Utafiti wa Kielimu Unaosaidiwa na AI

Tafsiri ya kiotomatiki ya ukurasa huu wa Kiingereza, ambayo haijakaguliwa na mzungumzaji mzawa.

Muhtasari: Utafiti wa kielimu unaosaidiwa na AI ni matumizi ya AI kama chombo cha kazi ya kitaaluma ya uwanja yenyewe — kutafuta na kurejesha fasihi, kuchuja rekodi kwa ajili ya mapitio, kuweka msimbo wa data ya kina, kuchanganua data, kuandika na kuhariri nakala, na tafakari inayouliza nini zana hizo hufanya kwa maarifa yanayozalishwa. Ni tofauti na utafiti juu ya AI katika elimu: miundo inayotumika kujua kama AI inawasaidia wanafunzi ni ya Mbinu za Utafiti katika AIED, tathmini ya mifumo ya AI ni ya Tathmini ya AIEd, na usomaji wa utafiti mmoja wa AIED ni wa Kutafsiri na Kutumia Utafiti wa AIEd. Ukurasa huu unashughulikia mtiririko wa kazi wa mtafiti mwenyewe na utafiti wa mtaalamu–mtafiti — ustaarabu wa kufundisha na kujifunza na utafiti wa darasa — na masuala ya kimtazamo ya maarifa uhakika unapoingia katika mmoja yao. Ushahidi wake ni mwembamba na wa hivi karibuni: pendekezo la mfumo, akaunti ya tafakari ya timu moja ya mapitio, utafiti mdogo wa kikundi cha mazungumzo, masudio mawili ya mbinu za kuchanganua, ripoti ya warsha, na masudio ya kesi ya mpelelezi mmoja. Inaelezea mwelekeo wa safari badala ya mazoezi yaliyothibitishwa, na uzi wa utafiti wa mtaalamu ni mwembamba kuliko yote.

Maswali ya Kutafakari

• Ni nani anayehesabiwa kama mtafiti hapa: mwanafunzi wa kitaaluma anayefadhiliwa, mwanafunzi wa ngazi ya juu, mwalimu anayechunguza darasa lake mwenyewe? Kati ya hawa, ushahidi unaelezea ni yupi kweli?
• Kichujio cha AI kiliondoa utafiti kutoka kwenye mapitio yako. Ni nani anawajibika kwa uamuzi huo — muuzaji, zana, itifaki, au wewe?
• Wakati mfano unafupisha vyanzo ambavo hujavisoma, ni sehemu gani ya kazi ya kitaaluma umeacha kufanya?
• Mwanafunzi aliyetengwa anaweza kupima mwalimu kupitia mifano mingi ya wanafunzi. Ungeangalia nini kabla ya kuamini hukumu yake kuhusu wanafunzi halisi?
• Utafiti wa mtaalamu kwa kawaida ni wa ndani na mdogo. Je, ushahidi wake unapaswa kufikia kiwango cha jaribio lililofadhiliwa, au kupimwa tofauti kwa sababu mazingira ndiyo uhakika?
• Ikiwa AI ilisaidia kuandika karatasi, wasomaji wanapaswa kuambiwa nini, na ufichuo huo unapaswa kuwa wapi?

Utangulizi

Utafiti wa kielimu unaosaidiwa na AI ni uwanja unageuza zana za AI kuelekea kazi yake yenyewe. Kitu cha kuchunguzwa si mwanafunzi anayetumia mwalimu wa AI bali mtafiti anayetumia mfano kutafuta, kuchuja, kutoa, kuweka msimbo, kuchanganua, au kuandika. Kinachobadilika ni mtiririko wa kazi wa mtafiti na, kwa njia ya siri zaidi, vigezo ambavyo matokeo yake yanahesabiwa kama ushahidi.

Ukurasa huu si kwa makusudi kuhusu utafiti juu ya AI katika elimu. Maswali kuhusu kama mwalimu wa AI huboresha kujifunza hushughulikiwa na Mbinu za Utafiti katika AIED, tathmini ya mifumo ya AI na Tathmini ya AIEd, na usomaji wa tahadhari wa utafiti mmoja na Kutafsiri na Kutumia Utafiti wa AIEd na Vizingiti katika Utafiti wa AIEd. Fasihi mbili mara nyingi huchanganywa, na madai ya zana za ya pili mara nyingi hukopwa kusaidia ya kwanza.

Wigo unatokana na kutafuta fasihi kupitia kuchuja, kuweka msimbo, uchanganuzi, na uandishi, na unajumuisha tafakari ya kimtazamo wa maarifa inayouliza uhakika unafanya nini kwa maarifa ambayo uwanja unazalisha. Pia unajumuisha utafiti wa mtaalamu: ustaarabu wa kufundisha na kujifunza na uchunguzi wa darasa, ambapo mwalimu anachunguza mazoezi yake mwenyewe. Uzi huo ni sehemu dhaifu zaidi ya ukurasa huu, na sehemu zilizo chini zinasema hivyo badala ya kuzifunika.

Jinsi AI inavyoingia katika mtiririko wa kazi wa utafiti

Akaunti za matumizi ni thabiti zaidi kuliko ushahidi wa athari. Dai na Chan (2026) walihutubia wanafunzi 28 wa utafiti wa ngazi ya juu katika vikundi saba vya mazungumzo katika taasisi moja na waligundua kuwa 27 kati ya 28 walitumia AI ya kizazi mahali fulani katika utafiti wao: kubuni mawazo, mapitio ya fasihi, maelezo, usindikaji wa data, upangaji programu, uandishi wa kitaaluma, uhariri, na tafsiri.

Washiriki wao walikuwa na mipangilio badala ya kupotosha. Walilinganisha zana na kazi kulingana na hatua zinazohisiwa na mahitaji ya kiakili, walitumia AI zaidi katika kazi za taratibu za hatua ndogo, na walibaki na tahadhari pale mchango wa kitaaluma ulikuwa wa kati. Pia walidumisha usimamizi wa binadamu kila wakati, wakichukulia mfano kama msaidizi ambaye angeweza kuwa "anayepotosha" au "makosa kabisa."

Utafiti wa sera ni ule wa vitendo. Mwongozo uliopo wa taasisi ulishughulikia ufundishaji, kujifunza, na tathmini, na washiriki walihisi ni wa dhahiri na usioelingana na mazoezi ya utafiti. Waandishi wanapendekeza miongozo inayoelekezwa kwa watafiti, iliyojengwa juu ya mfumo wa ujuzi wa AI wa vipimo vinne, kama ngazi za msaada za maendeleo badala ya kitabu cha kanuni.

Utafiti unashughulikia taasisi moja, kikundi cha 28 kilichojiteua, na akaunti za kujiripoti; wanafunzi wanaweza kuripoti chini matumizi kwa sababu za uadilifu. Unaelezea jinsi kikundi chenye uwezo kinavyotumia zana hizi, si kile ambacho matumizi huzalisha.

Kutafuta na kurejesha fasihi

Ripoti ya warsha inaweka ramani ya agenda badala ya kuipima. Warsha ya CHIIR 2026 juu ya AI ya Kizazi na Utafutaji wa Kitaaluma ilikusanya watafiti katika mwingiliano wa binadamu wa taarifa na urejeshaji, na ripoti yake inaelezea mifumo iliyojengwa kwa urejeshaji wa nyaraka sasa ikifupisha, kupendekeza, kusawazisha, na kuzungumza — na kusitasita dhana kwamba mfumo hupata vyanzo wakati tafsiri inabaki na mtumiaji.

Hotuba moja ya umeme ilijaribu jinsi mifano inavyorejesha wanataaluma. Dhidi ya ukweli wa OpenAlex na Google Scholar kwa waandishi 1,596 wa msingi katika taaluma 10 na maeneo 8 ya kimataifa, watafiti walioletwa sania walirejeshwa kwa kiwango cha takribani mara mbili ya wenzao wa kuletwa sania kidogo, wakijaribu DeepSeek R1, Llama 4 Scout, na Mixtral 8×7B.

Mwanabliblioteka aliripoti "pengo la uaminifu": wanafunzi mara nyingi wanaamini utafutaji wa kizazi kupita kiasi wakati waelimishaji hawauamini, na warsha za kipindi kimoja zilihukumiwa hafifu kwa ujuzi wa kudumu. Uzi wa kubuni ambao washiriki walirudi zaidi lilikuwa "msuguano" — kuwashirikisha watumiaji na kazi mahususi, wakati mwingine yenye usumbufu, ambayo kujifunza hutoka kwake.

Ripoti inashughulikia tukio moja, la kujiteua na kwa kiasi kikubwa inarekodi maoni, kanuni za kubuni, na maswali ya utafiti. Takwimu zake ni za hotuba za kibinafsi badala ya warsha, na hakuna kitu ndani yake kinachoonyesha kwamba utafutaji wa kitaaluma wa AI huboresha au hudhuru kujifunza.

Uhakika wa uchunguzi wa mapitio ya kimfumo na uhakika

Mapitio ya kimfumo ni mahali ambapo uhakika umesonga mbali zaidi, na ambapo mipaka yake inaonyesha. Wang et al. (2026) wanatafakari juu ya mapitio ya timu moja ya taaluma nyingi na wanaripoti kwamba uhakika ulipunguza mzigo wa taratibu hasa katika kuchuja muhtasari — zana kama ASReview, SWIFT-Review, Covidence, AIScreenR, na MetaMate — wakati utoaji wa data, upatanisho, na usawazishaji zilibaki na wapimaji wa binadamu. Ushauri na majadiliano ya wataalam yalifanya kazi kama miundo msingi ya mbinu, si kama neema.

Hitimisho lao ni mgawanyo wa kazi badala ya makabidhiano: weka uhakika kwa mzigo wa taratibu, thibitisha kila matokeo, na uweke maamuzi ya tafsiri ya binadamu. Akaunti ni tafakari ya timu moja bila hali ya kulinganisha, hivyo mikakati yake inaelezewa badala ya kupimwa.

Zabaleta na Lin (2026) wanapima tatizo la kuripoti katika karatasi 888 za uhakika wa mapitio zikiwa na vitu 14,726 ya maelezo. Kuanzia 2023, 38.0% ya karatasi za programu na bidhaa ziliripoti hakuna tathmini kabisa, dhidi ya 9.3% ya karatasi za LLM. Pengo linadumu kwa mgawanyo: katika kuchuja na kuteua, karatasi za programu zilipata wastani wa vitu 3.2 vya tathmini ya maana na 39.3% zikiripoti hakuna, wakati karatasi za LLM zilipata wastani wa vitu 7.3 na kiwango cha 3.8% cha hakuna tathmini.

Tathmini njema haikuonyesha ufaafu wa kukabidhi. Kati ya karatasi 118 za LLM zenye tathmini chanya tu, 52% bado ziliripoti wasiwasi angalau mmoja kwamba mtiririko wa kazi ulishindwa kiwango kinachohitajika kwa jukumu lake. Upatikanaji wa mfano ulikuwa wa kimilikia kwa kiasi kikubwa: 84.1% ya matumizi ya LLM yalitegemea mifumo ya kimilikia au ya kukaribishwa, 11.0% ilikuwa mchanganyiko, na 4.9% tu ilikuwa ya uzito wazi.

Kutoka mifumo hizi waandaji wanatoa PRISMA-LLM, mfumo wa tabaka tatu ambao viwango vyake vitano vya utekelezaji ni viwango vya ufichuo badala ya viwango vya hatari. Ni pendekezo linalotolewa kwa kupimwa, si nyongezo rasmi iliyoidhinishwa na Kamati Kuu ya PRISMA. Ukimya wa kiwango cha karatasi, wanaonya, si ushahidi kwamba uthibitishaji haupo — unaweza kuwa katika ripoti ya bidhaa, itifaki, au hifadhi.

Kuweka msimbo wa data ya kina na uchanganuzi

Uchanganuzi wa kina ni awamu ambapo tafsiri ni bidhaa, ambayo hufanya kukabidhia kuwa ngumu zaidi kutetewa. Ukurasa wa Utafiti wa Kina unakusanya ushahidi wa mkusanyiko juu ya kuweka msimbo unaosaidiwa na AI, ikijumuisha masudio yanayoonyesha kwamba makubaliano ya binadamu–mfano si sawa na ubora wa msimbo na kwamba makosa yanaweza kuenea kupitia uchanganuzi wa muda. Fasihi hiyo inachukulia mfano kama msaada wa kupima ambao matokeo yake yanahitaji uthibitishaji dhidi ya hukumu ya binadamu.

Martin et al. (2026) wanaelezea mabadiliko ya jukumu moja kwa moja. Kwa mifano ya kuweka msimbo iliyotumika, mtafiti anasogea kutoka kuweka msimbo wa data ya wanafunzi hadi kuthibitisha matokeo ya mfano; wakati mifumo bila usimamizi inakusanya sababu, algoriti hufanya uchanganuzi wa awali wa kuchunguza. Watafiti, wanadai, wanahitaji zaidi na zaidi ujuzi wa sayansi ya data pamoja na utaalam wa kina, wa kiasi, na wa nadharia.

Mfumo wao pia unatoa ukaguzi unaomuhimu hapa: AI inayoweza kuelezewa inaweza kufichua kama kuweka msimbo kiotomatiki unafuatilia ufahamu wa maana au maneno muhimu tu. Mtiririko wa kuweka msimbo unaokubaliana na lebo za binadamu bado unaweza kusoma kitu kibaya.

Uchanganuzi wa data na masuala ya kimtazamo wa maarifa

Martin, Rost, Koenen na Graulich (2026) wanahimiza uzalishaji wa maarifa wa uwanja yenyewe, na makala yao ni mgongo wa ukurasa huu. Ikiwa imeanzishwa katika akaunti ya Hasok Chang (2004) ya mizunguko ya kimtazamo ya maarifa — awamu zilizofuatana za maarifa zinazojengwa moja juu ya nyingine kuelekea malengo ya kimtazamo — wanatoa sambamba na maendeleo ya miaka 150 ya kipima joto na wanadai uwanja unaweza sasa kuwa ndani ya mzunguko unaolingana.

Wasiwasi wao wa kati ni wa kimtazamo wa maarifa badala ya kiufundi. Tatizo la kipimo cha nomic la Chang linaelewa kwamba kupima kiasi kunahitaji sheria inayohusiana na kitu kinachoonekana, lakini sheria hiyo haiwezi kupimwa kwa njia ya kihisia bila tayari kujua kiasi. Kazi za kipimo zinazotokana na AI, ambazo hutokea kutoka data ya mafunzo na uboreshaji badala ya kutoka kwa mtafiti, zinaweza kuimarisha badala ya kusuluhisha hili, kwa sababu zinaweza kuonekana sahihi na za utabiri huku zikiwa zisizo wazi.

Mfumo una awamu saba: kuweka tatizo; vifaa na kipimo; majaribio na uamuzi unaotegemea ushahidi; kulinganisha na kurudia; kujenga kanuni na makubaliano; utekelezaji na athari zake; na ukamilishaji wa kuendelea. Waandaji wanawasilisha hizi kama vipimo vya kuchanganua ambavyo vinaweza kurudiwa, kujirudia, au kukosekana, si kama mlolongo uliothibitishwa.

Ulinganifu ni awamu yenye ukingo mkali zaidi wa usawa. Kanuni ya Regnault inahitaji kwamba kifaa kitoa usomaji ule ule chini ya hali zile zile na kwamba vyombo vya aina moja vikubaliane — lakini ulinganifu lazima ueneze katika idadi za wanafunzi, na kujifunza kwa mashine huelekea kuweka msimbo wa mawazo ya kawaida vyuri kuliko njia mbalimbali wanafunzi wanavyowasilisha yale dhaifu.

Pia wanataja tatizo la uwajibikisho. Watafiti hutumia mifumo iliyofunzwa mapema ambayo data yake ya mafunzo, urekebishaji, na malengo huenda hawajui, na kuongeza tabaka la utegemezi wa kimtazamo wa maarifa; kwa sababu mifumo hii hutokea kwa mitandao ya kijamii–kiufundi, uwajibikisho unakuwa mgumu kugawa — "tatizo la mikono mingi."

Ukweli unaohitajika ni kwamba makala hairipoti data na haiweki athari zozote za kujifunza. Haionyeshi kwamba mbinu za AI huboresha utafiti au hutoa hitimisho halali zaidi; kulinganisha hiko kama kazi ya baadaye, na waandaji wanakubali kwamba nadharia yao "inaweza kweli kuthibitishwa kuwa makosa."

Uandishi wa utafiti, kunukuu, na uadilifu

Uandishi ni mahali ambapo msaada wa AI unaonekana zaidi na ambapo kushindwa kwake ni madhara zaidi, kwa sababu rejeleo ni dai la uwajibikisho. Denny et al. (2026) walikagua Maktaba Yote ya Digital ya ACM — machapisho 723,930 na rejeleo 15,872,533 — na walifuatilia rejeleo 113,588 kutoka karatasi 5,225 za elimu ya kompyuta zilizochapishwa kuanzia 2021 na kuendelea.

Walithibitisha mikono rekodi 828 zenye shaka na waligundua rejeleo 30 zenye taarifa za kimelezo zilizotengwa kwa uthibitishaji katika karatasi 14, zote za 2025 na 2026. Katika Semina ya Kiufundi ya SIGCSE hesabu ilipanda kutoka 3 katika masharti ya 2025 hadi 17 katika 2026, ikionekana katika 2.3% ya karatasi za masharti ya 2026. Kumi na saba kati ya 30 zilikuwa mchanganyiko zikiunganisha jina halisi na waandaji waliotengwa au wasio sahihi.

Hesabu yao ni kizingiti cha chini cha makusudi, na wanawasilisha tatizo kama linaloshirikiwa badala ya kusuluhishwa na programu. Waandaji wanapaswa kuthibitisha kila kazi iliyonukuliwa, hasa wakati AI ya kizazi ilitumika katika uandishi; wapimaji hawawezi kukagua kila rejeleo, hivyo maeneo yanatekeleza ukaguzi unaolengwa; wachapishaji wanapaswa kuboresha metadata. Ugunduzi wa kiotomatiki unarithi kasoro za metadata inayoichukulia kama ukweli.

Athari za kiwango za uandishi wa AI zinaonekana katika utafiti wa pili wa mbinu za kuchanganua. Wang et al. (2026) walichanganua machapisho 147,074 kutoka majarida ya PLoS na Nature tangu 2020 na walihusisha uandishi unaosaidiwa na AI na timu ndogo, zinazoelekea kwa wapya. Katika mabadiliko ya mwisho kutoka hakuna hadi msaada kamili wa AI, ukubwa wa timu ulikuwa 22.1% mdogo katika PLoS na 45.5% mdogo katika Nature (Poisson β = −0.250 na −0.607, zote mbili p < 0.01).

Athari haikudhuri wazi. Takribani 7.34% ya karatasi za PLoS zilizosaidiwa na AI na 7.40% ya za Nature zilifika 5% ya juu ya FWCI, juu ya vikundi vyote viwili vya kulinganisha vya uandishi wa binadamu, na kulinganisha kulilolingana kunaonyesha uwezekano wa 3.0% na 2.7% wa juu zaidi wa FWCI ya 5% ya juu (zote mbili p < 0.01). Data ni za uchunguzi, hivyo waandaji wanakataa madai makubwa ya sababu.

Mawakala wa kudumu katika mazingira ya utafiti

Zaidi ya ilani moja, mawakala wa kudumu yanaingizwa katika nafasi ya kazi ya utafiti yenyewe. Alzahrani (2026) anaripoti utafiti wa kesi wa siku 115, wa mpelelezi mmoja, wa wakala mwenye kumbukumbu ya kudumu, faili za ndani, zana za nje, taratibu zilizopangwa, na majukumu yaliyokabidhiwa, yanayoendeshwa katika nafasi ya kazi ya mwanasayansi-mgonjwa mmoja.

Matokeo ya maelezo ni makubwa. Telemetry ya wakala mkuu inayoweza kurejeshwa ilishikilia rekodi 75,671 zisizorudiwa katika siku 96 za kazi, uwiano wa siku za kazi wa 0.835; nafasi ya kazi ilishikilia faili 502 zinazohusiana na kumbukumbu, saraka 17 za mawakala zilizosanidiwa, na faili 57 za ujuzi. Sehemu mahususi ya siku 25 ya Mei ilishikilia matukio 627 yaliyokamilishwa na mfano na tokeni 73,950,305 zilizorekodiwa, ambazo 82.9% zilikuwa kusoma kumbukumbu, na takribani US$1,961 katika matumizi ya mfumo yaliyoonekana.

Mchango mkuu wa utafiti ni fremu ya kupima — PARE-M — iliyojengwa kwa sababu matokeo ambayo wakala wa kudumu anakusudiwa kusaidia, kama utawala na gharama kwa kila kitu, hayakuonekani kwa vipimo vya matukio. Utafiti wake mkuu wa hasi ni kwamba wingi wa mwingiliano haukuonyesha kupungua kwa pembejeo ya binadamu: kama kumbukumbu na taratibu zilivyokusanyika, wigo wa kazi iliyokabidhiwa ulipanuka, hivyo mfumo mkubwa zaidi ni upanuzi wa uwezo badala ya kubadilishwa kwa uthibitisho kwa kazi.

Mapungufu ni yale ambayo kesi moja ya kujichunguza hualika. Mtafiti mmoja alikuwa mtumiaji, mbunifu, chanzo cha data, mchanganuzi, na mnufaika, bila kikundi cha kudhibiti, bila kipindi cha msingi, na bila mpangaji huru kwa matukio ya utawala.

Wanafunzi walio tengwa kama vyombo vya utafiti na tathmini

Kutengeneza wanafunzi ni ukurasa wa hifadhi ya maarifa kuhusu mbinu na kinachoonekana: jinsi ya kujenga mwanafunzi wa kizazi ambaye hali yake ya maarifa na makosa yake ni ya uaminifu ya kutosha kuchukua nafasi ya mtu. Ukurasa huu unachukua vifaa vile vile kama chombo cha utafiti na tathmini — mwanafunzi wa kizazi ni kwa nini wakati uingiliaji, kifaa, kipimo, au mwalimu lazima apimwe katika kiwango au katika hali ambazo wanafunzi halisi hawawezi kutoa.

Matumizi yaliyo wazi zaidi ni kuthmini mwalimu kwa muda. Lee et al. (2026) wanaweka wakala wa mwalimu katika uhusiano wa siku 30 na mwanafunzi aliyetengwa ambaye ustadi wake, kutoka mfano wa ufuatiliaji wa maarifa uliofunzwa kwa data ya wanafunzi halisi, huendesha majibu yake. Wakithimini viunganisho 10 vya mawakala, kila kiunganisho kilikwama ndani ya siku 5–10, chini sana ya rejeleo la kujifunza bora, matokeo ambayo tathmini ya kipindi kimoja haiwezi kufikia. Ukaguzi wa kusawazisha dhidi ya usahihi wa uchunguzi ulioonekana unashikilia umbo (ECE 0.049, Brier 0.033 juu ya majaribio 1.19 milioni).

Uaminifu ni sharti la awali, na unaweza kupimwa. Wang et al. (2026) wanaripoti kutengana kwa tabia na alama za wanafunzi halisi ya DKL = 0.31 dhidi ya 0.53 kwa msingi bora zaidi, na katika jaribio la Turing la wapimaji 71 alama zao zilikuwa zisizoweza kutofautishwa na data ya wanafunzi halisi (usahihi 52.8%, d′ = 0.15). Kushindwa kunapaswa kuepukwa ni upendeleo wa uwezo: mifano ya ilani husuluhisha kazi vizuri sana kusimama kama wanaoanza.

Hali ya kuamini ni sehemu ambayo ni rahisi kuiga. Do, Sonkar na Sachan (2026) walionyesha kwamba katika mifumo saba kutoka vigezo 4B hadi 120B, vianzishaji viliiacha dhana potofu iliyowekwa na kusuluhisha tena kutoka maarifa ya ndani kwa viwango vya karibu sawa chini ya maoni ya kulengwa, ya kutolingana, na ya jumla. Wanapima hili kwa Alama ya Kubadilisha kwa Kuteua na kuongeza uaminifu hadi +0.56 kupitia mafunzo, ambayo ndiyo uhakika: kutoa ilani ya hadhira haijenga mwanafunzi.

Wanafunzi walio tengwa pia hufanya kazi kama jukwaa la kupima linalodhibitiwa kwa vyombo vya tathmini wenyewe. Fan et al. (2026) walunganisha kila moja ya misingi mitatu ya mwalimu na mwanafunzi mmoja dhaifu aliyetengwa chini ya itifaki iliyosajiliwa mapema na waligundua kwamba rubriki za uaminifu wa jumla zina ishara ndogo ya kielimu, na sera saba zikienea pointi 2.3 za kielimu kilichohukumiwa ndani ya bendi ya pointi 0.25 ya uaminifu kilichohukumiwa. Mzunguko wa kufichua majibu ulifuatiwa na kazi ndogo zaidi za mwanafunzi huru kwenye kila msingi.

Tahadhari inapaswa kuwa kwenye ukurasa. Hukumu ya kianzishaji ni nzuri tu kama kianzishaji, na ufunikaji wake huelekea kuelekea wanafunzi rahisi zaidi.

Utafiti wa mtaalamu: SoTL na uchunguzi wa darasa

Huu ni uzi ambao mkusanyiko unarekodi kidogo zaidi. Ustaarabu wa kufundisha na kujifunza na utafiti wa darasa ni uchunguzi wa mtaalamu — mwalimu anayechunguza kozi yake mwenyewe, mara nyingi katika kiwango kidogo, mara nyingi kama kujisomea — na kurasa zilizokusanywa hapa hazitoi akaunti ya utafiti ya matumizi ya AI katika hali hiyo.

Ushahidi wa karibu ni wa jirani badala ya wa mahali. Wanafunzi wa ngazi ya juu katika Dai na Chan (2026) walikuwa wanajifunza kuwa watafiti, si wanachunguza ufundishaji wao wenyewe. Timu katika Wang et al. (2026) ilifanya mapitio rasmi ya taaluma nyingi, si mradi wa ndani. Masudio ya mbinu za kuchanganua yanaelezea taaluma na wachapishaji, si madarasa.

Taarifa ya kweli kwa hivyo ni pengo badala ya utafiti. Uchunguzi wa mtaalamu unaosaidiwa na AI unaweza kuwa wa kijumla kwa kuaminika na karibu haukurekodiwa katika mkusanyiko huu; ukurasa ambao ungewasilisha ushahidi wa uhakika wa mapitio na wa mbinu za kichanganua kama ungeamua jinsi mwalimu anapaswa kutumia AI kuchunguza ufundishaji wake mwenyewe ungekuwa kupitiza.

Kile kinachoweza kubebwa ni mwelekeo badala ya matokeo: taja jukumu la AI katika mbinu, weka maamuzi ya tafsiri ya binadamu, na ripoti kile kilivyothibitishwa na kisichothibitishwa.

Kile ambacho ushahidi haujathibitisha

• Hakuna kulinganisha kwa moja kwa moja. Martin et al. wanaweka kulinganisha kati ya mbinu zilizosaidiwa na za jadi kama kazi ya baadaye. Hakuna makala ya msingi inayoonyesha kwamba mbinu ya AI hutoa hitimisho halali zaidi.
• Miundo mwembamba kila mahali. Msingi ni pendekezo la mfumo, akaunti ya tafakari ya timu moja, ripoti ya warsha, utafiti wa kikundi cha mazungumzo, na mbinu za kuchanganua za uchunguzi. Hakuna ni jaribio linalodhibitiwa la mbinu iliyosaidiwa na AI.
• Pengo la kuripoti, si ukaguzi wa mazoezi. PRISMA-LLM husoma ukimya wa kiwango cha karatasi; mtiririko wa kazi bila tathmini katika karatasi yake unaweza bado kuthibitishwa mahali pengine.
• Utafiti wa mtaalamu unawasilishwa chini. Kurasa chache tu hapa zinataja SoTL au utafiti wa darasa, hivyo mkusanyiko hauwezi kuanzisha madai kuhusu walimu wanaochunguza mazoezi yao wenyewe.
• Lengo linalosogea. Zana huboresha haraki kuliko uchapisaji, hivyo utafiti kuhusu mtiririko wa kazi wa 2025 unaelezea kizazi cha mifumo ambacho kinaweza kutokuwepo tena katika hali hiyo.

Dhana Zilizounganishwa

• Mbinu za Utafiti katika AIED — nyavu kwa miundo inayotumika kuchunguza AI katika elimu
• Tathmini ya AIEd
• Kutafsiri na Kutumia Utafiti wa AIEd
• Vizingiti katika Utafiti wa AIEd
• Meta-Analysis na Mapitio ya Kimfumo
• Utafiti wa Kina
• Utafiti wa Kiasi
• Utafiti wa Mbinu Mchanganyiko
• Kigezo cha Kupima
• Upimaji wa Kielimu
• Uhalali wa Tathmini
• Faida za Kujifunza
• Kutengeneza Wanafunzi Bandia
• Uigaji
• Uundaji wa Mifano ya Wanafunzi na Mafunzo Yanayobadilika
• Ufuatiliaji wa Maarifa
• Akili Bandia ya Kizazi
• Mifano Mikubwa ya Lugha (LLM)
• Binadamu Katika Mzunguko
• Ujuzi wa AI
• Uadilifu wa Kitaaluma
• Taarifa za Matumizi ya AI na za Kudhihirisha
• Hatari ya Kutunga Vitu Visivyokuwepo
• Uaminifu
• Elimu ya Juu
• Maendeleo ya Kielimu

Makala Zilizounganishwa

• Amid an Epistemic Iteration: How AI Methodologies May Transform the Nature of Science Education Research — mfumo wa tafakari wa awamu saba kwa jinsi mbinu za AI zinaweza kubadilisha utafiti wa elimu ya sayansi (Martin et al., 2026)
• Scaffolding Systematic Reviews in Learning Design and Technology Through Mentoring and AI Integration — akaunti ya timu moja ya mapitio ya taaluma nyingi ya ushauri na ujumuishaji wa AI wa kuteua (Wang et al., 2026)
• Shaping Responsible GenAI Use in Research Through AI Literacy-Oriented Guidelines: Insights From Postgraduate Students — jinsi wanafunzi 28 wa ngazi ya juu walivyotumia GenAI katika mtiririko wa kazi wa utafiti, na miongozo wanayopendekeza (Dai & Chan, 2026)
• Testing Our Foundations: Citation Trends, Errors, and Emerging Hallucinations in the Computing Education Literature — ukaguzi wa kiwango cha uwanja wa rejeleo zilizotengwa katika fasihi ya elimu ya kompyuta (Denny et al., 2026)
• PRISMA-LLM: An Empirical Reporting Framework for AI-Assisted Systematic Reviews — mfumo wa kuripoti kwa mapitio ya kimfumo yanayosaidiwa na AI, na pengo la uwajibikisho linalorekodi (Zabaleta & Lin, 2026)
• Report on CHIIR 2026 Workshop on Generative AI and Academic Search (GAI&AS) — ripoti ya warsha ya CHIIR 2026 juu ya AI ya kizazi na utafutaji wa kitaaluma (Liu, Arguello, Hoeber et al., 2026)
• Persistent AI Agents in Academic Research: A Single-Investigator Implementation Case Study — utafiti wa kesi wa mpelelezi mmoja wa wakala wa kudumu katika nafasi ya kazi ya utafiti (Alzahrani, 2026)
• Smaller, Younger, and More Impactful: How AI-Assisted Writing Transforms Research Teams — ushahidi wa mbinu za kichanganua kwamba uandishi unaosaidiwa na AI unafuatana na timu ndogo, za vijana (Wang et al., 2026)
• EduClaw-Bench: A Long-Horizon Benchmark for Pedagogical LLM Agents with Simulated Learners — kipimo cha siku 30 ambacho huthimini mawakala wa mwalimu dhidi ya mwanafunzi aliyetengwa (Lee et al., 2026)
• BEAGLE: Behavior-Enforced Agent for Grounded Learner Emulation — kianzishaji cha neva-lugha kinachorudia mapambano halisi ya mwanafunzi (Wang et al., 2026)
• Simulating Students or Sycophantic Problem Solving? On Misconception Faithfulness of LLM Simulators — kwa nini vianzishaji huliacha dhana potofu chini ya maoni yoyote, na jinsi mafunzo yanavyosuluhisha (Do, Sonkar & Sachan, 2026)
• Rethinking LLM-Judged Helpfulness as a Pedagogy Signal: A Pre-Registered Audit Across Tutor Models — ukaguzi uliosajiliwa mapema unaotumia mwanafunzi dhaifu aliyetengwa ili kupima kama uaminifu hupima kielimu (Fan et al., 2026)

Nukuu

Martin, P. P., Rost, M., Koenen, J., & Graulich, N. (2026). Amid an Epistemic Iteration: How AI Methodologies May Transform the Nature of Science Education Research. Science & Education.

Wang, X., Dadashipour, F., Basori, Maeda, Y., & Richardson, J. C. (2026). Scaffolding systematic reviews in learning design and technology through mentoring and AI integration. Educational Technology Research and Development.

Dai, W., & Chan, C. K. Y. (2026). Shaping responsible GenAI use in research through AI literacy-oriented guidelines: Insights from postgraduate students. International Journal of Educational Technology in Higher Education, 23, 33.

Denny, P., Barbre, G., Blake, M., Hua, Y. C., Leinonen, J., Luxton-Reilly, A., Prather, J., & Reeves, B. N. (2026). Testing Our Foundations: Citation Trends, Errors, and Emerging Hallucinations in the Computing Education Literature. arXiv preprint.

Zabaleta, M., & Lin, B. (2026). PRISMA-LLM: An Empirical Reporting Framework for AI-Assisted Systematic Reviews. arXiv preprint.

Liu, Y., Arguello, J., Hoeber, O., et al. (2026). Report on CHIIR 2026 Workshop on Generative AI and Academic Search (GAI&AS). ACM SIGIR Forum.

Alzahrani, A. H. (2026). Persistent AI Agents in Academic Research: A Single-Investigator Implementation Case Study. arXiv preprint.

Wang, H., Zhang, M., Bu, Y., Zhao, S. X., & Liu, M. (2026). Smaller, Younger, and More Impactful: How AI-Assisted Writing Transforms Research Teams. arXiv preprint.

Lee, U., Lee, S., Jeong, Y., Lee, E., Shin, M., & Kwon, H. (2026). EduClaw-Bench: A Long-Horizon Benchmark for Pedagogical LLM Agents with Simulated Learners. arXiv preprint.

Wang, H. D., Cohn, C., Xu, Z., Guo, S., Biswas, G., & Ma, M. (2026). BEAGLE: Behavior-Enforced Agent for Grounded Learner Emulation. arXiv preprint.

Do, H., Sonkar, S., & Sachan, M. (2026). Simulating Students or Sycophantic Problem Solving? On Misconception Faithfulness of LLM Simulators. arXiv preprint.

Fan, S., Deng, B., Xu, M., Liu, J., & Zhang, H. (2026). Rethinking LLM-Judged Helpfulness as a Pedagogy Signal: A Pre-Registered Audit Across Tutor Models. arXiv preprint.