Interpretarea și aplicarea cercetării AIEd

Traducere automată a acestei pagini în limba engleză, încă neverificată de un vorbitor nativ.

Interpretarea și aplicarea cercetării AIEd — cum să decizi dacă o constatare despre IA în educație merită pusă în practică, fie că predai, conduci un program, proiectezi un curs sau construiești software. Nu ai nevoie de statistică pentru a folosi această pagină. Ea începe cu întrebarea pe care o are de fapt un practician — ar trebui să fac asta? — trece prin puținele lucruri care răspund la ea și păstrează detaliul tehnic într-o secțiune ulterioară, pentru cine vrea sau are nevoie de el. Pe scurt: o constatare merită pusă în practică atunci când știi cu ce a fost comparată, ce s-a măsurat, cine a fost studiat și dacă instrumentul mai există în forma studiată. Majoritatea afirmațiilor care ajung la instructori, administratori și dezvoltatori eșuează la unul dintre aceste patru criterii.

Întrebări de reflecție

• Un furnizor, o știre sau un coleg spune că un instrument de IA a îmbunătățit învățarea. Care este singurul lucru pe care ai vrea să-l vezi înainte de a-l încerca în propriul curs — și ai ști unde să-l cauți?
• Fiecare pagină de articol din această bază de cunoștințe are acum o secțiune Ce înseamnă asta pentru practică, iar majoritatea au o secțiune Limitări. Citindu-le pe amândouă împreună, ce îți spune fiecare pe care cealaltă nu ți-l spune?
• Elevii exersează cu un instrument de IA și obțin rezultate mai bune la exerciții, apoi rezultate mai slabe la examenul cu cartea închisă. Care cifră este rezultatul de învățare care contează pentru cursul tău — și evaluările tale actuale ar prinde diferența?
• Un studiu promite o îmbunătățire mare, dar a urmărit 30 de studenți într-un singur curs, la o singură instituție, iar versiunea instrumentului studiat nu mai este versiunea pe care o folosește cineva. Care dintre aceste două fapte te îngrijorează mai mult și de ce?
• Multe instrumente de IA cresc cât de mult le folosesc studenții fără a crește cât de mult învață. Dacă ar trebui să alegi între un instrument care ridică implicarea și unul care ridică performanța fără asistență, ce dovezi ar tranșa întrebarea?
• Ți se cere să aprobi sau să cumperi un instrument pe baza cifrelor de eficacitate ale furnizorului însuși. Ce ai vrea să se dezvăluie despre modul în care au fost produse acele cifre?

Introducere

Această pagină este pentru oamenii care trebuie să decidă ceva: un instructor care se întreabă dacă să schimbe o temă, un Administrators care cântărește un proiect-pilot, un designer de învățare care construiește un curs, un dezvoltator de software care decide ce ar trebui să facă o funcție sau un cercetător care explică o constatare oricăruia dintre ei.

Două obiceiuri fac diferența și niciunul nu cere pregătire în cercetare.

Citește mai întâi cele două secțiuni scrise pentru tine. Fiecare pagină de articol de aici are acum o secțiune Ce înseamnă asta pentru practică — de obicei trei până la cinci acțiuni concrete derivate din acel studiu — iar majoritatea au o secțiune Limitări care afirmă ce nu poate susține studiul. Citește-le înaintea constatărilor studiului, nu după. Secțiunea de practică îți spune la ce este bun studiul; secțiunea de limitări îți spune unde se oprește. Dacă secțiunea de practică lipsește sau este vagă, tratează pagina ca neterminată, nu ca dovezi.

Judecă afirmația, nu încrederea cu care este rostită. Afirmațiile despre IA în educație sunt de obicei corecte în privința a ceva și înșelătoare în privința lucrului care te interesează, pentru că un studiu și sala ta de clasă diferă în patru privințe: cu ce a fost comparat, ce a măsurat, cine a participat și ce versiune a instrumentului s-a folosit. Restul paginii îți dă verificările în limbaj simplu, apoi dovezile din spatele fiecăreia, pentru cititorii care le vor.

Cele ce urmează nu înlocuiesc nici paginile înrudite. Metodele de cercetare în IA în educație acoperă modul în care sunt construite designurile, Limitările cercetării AIEd cataloghează slăbiciunile recurente ale literaturii, Evaluarea AIED acoperă modul în care sunt evaluate sistemele și rezultatele, iar Efectele diferențiale între grupurile de cursanți acoperă cine este și cine nu este inclus într-o constatare.

Patru întrebări care tranșează majoritatea afirmațiilor

Trece prin acestea înainte să cheltui timp, bani sau un semestru pe ceva.

1. Cu ce a fost comparat și a fost compararea corectă? „Studenții care au folosit IA au avut rezultate mai bune decât cei care nu au folosit-o” îți spune ceva doar dacă ceilalți studenți făceau ceva real. Dacă comparația a fost activitatea obișnuită — sau nimic — atunci constatarea împachetează instrumentul împreună cu timp suplimentar, atenție suplimentară și noutate. Ce să cauți: un grup de control care a primit o alternativă credibilă și repartizarea aleatorie în cele două condiții.

2. Ce anume au măsurat? Aici eșuează în tăcere cele mai multe afirmații incitante. Scorurile la teste, calitatea temelor, motivația, atitudinile și implicarea sunt puse la un loc într-un singur număr de „rezultate”, sau o măsură a performanței cu instrumentul de față este raportată ca învățare. Învățarea care depinde de prezența instrumentului nu este aceeași cu învățarea care durează. Ce să cauți: ce a măsurat instrumentul, dacă a fost validat pentru acea populație și dacă un rezultat a fost măsurat fără IA în încăpere.

3. Cine a fost studiat, câți și pentru cât timp? Treizeci de studenți într-un curs sunt un semnal, nu un rezultat. O intervenție de patru săptămâni nu îți poate spune nimic despre un an. Iar un studiu pe studenți care nu seamănă cu ai tăi este tot util — este o ipoteză despre contextul tău, nu o predicție. Ce să cauți: dimensiunea eșantionului, modul de recrutare a participanților, un singur sit, durata și dacă vreun subgrup a fost suficient de mare pentru a fi analizat.

4. Instrumentul mai este instrumentul care a fost studiat? Capacitatea IA se mișcă mai repede decât publicarea. O constatare din 2025 descrie generația de modele din 2025 — uneori o versiune specifică, uneori o configurație pe care nu o mai folosește nimeni. Asta nu face constatarea falsă; o face datată și înseamnă că afirmația ar trebui reverificată, nu moștenită. Ce să cauți: versiunea modelului și fereastra de colectare a datelor.

Ce spun dovezile despre afirmațiile privind IA în general

Dacă reții un singur lucru din această pagină, reține că numărul din titlu este de obicei umflat, iar comparația este de obicei slabă. Nu este o poziție marginală — este ceea ce raportează auditurile domeniului însuși. Câteva studii bine proiectate arată într-adevăr câștiguri reale; ideea este că sarcina probei revine afirmației.

• Aproximativ două treimi din efectul mediu dispar odată ce corectezi faptul că rezultatele impresionante se publică, iar cele neimpresionante nu. Bartoš et al. (2026) au agregat 1.840 de dimensiuni de efect din 67 de recenzii și au constatat că media corectată era de aproximativ o treime din mediana publicată — SMD 0,196 față de 0,67.
• Un nume de produs nu este o metodă de predare. Auditorind comparațiile din spatele unei meta-analize proeminente, Weidlich et al. (2025) au constatat că doar 21% aveau un tratament bine definit, un grup de control și o măsură validă a învățării — iar avantajul raportat pentru „folosirea ChatGPT” a ieșit mai mare decât pentru sistemele de tutoriat inteligent construite special (g = 0,7 față de 0,66), ceea ce este un semnal de alarmă, nu un triumf.
• Performanța cu instrumentul este confundată în mod curent cu învățarea. Într-un studiu de matematică din K-12, elevii care au exersat cu un chatbot de uz general au obținut note mai bune la exerciții și apoi au obținut cu aproximativ 17% mai slab decât colegii fără acces la IA la examenul final cu cartea închisă (baza de dovezi a Stanford pentru IA în K-12).
• Recenziile domeniului însuși nu trec de audit. Auditul lui O'Neill (2026) asupra a 14 meta-analize evaluate de colegi care susțin că IA îmbunătățește educația a constatat că niciuna nu oferea o bază validă pentru afirmațiile pe care le avansa, iar dintre 46 de studii primare selectate aleatoriu, 61% prezentau probleme de validitate. Problema nu este o lucrare proastă; este o cultură a raportării.
• O recenzie poate cuantifica distorsiunea de raportare din propriul corpus. O recenzie sistematică a 155 de studii din învățământul superior a constatat că 117 (75,5%) raportau o implementare reușită, 124 (80,0%) acopereau doar impactul pe termen scurt și doar 23 (14,8%) raportau eșecuri de etică, echitate sau guvernanță — dezechilibrul pe care îl descriu verificările de mai sus, măsurat pe propria bază de dovezi a recenziei (Nyamboga (2026)).
• Autoevaluările îi flatează pe toți. Oamenii își evaluează propriile competențe în IA cu aproximativ 40% mai sus decât arată măsurătorile de performanță, motiv pentru care sondajele de satisfacție și de încredere sunt cele mai slabe dovezi pe care te poți baza (Măsurători de autoevaluare, Măsurarea educațională).
• Cele mai multe produse deja aflate în săli de clasă nu au deloc dovezi independente. Turul de învățare 2025–26 al Instruction Partners a profilat 20 de produse de IA adresate elevilor și a constatat că, dintre cele 16 cu profiluri complete, doar șapte aveau o evaluare independentă care examina rezultatele elevilor între grupuri de elevi din SUA; două fuseseră studiate doar în străinătate, patru aveau studii în curs, iar trei se bazau exclusiv pe date interne. Autorii susțin că studiile cauzale independente care acoperă grupurile prioritare ar trebui să fie așteptarea pentru toate produsele adresate elevilor — încă nu norma pentru instrumentele pe care școlile le folosesc deja.

Transformarea unei constatări într-o decizie

Secvența care economisește cel mai mult efort irosit, în ordine.

1. Scrie-ți mai întâi rezultatul. Nu „folosește mai mult IA”, ci „elevii pot face X fără instrument”. Dacă rezultatul tău este performanța fără asistență, atunci un studiu care a măsurat performanța asistată este dovezi adiacente, nu dovezi directe.
2. Găsește comparația și măsura — în studiu sau în secțiunea de practică a paginii articolului. Dacă vreuna lipsește, tratează afirmația ca pe o demonstrație, nu ca pe o constatare.
3. Citește secțiunea de limitări ca pe instrucțiuni, nu ca pe dezmințiri. „Un singur curs, rezultate raportate de sine, patru săptămâni” îți spune exact care dintre ipotezele tale nu sunt acoperite de studiu.
4. Verifică versiunea și data. Dacă studiul a folosit o generație de modele veche de doi ani, planifică o retestare în loc să presupui.
5. Numește condițiile favorizante. Costul, licențele, timpul personalului, regulile privind datele și dacă studenții trebuie să plătească pentru nivelul care funcționează de fapt. Studiile le includ rar, iar ele decid dacă o intervenție supraviețuiește un semestru. Un studiu de dezvoltare a cadrelor didactice cu zece participanți a constatat că toată lumea spunea că va continua să folosească IA, în timp ce aceleași persoane descriau abonamente personale pentru acces la instrumente și niciun sprijin de timp pentru reproiectările pe care le planificaseră.
6. Fă un pilot mic și măsoară condiția fără sprijin. Un pre/post scurt cu o evaluare făcută fără instrument bate un sondaj de satisfacție. Mic și onest bate mare și retoric. Vezi Designul învățării pentru locul acestuia în proiectarea cursului.
7. Notează o dată de revizuire și fii dispus să retragi afirmația. Când premisa unui studiu este o capacitate care nu mai există, mișcarea onestă este retragerea afirmației, nu citarea ei la nesfârșit — aceeași disciplină pe care această bază de cunoștințe o aplică propriilor pagini.

Cuvinte pe care le vei întâlni în cercetare

Traduceri simple, ca să poți parcurge în diagonală un studiu sau o pagină de furnizor fără o pregătire în metode.

• Dimensiunea efectului — cât de mare a fost diferența, pe o scară în care 0 înseamnă nimic. Tratează valorile mici ca „un impuls”, nu ca „o transformare”.
• Semnificativ statistic — improbabil să fie pur și simplu întâmplare în acest eșantion. Nu spune nimic despre dacă efectul este mare sau dacă se va produce în clasa ta.
• Interval de încredere — intervalul de rezultate pe care datele nu îl pot exclude. Dacă intervalul include zero, constatarea poate să nu fie nimic, oricât de interesant ar fi titlul.
• Meta-analiza — un studiu care agregă multe studii. Puternică și doar atât de bună pe cât este ceea ce a agregat, motiv pentru care recenziile sunt auditate.
• Părtinirea publicării — rezultatele interesante se publică, iar cele plictisitoare nu, așa că media literaturii pare mai roz decât realitatea.
• Autoevaluare — oameni care se descriu pe ei înșiși. Utilă pentru atitudini, slabă pentru competență sau comportament.
• Grup de control — condiția de comparație. Cel mai important lucru pe care să-l cauți.
• Pre/post — măsurat înainte și după, fără grup de comparație. Sugestiv, niciodată concludent.
• Analiză de subgrup — rezultate pentru o felie din eșantion. De obicei cu putere statistică redusă, așa că trateaz-o ca pe o ipoteză.
• Replicare — altcineva a obținut același rezultat. Rară și cea mai puternică dovadă disponibilă.
• Etalon — un set fix de sarcini pentru scorarea sistemelor. Scorurile se mișcă atunci când se mișcă ținta, așa că verifică data.

Când să încetinești oricum

• Afirmația vine de la furnizor, pe metricile furnizorului. Poate fi totuși informativă — un furnizor de tutoriat cu IA raportează o metrică de implicare calibrată față de experți umani la F1 0,83, cu îmbunătățiri provenite din peste 40 de experimente în cinci luni (Udeshi et al., 2026) — dar constructul, evaluatorii și metrica sunt alegeri ale furnizorului. Cere grupul de comparație și rezultatul fără asistență.
• Scorarea automată este tratată ca rezolvată. Acordul ridicat cu evaluatorii umani este fiabilitate, nu calitate. Într-un studiu de scorare, evaluatorii umani au fost de acord cu consensul multi-evaluator la aproximativ r = 0,88, astfel încât scorurile automate apropiate de r = 0,85 erau deja la plafonul de măsurare al sarcinii (Când să ai încredere în scorarea IA).
• Lista de referințe face o muncă grea. Treizeci de intrări bibliografice care conțineau informații bibliografice verificabil fabricate au fost confirmate în 14 lucrări de educație în informatică, toate din 2025 și 2026 (Denny et al., 2026). Dacă o afirmație se sprijină pe o citare, verifică citarea.
• Nimeni nu a măsurat comportamentul de care depinde politica ta. Pe 493 de înregistrări deduplicate și 14 studii prioritare, niciun studiu nu a măsurat dacă verificarea a reușit și ce a făcut apoi cursantul cu ea, judecat față de un standard independent de calitate a rezultatului (verificarea și calibrarea dependenței). Politicile de curs depind exact de acel comportament.

Dacă construiești sau cumperi un instrument

Aceleași verificări se inversează în cerințe de proiectare, iar paginile de evaluare ale bazei de cunoștințe conțin detaliul (Evaluarea AIED, Evaluarea automatizată).

• Fă comparația parte din specificația funcției. Decide ce ar face altfel un cursant și fii în stare să spui de ce instrumentul tău bate asta — nu de ce bate nimic.
• Măsoară condiția fără sprijin. Dacă rezultatul tău este învățarea, include o sarcină finalizată fără instrument; performanța asistată singură te va induce în eroare tot atât de mult pe cât îi induce în eroare pe cumpărătorii tăi.
• Raportează cum au fost validate judecățile tale automate — standardul de aur, ținta de calibrare, cine a arbitrat dezacordurile — și raportează asta ca fiabilitate, nu ca calitate.
• Numește versiunea și data în orice afirmație de eficacitate, pentru că următoarea ta lansare o invalidează.
• Arată contragreutățile: costul pe student, accesibilitatea, gestionarea datelor și ce se întâmplă cu cursanții de pe nivelul gratuit. Vezi Dezvăluirea utilizării IA, confidențialitatea și guvernanța.

Pentru cititorii care vor dovezile

Verificările de mai sus nu sunt înțelepciune populară; ele provin din eșecuri documentate în această literatură. Această secțiune păstrează detaliul pentru cine recenzează o lucrare, își apără o decizie sau argumentează că un instrument ar trebui evaluat corect.

Eșecurile de validitate au o distribuție, nu doar o prezență. În cele 46 de studii auditate de O'Neill (2026), nepotrivirea variabilei dependente a fost problema cea mai frecventă (n = 15) — măsura nu captura ceea ce afirma afirmația — urmată de nepotrivirea variabilei independente (n = 11), probleme de design experimental (n = 7), probleme de extragere a datelor (n = 6), absența unui grup de control (n = 6) și repartizarea nerandomizată a grupurilor (n = 6). Dintre cele 14 meta-analize, douăsprezece au tratat mai multe dimensiuni de efect provenite din același studiu primar ca independente, ceea ce umflă baza de dovezi aparentă.

Afirmațiile despre subgrupuri sunt de obicei nedecidabile în studiile care le fac. Micro-RCT-ul de științe GCSE raportează o interacțiune tratament-pe-status de 0,57 puncte (IC 95% -2,25 la 3,39), cu estimări stratificate de g = 0,28 (IC 95% -0,04 la 0,59) pentru un grup și g = 0,35 (IC 95% 0,18 la 0,52) pentru celălalt. Un interval care traversează zero nu este o constatare de echitate; este o întrebare pentru un pilot local.

O sinteză poate respecta propriul protocol și totuși agrega calitate neponderată. Doğan et al. (2026) afirmă răspicat că nu au folosit niciun instrument formal de evaluare a calității, tratând criteriile lor de includere drept prag de rigoare, astfel încât un studiu cvasiexperimental și unul randomizat au contribuit în mod egal — iar heterogenitatea lor se citește I² = 82,98% sub un model cu efecte fixe, dar 15,75% sub modelul cu efecte aleatoare, motiv pentru care o cifră de heterogenitate citată fără modelul ei nu îți poate spune cât de inconsistent este corpusul.

Validarea judecății automate face parte din rezultat. Acordul cu codificatorii umani este o afirmație de fiabilitate, iar plafonul de mai sus arată de ce nu este același lucru cu calitatea (mașinile citesc greșit calitatea pedagogică).

Vechimea instrumentului este o limitare de prim rang. O recenzie a evaluării asistate de IA notează că propriile constatări reflectă versiuni specifice de modele în momente specifice și că mișcarea domeniului face ca orice descriere a capacităților modelelor să fie potențial depășită în câteva luni (Evaluarea și instruirea asistate de IA în învățământul superior). Limitează afirmațiile la generația lor: „IA generativă a îmbunătățit X” nu este portabil, în timp ce „instrumente din era GPT-4, în această sarcină, cu acest sprijin de tip schelă” este.

Țintele etaloanelor se mișcă, așa că un rezultat pe care un sistem îl saturează sau la care eșuează astăzi se poate inversa la următoarea lansare; verificările de saturare și contaminare își au locul lângă orice afirmație bazată pe un etalon.

Citirea acestei literaturi alături de propriii ei critici este practica normală aici. Listele de verificare pentru autori și recenzenți sunt în întrebările frecvente despre raportarea și interpretarea cercetării în IA, iar obiceiurile de apreciere din această pagină se împerechează cu Dezvoltarea teoriei în IA în educație atunci când o afirmație este teoretică, nu empirică.

O listă de verificare scurtă

1. Enunță-ți rezultatul într-o singură propoziție, inclusiv dacă instrumentul este prezent în el.
2. Găsește comparația. Fără o comparație credibilă, fără decizie.
3. Potrivește măsura cu afirmația ta și preferă un rezultat fără asistență.
4. Deflatează numărul: citește efectul corectat pentru părtinire, nu titlul.
5. Verifică versiunea modelului și datele studiului.
6. Citește secțiunea de limitări ca pe instrucțiuni pentru ce încă nu știi.
7. Calculează costul: licențe, niveluri, timp de personal, reguli privind datele.
8. Fă un pilot mic cu o măsură fără asistență, apoi decide.
9. Notează o dată de revizuire peste un an și fii gata să retragi afirmația.

Idei greșite frecvente

„O meta-analiză publicată este dovezi stabilite despre IA în educație.” Sintezele domeniului nu au trecut de audit. Auditul lui O'Neill (2026) asupra a 14 meta-analize evaluate de colegi care susțin că IA îmbunătățește educația a constatat că niciuna nu oferea o bază validă pentru acea concluzie. O dimensiune de efect agregată este doar atât de bună pe cât studiile agregate, iar în această literatură agregarea a inclus în mod curent designuri care nu puteau atribui rezultatul IA. Înainte să citezi un număr meta-analitic, întreabă ce a agregat.

„Dimensiunea de efect mai mare aparține intervenției mai bune.” Adesea invers. În contextul recenziei pe care îl documentează această pagină, doar 21% dintre studii aveau un tratament bine definit, un grup de control și o măsură validă a învățării — iar avantajul raportat pentru „folosirea ChatGPT” a ieșit mai mare decât pentru sistemele de tutoriat inteligent construite special. Tratamentele slab specificate tind să producă efecte umflate, pentru că comparația este mai vagă, iar măsura rezultatului mai laxă. Un număr mai mare este un motiv să te uiți la design, nu un motiv să preferi intervenția.

„Note mai mari în timp ce folosesc instrumentul indică faptul că instrumentul a predat mai mult.” Într-un studiu de matematică din K-12, elevii care au exersat cu un chatbot de uz general au obținut note mai bune la exerciții și apoi au obținut cu aproximativ 17% mai slab la evaluarea fără asistență. Performanța la exerciții măsurată cu instrumentul de față este măsura umflată; cea fără asistență este rezultatul, și doar una dintre ele creștea.

„Dacă efectul este real, detaliile de implementare nu contează mult.” Ele sunt efectul. Un studiu care a urmărit 30 de studenți într-un curs, la o instituție, pe o versiune a instrumentului pe care nimeni nu o mai folosește, a produs o constatare despre o configurație care nu mai există. Specificarea tratamentului, versiunea și contextul fac parte din afirmație, nu sunt contextul din jurul ei.

Concepte conectate

• Limitările cercetării AIEd
• Designul învățării
• AI Ed Evaluation
• Educational Measurement
• Assessment Validity
• Self-Report Measures
• Learning Gains
• Differential Effects Across Learner Groups
• Research Methods in AIED
• AI-Assisted Educational Research — Cercetare educațională asistată de IA
• Meta-Analysis and Systematic Review
• Quantitative Research
• Benchmark
• RCT
• Intelligent Tutoring
• Descărcarea cognitivă
• AI Use and Disclosure Statements
• Dezvoltarea teoriei în IA în educație

Articole conectate

• Presumed Effective: The Manufacturing of an Evidence Base for AI-in-Education Through Flawed Meta-Analysis — Presupus eficace: audit criminalistic al 14 meta-analize AIED
• Effect of Artificial Intelligence on Learning: A Meta-Meta-Analysis — Efectele IA ajustate pentru părtinirea publicării, aproximativ o treime din mărimea raportată
• ChatGPT in Education: An Effect in Search of a Cause — ChatGPT în educație: un efect în căutarea unei cauze
• The Impact of Artificial Intelligence-Supported Instruction on Student Learning in STEM: A Systematic Review and Meta-Analysis — Criteriile de includere folosite drept prag de rigoare și heterogenitatea care se schimbă cu modelul
• Know when to trust: Making AI scoring more reliable for educational assessment — Când fiabilitatea scorării automate atinge plafonul de măsurare al sarcinii
• Beyond checking: verification quality, reliance calibration, and learning in generative AI-assisted higher education — Ce nu măsoară literatura despre verificare și dependență
• Testing Our Foundations: Citation Trends, Errors, and Emerging Hallucinations in the Computing Education Literature — Referințe fabricate care au ajuns în tipar în 2025–2026
• The Evidence Base on AI in K-12: A 2026 Review — Câștiguri la exerciții, pierderi la examen: problema retragerii asistenței în matematica K-12
• Evaluating AI Tutoring at the Speed of Innovation: Practitioner-Led Micro-Randomised Trials of an AI Tutoring Platform in GCSE Science — Efecte de subgrup ale căror intervale de încredere traversează zero
• From fear to innovation: A case study of transformative faculty development for ethical AI integration in higher education — Condiții favorizante: semnale de politică, abonamente personale, lipsă de timp
• Methodologies for improving the quality of AI tutoring in K-12 education — Metrici de furnizor cu calibrarea și numărul de experimente dezvăluite
• AI-assisted assessment and instruction in higher education: Foundations, applications, and implications for exam design — Constatări legate de versiunile de model și frământarea domeniului
• AI in Action Learning Tour — Numărători de dovezi independente pentru 16 produse de IA adresate elevilor deja în uz
• From digital transformation to intelligent classrooms: artificial intelligence, adaptive leadership, and service delivery in global higher education—a systematic literature review — O recenzie poate cuantifica distorsiunea de raportare din propriul corpus