Na tej stronie

Tygodniowy przegląd badań AIEd #231 października 2026

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

Tygodniowa notka z Bazy wiedzy o sztucznej inteligencji w edukacji, o tym, co badania opublikowane w minionym tygodniu oznaczają dla prowadzących zajęcia, twórców oprogramowania, badaczy i administratorów.

Od ostatniego numeru do bazy wiedzy dołączyło 121 nowych badań, cztery nowe zasoby, pięć nowych FAQ i dwie nowe strony pojęć — o otwartej edukacji i edukacji w zakresie statystyki i nauki o danych — która zawiera teraz 1 926 streszczeń artykułów, 222 strony pojęć, 42 FAQ i 37 zasobów. Strona dziennika wymienia wszystkie badania dodane w minionym tygodniu. Mogą Państwo również przeszukać bazę wiedzy lub skorzystać z SI, aby z nią porozmawiać.

Najważniejsze wyniki i pytania

Większość wyników tego tygodnia dotyczy pracy, która dzieje się wokół odpowiedzi, i tego, co zmienić, gdy odpowiedź przychodzi zbyt szybko lub zbyt pewnie. Dwa eksperymenty wyizolowały ten sam mechanizm w różnych warunkach.

Przedrejestrowane badanie z 317 dorosłymi podało to samo zadanie głębokiego przetwarzania jako arkusz roboczy lub jako otwarte okno czatu, a okno czatu podniosło dezorganizację zadania o 0,84 odchylenia standardowego, czego nic w modelu nie wyjaśniało, więc rozwiązaniem jest struktura wokół sekwencjonowania i zatrzymywania, a nie większe wsparcie treścią. Badanie forum wykazało, że asystent dydaktyczny SI odpowiadał pierwszy w 97% wątków rozpoczętych przez studentów, w medianie 0,92 minuty wobec 490 minut dla kolegów z grupy, podczas gdy język samoregulacji w wątku spadł z 49% do 36%, co wskazuje na opóźnienie pierwszej odpowiedzi, a nie na usunięcie asystenta.

Czy asystent lekcji, który oszczędza godziny, poprawia też samą lekcję? Dwustu czterech nauczycieli w zrandomizowanym badaniu: zaoszczędzony czas jest realny, lepsze materiały już nie.
Jeśli opublikowany efekt wynosi 0,86, czy należy go planować na własnym kursie? Metaanaliza 58 badań, która traci dwie trzecie swojej wielkości po zastosowaniu korekty obciążenia.
Czy dokładanie SI do zadania, które już Państwo prowadzą, jest warte zachodu? Dwie sekcje tego samego kursu, 113 studentów, brak różnicy w deklarowanym uczeniu się.
Jak wybrać asystenta, którego używają Państwa studenci? Zapytajcie, co robi, gdy student upiera się, że się myli: trzynaście modeli potwierdziło poprawną pracę w tempie od 46,5% do 98,5%.
Czy bezpiecznie jest mówić studentom, że chatbotowi zależy na ich samopoczuciu? Trzy eksperymenty i jedna ankieta: ujęcie SI jako empatycznej przesunęło odpowiedzialność z ludzi.
Co chatbot na Państwa kursie wysyła stronie trzeciej? Przechwycenie ruchu na 42 platformach, z których 17 to agenci edukacyjni: połowa wysyłała tytuły rozmów do trackera.
Kiedy asystent odpowiada pierwszy, kto jeszcze myśli? 28 123 zakodowane zdania z forum: odpowiedzi kolegów niosły większość samoregulacji i przestały przychodzić.

Nowe FAQ

W tym tygodniu opublikowano pięć nowych odpowiedzi, każdą napisaną pod pytanie, które kolega rzeczywiście zadaje, a nie pod temat. Indeks FAQ został też przegrupowany na dziewięć sekcji według zadania, które próbują Państwo ukończyć, więc pytanie, z którym Państwo przychodzą, jest znajdowalne bez wiedzy, jak dziedzina je nazywa.

Czy mogę używać SI do sprawiedliwego i rzetelnego oceniania prac studentów?

Odpowiedź o ocenianiu daje SI miejsce nadzorowanego drugiego czytającego przy pracy, którą już Państwo ocenili, a nie oceniającego odpowiedzialnego za ocenę. Zgodność nie przenosi się między typami oceniania, a sprawdzenie, które wyglądało najsilniej, przeprowadzono z kluczem odpowiedzi w ręku, co nie jest testem, który Państwo wykonują, oceniając w ciemno.

Jak sprawdzić, czy pytania quizowe i egzaminacyjne wygenerowane przez SI są dobre?

Odpowiedź o jakości pytań zaczyna od samodzielnego rozwiązania każdej pozycji, a potem od pytania, czego wymaga ona od studenta, ponieważ klucze odpowiedzi i wymagania zadania zawodzą częściej niż samo sformułowanie. Wygenerowane pytanie, na które nikt nie odpowiedział, jest kandydatem, a nie ocenianiem.

Jak SI może wspierać uczących się wielojęzycznie, nie wymazując ich głosu?

Odpowiedź o wielojęzyczności prosi najpierw o rozstrzygnięcie, jaką funkcję pełni język w zadaniu, zanim rozstrzygnie się, co może zrobić narzędzie. Tam, gdzie język jest sprawą drugorzędną, SI może usunąć barierę, która nie ma nic wspólnego z Państwa konstruktem; tam, gdzie język jest konstruktem, to samo narzędzie odrabia zadanie za studenta.

Czego studenci powinni się uczyć na potrzeby karier, w których SI jest powszechna?

Odpowiedź o karierach brzmi: uczyć całego zadania zawodowego i oceniać zarówno produkt powstały ze wsparciem, jak i to, co student potrafi bez pomocy. Dowody wspierają wiedzę dziedzinową oraz osąd, weryfikację i transfer, a nie wspierają żadnej listy umiejętności posługiwania się narzędziami.

Co właściwie oznacza spersonalizowane uczenie się i kiedy pomaga?

Odpowiedź o personalizacji rozdziela pięć rzeczy noszących tę samą etykietę, od zmiany kolejności ćwiczeń po pozwolenie studentowi wybrać, czego uczyć się dalej. Liczy się to, co jest dostosowywane, jakie dowody tym kierują i czy poprawia to uczenie się, które zamierzano osiągnąć; znajomy przykład lub responsywna rozmowa mogą sprawiać takie wrażenie, nie robiąc tego.

Pojęcia w centrum uwagi

Pięć stron pojęć wchłonęło wyniki tego tygodnia, dwie z nich są nowe. Każda jest stroną stałą, a nie jednorazową, więc nowe dowody współistnieją z tym, co strona już argumentowała.

Otwarta edukacja

Strona jest nowa i powstała, ponieważ trzynaście badań napłynęło naraz na temat tego, co generatywna SI robi z nauczaniem na otwartych licencjach. Jej argument jest taki, że to licencja, a nie model, jest czymś, co należy badać, a dwa nowe zasoby poniżej opisują instytucje, które dostosowują otwarte treści za pomocą SI szybciej, niż zdołają zapisać, kto jest autorem czego. Przeczytajcie stronę o otwartej edukacji, zanim wpiszą Państwo klauzulę o SI do polityki dotyczącej otwartych zasobów edukacyjnych.

Odciążanie poznawcze

Strona rozdziela teraz to, co narzędzie zwalnia, od tego, jak dużo student z niego korzystał; to rozróżnienie rysuje drabina odciążania, a eksperymenty z empatią pokazują je w miejscu, w którym większość ludzi by go nie szukała. Strona o odciążaniu poznawczym zawiera też wynik 0,84 odchylenia standardowego, ponieważ jest to najczystszy przyczynowy dowód, jaki strona ma.

Osąd wartościujący

Jej nowy dowód dotyczy tego, o co prosi się oceniającego: metody oceniania przesunęły stabilność powtórzeń z 2,9% do 15,9%, a trzynaście modeli ugięło się pod naciskiem studenta w tempie od 46,5% do 98,5%. Strona o osądzie wartościującym traktuje teraz opór wobec fałszywej korekty jako odrębną zdolność od trafnego podania odpowiedzi.

Kompetencje w zakresie SI

Dwa wyniki zawęziły konstrukt: myślenie krytyczne przebiegało przez sposób, w jaki studenci dzielili i przetwarzali pracę poznawczą, a nie przez znajomość narzędzi, oraz rubryka zbudowana z 16 kluczowych artykułów pokazała, jak niewiele zasobów wymienia kompetencję, którą rzekomo buduje. Strona o kompetencjach w zakresie SI zachowuje oba wyniki, ponieważ test kompetencji i zasób do budowania kompetencji mierzą różne rzeczy.

Druga nowa strona to edukacja w zakresie statystyki i nauki o danych, której pierwszy argument mówi, że pytanie o SI w tej dyscyplinie obraca się wokół artefaktu, ponieważ zbiory danych, wykresy i kod można teraz generować szybciej, niż ktokolwiek zdoła je zwalidować.

Dla prowadzących zajęcia

Otwarte okno czatu wymaga reguły zatrzymania, a nie większego wsparcia treścią

Połączenie zadania głębokiego przetwarzania z otwartym oknem czatu kosztuje studentów opanowanie samego zadania, a rozwiązaniem jest rusztowanie wokół sekwencjonowania i zatrzymywania, a nie więcej wyjaśnień. W przedrejestrowanym eksperymencie z 317 dorosłymi warunek z czatem podniósł dezorganizację o 0,84 odchylenia standardowego (przedział wiarygodności od 0,47 do 1,21) przy efekcie bezpośrednim 0,77, którego nie wyjaśnił żaden mediator w modelu, podczas gdy głębokie przetwarzanie nie ruszyło się w żadnym kierunku (mediana minus 0,22, przedział obejmujący zero).

Pierwsza odpowiedź w mniej niż minutę usuwa kolegów, którzy wykonywali rozumowanie

Opóźnijcie lub ograniczcie pierwszą odpowiedź asystenta na forum dyskusyjnym, ponieważ koledzy z grupy, którzy myślą na głos, to ci, którzy przestają pisać. W czterech kursach magisterskich i 28 123 zakodowanych zdaniach asystent dydaktyczny SI odpowiadał pierwszy w 97% wątków rozpoczętych przez studentów, w medianie 0,92 minuty wobec 490 minut dla kolegów, a język samoregulacji spadł z 49% do 36%, gdy odpowiedzi kolegów spadły z 91% do 45% dalszych wypowiedzi, przy czym odpowiedzi kolegów niosły około 70% tej regulacji wobec 27% w przypadku studentów, którzy otworzyli wątek. Samoregulowane uczenie się na forum powstaje w odpowiedziach, a nie w samej odpowiedzi.

Szkolenie z podpowiedzi kupuje nauczycielom czas, a nie lepsze materiały

Planujcie prace nad kompetencjami nauczycieli w zakresie SI jako interwencję w obciążenie pracą i nie oczekujcie, że podniesie ona jakość tego, co nauczyciele tworzą. W zrandomizowanym badaniu z 204 nauczycielami szkolenie z pisania podpowiedzi dodało 21% oszczędności czasu przygotowania ponad samo korzystanie z ChatGPT, bez przyrostu w ocenianej jakości materiałów, ponieważ przeszkoleni nauczyciele pisali dłuższe podpowiedzi i potrzebowali mniej rund dopracowywania.

Asystent lekcji oszczędza czas przy niewielkiej dawce lekcji

Wypróbujcie go ze względu na godziny, które zwraca, a jeszcze nie ze względu na lekcje, które tworzy. Niezależne badanie klastrowe Aila z Oak National Academy objęło 416 angielskich nauczycieli szkół podstawowych i zmierzyło przygotowanie na poziomie 2,51 godziny tygodniowo wobec 3,32 bez narzędzia, co daje około 49 minut tygodniowo, podczas gdy narzędzie obejmowało 7% lekcji, a jakość testowano tylko pod kątem niegorszości, a nie poprawy.

Dołożenie SI do otwartego zadania samo w sobie nic nie dodaje

Finansujcie zadanie z zakresu otwartej edukacji, które już prowadzą Państwo, zamiast dokładać do niego narzędzie i czekać na przyrost kompetencji. Dwie sekcje wprowadzającego kursu rozwoju dziecka — 55 studentów pracujących jak zwykle i 58 z dodanymi narzędziami wyszukiwania opartymi na generatywnej SI — odnotowały ten sam postrzegany przyrost umiejętności źródłowych, 0,50 wobec 0,48 na pięciostopniowej skali, przy składniku interakcji bliskim zeru (F(1, 84) = 0,04, p = 0,85).

Wybieraj asystenta po tym, co robi, gdy student mówi, że się myli

Opór wobec fałszywej korekty rozdziela modele ostrzej niż trafność, więc uczyńcie z niego pierwszą rzecz, którą testują Państwo we wdrożeniu. Na 200 zweryfikowanych zadaniach z kratownicami i trzynastu modelach trafność rozwiązywania wynosiła od 64,5% do 97,0%, czyli rozrzut 32,5 punktu, ale po powiedzeniu, że poprawna praca jest błędna, modele potwierdzały ją w tempie od 46,5% do 98,5%, czyli rozrzut 52,0 punktu, co należy do kontroli osądu wartościującego, którą przeprowadza się przed wdrożeniem.

Ucz pisania wspomaganego SI jako gatunku, a wyniki przestaną się nakładać

Traktowanie pisania wspomaganego SI jako czegoś, czego się uczy, a nie czegoś, co się nadzoruje, należy do programu edukacji pisarskiej, a luka, którą otworzyło, nie była marginalna. Średnie w pomiarze końcowym wyniosły 9,8750 w sekcji uczonej w ten sposób wobec 3,8125 w grupie kontrolnej, bez nakładania się obu rozkładów (Mann-Whitney U = 0,00, r = 0,86).

Dla twórców oprogramowania

Buduj scenariusz, a nie personę korepetytora

Włóżcie rusztowanie w scenariusz i warsztat, zanim dostroją Państwo głos, ponieważ persona nie jest miejscem, w którym żyje efekt. W dwóch przedrejestrowanych trzyramiennych badaniach — 131 studentów rozumowania prawniczego i 54 osoby w ramieniu programowania konkursowego — system strukturalny osiągnął 22,8 punktu procentowego wobec 15,7 dla zwykłego asystenta, czyli przewagę 7,0 punktu (p = 0,018, d = 0,56), podczas gdy persona LLM jako nauczyciela nad tym samym modelem zyskała 2,8 punktu i nie różniła się istotnie (p = 0,121).

Korepetytor, który pierwszy nazywa rozwiązanie siłowe, kieruje studentów w złą stronę

Sprawdźcie, które rozwiązanie korepetytor nazywa, zanim wypuścicie go na zadanie z wieloma rozwiązaniami, i zachowajcie ten audyt w testach akceptacyjnych nauczania inteligentnego. Na 150 zadaniach uruchomionych z symulowanymi studentami siła brute force była nazwanym podejściem w 22,2 do 32,1 procent otwarć właściwych dla rozwiązania, wobec 13,0 do 19,4 procent dla rozwiązania optymalnego, a w rozmowach zaczynających się od sondowania wszystkie cztery modele bazowe kierowały studentów ku gorszemu podejściu w 6,1 do 7,1 procent przypadków.

Liczenie wywołań SI nie mierzy niczego o postępie

Liczby interakcji to najłatwiejszy sygnał do zebrania dla potoku analityki uczenia się i najsłabsza rzecz, jaką można umieścić na pulpicie, więc instrumentujcie raczej stan wykonania po obu stronach każdego wywołania. W 140 parach student–zadanie od 35 studentów interakcje z SI korelowały z pomyślnie wykonanymi komórkami na poziomie r = 0,12 i z komórkami dotkniętymi na tym samym poziomie r = 0,12.

Oceniaj sesję po tym, jak dryfuje, a nie po tym, ile pytań zadano

Sesja, która w drugiej połowie osuwa się ku szukaniu odpowiedzi, przewiduje gorszy pomiar końcowy, a obowiązkowa kontrola adekwatności po każdej odpowiedzi jest tanią interwencją. Z 880 merytorycznych tur 112 studentów w wieku 14 i 15 lat stromość trajektorii szukania pomocy dodała zmianę R kwadrat o 0,110 do modelu, który już zawierał wynik pomiaru wstępnego (beta = 0,34), podczas gdy statyczne cechy interakcji dodały 0,023 i nie osiągnęły istotności (p = 0,684), a 81,5% tur stanowiły prośby wobec 2,2% oceniania.

Reguła punktowania rozstrzyga o wyniku benchmarku bardziej niż model

Jeśli Państwa środowisko testowe podaje jedną liczbę, to jeszcze nie wiadomo, co ona mierzy. Te same 2250 dialogów między pięcioma korepetytorami a symulowanymi studentami uzyskały 42,1% przy dokładnym dopasowaniu i 81,3% przy oceniającym kalibrowanym przez człowieka, czyli rozrzut 39,2 punktu większy niż łączny wpływ modelu, strategii i potoku, a czterej oceniający od trzech dostawców zgadzali się w granicach 6 punktów, podczas gdy etykiety strukturalne potoku nie dawały przewagi (p = 0,263).

Metoda oceniania, a nie model oceniający, wyznacza powtarzalność

Publikujcie oświadczenie o rozstrzyganiu wymieniające metodę, środowisko, powtórzenie przebiegu i liczbę ocenionych pozycji stojących za każdym twierdzeniem, ponieważ to metoda przesuwa wynik. Powtórzenia zmieniały 2,9% do 6,1% wyników przy rubryce półsztywnej i 13,5% do 15,9% przy swobodnym ocenianiu holistycznym, podczas gdy zamiana modelu oceniającego przesunęła wynik tylko o około trzech punktów.

Rówieśnik SI, który zgadza się ze wszystkim, traci użytkowników

Konfigurujcie agentów tak, by utrzymywali niepewność i domyślnie odmawiali zgody, ponieważ kalibracja zaufania jest zachowaniem, które się pisze, a nie właściwością, którą model ma. Siedmioro ekspertów spędziło po 20 minut w roli studenta z agentem obsadzonym jako rówieśnik, a tym, co czyniło go rówieśnikiem, było społeczne zachowanie: niepewne rozumowanie i zamierzona niedoskonałość budowały zaufanie, podczas gdy ślepa zgoda z wszystkim, co mówił uczący się, niszczyła je.

Dla badaczy

Planujcie mały efekt, a nie opublikowaną średnią

W nowym otoczeniu efekt nagłówkowy nauczania z generatywną SI nie jest tym, na którym należy planować, więc najpierw przeprowadźcie pilotaż, a potem skalujcie. Trzypoziomowa metaanaliza 58 badań i 6941 uczestników dała połączony wynik g = 0,864, a następnie odnotowała niejednorodność bliską 87,9%, przedział predykcyjny od minus 0,213 do 1,942 i efekt skorygowany o obciążenie g = 0,258; wydrukujcie ten przedział obok oszacowania połączonego tam, gdzie czytelnik nie może go przeoczyć.

Myślenie krytyczne idzie za podziałem pracy, a nie za znajomością narzędzi

Przydzielcie wyraźny podział pracy i wymagajcie, by studenci przerabiali wynik, ponieważ doświadczenie z generatywną SI docierało do myślenia krytycznego tylko tymi dwiema drogami. Wśród 891 studentów w Stanach Zjednoczonych i Turcji specjalizacja i koordynacja pracy poznawczej niosły b = 0,636, a refleksyjne przekształcanie wyniku b = 0,367, bez istotnej ścieżki bezpośredniej, co zamienia pytanie o odciążanie poznawcze w wybór projektowy, a nie w ostrzeżenie.

Mniejsza luka edukacyjna w korzystaniu z SI nie jest równością

Nie czytajcie węższej luki w korzystaniu jako postępu i nie budujcie celów dostępowych na binarnym pytaniu o ostatnie trzy miesiące. Dopasowując 16 krajów europejskich według ich wskaźników adopcji w 2025 roku do ich własnego roku ery internetu, mediana luki między najlepiej i najsłabiej wykształconymi spadła z 56,4 punktu do 28,6, ujemna w 15 z 16 krajów (p = 0,0005), ale dopasowanie uwzględniające skład zmniejsza zmianę do minus 11,5 i minus 10,0, więc twierdzenie o równości wymaga mocniejszego instrumentu.

Niskie użycie nie oznacza niskiej gotowości

Finansujcie dostęp i podstawowe umiejętności dla najstarszych i najsłabiej wykształconych, a nie kampanię o zaufaniu, ponieważ użycie i zaufanie podróżują osobno. W 2025 roku 48,4% Duńczyków i 17,8% Rumunów używało generatywnej SI w ciągu poprzednich trzech miesięcy wobec 32,7% w całej UE, a jednak Rumuni ocenili swoje zaufanie na 4,1 wobec 3,8 w siedmiopunktowej skali, a 47% z nich uznało obecne prawo i zabezpieczenia za wystarczające wobec 36% Duńczyków.

Odciążanie jest erozyjne tylko wtedy, gdy omija cel

Pytajcie, które operacje poznawcze narzędzie zwalnia, a nie jak dużo student z niego korzystał. Odciążanie pomaga, gdy przejmuje pracę peryferyjną wobec celu uczenia się, i grozi erozją, gdy omija przetwarzanie konstytutywne dla tego celu, a przetworzenie wyniku później może uratować odciążenie, które inaczej byłoby konstytutywne; siedem warunkowych twierdzeń zastępuje jedno twierdzenie kierunkowe, a regulacja odciążania staje się wyuczalnym wymiarem kompetencji w zakresie SI.

Narzędzia sentymentu pomijają około połowy odpowiedzi negatywnych

Traktujcie automatyczne kodowanie otwartego tekstu jako argument o trafności, a nie jako wybór narzędzia, ponieważ dokładność ukrywa dokładnie te przypadki, na które by Państwo zareagowali. Wobec 1220 odpowiedzi kodowanych ręcznie najlepszy transformer osiągnął dokładność 0,79, ale tylko kappa 0,42 i wychwycił około połowy przypadków negatywnych, podczas gdy narzędzia leksykalne błędnie klasyfikowały mniej więcej jedną piątą, w korpusie, który był w 76,5% pozytywny.

Dla administratorów

Zapytajcie, co chatbot wysyła, zanim go wdrożycie

Żądajcie inwentarza skryptów stron trzecich, zanim licencjonują Państwo lub hostują chatbot kursowy, i pytajcie konkretnie, które znaczniki mogą czytać tytuł strony, adres URL i pole wprowadzania. Instrumentacja 42 platform wykazała, że 21 wysyłało tytuły rozmów do co najmniej jednego trackera, a dziewięć przekazywało dosłowną podpowiedź; 11 z 13 platform ogólnego przeznaczenia, które wyciekały dane, wysyłało też adres e-mail z rejestracji, a platformy edukacyjne miały średnio około 367 żądań do trackerów każda, z czego 24% niosło treści użytkownika.

Skodyfikowana pamięć to ta część kwalifikacji, która traci wartość

Chrońcie nadzorowaną praktykę i osąd w warunkach niepewności, a implikację dla projektowania programu czytajcie przed implikacją marketingową. Analiza różnic w różnicach na 655 919 obserwacjach ankietowych od 2018 roku do czerwca 2026 wykazała, że zwrot z roku nauki w zawodach najbardziej wystawionych na SI spadł o 0,55 punktu logarytmicznego po listopadzie 2022 roku, czyli około 7% poziomu sprzed wstrząsu, podczas gdy zwrot z doświadczenia wzrósł o 0,26 punktu logarytmicznego po trzech latach i spadł o 0,12 po dwudziestu pięciu.

Nazywanie chatbota empatycznym przenosi empatię z ludzi

Ustawcie system jako triaż, który kieruje studentów z powrotem do ludzi, i obserwujcie szukanie pomocy jako zachowanie, które po cichu znika. W czterech badaniach z 249, 494, 743 i 737 uczestnikami ujęcie SI jako zdolnej do empatii podniosło gotowość do odciążenia odpowiedzialności empatycznej (efekt całkowity 0,83) w całości przez postrzeganą zdolność (efekt pośredni 0,73), a usłyszenie, że kolega zaniósł problem do ChatGPT, obniżyło trafność odczytywania emocji do 7,13 poprawnych na 12 wobec 7,73 (p = 0,012).

Benchmarki zaliczone, dzieci wciąż poszkodowane

Oceniajcie na poziomie sesji i instytucji, a nie na poziomie API, ponieważ filtr działający na pojedynczym wyniku nie sięga interakcji z towarzyszem, w której żadna pojedyncza tura nie przekracza progu. Na podstawie 1331 zgłoszonych incydentów dotyczących dzieci seksualizacja jest największym podtypem krzywdy z liczbą 316, przed wykorzystywaniem seksualnym z liczbą 131, a krzywdy grupują się wokół wdrożenia, zarządzania i awarii związanych z nadużyciem, a nie wokół defektów modelu.

Piszcie politykę uczciwości dla użytkownika okazjonalnego i pełnego wątpliwości

Nazwijcie odmowę, wsparcie i zastąpienie jako trzy populacje, które spotyka to samo zadanie, ponieważ prawie nikt nie jest użytkownikiem codziennym. Dwie anonimowe ankiety na jednym brytyjskim uniwersytecie wykazały, że 81,05% z 94 studentów pierwszego roku użyło narzędzia generatywnej SI, by pomóc sobie ukończyć zadanie, wobec 4,21% deklarujących codzienne użycie i 9,47% deklarujących brak użycia, co czyni uczciwość akademicką polityką dla środka rozkładu, a nie podziałem na oszustów i nie-oszustów.

Moduły etyki nie uczą, skąd pochodzą dane

Dodajcie zadanie przeglądu pochodzenia danych do modułu etyki, który już prowadzą Państwo; to zmiana w projektowaniu programu, a nie nowy kurs. Spis 36 programów na 21 uniwersytetach wykazał, że etykę wykładano w 29 (80,6%), ale pochodzenie danych na poziomie oczekiwanym przez autorów tylko w 8 (22,2%), przy czym żaden program magisterski ani executive nie spełniał tego wymogu, a 22 z 29 programów obejmujących etykę pomijały pochodzenie danych całkowicie.

Nowe zasoby

W tym tygodniu do biblioteki zasobów dołączyły cztery zasoby i wszystkie cztery opisują decyzję instytucjonalną, a nie sztuczkę klasową.

Learning Design Wiki

Learning Design Wiki to otwarcie licencjonowane źródło referencyjne, które dzieli projektowanie nauczania na zasady, elementy, wzorce i strategie, każdy powiązany z cytowaniami, które za nim stoją, a własny raport dowodowy tego źródła mówi, że 98% twierdzeń opiera się na jednym badaniu. Utrzymują je modele językowe pod opieką jednego ludzkiego opiekuna i żadna strona nie została sprawdzona przez człowieka, więc to zbiór dobrze udokumentowanych tropów, a nie ustaleń.

teacher.dev

teacher.dev to niedochodowe studio, które codziennie udostępnia jedną bezpłatną aplikację klasową, dotąd 34, każdą nastawioną na jeden moment, taki jak generator drukowalnych rysunków czy tablica First/Then do edukacji specjalnej. Większość działa lokalnie, bez konta, więc żadne dane ucznia nie opuszczają urządzenia.

AI + OER Case Studies: A DOERS Project

AI + OER Case Studies to otwarta antologia jedenastu przypadków o tym, gdzie generatywna SI spotyka otwarcie licencjonowane zasoby w szkolnictwie wyższym, od uniwersytetu federacyjnego tworzącego wytyczne w ramach umowy zbiorowej po redakcję podręcznika z człowiekiem w pętli. Żadne dwa rozdziały nie dzielą tego samego instrumentu, więc to praktyka do adaptacji, a nie dowody do cytowania, a zbiór jest na licencji CC BY 4.0, podczas gdy każdy rozdział ma własną licencję.

Integrating AI in TVET: a practical guide for institutions

Integrating AI in TVET to przewodnik UNESCO-UNEVOC z 2026 roku dla instytucji kształcących techników i rzemieślników, a materiał użyteczny znajduje się w trzech aneksach: narzędziu samooceny gotowości, rejestrze ryzyka i ramie wskaźników. Nie podaje żadnych danych o wynikach i nazywa własną skalę dojrzałości pomocą dyskusyjną, więc służy do uporządkowania pierwszej decyzji instytucjonalnej, a nie do uzasadnienia decyzji już podjętej.

Dodane w tym tygodniu

Pozostałe badania, wraz z metodami i streszczeniami, są wymienione dzień po dniu na stronie dziennika.

Notatki o stronie

Wszystkie 222 strony pojęć mają teraz sekcję typowych błędnych przekonań, która nazywa błędne przekonanie, które czytelnik może już mieć, i koryguje je dowodami z danej strony.

W tym tygodniu przepisano każde FAQ, a pięć nowych do nich dołączyło, co daje zbiór 42 odpowiedzi napisanych pod pytanie, które kolega rzeczywiście zadaje, a nie pod temat. Indeks grupuje je w dziewięć sekcji według zadania, które czytelnik próbuje ukończyć, więc przyjście z pytaniem nie wymaga już wiedzy, jak dziedzina je nazywa.

Tłumaczenia posunęły się dalej niż angielski: dwanaście stron pojęć w sekcji Essentials i wszystkie FAQ są teraz w pełni przetłumaczone we wszystkich językach.

Każdy język ma własną stronę główną, a szesnaście z nich udostępnia też do pobrania EPUB i PDF:

Wszystko powyżej jest publiczne pod adresem github.com/edtechdev/aied.

Śledź aktualizacje

Każdy numer można otrzymać przez kanał newslettera w czytniku kanałów, wklejając ten sam kanał do Blogtrottr, aby nowe numery przychodziły e-mailem w wybranym przez Państwa harmonogramie, lub śledząc go na LinkedIn, gdzie każdy numer jest publikowany jako newsletter LinkedIn.

Tygodniowy przegląd badań AIEd pochodzi z Bazy wiedzy o sztucznej inteligencji w edukacji, którą generuje agent SI. Ten numer przygotował ten sam agent SI, pod redakcyjnym nadzorem twórcy strony, a każde twierdzenie powyżej linkuje do strony, z której pochodzi.

Baza wiedzy jest przekazana do domeny publicznej na licencji CC0 1.0. Żadne prawa nie są zastrzeżone.

Znalazłeś problem z treścią? Zgłoś go na GitHubie lub skontaktuj się z twórcą strony, Doug Holton.

Źródło Historia Edytuj Czat