Vedecká databáza AIEdAIEd KB
Na tejto stránke

Prečítajte si túto stránku po anglicky

Pojmy

Interpretácia a uplatňovanie výskumu AIEd

Vytvorené 2026-09-19 · Aktualizované 2026-11-08

Automatický strojový preklad tejto anglickej stránky, ktorý ešte nebol skontrolovaný rodeným hovorcom.

Interpretácia a uplatňovanie výskumu AIEd — ako sa rozhodnúť, či zistenie o AI vo vzdelávaní stojí za konanie, či už učíte, vediete program, navrhujete kurz alebo vyvíjate softvér. Na používanie tejto stránky nepotrebujete štatistiku. Začína otázkou, ktorú praktik skutočne má — mám to urobiť? — prechádza tými niekoľkými vecami, ktoré na ňu odpovedajú, a technický detail ponecháva na neskoršiu časť pre každého, kto ho chce alebo potrebuje. Krátka verzia: zistenie stojí za konanie, keď viete, čo sa porovnávalo, čo sa meralo, koho sa skúmalo a či nástroj ešte existuje v podobe, v akej sa skúmal. Väčšina tvrdení, ktoré sa dostanú k učiteľom, administrátorom a vývojárom, zlyháva na jednej z týchto štyroch vecí.

Otázky na zamyslenie

  • Dodávateľ, spravodajský príspevok alebo kolega tvrdí, že nástroj AI zlepšil učenie. Čo jediné by ste chceli vidieť predtým, než ho vyskúšate vo svojom kurze — a vedeli by ste, kde to hľadať?
  • Každá stránka článku v tejto vedomostnej báze má teraz sekciu Čo to znamená pre prax a väčšina má sekciu Obmedzenia. Keď ich čítate spolu, čo vám každá hovorí, čo tá druhá nehovorí?
  • Študenti cvičia s nástrojom AI a dosahujú lepšie výsledky v cvičeniach, potom horšie v skúške bez pomôcok. Ktoré číslo je učebný výsledok, na ktorom vášmu kurzu záleží — a zachytili by vaše súčasné hodnotenia ten rozdiel?
  • Štúdia sľubuje veľké zlepšenie, ale sledovala 30 študentov v jednom kurze na jednej inštitúcii a verzia nástroja, ktorá sa skúmala, už nie je verziou, ktorú ktokoľvek používa. Ktorý z týchto dvoch faktov vás znepokojuje viac a prečo?
  • Mnohé nástroje AI zvyšujú to, ako veľmi ich študenti používajú, bez toho, aby zvyšovali to, ako veľmi sa učia. Keby ste si museli vybrať medzi nástrojom, ktorý zvyšuje angažovanosť, a nástrojom, ktorý zvyšuje výkon bez pomôcok, aký dôkaz by to rozhodol?
  • Žiadajú od vás, aby ste schválili alebo kúpili nástroj na základe vlastných čísel dodávateľa o účinnosti. Čo by ste chceli, aby bolo zverejnené o tom, ako tie čísla vznikli?

Úvod

Táto stránka je pre ľudí, ktorí musia niečo rozhodnúť: učiteľ, ktorý zvažuje, či zmeniť zadanie, administrátor, ktorý váži pilot, návrhár učenia, ktorý stavia kurz, vývojár softvéru, ktorý rozhoduje, čo má funkcia robiť, alebo výskumník, ktorý vysvetľuje zistenie ktorémukoľvek z nich.

Rozdiel robia dva návyky a ani jeden nepotrebuje výskumný výcvik.

Najprv si prečítajte dve sekcie napísané pre vás. Každá stránka článku tu teraz nesie sekciu Čo to znamená pre prax — zvyčajne tri až päť konkrétnych krokov odvodených z tej štúdie — a väčšina nesie sekciu Obmedzenia, ktorá uvádza, čo štúdia nemôže podporiť. Čítajte ich pred zisteniami štúdie, nie po nich. Sekcia pre prax vám hovorí, na čo je štúdia dobrá; sekcia obmedzení vám hovorí, kde prestáva. Ak sekcia pre prax chýba alebo je vágna, pokladajte tú stránku za nedokončenú, nie za dôkaz.

Súďte tvrdenie, nie istotu tvrdenia. Tvrdenia o AI vo vzdelávaní sú zvyčajne presné v niečom a zavádzajúce v tom, na čom vám záleží, pretože štúdia a vaša trieda sa líšia v štyroch veciach: s čím sa porovnávalo, čo sa meralo, kto sa zúčastnil a ktorá verzia nástroja sa použila. Zvyšok tejto stránky vám dáva kontroly v jednoduchom jazyku a potom dôkazy za každou z nich pre čitateľov, ktorí ich chcú.

To, čo nasleduje, tiež nenahrádza svojich susedov. Výskumné metódy v AI vo vzdelávaní pokrývajú, ako sa dizajny stavajú, Obmedzenia výskumu AIEd katalogizujú opakujúce sa slabiny literatúry, Hodnotenie AIED pokrýva, ako sa systémy a výstupy hodnotia, a Rozdielne efekty naprieč skupinami študentov pokrývajú, koho zistenie zahŕňa a koho nie.

Štyri otázky, ktoré vyriešia väčšinu tvrdení

Položte si ich, skôr než na niečo vynaložíte čas, peniaze alebo semester.

1. S čím sa to porovnávalo a bolo to porovnanie spravodlivé? „Študenti, ktorí používali AI, boli lepší ako tí, ktorí ju nepoužívali" vám niečo hovorí len vtedy, ak tí ostatní robili niečo skutočné. Ak bolo porovnanie bežnou praxou — alebo ničím — zistenie zlúčuje nástroj s časom navyše, pozornosťou navyše a novostnosťou. Čo hľadať: kontrolnú skupinu, ktorá dostala vierohodnú alternatívu, a náhodné pridelenie do dvoch podmienok.

2. Čo presne merali? Tu väčšina vzrušujúcich tvrdení potichu zlyháva. Testové skóre, kvalita domácich úloh, motivácia, postoje a angažovanosť sa zlúčia do jedného čísla „dosiahnutia", alebo sa miera výkonu za prítomnosti nástroja vykáže ako učenie. Učenie, ktoré závisí od prítomnosti nástroja, nie je to isté ako učenie, ktoré vydrží. Čo hľadať: čo nástroj meral, či bol validovaný pre tú populáciu a či sa výsledok meral bez AI v miestnosti.

3. Koho skúmali, koľko a ako dlho? Tridsať študentov v jednom kurze je signál, nie výsledok. Štvortýždňová intervencia vám nemôže povedať nič o roku. A štúdia o študentoch, ktorí sa od vašich líšia, je stále užitočná — je to hypotéza o vašom prostredí, nie predpoveď. Čo hľadať: veľkosť vzorky, ako sa účastníci získavali, jedno pracovisko, trvanie a či bola niektorá podskupina dosť veľká na analýzu.

4. Je nástroj ešte tým nástrojom, ktorý sa skúmal? Schopnosti AI sa pohybujú rýchlejšie ako publikovanie. Zistenie z roku 2025 opisuje generáciu modelov z roku 2025 — niekedy konkrétnu verziu, niekedy konfiguráciu, ktorú dnes nikto nepoužíva. To zistenie nerobí nepravdivým; robí ho datovaným a znamená, že tvrdenie treba znova overiť, nie zdediť. Čo hľadať: verziu modelu a okno zberu dát.

Čo dôkazy hovoria o tvrdeniach o AI všeobecne

Ak si z tejto stránky zapamätáte jednu vec, zapamätajte si, že titulné číslo je zvyčajne nafúknuté a porovnanie zvyčajne slabé. Nie je to okrajový názor — presne to hlásia audity samotného odboru. Niekoľko dobre navrhnutých štúdií skutočne ukazuje reálne zisky; pointa je, že bremeno dôkazu leží na tvrdení.

  • Približne dve tretiny priemerného efektu zmiznú, keď korigujete fakt, že pôsobivé výsledky sa publikujú a nepôsobivé nie. Bartoš a spol. (2026) zlúčili 1 840 veľkostí efektu zo 67 prehľadov a zistili, že korigovaný priemer bol približne tretinou publikovaného mediánu — SMD 0,196 oproti 0,67.
  • Názov produktu nie je vyučovacia metóda. Pri audite porovnaní za prominentnou metaanalýzou Weidlich a spol. (2025) zistili, že len 21 % malo dobre definovanú intervenciu, kontrolnú skupinu a platné meranie učenia — a uvádzaná výhoda pre „používanie ChatGPT" vyšla väčšia ako pre účelovo postavené inteligentné doučovacie systémy (g = 0,7 oproti 0,66), čo je varovný signál, nie triumf.
  • Výkon s nástrojom sa rutinne zamieňa za učenie. V jednej štúdii matematiky K-12 študenti, ktorí cvičili so všeobecným chatbotom, dostali lepšie známky z cvičení a potom dosiahli približne o 17 % horšie skóre ako rovesníci bez prístupu k AI v záverečnej skúške bez pomôcok (Stanfordova dôkazová báza pre AI v K-12).
  • Prehľady samotného odboru neprežijú audit. O'Neillov (2026) audit 14 recenzovaných metaanalýz tvrdiacich, že AI zlepšuje vzdelávanie, zistil, že žiadna neposkytla platný základ pre tvrdenia, ktoré predkladala, a medzi 46 náhodne vybranými primárnymi štúdiami malo 61 % problémy s platnosťou. Problém nie je jeden zlý článok; je to reportovacia kultúra.
  • Prehľad dokáže kvantifikovať reportovaciu skreslenosť vo vlastnom korpuse. Systematický prehľad 155 štúdií vysokého školstva zistil, že 117 (75,5 %) hlásilo úspešnú implementáciu, 124 (80,0 %) pokrývalo len krátkodobý vplyv a len 23 (14,8 %) hlásilo zlyhania v oblasti etiky, rovnosti alebo riadenia — nerovnováhu, ktorú vyššie uvedené kontroly opisujú, meranú na vlastnom dôkazovom základe prehľadu (Nyamboga (2026)).
  • Samozapísané údaje lichotia každému. Ľudia hodnotia svoje vlastné AI zručnosti približne o 40 % vyššie, než ukazujú merania výkonu, a preto sú prieskumy spokojnosti a dôvery najslabším dôkazom, na ktorom môžete konať (Samozapísané merania, Vzdelávacie meranie).
  • Väčšina produktov, ktoré už sú v triedach, nemá vôbec žiadny nezávislý dôkaz. Learning tour Instruction Partners 2025–26 profiloval 20 produktov AI orientovaných na študentov a zistil, že zo 16 s kompletnými profilmi malo len sedem nezávislý prehľad skúmajúci študentské výsledky naprieč skupinami študentov v USA; dve boli skúmané len v zahraničí, štyri mali štúdie v procese a tri sa spoliehali výlučne na interné údaje. Autori argumentujú, že nezávislé kauzálne štúdie pokrývajúce prioritné skupiny by mali byť očakávaním pre všetky produkty orientované na študentov — zatiaľ to nie je normou pre nástroje, ktoré školy už používajú.

Ako premeniť zistenie na rozhodnutie

Postupnosť, ktorá ušetrí najviac premárnenej práce, v poradí.

  1. Najprv si zapíšte svoj výsledok. Nie „používať AI viac", ale „študenti dokážu X bez nástroja". Ak je vaším výsledkom výkon bez pomôcok, potom štúdia, ktorá merala výkon s pomocou, je susedný dôkaz, nie priamy.
  2. Nájdite porovnanie a meranie — v štúdii alebo v sekcii pre prax na jej stránke článku. Ak chýba ktorékoľvek, pokladajte tvrdenie za ukážku, nie za zistenie.
  3. Čítajte sekciu obmedzení ako pokyny, nie ako výhrady. „Jeden kurz, samozapísané výsledky, štyri týždne" vám presne hovorí, ktoré z vašich predpokladov štúdia nepokrýva.
  4. Skontrolujte verziu a dátum. Ak štúdia použila dve roky starú generáciu modelu, plánujte opätovné testovanie, nie predpoklad.
  5. Pomenujte umožňujúce podmienky. Náklady, licencie, čas zamestnancov, pravidlá o údajoch a či študenti musia platiť za úroveň, ktorá skutočne funguje. Štúdie ich zriedka obsahujú a ony rozhodujú, či intervencia prežije semester. V štúdii profesijného rozvoja s desiatimi účastníkmi všetci povedali, že budú AI používať ďalej, zatiaľ čo tí istí ľudia opisovali osobné predplatné na prístup k nástroju a žiadnu časovú podporu pre prepracovania, ktoré plánovali.
  6. Pilotujte v malom a merajte nepodporovanú podmienku. Krátke pre/post s jedným hodnotením bez nástroja porazí prieskum spokojnosti. Malé a čestné porazí veľké a rétorické. Pozrite Návrh učenia, kde to patrí do návrhu kurzu.
  7. Zapíšte si dátum revízie a buďte ochotní tvrdenie opustiť. Keď je premisa štúdie schopnosť, ktorá už neexistuje, čestný krok je tvrdenie vyradiť, nie ho donekonečna citovať — rovnaká disciplína, akú táto vedomostná báza uplatňuje na svoje vlastné stránky.

Slová, s ktorými sa vo výskume stretnete

Jednoduché preklady, aby ste mohli preletieť štúdiu alebo stránku dodávateľa bez metodologického zázemia.

  • Veľkosť efektu — aký veľký bol rozdiel na škále, kde 0 znamená nič. Malé hodnoty berte ako „postrčenie", nie „premenu".
  • Štatisticky významné — nepravdepodobne čistá náhoda v tejto vzorke. Nehovorí nič o tom, či je efekt veľký alebo či sa stane vo vašej triede.
  • Interval spoľahlivosti — rozsah výsledkov, ktoré údaje nedokážu vylúčiť. Ak interval zahŕňa nulu, zistenie nemusí byť vôbec ničím, nech je titulok akokoľvek zaujímavý.
  • Metaanalýza — štúdia, ktorá zlučuje mnohé štúdie. Silná, ale len taká dobrá, aké je to, čo zlúčila, a preto sa prehľady auditujú.
  • Publikačná skreslenosť — zaujímavé výsledky sa publikujú a nudné nie, takže priemer literatúry vyzerá ružovejšie ako realita.
  • Samozapísanie — ľudia opisujúci seba. Užitočné pre postoje, slabé pre kompetenciu alebo správanie.
  • Kontrolná skupina — podmienka porovnania. Jediná najdôležitejšia vec, ktorú hľadať.
  • Pre/post — merané pred a po bez porovnávacej skupiny. Náznačné, nikdy preukazné.
  • Analýza podskupín — výsledky pre výrez vzorky. Zvyčajne nedostatočne silná, takže ju berte ako hypotézu.
  • Replikácia — niekto iný dosiahol rovnaký výsledok. Zriedkavá a najsilnejší dostupný dôkaz.
  • Benchmark — pevná sada úloh na skórovanie systémov. Skóre sa hýbe, keď sa hýbe cieľ, preto skontrolujte dátum.

Kedy aj tak spomaliť

  • Tvrdenie pochádza od dodávateľa, na metrikách dodávateľa. Stále to môže byť informatívne — jeden poskytovateľ doučovania AI uvádza metriku angažovanosti kalibrovanú proti ľudským expertom na F1 0,83, pričom zlepšenia prišli z viac ako 40 experimentov za päť mesiacov (Udeshi a spol., 2026) — ale konštrukt, hodnotitelia a metrika sú voľby dodávateľa. Žiadajte porovnávaciu skupinu a výsledok bez pomôcok.
  • Automatizované skórovanie sa pokladá za vyriešené. Vysoká zhoda s ľudskými hodnotiteľmi je spoľahlivosť, nie kvalita. V jednej štúdii skórovania sa ľudskí hodnotitelia zhodli s konsenzom viacerých hodnotiteľov približne na r = 0,88, takže automatizované skóre blízko r = 0,85 už bolo na vlastnom meracom strope úlohy (Kedy dôverovať AI skórovaniu).
  • Zoznam referencií robí ťažkú prácu. Tridsať referenčných záznamov obsahujúcich overiteľne vyfabulované bibliografické informácie bolo potvrdených v 14 článkoch o vzdelávaní v informatike, všetky z rokov 2025 a 2026 (Denny a spol., 2026). Ak tvrdenie stojí na citácii, skontrolujte citáciu.
  • Nikto nemeral správanie, od ktorého závisí vaša politika. Naprieč 493 deduplikovanými záznamami a 14 prioritnými štúdiami žiadna štúdia nemerala, či overenie uspelo a čo študent potom s ním urobil, posudzované proti nezávislému štandardu kvality výstupu (kalibrácia overovania a závislosti). Politiky kurzov závisia presne od tohto správania.

Ak nástroj staviate alebo kupujete

Rovnaké kontroly sa obrátia na dizajnové požiadavky a stránky o hodnotení v tejto vedomostnej báze nesú detail (Hodnotenie AIED, Automatizované hodnotenie).

  • Urobte z porovnania súčasť špecifikácie funkcie. Rozhodnite, čo by študent inak robil, a vedzte povedať, prečo váš nástroj poráža to — nie prečo poráža nič.
  • Merajte nepodporovanú podmienku. Ak je vaším výsledkom učenie, zahrňte úlohu dokončenú bez nástroja; samotný výkon s pomocou vás bude zavádzať rovnako, ako zavádza vašich kupcov.
  • Hláste, ako boli vaše automatizované úsudky validované — zlatý štandard, cieľ kalibrácie, kto rozhodoval o nezhodách — a hláste to ako spoľahlivosť, nie kvalitu.
  • Pomenujte verziu a dátum v každom tvrdení o účinnosti, pretože vaše ďalšie vydanie ho zneplatní.
  • Ukážte protiváhy: náklady na študenta, prístupnosť, spracovanie údajov a čo sa stane so študentmi na bezplatnej úrovni. Pozrite Zverejnenie používania AI, súkromie a riadenie.

Pre čitateľov, ktorí chcú dôkazy

Kontroly vyššie nie sú ľudová múdrosť; pochádzajú z dokumentovaných zlyhaní v tejto literatúre. Táto sekcia zachováva detail pre každého, kto recenzuje článok, obhajuje rozhodnutie alebo argumentuje, že nástroj by sa mal hodnotiť poriadne.

Zlyhania platnosti majú distribúciu, nielen prítomnosť. V 46 auditovaných štúdiách O'Neilla (2026) bol najčastejším problémom nesúlad závislej premennej (n = 15) — meranie nezachytávalo to, čo tvrdenie uvádzalo — nasledovaný nesúladom nezávislej premennej (n = 11), problémami experimentálneho dizajnu (n = 7), problémami extrakcie dát (n = 6), absenciou kontrolnej skupiny (n = 6) a nenáhodným prideľovaním skupín (n = 6). Zo 14 metaanalýz dvanásť pokladalo viacero veľkostí efektu z tej istej primárnej štúdie za nezávislé, čo nafukuje zdanlivý dôkazový základ.

Tvrdenia o podskupinách sú v štúdiách, ktoré ich robia, zvyčajne nerozhodnuteľné. Mikro-RCT v GCSE science hlási interakciu intervencia × status 0,57 bodu (95 % CI −2,25 až 3,39), so stratifikovanými odhadmi g = 0,28 (95 % CI −0,04 až 0,59) pre jednu skupinu a g = 0,35 (95 % CI 0,18 až 0,52) pre druhú. Interval prechádzajúci nulou nie je zistenie o rovnosti; je to otázka pre lokálny pilot.

Syntéza môže splniť vlastný protokol a stále zlučovať neváženú kvalitu. Doğan a spol. (2026) jasne uvádzajú, že nepoužili žiadny formálny nástroj hodnotenia kvality, pričom ich inkluzívne kritériá pokladali za prah prísnosti, takže kvázijexperimentálna štúdia a randomizovaná prispeli rovnako — a ich heterogenita vykazuje I² = 82,98 % pri modeli s fixnými efektmi, ale 15,75 % pri modeli s náhodnými efektmi, a preto číslo heterogenity uvedené bez svojho modelu nemôže povedať, ako nekonzistentný korpus je.

Validácia automatizovaného úsudku je súčasťou výsledku. Zhoda s ľudskými kódovateľmi je tvrdenie o spoľahlivosti a strop vyššie ukazuje, prečo to nie je to isté ako kvalita (stroje nesprávne čítajú pedagogickú kvalitu).

Vek nástroja je obmedzenie prvej triedy. Prehľad o hodnotení podporovanom AI poznamenáva, že jeho vlastné zistenia odrážajú konkrétne verzie modelov v konkrétnych časoch a že pohyb odboru robí akýkoľvek opis schopností modelov potenciálne zastaraným v priebehu mesiacov (Hodnotenie a výučba podporované AI vo vysokom školstve). Rozsah tvrdení obmedzte na ich generáciu: „generatívna AI zlepšila X" nie je prenosné, zatiaľ čo „nástroje éry GPT-4, v tejto úlohe, s týmto podporným lešením" je.

Ciele benchmarkov sa hýbu, takže výsledok, ktorý systém dnes nasýti alebo nezvládne, sa môže s ďalším vydaním obrátiť; kontroly nasýtenia a kontaminácie patria vedľa každého tvrdenia založeného na benchmarku.

Čítať túto literatúru popri jej vlastných kritikoch je tu normálna prax. Reportovacie kontrolné zoznamy pre autorov a recenzentov sú v FAQ o reportovaní a interpretácii AI výskumu a návyky posudzovania na tejto stránke sa spájajú s Vývojom teórie v AI vo vzdelávaní, keď je tvrdenie teoretické, nie empirické.

Krátky kontrolný zoznam

  1. Uveďte svoj výsledok v jednej vete vrátane toho, či je v ňom nástroj prítomný.
  2. Nájdite porovnanie. Bez vierohodného porovnania niet rozhodnutia.
  3. Zosúlaďte meranie s tvrdením a uprednostnite výsledok bez pomôcok.
  4. Znížte číslo: čítajte efekt korigovaný na skreslenie, nie titulok.
  5. Skontrolujte verziu modelu a dátumy štúdie.
  6. Čítajte sekciu obmedzení ako pokyny pre to, čo ešte neviete.
  7. Vyčíslite náklady: licencie, úrovne, čas zamestnancov, pravidlá o údajoch.
  8. Pilotujte v malom s meraním bez pomôcok a potom rozhodnite.
  9. Zapíšte si dátum revízie o rok a buďte pripravení tvrdenie vyradiť.

Časté mylné predstavy

„Publikovaná metaanalýza je usadený dôkaz o AI vo vzdelávaní." Syntézy odboru neprežili audit. O'Neillov (2026) audit 14 recenzovaných metaanalýz tvrdiacich, že AI zlepšuje vzdelávanie, zistil, že žiadna neposkytla platný základ pre ten záver. Zlúčená veľkosť efektu je len taká dobrá, ako štúdie, ktoré sa zlúčili, a v tejto literatúre zlučovanie rutinne zahŕňalo dizajny, ktoré nemohli výsledok pripísať AI. Skôr než uvediete metaanalytické číslo, pýtajte sa, čo agregovalo.

„Väčšia veľkosť efektu patrí lepšej intervencii." Často naopak. V kontexte prehľadu, ktorý táto stránka dokumentuje, malo len 21 % štúdií dobre definovanú intervenciu, kontrolnú skupinu a platné meranie učenia — a uvádzaná výhoda pre „používanie ChatGPT" vyšla väčšia ako pre účelovo postavené inteligentné doučovacie systémy. Slabo špecifikované intervencie majú sklon produkovať nafúknuté efekty, pretože porovnanie je vágnejšie a meranie výsledku voľnejšie. Väčšie číslo je dôvod pozrieť sa na dizajn, nie dôvod uprednostniť intervenciu.

„Vyššie známky pri používaní nástroja naznačujú, že nástroj naučil viac." V jednej štúdii matematiky K-12 študenti cvičiaci so všeobecným chatbotom dostali lepšie známky z cvičení a potom dosiahli približne o 17 % horšie skóre v hodnotení bez pomôcok. Výkon v cvičení meraný za prítomnosti nástroja je nafúknuté meranie; to bez pomôcok je výsledok a len jedno z nich rástlo.

„Ak je efekt skutočný, detaily implementácie veľmi nezáležia." Ony sú efektom. Štúdia, ktorá sledovala 30 študentov v jednom kurze na jednej inštitúcii, na verzii nástroja, ktorú dnes nikto nepoužíva, vytvorila zistenie o konfigurácii, ktorá už neexistuje. Špecifikácia intervencie, verzia a prostredie sú súčasťou tvrdenia, nie kontextom okolo neho.

Prepojené koncepty

Prepojené články

Prepojené často kladené otázky

Metadáta

Návrh štúdieLiterature Review
Zamýšľaný okruh čitateľovInstructors, Administrators, Instructional Designers, Software Developers, Researchers
Hodnotenie a meranieAssessment Validity, Educational Measurement, Self-Report Measures, Learning Gains
Výskumné metódy a hodnotenieAI Ed Evaluation, Benchmark, Research Methods in AIED, Meta-Analysis and Systematic Review, Quantitative Research
Rovnosť, etika a zodpovedné používanieAI Use and Disclosure Statements
Základy AI v edukáciiObmedzenia výskumu AIEd
Druh stránkyEvaluation, Framework
ZdrojHistóriaUpraviťChat

Vložiť túto stránku

Skopírujte kód nižšie a vložte túto stránku do systému správy výučby alebo iného webu. Vložená verzia zobrazuje len obsah stránky — skrýva hlavičku webu, navigáciu a pätu.