wyniki, a Zróżnicowane efekty między grupami uczących się mówią, kogo ustalenie obejmuje, a kogo nie.

Cztery pytania, które rozstrzygają większość twierdzeń

Zadaj je, zanim poświęcisz na coś czas, pieniądze lub semestr.

1. Co było punktem odniesienia i czy to porównanie było uczciwe? „Studenci, którzy korzystali z SI, wypadli lepiej niż ci, którzy nie korzystali" mówi coś tylko wtedy, gdy pozostali studenci robili coś realnego. Jeśli porównaniem była zwykła praktyka — albo nic — ustalenie łączy narzędzie z dodatkowym czasem, dodatkową uwagą i nowością. Czego szukać: grupy kontrolnej, która otrzymała wiarygodną alternatywę, oraz losowego przypisania do obu warunków.

2. Co dokładnie zmierzono? Tu po cichu zawodzą najbardziej ekscytujące twierdzenia. Wyniki testów, jakość zadań domowych, motywacja, postawy i zaangażowanie są łączone w jedną liczbę „osiągnięć" albo miara wykonania z obecnym narzędziem jest raportowana jako uczenie się. Uczenie się, które zależy od obecności narzędzia, nie jest tym samym co uczenie się, które trwa. Czego szukać: co mierzyło narzędzie pomiarowe, czy zostało zwalidowane dla tej populacji i czy wynik zmierzono bez SI w sali.

3. Kogo badano, ilu i jak długo? Trzydziestu studentów na jednym kursie to sygnał, nie wynik. Czterotygodniowa interwencja nie może powiedzieć nic o roku. A badanie studentów innych niż Twoi nadal jest użyteczne — to hipoteza o Twoim otoczeniu, nie prognoza. Czego szukać: wielkości próby, sposobu rekrutacji uczestników, jednego miejsca, czasu trwania i tego, czy jakakolwiek podgrupa była wystarczająco duża, by ją analizować.

4. Czy narzędzie to nadal to samo narzędzie, które badano? Możliwości SI zmieniają się szybciej niż publikacje. Ustalenie z 2025 roku opisuje generację modeli z 2025 roku — czasem konkretną wersję, czasem konfigurację, której nikt już nie używa. To nie czyni ustalenia fałszywym; czyni je przestarzałym i oznacza, że twierdzenie trzeba sprawdzić ponownie, a nie odziedziczyć. Czego szukać: wersji modelu i okna zbierania danych.

Co dowody mówią ogólnie o twierdzeniach dotyczących SI

Jeśli zapamiętasz z tej strony jedną rzecz, zapamiętaj, że nagłówkowa liczba jest zwykle zawyżona, a porównanie zwykle słabe. To nie jest marginesowy pogląd — to, co raportują audyty samej dziedziny. Kilka dobrze zaprojektowanych badań rzeczywiście pokazuje realne zyski; chodzi o to, że ciężar dowodu spoczywa na twierdzeniu.

  • Około dwóch trzecich średniego efektu znika, gdy skorygujesz fakt, że imponujące wyniki są publikowane, a nieimponujące nie. Bartoš i wsp. (2026) połączyli 1 840 wielkości efektu z 67 przeglądów i stwierdzili, że skorygowana średnia wynosiła około jednej trzeciej opublikowanej mediany — SMD 0.196 wobec 0.67.
  • Nazwa produktu nie jest metodą nauczania. Audytując porównania stojące za głośną metaanalizą, Weidlich i wsp. (2025) stwierdzili, że tylko 21% miało dobrze zdefiniowany warunek, grupę kontrolną i trafną miarę uczenia się — a raportowana przewaga „korzystania z ChatGPT" okazała się większa niż w przypadku celowo zaprojektowanych inteligentnych systemów tutorskich (g = 0.7 wobec 0.66), co jest sygnałem ostrzegawczym, a nie triumfem.
  • Wyniki z narzędziem są rutynowo mylone z uczeniem się. W jednym badaniu matematyki w K-12 studenci ćwiczący z ogólnego przeznaczenia chatbotem uzyskali lepsze oceny z ćwiczeń, a potem wypadli około 17% gorzej niż rówieśnicy bez dostępu do SI na egzaminie zamkniętym (baza dowodów Stanforda dotycząca SI w K-12).
  • Własne przeglądy dziedziny nie przechodzą audytu. Audyt O'Neilla (2026) obejmujący 14 recenzowanych metaanaliz twierdzących, że SI poprawia edukację, wykazał, że żadna nie dawała ważnej podstawy dla głoszonych twierdzeń, a wśród 46 losowo wybranych badań pierwotnych 61% budziło zastrzeżenia co do trafności. Problemem nie jest jeden zły artykuł; to kultura raportowania.
  • Przegląd może skwantyfikować stronniczość raportowania we własnym korpusie. Przegląd systematyczny 155 badań dotyczących szkolnictwa wyższego wykazał, że 117 (75.5%) raportowało udane wdrożenie, 124 (80.0%) obejmowało tylko krótkoterminowy wpływ, a jedynie 23 (14.8%) raportowało o niepowodzeniach w zakresie etyki, równości lub zarządzania — brak równowagi, który opisują powyższe kontrole, zmierzony na własnej bazie dowodowej przeglądu (Nyamboga (2026)).
  • Samoopis schlebia wszystkim. Ludzie oceniają własne umiejętności SI o około 40% wyżej, niż pokazują miary wykonania, dlatego ankiety satysfakcji i pewności siebie są najsłabszym dowodem, na którym można działać (Miary samoopisowe, Pomiar edukacyjny).
  • Większość produktów obecnych już w klasach nie ma żadnych niezależnych dowodów. Trasa edukacyjna Instruction Partners 2025–26 opisała 20 produktów SI skierowanych do uczniów i stwierdziła, że spośród 16 z kompletnymi profilami tylko siedem miało niezależny przegląd badający osiągnięcia uczniów w różnych grupach uczniów w USA; dwa badano tylko za granicą, cztery miały badania w toku, a trzy opierały się wyłącznie na danych wewnętrznych. Autorzy argumentują, że niezależne badania przyczynowe obejmujące grupy priorytetowe powinny być oczekiwaniem wobec wszystkich produktów skierowanych do uczniów — choć nie jest to jeszcze normą w przypadku narzędzi, których szkoły już używają.

Jak przełożyć ustalenie na decyzję

Sekwencja, która oszczędza najwięcej zmarnowanego wysiłku, w kolejności.

  1. Najpierw zapisz swój wynik. Nie „używać SI więcej", ale „studenci potrafią zrobić X bez narzędzia". Jeśli Twoim wynikiem jest wykonanie bez wsparcia, to badanie, które zmierzyło wykonanie ze wsparciem, jest dowodem sąsiednim, a nie bezpośrednim.
  2. Znajdź porównanie i miarę — w badaniu albo w sekcji praktycznej jego strony artykułu. Jeśli brakuje któregokolwiek, traktuj twierdzenie jako demonstrację, a nie ustalenie.
  3. Czytaj sekcję ograniczeń jako instrukcję, nie jako zastrzeżenie prawne. „Jeden kurs, wyniki samoopisowe, cztery tygodnie" mówi Ci dokładnie, których Twoich założeń badanie nie obejmuje.
  4. Sprawdź wersję i datę. Jeśli badanie używało generacji modelu sprzed dwóch lat, planuj ponowny test, a nie założenie.
  5. Nazwij warunki umożliwiające. Koszt, licencje, czas personelu, zasady dotyczące danych i to, czy studenci muszą płacić za poziom, który faktycznie działa. Badania rzadko je zawierają, a one decydują, czy interwencja przetrwa semestr. W badaniu rozwoju kadry z dziesięcioma uczestnikami wszyscy mówili, że będą nadal korzystać z SI, podczas gdy te same osoby opisywały osobiste subskrypcje za dostęp do narzędzi i brak wsparcia czasowego na zaplanowane przez siebie przeprojektowania.
  6. Pilotuj na małą skalę i mierz warunek bez wsparcia. Krótki pretest/posttest z jednym zadaniem wykonanym bez narzędzia bije ankietę satysfakcji. Małe i uczciwe bije duże i retoryczne. Zobacz Projektowanie uczenia się, gdzie to pasuje do projektowania kursu.
  7. Zapisz datę przeglądu i bądź gotów porzucić twierdzenie. Gdy przesłanką badania jest zdolność, która już nie istnieje, uczciwym ruchem jest wycofanie twierdzenia, a nie cytowanie go bez końca — ta sama dyscyplina, którą ta baza wiedzy stosuje do własnych stron.

Pojęcia, które spotkasz w badaniach

Proste tłumaczenia, żebyś mógł przejrzeć badanie lub stronę dostawcy bez przygotowania metodologicznego.

  • Wielkość efektu — jak duża była różnica, w skali, gdzie 0 to nic. Małe wartości traktuj jako „lekkie pchnięcie", nie „transformację".
  • Istotność statystyczna — nieprawdopodobne, by wynik był czystym przypadkiem w tej próbie. Nie mówi nic o tym, czy efekt jest duży ani czy wystąpi w Twojej klasie.
  • Przedział ufności — zakres wyników, których dane nie pozwalają wykluczyć. Jeśli zakres obejmuje zero, ustalenie może być niczym, niezależnie od tego, jak interesujący jest nagłówek.
  • Metaanaliza — badanie, które łączy wiele badań. Potężna, ale tylko tak dobra jak to, co połączyła, dlatego przeglądy są audytowane.
  • Stronniczość publikacyjna — interesujące wyniki są publikowane, a nudne nie, więc średnia w literaturze wygląda różowiej niż rzeczywistość.
  • Samoopis — ludzie opisujący samych siebie. Przydatny do postaw, słaby do kompetencji lub zachowania.
  • Grupa kontrolna — warunek porównawczy. Najważniejsza pojedyncza rzecz, której trzeba szukać.
  • Pretest/posttest — pomiar przed i po bez grupy porównawczej. Sugestywny, nigdy rozstrzygający.
  • Analiza podgrup — wyniki dla wycinka próby. Zwykle niedostatecznie silna statystycznie, więc traktuj ją jako hipotezę.
  • Replikacja — ktoś inny uzyskał ten sam wynik. Rzadka i najsilniejszy dostępny dowód.
  • Benchmark — stały zestaw zadań do punktowania systemów. Wyniki zmieniają się, gdy zmienia się cel, więc sprawdź datę.

Kiedy mimo wszystko zwolnić

  • Twierdzenie pochodzi od dostawcy, na wskaźnikach dostawcy. To nadal może być informacyjne — jeden dostawca korepetycji SI raportuje metrykę zaangażowania skalibrowaną względem ekspertów-ludzi na poziomie F1 0.83, z poprawami pochodzącymi z ponad 40 eksperymentów w pięć miesięcy (Udeshi i wsp., 2026) — ale konstrukt, oceniający i metryka są wyborami dostawcy. Poproś o grupę porównawczą i wynik bez wsparcia.
  • Zautomatyzowane ocenianie jest traktowane jako rozwiązane. Wysoka zgodność z oceniającymi-ludźmi to rzetelność, nie jakość. W jednym badaniu oceniania oceniający-ludzie zgadzali się z konsensusem wielu oceniających na poziomie około r = 0.88, więc zautomatyzowane wyniki bliskie r = 0.85 były już na własnym pułapie pomiarowym zadania (Kiedy ufać ocenianiu przez SI).
  • Lista referencji dźwiga ciężar. Trzydzieści pozycji bibliograficznych zawierających weryfikowalnie sfabrykowane informacje potwierdzono w 14 artykułach z dziedziny edukacji informatycznej, wszystkie z lat 2025 i 2026 (Denny i wsp., 2026). Jeśli twierdzenie opiera się na cytacie, sprawdź cytat.
  • Nikt nie zmierzył zachowania, od którego zależy Twoja polityka. W 493 zdeduplikowanych rekordach i 14 badaniach priorytetowych żadne nie zmierzyło, czy weryfikacja się powiodła i co uczący się potem z nią zrobił, oceniane wobec niezależnego standardu jakości wyniku (weryfikacja i kalibracja polegania). Polityki kursów zależą dokładnie od tego zachowania.

Jeśli budujesz lub kupujesz narzędzie

Te same kontrole odwracają się w wymagania projektowe, a strony bazy wiedzy poświęcone ocenie zawierają szczegóły (Ocena AIED, Automatyczne ocenianie).

  • Uczyń porównanie częścią specyfikacji funkcji. Zdecyduj, co uczący się robiłby w przeciwnym razie, i umiej uzasadnić, dlaczego Twoje narzędzie bije to — a nie dlaczego bije nic.
  • Mierz warunek bez wsparcia. Jeśli Twoim wynikiem jest uczenie się, uwzględnij zadanie wykonane bez narzędzia; samo wykonanie ze wsparciem zmylisz siebie tak samo, jak zmylisz swoich nabywców.
  • Raportuj, jak zweryfikowano Twoje automatyczne osądy — złoty standard, cel kalibracji, kto rozstrzygał niezgodności — i raportuj to jako rzetelność, a nie jakość.
  • Nazwij wersję i datę w każdym twierdzeniu o skuteczności, bo Twoje następne wydanie je unieważni.
  • Pokaż przeciwwagi: koszt na studenta, dostępność, obsługę danych i to, co dzieje się z uczącymi się na darmowym poziomie. Zobacz Ujawnianie korzystania z SI, prywatność i zarządzanie.

Dla czytelników, którzy chcą zobaczyć dowody

Powyższe kontrole nie są mądrością ludową; pochodzą z udokumentowanych porażek w tej literaturze. Ta sekcja zachowuje szczegóły dla każdego, kto recenzuje artykuł, broni decyzji albo argumentuje, że narzędzie powinno być właściwie ocenione.

Porażki trafności mają rozkład, nie tylko występowanie. Wśród 46 audytowanych badań O'Neilla (2026) niedopasowanie zmiennej zależnej było najczęstszym problemem (n = 15) — miara nie ujmowała tego, co twierdzenie głosiło — a za nim niedopasowanie zmiennej niezależnej (n = 11), problemy z projektem eksperymentalnym (n = 7), problemy z ekstrakcją danych (n = 6), brak grupy kontrolnej (n = 6) i nielosowe przypisanie do grup (n = 6). Spośród 14 metaanaliz dwanaście traktowało wiele wielkości efektu pochodzących z tego samego badania pierwotnego jako niezależne, co zawyża pozorną bazę dowodową.

Twierdzenia o podgrupach są zwykle nierozstrzygalne w badaniach, które je stawiają. mikro-RCT z nauk przyrodniczych GCSE raportuje interakcję leczenia ze statusem 0.57 punktu (95% CI -2.25 do 3.39), ze stratyfikowanymi oszacowaniami g = 0.28 (95% CI -0.04 do 0.59) dla jednej grupy i g = 0.35 (95% CI 0.18 do 0.52) dla drugiej. Przedział przechodzący przez zero nie jest ustaleniem o równości; to pytanie do lokalnego pilotażu.

Synteza może spełnić własny protokół i nadal łączyć jakość bez wag. Doğan i wsp. (2026) mówią wprost, że nie użyli żadnego formalnego narzędzia oceny jakości, traktując kryteria włączenia jako próg rygoru, więc badanie quasi-eksperymentalne i randomizowane wniosły tyle samo — a ich heterogeniczność wynosi I² = 82.98% w modelu efektów stałych, ale 15.75% w modelu efektów losowych, dlatego liczba heterogeniczności cytowana bez modelu nie może powiedzieć, jak niespójny jest korpus.

Walidacja automatycznego osądu jest częścią wyniku. Zgodność z kodującymi-ludźmi to stwierdzenie o rzetelności, a powyższy pułap pokazuje, dlaczego nie jest tym samym co jakość (maszyny błędnie odczytują jakość pedagogiczną).

Wiek narzędzia jest ograniczeniem pierwszorzędnym. Przegląd oceniania wspieranego przez SI zauważa, że jego własne ustalenia odzwierciedlają konkretne wersje modeli w konkretnych momentach i że ruch w dziedzinie sprawia, iż każdy opis możliwości modeli może być przestarzały w ciągu miesięcy (Ocenianie i nauczanie wspierane przez SI w szkolnictwie wyższym). Zakres twierdzeń ograniczaj do ich generacji: „generatywna SI poprawiła X" nie jest twierdzeniem uniwersalnym, natomiast „narzędzia ery GPT-4, w tym zadaniu, z tym rusztowaniem" jest.

Cele benchmarków się zmieniają, więc wynik, który system dziś nasyca lub oblewa, może się odwrócić przy następnym wydaniu; kontrole nasycenia i kontaminacji należą obok każdego twierdzenia opartego na benchmarku.

Czytanie tej literatury obok jej własnych krytyków jest tu normalną praktyką. Listy kontrolne po stronie raportowania dla autorów i recenzentów znajdują się w FAQ o raportowaniu i interpretowaniu badań nad SI, a nawyki oceny z tej strony łączą się z Rozwojem teorii w SI w edukacji, gdy twierdzenie jest teoretyczne, a nie empiryczne.

Krótka lista kontrolna

  1. Sformułuj swój wynik w jednym zdaniu, w tym to, czy narzędzie jest w nim obecne.
  2. Znajdź porównanie. Brak wiarygodnego porównania — brak decyzji.
  3. Dopasuj miarę do twierdzenia i preferuj wynik bez wsparcia.
  4. Spłaszcz liczbę: czytaj efekt skorygowany o stronniczość, nie nagłówek.
  5. Sprawdź wersję modelu i daty badania.
  6. Czytaj sekcję ograniczeń jako instrukcję tego, czego nadal nie wiesz.
  7. Policz koszt: licencje, poziomy, czas personelu, zasady danych.
  8. Pilotuj na małą skalę z miarą bez wsparcia, a potem decyduj.
  9. Zapisz datę przeglądu rok naprzód i bądź gotów wycofać twierdzenie.

Częste błędne wyobrażenia

„Opublikowana metaanaliza to ustalony dowód o SI w edukacji". Syntezy dziedziny nie przeszły audytu. Audyt O'Neilla (2026) obejmujący 14 recenzowanych metaanaliz twierdzących, że SI poprawia edukację, wykazał, że żadna nie dawała ważnej podstawy dla tego wniosku. Połączona wielkość efektu jest tylko tak dobra jak połączone badania, a w tej literaturze łączenie rutynowo obejmowało projekty, które nie mogły przypisać wyniku SI. Zanim zacytujesz liczbę metaanalityczną, zapytaj, co zagregowała.

„Większa wielkość efektu należy do lepszej interwencji". Często jest odwrotnie. W kontekście przeglądu, który ta strona dokumentuje, tylko 21% badań miało dobrze zdefiniowany warunek, grupę kontrolną i trafną miarę uczenia się — a raportowana przewaga „korzystania z ChatGPT" okazała się większa niż w przypadku celowo zaprojektowanych inteligentnych systemów tutorskich. Słabo określone warunki zwykle dają zawyżone efekty, bo porównanie jest mgliste, a miara wyniku luźniejsza. Większa liczba jest powodem, by przyjrzeć się projektowi, a nie powodem, by preferować interwencję.

„Wyższe oceny przy korzystaniu z narzędzia oznaczają, że narzędzie nauczyło więcej". W jednym badaniu matematyki w K-12 studenci ćwiczący z ogólnego przeznaczenia chatbotem uzyskali lepsze oceny z ćwiczeń, a potem wypadli około 17% gorzej w ocenianiu bez wsparcia. Wynik ćwiczeń mierzony z obecnym narzędziem jest miarą zawyżoną; wynik bez wsparcia jest wynikiem, a rosnął tylko jeden z nich.

„Jeśli efekt jest realny, szczegóły wdrożenia nie mają większego znaczenia". To one są efektem. Badanie, które objęło 30 studentów na jednym kursie w jednej instytucji, na wersji narzędzia, której nikt już nie używa, dało ustalenie o konfiguracji, która już nie istnieje. Specyfikacja warunku, wersja i otoczenie są częścią twierdzenia, a nie kontekstem wokół niego.

Połączone koncepcje

Połączone artykuły

Powiązane FAQ

Metadane

Typ badaniaLiterature Review
Docelowi odbiorcyInstructors, Administrators, Instructional Designers, Software Developers, Researchers
Ocena i pomiarAssessment Validity, Educational Measurement, Self-Report Measures, Learning Gains
Metody badawcze i ocenaAI Ed Evaluation, Benchmark, Research Methods in AIED, Meta-Analysis and Systematic Review, Quantitative Research
Równość, etyka i odpowiedzialne użycieAI Use and Disclosure Statements
Podstawy AI w edukacjiOgraniczenia w badaniach AIED
Rodzaj stronyEvaluation, Framework
ŹródłoHistoriaEdytujCzat

Osadź tę stronę

Skopiuj poniższy kod, aby osadzić tę stronę w systemie zarządzania nauczaniem lub na innej witrynie. Wersja osadzona pokazuje tylko treść strony — ukrywa nagłówek witryny, nawigację i stopkę.