K-12

Автоматический перевод данной английской страницы, не проверенный носителем языка.

K-12 — использование искусственного интеллекта в начальном и среднем образовании, охватывающее учебные программы ИИ-грамотности, ИИ-репетиторство, поддержку преподавателей и соображения безопасности, уникальные для младших учащихся. Систематический обзор 2026 года, проведённый по методологии PRISMA, из 197 исследований (2016–2024) организует область вокруг четырёх доменов возможностей — персонализации, мотивации, Оценивание и инновационных практик преподавания — отмечая при этом устойчивые пробелы в подготовке преподавателей, министерских этических рекомендациях и балансе между дисциплинами.

Вопросы для размышления

• Использование ИИ в K-12 требует более сильных мер защиты, чем в высшем образовании, потому что младшие учащиеся наименее всего способны обнаруживать небезопасный или манипулятивный ИИ. Как это меняет то, что должно означать «безопасность» для инструментов, которыми пользуются дети?
• Систематические обзоры показывают, что база доказательств по K-12 сосредоточена подавляюще на STEM, оставляя искусства и гуманитарные науки в значительной степени неисследованными. Что может раскрыть сбалансированная по дисциплинам база доказательств по ИИ в K-12, чего упускают исследования только по STEM?
• Исследования показывают, что преподаватели систематически переоценивают свою компетенцию в ИИ — разрыв примерно в 40% между самоотчётом и результативностью, — однако краткое обучение даёт существенно более высокую степень интеграции. Что этот разрыв может означать для способа подготовки преподавателей в школах?
• Большинство ИИ-инструментов центрируются на доминирующих точках зрения, но 78% преподавателей в одном исследовании сочли ИИ полезным для культурно релевантной педагогики. Как можно направить инструмент, который по умолчанию использует доминирующие взгляды, на расширение репрезентации, а не на её сужение?
• Доказательства свидетельствуют, что передача работы ИИ может вредить обучению, особенно для старших студентов, — но младшие студенты могут быть затронуты меньше. Почему штраф за использование ИИ может различаться по возрасту и что это означает для дизайна?
• Обзор K-12 выявляет восемь малоизученных исследовательских пробелов — от отсутствия конкретных примеров учебных единиц до недостаточного использования робототехники, носимых устройств и мобильной коммуникации. Какой из этих пробелов сильнее всего ограничивает то, что школы реально могут делать сегодня?
• Институциональные политики в отношении ИИ часто не содержат указаний по внедрению. Что потребуется, чтобы превратить документ политики ИИ для K-12 в конкретные практики в аудитории и подготовку преподавателей — и почему этот перевод так часто терпит неудачу?

Введение

Ландшафт доказательств

Основание базы доказательств по K-12 закладывает систематический обзор 2026 года, проведённый по методологии PRISMA (Marzano, 197 исследований, 2016–2024), который дополняет более ранние крупные синтезы, такие как ускоренный обзор GenAI и учащихся PreK-12 и агрегированная база доказательств по ИИ в K-12. Его структура из четырёх вопросов организует область в четыре домена возможностей — персонализацию обучения, мотивацию студентов, улучшение оценивания и поддержку инновационного, иммерсивного преподавания, — причём ChatGPT является флагманским случаем, изучаемым в значительной доле включённых статей.

Центральный вывод обзора — резкая асимметрия: обещание GAI в школах широко и хорошо документировано, но доказательства ежедневной практики в аудитории незначительны, сосредоточены на STEM и искажены нехваткой конкретных примеров учебных единиц и практической подготовки преподавателей. Этот разрыв между стремлением и внедрением является определяющей чертой исследований GenAI в K-12.

Синтез со стороны преподавателей добавляет слой, который оставляют вне обзоры, сфокусированные на инструментах. Обзор PRISMA 29 исследований вмешательства преподавателей в обучение на основе ИИ в K-12 показывает, что результат работы ИИ — оповещения, панели данных, автоматизированные баллы, обратная связь чат-бота — становится преподаванием только через цикл мониторинга, суждения, вмешательства и оркестровки, и что сообщаемые выгоды для результативности, участия и уверенности студентов обусловлены интерпретируемостью информации, своевременностью вмешательства, целевым уровнем, осуществимостью внедрения преподавателями и автономией студентов. Его корпус сосредоточен в тех же местах, что и более широкая база доказательств по K-12: на математике и естественно-научных/STEM-предметах, классах средней и старшей школы и условиях США.

Особенности, характерные для K-12

• Безопасность и защитные ограничения: использование ИИ в K-12 требует более сильной защиты Педагогическая безопасность. EduZone, EduGuard и исследования вреда репетиторов конкретно рассматривают безопасное для детей взаимодействие с ИИ.
• Учебные программы ИИ-грамотности: модули ИИ-грамотности для K-12 развивают понимание ИИ, соответствующее возрасту, тогда как рамки vibe coding позволяют преподавателям создавать собственные ИИ-инструменты. Квазиэкспериментальное исследование 18-часовой программы медиаграмотности по модели 5E для турецких учеников четвёртого класса (Demir и Akar 2026) поэтапно внедрило генеративный ИИ (ChatGPT, Grammarly, Canva AI, Padlet) как педагогического агента, согласованного с учебными программами по турецкому языку и обществознанию, что дало большие приросты в чтении медиа (+3,50), письме (+1,67) и общей медиаграмотности (+5,17, все p < .01) с размерами эффекта между группами по Коэну d = 1,12–1,31 и качественным ростом по шести доменам критической медиаграмотности (цифровая самозащита и конфиденциальность данных, целенаправленное и ответственное использование медиа, безопасная коммуникация и осознание границ, критическая оценка и осведомлённость о дезинформации, осведомлённость об онлайн-рисках и медиаэтика/цифровое гражданство) — доказательство того, что учебные программы ИИ-грамотности, соответствующие возрасту и встроенные в дисциплины, могут давать измеримые приросты в критической медиаграмотности в младших классах.
• Репетиторство на уровне класса: персонализированные компаньоны для K-12 и исследования ловушки правильного ответа рассматривают эффективность репетиторства для младших учащихся.
• Ограничение ИИ-репетиторства — это вовлечённость, а не возможности. В 18 средних школах Теннесси назначение Khanmigo повышало достижения по математике примерно на 0,06–0,08 СД за учебный год — приросты, напоминающие практику Khan Academy без ИИ, — потому что медианный студент отправлял сообщение репетитору только в 17% сессий, связанных с ошибками (Oreopoulos и Low, 2026).
• Соответствие возрасту: исследования безопасности детей и соображения Специальное образование рассматривают потребности различных популяций K-12.
• Разговорный ИИ, адаптированный к возрасту: Vahedian Movahed и Martin (2025) развернули AMA — чат-бота, ограниченного тематикой, с адаптацией промптов к возрасту, — с 63 студентами (классы 1 и 6–8). Дети проявили широкую открытость и высокое доверие к чат-боту как источнику информации и активно проверяли его достоверность вопросами с известными ответами, тогда как пробелы в осведомлённости о цифровой безопасности (некоторые были готовы доверить секреты) указывают на Скаффолдинг, чувствительный к возрасту, и прямое обучение Приватность.

Эффекты знаний преподавателей

• Эффекты знаний преподавателей. Исследование на кросс-уровневом уровне (46 преподавателей, 2832 ученика средней школы) показало, что педагогические знания об ИИ — а не технические знания об ИИ — определяли восприятие студентами ИИ для общего блага и их намерение изучать ИИ, укрепляя подход «сначала педагогика, потом технологии» к подготовке преподавателей ИИ в K-12.
• Непрерывное обучение как связывающее ограничение. Обзор Марцано определяет непрерывное, целевое обучение преподавателей по ИКТ как самую устойчивую проблему интеграции, и оно должно охватывать технические, педагогические и этические аспекты, адаптируясь к быстро развивающимся инструментам. Первоначальное и продолжающееся обучение должно быть непрерывным, совместным, основанным на играх, сфокусированным на прозрачности и опирающимся на профессиональное развитие для продвинутых инструментов вроде ChatGPT. Это распространяется и на ИИ поддержки сотрудничества в аудитории: исследование осуществимости Community Builder (CoBi) в классах средней школы показало, что высококачественное использование преподавателями зависело от существенного профессионального обучения, причём недостаточно подготовленные преподаватели дрейфовали в сторону трактовки инструмента как монитора результативности или общей дискуссии об ИИ, а не его предназначенной направленности на сотрудничество.
• Разрыв в компетенциях. Исследования показывают, что преподаватели систематически переоценивают свою компетенцию в ИИ — разрыв примерно в 40% между самоотчётом и результативностью, — однако краткие обучающие вмешательства (например, 4-часовые семинары по составлению промптов) могут давать существенно более высокую степень интеграции ИИ в аудитории. Это делает подготовку преподавателей и Профессиональное развитие преподавателей центральными для успешной интеграции ИИ в K-12.

Четыре домена возможностей

Систематический обзор консолидирует то, что GAI может делать в школах, в четырёх повторяющихся доменах:

• Персонализированное обучение. GAI адаптирует учебный опыт к индивидуальным потребностям, темпу и готовности — флагманская выгода, документированная в системах-компаньонах и адаптивных платформах.
• Читабельность и согласованность с учебной программой. Bird (2026) объединяет классификацию текста на трансформерах с вычислительно-лингвистическими признаками для классификации английской литературы по Key Stage Великобритании (F1 0,996), упакованную в веб-приложение без кода, чтобы преподаватели могли согласовывать материалы для чтения с уровнями учащихся — конкретное, релевантное дисциплине (английский/литература) дополнение к перекошенной в сторону STEM базе доказательств по K-12.
• Мотивация и вовлечённость. Инструменты вроде ChatGPT делают обучение более увлекательным для младших учащихся, поддерживая вовлечённость и Мотивация, — хотя обзор также предупреждает, что это может перейти в чрезмерную опору и технологическую зависимость.

Метаанализ 42 исследований уточняет это: мотивационный эффект был наименьшим в школьных условиях (средняя школа g = 0,360, начальная школа g = 0,311) против g = 0,886 в университете, хотя эти подгруппы опираются лишь на 9 и 4 исследования (Fang et al. (2026)).

• Оценивание. GAI улучшает методы Оценивание, от формирующей Обратная связь до автоматизированного выставления баллов, хотя смещение в автоматизированной обратной связи остаётся актуальной проблемой. Razavi и Powers (2026) распространяют это на калибровку заданий в K-5: среди 5170 заданий по математике и чтению оценки трудности GPT-4o в режиме zero-shot коррелировали от умеренно до сильно с трудностями, откалиброванными по Рашу (r = 0,83 по математике, r = 0,81 по чтению), но были неровными по классам и не лучше регрессора-фикции среднего по классу для классов K и 1 — ограничение диапазона, которое важно для оценивания в младших классах. Подход на основе признаков (извлечённые Большие языковые модели (LLM) признаки, поданные в модели на основе деревьев) достиг корреляций до r = 0,87, причём приросты были наиболее выраженными для заданий младших классов. Смежный вопрос — какую модель школа вообще использует: на согласованных с NGSS наборах для средней школы (1078 заданий) и старшей школы (1150 заданий) девять моделей с открытыми весами из шести лабораторий в основном набрали выше 90%, а размер модели не предсказывал точность — OSS-20b и Nemotron 3 Nano 30b a3 соответствовали моделям в несколько раз больше, — тогда как трудность заданий была высокой, а различающая способность низкой, что заставляет авторов задаться вопросом, не слишком ли прост Бенчмарк (Schroeder et al. 2026).
• Инновационные практики преподавания. Иммерсивные, основанные на играх и совместные подходы делают обучение более увлекательным, причём конструктивистские и проектные модели показывают особую перспективность. Конкретным примером на уровне аудитории является Community Builder (CoBi) — система поддержки сотрудничества на основе ИИ, развёрнутая в шести классах средней школы, которая использовала распознавание речи для визуализации «поднимающих настроение» дискурсов малых групп, — доказательство того, что ИИ распознавания речи в реальном времени может практически работать в шумных условиях K-12 для поддержки реляционного измерения обучения.

Требование культурной релевантности

Поддерживаемое LLM проектирование учебной программы показывает перспективность для диверсификации материалов — в одном исследовании 78% преподавателей сочли предложения ИИ полезными для культурно релевантной педагогики. Однако большинство ИИ-инструментов центрируются на доминирующих точках зрения, требуя намеренного дизайна, центрированного на справедливости, чтобы избежать расширения разрывов в возможностях.

Перевод политики в практику

Институциональные GenAI политики в значительной степени не содержат указаний по внедрению. Систематический обзор подчёркивает, что министерские рекомендации, касающиеся Этика и Приватность, остаются неразработанными, что перекликается с проблемой перевода политики в практику (перевод политики в практику): успешные модели превращают документы политики в действенные модули подготовки преподавателей, связывая «что» (политика) и «как» (инструкции по составлению промптов).

Масштаб и справедливость

Внедрение ИИ в K-12 действует в масштабе общества — миллионы студентов, обязательное образование и значительные последствия для справедливости. Исследования справедливости рассматривают, расширяет ли ИИ разрывы в возможностях или сужает их, включая доступ и инклюзивную поддержку для студентов с ограниченными возможностями — одну из восьми малоизученных областей обзора.

Восемь исследовательских пробелов

Инновационный вклад обзора Марцано — явное перечисление восьми малоизученных исследовательских пробелов, формирующих повестку исследований GenAI в K-12: (1) нехватка конкретных примеров ИИ в преподавании для построения учебных единиц; (2) необходимость практического ежедневного обучения преподавателей на основе постоянного применения ИИ; (3) навыки в области машинного обучения и баланс между дисциплинами при перепредставленности STEM; (4) нехватка исследований и экспериментов в Европе; (5) необходимость определения роли преподавателя и создания конкретных педагогических рамок, таких как Технологические педагогические знания о содержании (TPACK) или AI4K12; (6) инклюзивность и поддержка студентов с ограниченными возможностями; (7) связь с педагогическими теориями и инновационными методологиями; и (8) применение новых технологий, таких как носимые устройства, управление роботами, и мобильной коммуникации.

Связи

K-12 связан с Педагогическая безопасность (защита детей), ИИ-грамотность (компетенция студентов), Преподавание (преобразование преподавателей K-12), Справедливость (разрывы в доступе) и Специальное образование (потребности различных учащихся). Его база доказательств на основе систематических обзоров связана с Мета-анализ и систематический обзор как с методом, а его вывод о дисбалансе дисциплин — с STEM-образование, Гуманитарное и социально-научное образование и Образование детей раннего возраста.

Следствия для преподавателей K-12

• Приоритизируйте защитные ограничения, безопасные для детей. Использование ИИ в K-12 требует более сильной защиты безопасности — используйте инструменты, специально созданные и проверенные для детей (EduZone, EduGuard) и будьте внимательны к вреду незащищённых репетиторов (исследования вреда репетиторов).

• Стройте ИИ-грамотность с учётом возраста. Используйте учебные программы и рамки, предназначенные для младших учащихся (модули ИИ-грамотности для K-12), и не предполагайте, что студенты приходят со знаниями об ответственном использовании.

• Закрывайте разрыв в компетенциях преподавателей. Преподаватели систематически переоценивают свою компетенцию в ИИ (разрыв ~40% между самоотчётом и результативностью), однако краткое обучение (например, 4-часовые семинары по составлению промптов) даёт существенно более высокую степень интеграции ИИ в аудитории — инвестируйте в собственную подготовку (ИИ-компетентность преподавателя, Профессиональное развитие преподавателей).

• Поддерживайте обучение непрерывным и основанным на практике. Ключевая рекомендация систематического обзора состоит в том, что обучение преподавателей не может быть разовым — оно должно быть непрерывным, совместным и основанным на постоянном ежедневном применении ИИ, а не на абстрактной теории.

• Диверсифицируйте материалы намеренно. ИИ силён в генерации культурно релевантных материалов (78% преподавателей считают предложения полезными), но инструменты по умолчанию используют доминирующие точки зрения — активно используйте ИИ для расширения, а не сужения, репрезентации и защищайтесь от разрывов в возможностях.

• Следите за риском штрафа за обучение. Доказательства показывают, что передача работы ИИ может вредить обучению, особенно для старших студентов (когнитивная капитуляция, штраф за передачу домашних заданий) — проектируйте задания, которые сохраняют когнитивную работу в цикле, и оценивайте для долговременного понимания, а не только для выполнения.

• Отличайте продуктивное замедление от серии. Рандомизированное полевое исследование с более чем 6000 учеников средней школы показало, что поддержка ИИ замедляла прогресс, но повышала правильность следующей попытки после ошибок, тогда как правило трёх правильных ответов подряд повышало освоение платформы примерно на 28,7 процентных пункта, не улучшая отсроченный тест неделей позже (Oreopoulos et al. (2026)).

• Проектируйте инструменты преподавателей для суждения, а не для объёма. Больше информации от ИИ — не лучше: оповещения в реальном времени расширяли осведомлённость преподавателей, но в некоторых исследованиях перегружали внимание или отвлекали от собственного наблюдения, и один преподаватель не может действовать по большему числу целей вмешательства, чем он физически способен охватить (Lee 2026). Инструменты, которые приоритизируют и объясняют, по чему стоит действовать, и позволяют преподавателям принимать, корректировать, откладывать или отклонять рекомендации, лучше соответствуют работе, чем панели данных, показывающие всё, — и структурные условия (время на рецензирование, размер класса, вспомогательный персонал) являются частью вмешательства, а не фоновой логистикой.

• Выходите за рамки STEM. База доказательств сильно перекошена в сторону STEM; преподаватели и исследователи в области искусства и гуманитарных наук имеют чрезвычайно большую возможность сгенерировать сбалансированное по дисциплинам доказательство, которого недостаёт области.

• Переводите политику в практику. Институциональные политики GenAI часто не содержат указаний по внедрению; превращайте политику в конкретные, действенные практики в аудитории и обучение (перевод политики в практику).

Принятие и скептицизм в отношении ИИ в K-12

• По мере того как ИИ входит в школы, сотрудников, которых он затрагивает, всё чаще призывают консультироваться с разговорным ИИ по вопросам принятия. Алгоритмический аудит десяти ведущих LLM исследовал персону скептика в отношении ИИ в сельской школе K-12, обнаружив, что восемь из десяти моделей признали обеспокоенность, прежде чем перенаправлять разговор к формулировкам вовлечения в ИИ, — результат, зависящий от модели, а не неизбежное свойство LLM. Поэтому доверие, скептицизм и человеческий надзор имеют центральное значение для того, как сельские и другие школьные сотрудники сталкиваются с ИИ.

Связанные концепции

• Педагогические паттерны — Уровень исследований продуктивного провала, концептуального изменения и устного оценивания
• Образование детей раннего возраста — Образование в области ИИ для раннего возраста и младших классов
• Педагогическая безопасность — Защитные ограничения, безопасные для детей, для взаимодействия с ИИ младших учащихся
• ИИ-грамотность — Понимание ИИ и ответственное использование, соответствующие возрасту студента
• Преподавание — Преобразование преподавателей и интеграция ИИ в аудиториях K-12
• Справедливость — Расширяет ли ИИ разрывы в возможностях K-12 или сужает их
• Специальное образование — Потребности различных учащихся при использовании ИИ в K-12
• Скаффолдинг — Структуры поддержки для обучения с помощью ИИ в K-12
• Персонализированное обучение — Индивидуализированное обучение, обеспечиваемое ИИ на школьном уровне
• STEM-образование — ИИ-грамотность и инструменты в науке, технологиях, инженерии и математике K-12
• Генеративный ИИ — Основная технология, лежащая в основе инструментов и учебных программ ИИ для K-12
• Профессиональное развитие преподавателей — Подготовка и повышение квалификации преподавателей для ИИ в аудитории
• Социокультурное обучение — Социальные и культурные измерения обучения с ИИ в K-12
• Метакогниция — Мышление о мышлении; ключ к долговременному обучению в эпоху ИИ
• Развитие педагогической практики — Продолжающееся профессиональное развитие преподавателей
• Дизайн обучения — Проектирование уроков и материалов с поддержкой ИИ
• Активное обучение — Сохранение когнитивной работы в цикле при использовании ИИ
• Вычислительное мышление — Базовый навык K-12 и цель учебных программ по ИИ
• Интеллектуальное тьюторство — Системы ИИ-репетиторства для младших учащихся
• Мета-анализ и систематический обзор — Метод систематического обзора, лежащий в основе базы доказательств по K-12
• Гуманитарное и социально-научное образование — Дисциплинарно-сбалансированный аналог перекошенной в сторону STEM базе доказательств по ИИ в K-12
• Родители и семьи
• Когнитивная капитуляция

Связанные статьи

• Generative Artificial Intelligence (GAI) in Teaching and Learning Processes at the K-12 Level: A Systematic Review — Систематический обзор генеративного ИИ в преподавании и обучении в K-12 (Marzano 2026)

• Pedagogy first, technology second: Cross-level relationships between teacher professional knowledge and student — Эффекты знаний преподавателей об ИИ (TAIK, TPAIK) на кросс-уровне для обучения студентов среднему ИИ-образованию (Shen et al. 2026)

• Does school-based AI education narrow readiness gaps? The role of prior agency-related learning — Школьное образование в области ИИ сужает психологические, но не когнитивные разрывы в готовности

• AI Tutoring is Not a Monolith: What We Actually Know — AI Tutoring is Not a Monolith: что мы действительно знаем (бриф Стэнфорда SCALE/NSSA)

• AI-Supported Problem-Based Learning for Enhancing Computational Thinking — Проектное обучение с помощью ИИ и вычислительное мышление

• Virtual Tutoring with Computer-Assisted Learning: An Experiment in Take-Up and Learning — Виртуальное репетиторство с CAL: эксперимент по внедрению и обучению

• Making AI Tutoring Productive: Evidence from a Mastery-Based Math Practice Experiment — Создание продуктивного ИИ-репетиторства: практика математики на основе освоения

• One Click Away: AI Tutoring with Khanmigo in a Two-Year School Experiment — One Click Away: Khanmigo в двухлетнем школьном эксперименте

• EduZone: A Framework for Evaluating LLM Safety for K-12 Students and Teachers — EduZone: платформа взаимодействия с LLM, безопасная для детей, для K-12

• EduGuard: A Safe RAG-Based LLM Tutor for Programming Education — EduGuard: защитное ограничение безопасного LLM-репетитора на основе RAG

• SafeTutors: Benchmarking Pedagogical Safety in AI Tutoring Systems — Исследование вреда незащищённых ИИ-репетиторов для детей

• Learning to Use AI for Learning: Teaching Responsible Use of AI Chatbot to K-12 Students Through an AI Literacy Module — Модули ИИ-грамотности для K-12 по составлению промптов

• The Evidence Base on AI in K-12: A 2026 Review — База доказательств по ИИ в K-12, агрегированная в масштабе

• ECNUClaw: A Learner-Profiled Intelligent Study Companion Framework for K-12 Personalized Education — Персонализированные ИИ-компаньоны для K-12

• A Guiding Framework for K-12 Teachers in Creating AI-powered Learning Technologies through Vibe Coding — Рамки vibe coding, позволяющие преподавателям создавать ИИ-инструменты

• Rethinking Elementary Education's Writing Instruction in The Age of Generative AI: A Systematic Review — Систематический обзор: GenAI и письмо в начальной школе

• Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education — Ускоренный обзор: GenAI и учащиеся PreK-12 (271 статья)

• Faster Completion, Less Learning: Generative AI Reduced Study Time on Math Problems and the Knowledge They Build — Когнитивная капитуляция наиболее сильна для старшеклассников, отсутствует для 5-го класса

• The Generative AI Learning Penalty: Evidence from Chinese Secondary Education — Штраф за обучение при генеративном ИИ: передача домашних заданий вредит обучению

• Marked Pedagogies: Examining Linguistic Biases in Personalized Automated Writing Feedback — Marked Pedagogies: смещение в автоматизированной обратной связи для письма в средней школе

• Code to Learn with Generative AI: A Theoretically Grounded Framework for Artifact Construction in Upper-Secondary Education — CtL-GenAI: рамки конструктивизма для создания артефактов

• Beyond “painting in pink”: A critical case study of all-girls generative AI workshops in a European makerspace — Семинары для девочек в GenAI-мастерских и гендерная справедливость в информатике

• Transforming clicks into critical thinking: An AI-based media literacy program for children — Программа критической медиаграмотности на основе ИИ для детей

• What differentiates educational literature? A multimodal fusion approach of transformers and computational linguistics — Мультимодальное слияние для классификации образовательной литературы

• Estimating Item Difficulty Using Large Language Models and Tree-Based Machine Learning Algorithms — Оценка трудности заданий с помощью LLM и машинного обучения на деревьях

• A Feasibility and Implementation Integrity Study of the Community Builder (CoBi): An AI-based Collaboration Support System in K-12 Classrooms

• Ask Me Anything: Exploring Children's Attitudes Toward an Age-tailored AI-powered Chatbot

• Teacher intervention in K-12 AI-based instruction: a systematic review of processes, strategies, and effects — Вмешательство преподавателей в обучение на основе ИИ в K-12: систематический обзор

• A Benchmark for LLM's Understanding of Middle School and High School Science Topics — Бенчмарк для понимания LLM научных тем средней и старшей школы

• Effects of generative artificial intelligence on students' learning motivation: evidence from a meta-analysis — Метаанализ эффекта GenAI на мотивацию, наименьшего в школьных условиях (средняя школа g = 0,360, начальная школа g = 0,311)