Baza wiedzy AIEdAIEd KB
Na tej stronie

Przeczytaj tę stronę po angielsku

Pojęcia

Rozwój teorii w edukacji ze SI

Utworzono 2026-08-22 · Zaktualizowano 2026-11-08

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

Rozwój teorii w edukacji ze SI — praca naukowa polegająca na tworzeniu, rozwijaniu i krytycznym badaniu teorii i ram pojęciowych, które wyjaśniają, jak uczący się, nauczyciele i systemy SI oddziałują. Gdy generatywna SI przekształca edukację, dziedzina zarówno proponuje nowe teorie uczenia się z SI, jak i przepracowuje ugruntowane teorie uczenia się — podczas gdy udokumentowana słabość w użyciu teorii pozostaje przekrojowym ograniczeniem badań AIEd.

Pytania do rozważenia

  • Często mówimy o „stosowaniu teorii" do SI w edukacji, ale ta strona pyta, czy dziedzina faktycznie wymyśla nowe teorie. Zanim przeczytasz dalej: gdy znana rama (jak behawioryzm czy konstruktywizm) jest rozciągana, by objąć generatywną SI, co może uchwycić dobrze, a co może po cichu zniekształcić?
  • Przypomnij sobie moment, gdy używałeś SI i czułeś, że twoje rozumienie rośnie — albo odwrotnie. Jaka jest różnica między „uczeniem się z narzędziem" a „współkonstruowaniem wiedzy z maszyną"? Gdzie postawiłbyś tę granicę i czy w ogóle sensowne jest mówienie, że maszyna jest współagentem?
  • Wiele badań nad edukacją ze SI krytykuje się za słabe lub żadne użycie teorii. Gdybyś czytał badanie, które pokazało, że narzędzie SI „zadziałało", czego musiałoby ci ono powiedzieć o tym, dlaczego i jak zadziałało, zanim nazwałbyś ustalenie teoretycznie znaczącym, a nie tylko wielkością efektu?
  • Jedna z proponowanych teorii twierdzi, że studenci wychowani z SI przeceniają własne uczenie się, ponieważ SI zawyża ich wykonanie. Czy zauważyłeś u siebie lub innych poczucie większej kompetencji po intensywnym użyciu SI, niż mogliby faktycznie wykazać bez niego? Jaki byłby najsilniejszy dowód, że to realne zjawisko, a nie artefakt jednego badania?
  • Strona odróżnia teorię (wyjaśniającą mechanizmy uczenia się) od filozofii (pytającej, czym uczenie się i umysł fundamentalnie są). Gdzie w twoim własnym myśleniu o SI przechodzisz między tymi dwoma — na przykład pytając nie tylko, czy rama dobrze wyjaśnia uczenie się, ale czy ujmuje to, czym uczenie się naprawdę jest?
  • Pojawiają się nowe teorie — generatywizm, epistemiczna współsprawczość, wspólne dobra poznawcze. Jako czytelnik, co by cię przekonało, że jedna z nich jest prawdziwym postępem, a nie modnym przemianowaniem starszych idei? Ustal własny test na to, co dobra nowa teoria uczenia się z SI powinna umieć wyjaśnić.

Wprowadzenie

Rozwój teorii w AIEd leży na granicy między stosowanymi teoriami uczenia się, z których dziedzina czerpie, a nowymi konstruktami, które wytwarza era SI. Tam, gdzie Learning Theories kataloguje ugruntowane teorie stosowane do SI (behawioryzm, konstruktywizm, obciążenie poznawcze, autodeterminacja itd.), ta koncepcja śledzi proces i produkt teoretyzowania samego w sobie: które nowe teorie i ramy się rodzą, jak rozwijane są ugruntowane teorie i jak brzmi pytanie metodologiczne, czy badania AIEd teoretyzują dobrze.

  • Rama, która określa własny warunek porównania. Nakamura (2026) traktuje podział pracy poznawczej jako jednostkę wyjaśniającą, umieszcza operacje na stopniowanym kontinuum peryferyjne–konstytutywne, nazywa warunek porównania, wobec którego definiuje się wzmocnienie i erozję, i wyprowadza siedem warunkowych testowalnych propozycji (Nakamura, 2026). Ponieważ propozycje przewidują różnice między konfiguracjami, badanie raportujące tylko średni efekt nie może ich potwierdzić ani obalić.

Nowe teorie uczenia się z SI

Rosnący klaster artykułów jawnie tworzy nową teorię dla ery SI, zamiast stosować istniejące ramy:

  • Generatywizm. Generatywizm jest proponowany jako nowa teoria uczenia się, twierdząca, że behawioryzm, kognitywizm, konstruktywizm i konektywizm opierają się każdy na jednym założeniu, które generatywna SI łamie: że obserwowalny wynik potwierdza uczenie się (behawioryzm), że operacje poznawcze zachodzą wewnątrz uczącego się (kognitywizm), że znaczenie jest konstruowane, a nie dostarczane (konstruktywizm), i że trudną częścią jest nawigacja do istniejącej wiedzy, a nie jej generowanie (konektywizm). Nazywa cztery konstrukty — partnerstwo epistemiczne, rozproszoną sprawczość, kompetencje generatywne i adaptacyjne metapoznanie — i wyprowadza dla każdego wskaźnik oceniania, co jest bezpośrednią próbą nazwania odrębnego paradygmatu teoretycznego dla uczenia się zapośredniczonego przez SI. Nie formułuje natomiast propozycji, które mogłyby się nie potwierdzić: jest artykułem stanowiskowym syntetyzującym istniejące dowody, więc w przeciwieństwie do Agentivizmu poniżej oferuje słownik i program pomiarowy, a nie falsyfikowalną teorię.
  • Połączenie z SI. Fu i Zhao (2026) rekonstruują poczucie więzi dla ery SI przez etykę troski i teorię neoekologiczną, definiując „połączenie ze sztuczną inteligencją" jako psychologicznie realną, lecz etycznie asymetryczną więź o trzech wymiarach, z sześcioma falsyfikowalnymi propozycjami czekającymi na opracowanie skali.

Stanowisko syntetyczne dodaje rywalizującą propozycję, która faktycznie formułuje propozycje: nazywa syntetyczną promocję i autorską suspensję — ja gęsto uobecnione, lecz niebędące autorem — i przewiduje interakcję krzyżową, w której oceniane autorstwo i spójność narracji o decyzji życiowej biegną w przeciwnych kierunkach (Du i wsp. (2026)).

  • Agentivizm. Yan i Gašević (2026) proponują Agentivizm jako teorię uczenia się średniego zasięgu dla interakcji człowiek–SI, definiując uczenie się jako trwały wzrost zdolności człowieka, a nie skuteczne wykonanie zadania z SI, i określając cztery mechanizmy: delegowaną sprawczość, monitorowanie i weryfikację epistemiczną, rekonstrukcyjną internalizację oraz transfer przy ograniczonym wsparciu. To, co odróżnia ją od innych propozycji na tej stronie, to falsyfikowalność: formułuje sześć propozycji, w tym tę, że uczenie się jest silniejsze, gdy SI zachowuje odpowiedzialność uczącego się za ramowanie problemu, ustalanie kryteriów i uzasadnianie, niż gdy dostarcza odpowiedzi. Utrzymuje też, że wymaganie weryfikacji powinno poprawiać odroczone wykonanie, podczas gdy powtarzane delegowanie o niskim tarciu bez rekonstrukcji powinno osłabiać kalibrację własnej kompetencji przez uczących się.

Teoretyzowanie po stronie nauczyciela podejmuje teraz to samo zobowiązanie do testowalności: model Capability–Decision sytuuje zdolność AI-TPACK przed postawą i postrzeganą kontrolą behawioralną i nazywa cztery warunki obalenia — niepowodzenie mediacji, zapaść dyskryminacyjną, zerowość moderacji i redundancję kontekstu — choć model pozostaje nieprzetestowany (Mnguni (2026)).

  • Epistemiczna współsprawczość. Uczenie się z maszynami buduje „ku teorii epistemicznej współsprawczości", model oparty na teorii opisujący, jak uczący się i systemy GenAI wspólnie wytwarzają wiedzę i rozumienie.
  • Cykl partnerstwa poznawczego. Page (2026) proponuje Cykl Partnerstwa Poznawczego, sześciofazowy model rekurencyjny — Pytanie człowieka, Ekspansja SI, Refleksja człowieka, Integracja, Rewizja i Nowe pytanie — który lokuje uczenie się w zmianie pozycji poznawczej uczącego się, a nie w wyrafinowaniu promptu, i nazywa cztery tryby porażki, w których ta sama rekurencja zastępuje myślenie lub je zniekształca.
  • Nieobecna linia bazowa poznawcza (ACB). Nieobecna linia bazowa poznawcza teoretyzuje strukturalną lukę w akademickiej samoocenie studentów wychowanych z SI — trójwymiarową ramę wyjaśniającą, dlaczego studenci przeceniają swoje uczenie się, gdy SI zawyża ich wykonanie.
  • Wspólne dobra poznawcze. Wspólne dobra poznawcze i regeneracja ekspertyzy czerpie z teorii zasobów wspólnej puli i poznania rozproszonego, by wyjaśnić, jak racjonalne decyzje o adopcji SI mogą uszczuplać wspólną pulę ekspertyzy, której zawody potrzebują do odnowy.
  • Wykonanie a uczenie się. Wykonanie a uczenie się teoretyzuje ostry rozstęp między zawyżonym przez SI wykonaniem zadania a trwałym uczeniem się — rozróżnienie, które powraca w dowodach na temat efektów uczenia się w bazie wiedzy.
  • Epistemiczne kompetencje w zakresie SI (EAIL). Epistemiczne kompetencje w zakresie SI przeformułowują je jako procesową kompetencję epistemiczną skupioną na tym, jak wiedza jest konstruowana i uzasadniana, gdy studenci współprogramują z generatywną SI.
  • Teoria Trzech Systemów. Shaw i Nave (2026) rozszerzają ujęcia dwuprocesowe o System 3 — zewnętrzne, zautomatyzowane, oparte na danych rozumowanie z SI, które może uzupełniać, wypierać lub tłumić System 1 i System 2 — i wskazują kapitulację poznawczą — bezkrytyczne przyjęcie wyniku SI — jako jej charakterystyczny tryb porażki.
  • Poznawcze zarządzanie powiernicze. Poświadczenia i poznawcze zarządzanie powiernicze teoretyzują instytucjonalną odpowiedzialność za ochronę wiedzy i uczenia się w kontekstach oceniania przenikniętych SI.
  • Współ-regulacja i epistemiczna proaktywność. SI jako partner poznawczy we współregulacji integruje funkcje wykonawcze, metapoznanie, poznanie rozproszone i rozwój społeczno-kulturowy w model rozwojowy; epistemiczna proaktywność teoretyzuje sprawczą postawę studentów wobec SI w matematyce.
  • Paradygmaty zaangażowania człowieka z GAI. Strydom (2026) odpowiada na „deficyt teorii" w dziedzinie, ugruntowując siedem urzeczywistnianych paradygmatów zaangażowania człowieka z GAI (strzeżony, skoncentrowany na możliwościach, wzmocniony, pionierski, symbiotyczny, oparty na wartościach, równościowy) w wielowymiarowym modelu osobistych przekonań epistemologicznych Schommera — epistemologiczną, a nie narzędziową teorię tego, jak jednostki różnie sytuują się wobec SI.
  • Ekologiczna rama współsprawczości. Poudyal (2026) twierdzi, że generatywna SI przesuwa autorytet epistemologiczny od nauczycieli przez studentów do maszyn, i wprowadza ramę definiującą współsprawczość przez trzy współzależne wymiary — relacyjny, regulacyjny (zmapowany na cykl SRL) i pedagogiczny (kontinuum adopcji przez nauczyciela) — wszystkie ograniczone nienegocjowalnym warunkiem ludzkiej odpowiedzialności epistemicznej (kontestowalność, pochodzenie i nieprzekazywalność zasługi moralnej/intelektualnej). Sytuuje sprawczość jako epistemiczny problem projektowy, a nie kwestię użyteczności, dając instytucjom precyzyjniejszy język niż „równowaga" do zarządzania integracją GenAI.
  • Relacyjna sprawczość epistemiczna i zależność epistemiczna. Du i Yuan (2026) wnoszą krytyczno-integracyjne ujęcie tego, kiedy zapośredniczone przez SI poleganie zachowuje, a kiedy wypiera osąd. Operacjonalizują granicę produktywnego polegania i szkodliwej zależności przez sześć kryteriów diagnostycznych (kontestowalność, odzyskiwalność, transfer, śledzalność, odpowiedzialność rozproszona, pluralizm epistemiczny) i śledzą cztery ścieżki socjotechniczne (płynny autorytet, beztarciowe delegowanie, nieprzejrzysta synteza, zinstytucjonalizowana zależność). Ich propozycja normatywna, relacyjna sprawczość epistemiczna, rozszerza nurty relacyjnej autonomii i epistemicznej współsprawczości, zachowując wyraźną asymetrię — SI może kształtować rozumowanie bez wzajemnej odpowiedzialności lub legitymnego autorytetu — i integruje odpowiedzialność oraz sprawiedliwość epistemiczną na poziomie instytucjonalnym. Jako teoria uczenia się z SI przesuwa pytanie dziedziny z tego, czy SI pomaga czy szkodzi, na to, które działania epistemiczne są zachowane, przekształcone lub wyparte, i czyni projektowanie zależności, a nie samo użycie, przedmiotem interwencji pedagogicznej i instytucjonalnej.

Wynik modelu awansuje do statusu wiedzy zbiorowej bez gwarancji wspólnoty, której ten status wymaga — to, co Webb et al. (2026) nazywają pseudo-cPCK, i powód, dla którego dziedzina potrzebuje nowego konstruktu teoretycznego, a nie lepszego interfejsu (Webb et al., 2026).

Rozwijanie istniejącej teorii

Inne prace rozszerzają istniejącą teorię na kontekst SI, zamiast zakładać nowe paradygmaty: prace nad paradoksem krytycznego myślenia integrują teorię obciążenia poznawczego z instrukcją redukcji obciążenia w trójpoziomową ramę; sprawiedliwe ocenianie re-teoretyzuje ocenianie wobec zakłócenia przez GenAI. Ba, Gašević, Lim i Anderson (2026) przeformułowują samą ramę Wspólnoty Dociekania: zamiast ujmować GenAI jako narzędzie, partnera dialogowego lub spekulatywną „czwartą obecność", repozycjonują ją jako warunek epistemiczny, który rekonfiguruje sposób urzeczywistniania, dowodzenia i zarządzania obecnością poznawczą, społeczną i dydaktyczną — przekształcając obecności CoI w socjotechniczne osiągnięcia układów ludzko-GenAI-owych i proponując heurystykę opartą na konfiguracji, w której zaangażowanie GenAI i jakość dociekania są warunkowo powiązane przez ludzką odpowiedzialność. Znaczna część tego to praca nad ramami pojęciowymi (ramy dla szkół biznesu, trafna symulacja), która operacjonalizuje teorię dla praktyki.

Lin i Chang (2026) rozszerzają uczenie się samoregulowane i regulację człowiek–SI, nazywając to, czym zarządza uczący się — standardy, osądy ewaluacyjne i upoważnienie do kontroli — a nie tylko to, co robi SI.

Paradoks tarcia oferuje kolejne rozszerzenie istniejącej teorii: Gupta (2026) stosuje pożądane trudności Bjorka i Bjork oraz produktywną porażkę Kapura do spotkań relacyjnych w edukacji za granicą, twierdząc, że liczy się to, ile sprawczości interpretacyjnej student przenosi na asystenta generatywnego, a nie jak często go używa. Rama jest pojęciowa i formułuje pięć propozycji jako konkurencyjne hipotezy.

Ranieri i Biagini (2026) rozwijają funkcjonalną taksonomię dziedziny Zawacki-Richtera i wsp. (2019): spośród 154 publikacji z klasyfikowalną funkcją zastosowania 90 (58,4%) wymykało się jej czterem kategoriom, a ich rama krzyżuje funkcję z delegowaną kontrolą, pozycją epistemiczną i osadzoną pedagogiką.

An, McLaren i Stamper (2026) rozwijają ACT-R i ramę Knowledge-Learning-Instruction, teoretyzując zwodniczą nadgeneralizację — tryb porażki, w którym kompilacja wiedzy daje nadgeneralizowaną produkcję, która wywołuje poprawne działania, pomijając krytyczne ograniczenie zastosowania — i empirycznie walidując procedurę wykrywania i naprawy w adaptacyjnych ITS-ach oraz w zbiorze danych o uczeniu się ułamków dziesiętnych K-12.

Postfenomenologia i zapośredniczenie technologiczne. Farazouli i wsp. (2026) rozwijają ugruntowaną postfenomenologiczną ramę zapośredniczenia technologicznego (Ihde 1990; Verbeek 2006, 2011; Rosenberger i Verbeek 2015) w kontekście SI w edukacji. Zamiast proponować nową teorię, stosują ją, by przeformułować chatboty GAI jako wielostabilne artefakty technologiczne, których „skrypty" (szybka responsywność, tekst brzmiący naturalnie, który może uzyskać oceny zaliczające) zapośredniczają postrzeganie nauczycieli i rekonfigurują ich praktyki — zachwiewając pewność nauczycieli, przekształcając znaczenie kompetencji i popychając nauczycieli poza instrumentalne pytania o dopuszczalne użycie ku ponownej ocenie własnej roli i sensu nauczania. To wkład w rozwój teorii: pokazuje, jak filozoficzne ujęcie relacji człowiek–technologia wyjaśnia emocjonalne i zawodowe zakłócenie, którego doświadczają nauczyciele, gdy GAI wchodzi w ugruntowaną praktykę edukacyjną.

Dalszym wkładem w ramy jest typologia AI×Ed Rismanchiana i Doroudiego, która rozszerza oryginalne „trzy interakcje" Kahna (1977) wzdłuż dwóch osi — roli SI (stosowane narzędzie vs analogia do ludzkiej inteligencji) i użytkownika końcowego (od badacza do uczącego się) — by zlokalizować dowolny projekt AIED. Poza kategoryzacją dziedziny argumentuje za ożywieniem nurtu teorii i badań „SI jako analogia do ludzkiej inteligencji", używając obliczeniowych i agentowych modeli uczenia się (np. własnego modelu obliczeniowego ramy ICAP) do połączenia współczesnej teorii uczenia się z modelowaniem obliczeniowym — kierunku metodologicznego, który dziedzina w dużej mierze porzuciła, zwracając się ku pracy stosowanej i opartej na danych.

Filozofia porównawcza jako droga do pluralizmu teoretycznego. Xie (2026) modeluje inną drogę do rozwoju teorii: zamiast teoretyzować SI w edukacji z wnętrza jednej tradycji, artykuł inscenizuje dialog porównawczy, w którym każda tradycja „czyni widocznym to, co druga zasłania", jawnie odmawiając syntezy w jedną ramę — podejście, które traktuje pluralizm teoretyczny jako stanowisko metodologiczne, a nie nierozstrzygnięty spór. Twierdzi, że tradycje nieeuropejskie mogą więcej niż dywersyfikować debaty; mogą przekształcać pojęciowe fundamenty teorii AIED, rekonstruując daoistyczne „naturę Dao" (道性), samokultywację (修道) i „Zhenren" (真人) jako zasoby do przemyślenia sprawczości, epistemicznych celów edukacji i etycznego działania w warunkach zapośredniczonych przez SI. Wskazuje też jasno granice: wkład jest jednoautorski, nieempiryczny, i ostrzega, że takie tłumaczenie wymaga kontekstualizacji, by uniknąć romantyzacji i orientalizmu.(Alternative AI Philosophy: Daoism as Method for AI in Education)

Problem użycia teorii w AIED

Teoretyzowanie w dziedzinie jest nierówne. Ograniczenia badań AIEd dokumentują, że badania AIEd często używają teorii słabo lub bezkrytycznie — to powracająca słabość metodologiczna obok luk w reprodukowalności i pomiarze. Przeglądy wskazują, że wiele prac AIEd stosuje teorię powierzchownie lub wcale (np. przeglądy literatury odnotowujące niewiele badań ugruntowujących interwencje w teorii uczenia się). To czyni rozwój teorii — i użycie teorii — kwestią jakości równie ważną jak dorobek naukowy, łącząc się z metodami badawczymi i ewaluacją edukacji ze SI.

Relacja z filozofią SI w edukacji

Rozwój teorii i filozofia SI w edukacji to komplementarne, ale odrębne nurty pracy fundamentalnej w bazie wiedzy. Rozwój teorii wytwarza i empirycznie testuje mechanizmy uczenia się z SI — nazwane teorie i ramy, takie jak generatywizm, epistemiczna współsprawczość i nieobecna linia bazowa poznawcza, które wyjaśniają i przewidują, jak uczący się i SI oddziałują. Filozofia bada presupozycje, na których te mechanizmy się opierają: co liczy się jako wiedza, kto liczy się jako znawca i czym uczący się fundamentalnie jest. Teoria taka jak epistemiczna współsprawczość proponuje mechanizm, przyjmując jednocześnie implicytne zobowiązania filozoficzne dotyczące poznania rozproszonego i sprawczości; filozofia czyni te zobowiązania jawnymi i podważalnymi. Tam, gdzie rozwój teorii pyta, czy rama dobrze wyjaśnia uczenie się, filozofia pyta, czy ujmuje to, czym uczenie się i umysł naprawdę są — oba nurty spotykają się w najbardziej fundamentalnych artykułach dziedziny, które często robią jedno i drugie naraz.

Częste błędne wyobrażenia

„Ustalenie, że narzędzie zadziałało, to wkład teoretyczny". Nie jest, a przyczyna jest strukturalna. Gdy propozycje ramy przewidują różnice między konfiguracjami, badanie raportujące tylko średni efekt nie może ich potwierdzić ani obalić — projekt nie widzi rozróżnienia, o którym mówi teoria. Próba pokazująca średni zysk mówi, że coś się stało, a nie który mechanizm to spowodował, więc teoria pozostaje dokładnie tak wsparta, jak była wcześniej.

„Stosowanie ugruntowanej teorii do SI to rozwój teorii". Problem użycia teorii opisany na tej stronie mówi inaczej: zastosowanie nie jest rozwojem, a powracającym wzorcem dziedziny są zapożyczone konstrukty używane jako słownik, a nie jako testowalne przewidywania. Rozróżnienie ma znaczenie, ponieważ zapożyczona rama, która nie potrafi wygenerować falsyfikowalnej różnicy, jest dekoracją, a nie teorią.

„Istniejące taksonomie pedagogicznej funkcji SI już obejmują to, co robią te systemy". Nie obejmują znacznej części tego. Spośród 154 publikacji z klasyfikowalną funkcją zastosowania 90 (58,4%) wymykało się czterem kategoriom wcześniejszej ramy — dlatego nowsze prace krzyżują funkcję z delegowaną kontrolą, pozycją epistemiczną i osadzoną pedagogiką. Taksonomia, która błędnie klasyfikuje prawie trzy na pięć przypadków, nie może służyć jako wspólny słownik dziedziny, a luka jest ustaleniem o zjawisku, a nie luką w artykule.

Implikacje dla praktyki

Dla wykładowców i projektantów nauczania

  • Gdy badanie raportuje średni efekt, nie traktuj go jako wskazówki o twojej konfiguracji. Twierdzenia na poziomie teorii dotyczą różnic między konfiguracjami, a średnia nie powie ci, którą z nich prowadzisz.
  • Pytaj o każdą ramę, którą przyjmujesz, czy przewiduje coś, co mogłoby okazać się fałszywe w twoim własnym otoczeniu. Jeśli nie potrafi, nie pomoże ci niczego zdecydować.
  • Spodziewaj się, że istniejące kategorie pominą twój przypadek; ponad połowa sklasyfikowanych publikacji nie pasowała do standardowego czterodzielnego podziału.

Dla twórców

  • Raportuj konfiguracje, a nie jeden nagłówkowy efekt. Jeśli twój projekt ucieleśnia konkretną kombinację delegowanej kontroli i postawy epistemicznej, powiedz to — to jednostka, do której mówi teoria, i jednostka, której inny zespół potrzebuje do reprodukcji.
  • Nie buduj marketingu twierdzenia o mechanizmie na sile średniego wyniku; typ dowodu wymagany dla mechanizmu to kontrast, a nie średnia.

Dla badaczy

  • Projektuj kontrasty konfiguracji, jeśli zamierzasz wnieść wkład teoretyczny. Próba ze średnim efektem opublikowana jako rozwój teorii to najczęstszy i najmniej użyteczny produkt dziedziny.
  • Dołączaj jawne falsyfikowalne propozycje do każdej ramy, którą wprowadzasz, i raportuj, które różnice konfiguracji by je obaliły.

Połączone koncepcje

Połączone artykuły

Metadane

Typ badaniaLiterature Review
Uczenie się i nauczanieLearning Theories
Metody badawcze i ocenaResearch Methods in AIED
Podstawy AI w edukacjiAI w edukacji, Ograniczenia w badaniach AIED
Rodzaj stronyFramework
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.