Avatar za AI na Walimu Sanisi

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

Avatar za AI na Walimu Sanisi — mifumo ya AI inayofanana na binadamu inayochukua jukumu la kufundisha, iwe kama mhadhiri aliyerekodiwa, mwalimu wa kibinafsi anayezungumza, wakala wa kielimu, mgonjwa au mwanafunzi aliyeigwa, mshirika wa kuigiza, au mtihani. Aina hii inafafanuliwa kwa uso na sauti vinavyosimama badala ya mtu, sio kwa teknolojia moja. Uso huo ndio unaofanya mifumo hii ivutie, na pia ndipo matatizo yake ya kipekee yanapojikita: uaminifu unashikilia ishara za utambulisho, uhalisi haufuati ufanisi, na wanafunzi huenda hawajui kuwa mtu anaigwa.

Maswali ya Kutafakari

• Ikiwa video ya muhadhara inawasilishwa na uso ambao baadaye unagundua uliundwa kutoka sura ya mwalimu wako, nini kinabadilika kwako — maudhui, hisia yako ya nani alifundisha, au hakuna chochote?
• Mwanafunzi aliyeigwa ambaye ni fasaha, mshirikishi na haharibu somo ni rahisi kuzungumza naye. Mazoezi hayo yamekuandaa kwa nini, na yameacha nini kwa kimya?
• Je, ungependa kuambiwa kabla ya kikao kwamba mgonjwa alizalishwa? Kugundua baadaye kungebadilisha nini unachopata kutoka kikao hicho?
• Ni hatari gani kubwa ya uadilifu: mwanafunzi kumdanganya mtihani wa AI, au mtihani wa AI kumwelewa vibaya mwanafunzi?
• Kuigiza kwa wenzao ni bure, kunajulikana, na kunahitaji kijamii. Avatar ingepaswa kuongeza nini ili uichague badala yake?

Utangulizi

Avatar ya AI ni uwakilishi wa kibinadamu uliochorwa au uliohuishwa unaoendeshwa na modeli; mwalimu sanisi ni uwakilishi huo uliowekwa katika jukumu la kufundisha. Hizi mbili si sawa na wakala. Theelen na wenzake (2026) wanatenganisha uwakilishi na wakala: avatar ni kile mshiriki anachokiona, ilhali mwigizaji aliye nyuma yake anaweza kuwa mwenzake, mtaalamu wa uigaji, hati, mfumo unaotegemea kanuni, au LLM. Kwa hivyo wanafunzi wawili wa mtandaoni wanaofanana wanaweza kutoa mikasa tofauti kabisa.

Ukurasa huu umeandaliwa kwa jukumu: ni jukumu gani mtu sanisi anachukua, ushahidi upi upo kwa ajili yake, na uso huo unafanya nini kwa uhusiano wa mwanafunzi na mfumo. Fasihi iliyo hapa chini inashughulikia video ya muhadhara, ufundishaji wa kibinafsi, uigaji wa kimatibabu, mazoezi ya mwalimu, kuigiza, na tathmini.

Majukumu sita ambayo mtu sanisi anaweza kuchukua

Mwalimu kwenye skrini. Mtangazaji aliyenakiliwa anawasilisha video iliyorekodiwa. Katika kozi kubwa ya shahada ya kwanza ya mtandaoni, Tomlinson na wenzake (2026) walichora matoleo matatu ya kila mada yaliyolengwa kwa nyanja kwa avatar ya HeyGen iliyonakiliwa kutoka kwa mwalimu, yakapitia mapitio kabla ya kuchapishwa, na kusukumwa kwenye LMS.

Mwalimu wa kibinafsi au wakala wa kielimu. ELEVATE inaunda mwalimu wa kibinafsi wa avatar ya 3D anayefanya kazi yote kwenye maunzi ya ndani, akiwa na tabaka inayomkabili mwalimu inayodhibiti utu, sauti, msimamo na mwendo. ACLIME inaeleza jukumu hilo hilo katika vyombo vya habari vya kuzamishwa: wakala anayeongoza, anayeuliza na kueleza.

Mgonjwa au mteja aliyeigwa. SOPHIE 2.0 inatoa mikasa 24 ya kimatibabu ya kivinjari na mgonjwa wa avatar anayezungumza. Riachi na wenzake (2026) wanatumia muundo huo kwa Tiba ya Kukubali na Kujitolea, wakipima uaminifu wa mwanafunzi zamu kwa zamu.

Mwanafunzi aliyeigwa. Hauk na wenzake (2026) waliwapa walimu wanaojiandaa 21 mazungumzo ya sauti ya dakika kumi na "Marco", mwanafunzi wa sekondari ya chini anayetoa maoni ya kudharau kuhusu wahamiaji.

Mshirika wa kuigiza. REMind inawaweka watoto kuendesha avatar ya roboti kufanya mazoezi ya kuingilia kama watazamaji. ACLIME inaiita hii hali ya pili ya mwingiliano: wakala mwenye jukumu lililofafanuliwa kwa mazungumzo ya hali halisi.

Mhoji wa tathmini. Hakimu wa SOPHIE hupima maandishi dhidi ya rubriki ya mawasiliano. Tamme na wenzake (2026) wanapendekeza wakala wa sauti anayewahoji wanafunzi kuhusu kozi badala ya kutoa utafiti wa maandishi.

Ushahidi unaunga mkono nini, jukumu kwa jukumu

Ushahidi ni wenye nguvu zaidi pale mtu sanisi ni mshirika katika mazoezi na hafifu zaidi pale ni mbadala wa kujifunza.

Kwa ufundishaji uliorekodiwa, matokeo yanayopimwa ni upendeleo, sio mafanikio. Katika matoleo mawili na washiriki 493, video binafsi zilizozalishwa na AI zilizidi zile za kibinadamu zisizo binafsi (wastani wa nafasi 2.26 dhidi ya 2.69, p < .001). Hali iliyoorodheshwa juu zaidi, video binafsi iliyorekodiwa na binadamu, haikuwahi kuwepo, kwa hivyo orodha hiyo inachanganya uzoefu na mawazo. Waandishi wanaripoti matokeo halisi ya kujifunza kama yanayokuja.(Students prefer personalized, AI-generated educational videos over non-personalized, human-recorded videos)

Kwa ufundishaji wa kibinafsi, ushahidi ni uwezekano wa kiinjinia. ELEVATE ilifikia takriban sekunde tano hadi sita hadi sauti ya kwanza kwenye maunzi ya kawaida kwa kutiririsha usemi, jambo ambalo lilifunika ucheleweshaji mwingi unaosikika. Hakuna utafiti wa watumiaji wenye udhibiti uliofanywa, kwa hivyo athari kwa kujifunza na kutafuta msaada zinabaki wazi.(ELEVATE: Designing Human-Centered GenAI Virtual Tutors for Scalable and Inclusive Education)

Kwa mawasiliano ya kimatibabu, ushahidi umeendelea zaidi na bado haufikii uhamishaji. Hakimu wa SOPHIE, akisoma maandishi pekee, alifikia Pearson 0.759 na ICC(A,1) 0.746 dhidi ya makubaliano ya wakadiriaji wa kibinadamu — ndani ya mtawanyiko wa wanadamu binafsi badala ya nje yake. Katika utafiti wa mbali wa wahudumu 59 wa afya na wanafunzi, 92% waliona inavutia na 83% walihukumu kuwa inafaa kimatibabu. Alama zilipanda kati ya mikasa miwili, lakini bila kikundi cha udhibiti kupanda huko hakuwezi kuhusishwa na mafunzo.(Scalable AI-based clinical communication training and automated assessment)

Kwa wanafunzi waliyoigwa, ushahidi unahusu ubora wa mwingiliano badala ya matokeo. Washiriki wa Hauk walikadiria mazungumzo kuwa yenye kufanya kazi waziwazi (M = 5.37) na yenye uhalisi wa kiasi tu (M = 3.71), mgawanyiko ambao maandishi yaliurudia kwa 87.1% dhidi ya 37.4% ya ufunikaji. Avatar ilibeba kazi ya changamoto, kwa 51.1% ya maandishi yake, ilhali walimu walifafanua na kuhalalisha. Wajitoleaji ishirini na mmoja katika programu moja, kikao kimoja, bila kulinganisha na kuigiza kwa moja kwa moja.(Authentic and functional dialogue with AI-based student avatars: Evidence from a practice-based teacher education program)

Kwa kuigiza, REMind inaripoti ongezeko kubwa la kabla hadi baada katika kujiamini kinachoonekana cha watoto kwa kutetea, pamoja na imani zilizorekebishwa vizuri kuhusu kama kumkabili mnyanyasaji kunamzuia. Hiyo ni watoto 18 wenye umri wa miaka tisa hadi kumi katika muktadha wa majaribio ya mchezo, jambo linalounga mkono ahadi badala ya mabadiliko endelevu ya tabia.(Play-testing REMind: Evaluating an educational robot-mediated role-play game)

Kwa tathmini, hakimu wa SOPHIE ni matokeo yaliyo wazi zaidi na mhoji wa sauti ndio hafifu zaidi. Pendekezo la Tamme linaripoti jaribio la kiufundi na data ambayo bado haijachambuliwa kirasmi; kila dai kuhusu kile sauti inachochochea linabaki dhana.(Voice-Based AI Feedback in Higher Education: A Field Study on Quality and Actionability)

Uaminifu unasafiri kupitia uso

Uso sio chombo cha kawaida kwa maudhui ya kielimu. Katika majaribio mawili yenye jumla ya washiriki 396, Anthis na Kyriakidou-Zacharoudiou (2026) waligundua kwamba ishara za utambulisho wa avatar ziliunda tathmini na utekelezaji halisi. Avatar nyeupe, na avatar wanaume wa Kiasia katika miktadha ya STEM, zilikadiriwa kuwa za kuaminika na zenye umahiri zaidi. Avatar wanawake weusi wazima zilikumbana na adhabu zilizoongezeka katika kila kipimo. Washiriki walikubali mwongozo kwa urahisi zaidi kutoka kwa avatar zinazolingana na kundi lao la rangi au taswira yao ya umahiri.

Maelezo mawili yanafanya hili kuwa tatizo la ubuni. Nyanja ilirekebisha athari: kazi za STEM na za taratibu ziliongeza upendeleo, ilhali kazi za kutafakari na za baina ya watu zilipunguza. Na upendeleo ulifanya kazi kwa tabia, sio kwa mitazamo inayotamkwa pekee, kumaanisha uaminifu wa kujiripoti ungeukosa. Waandishi wanapendekeza avatar za kimtindo au zisizo za kibinadamu sana, kubadilisha avatar mbalimbali kati ya kazi, na kutathmini utekelezaji badala ya kuridhika.(Face value: How avatar identity shapes epistemic trust in AI-mediated learning)

Mamlaka pia huja kupitia mwili. Wabuni wa ELEVATE wanaonya kwamba mwili na sauti huongeza mamlaka ya mwalimu wa kibinafsi. Wanapendekeza avatar ionyeshe kutokuwa na uhakika na iombe uthibitishaji dhidi ya maelezo au vitabu.(ELEVATE: Designing Human-Centered GenAI Virtual Tutors for Scalable and Inclusive Education) SOPHIE inaongeza utata: nyuma ya avatar hiyo hiyo, modeli iliyokuwa imehukumiwa kuwa karibu zaidi na binadamu ilipoteza faida hiyo, na utendaji wa mawasiliano ulikuwa sawa kati ya injini tofauti (0.437 dhidi ya 0.438). Kufanana na binadamu kulikuwa sifa ya mwingiliano — sauti, ucheleweshaji, kuchukua zamu — sio ya modeli.(Scalable AI-based clinical communication training and automated assessment)

Ushahidi wa kinyume ni kwamba wanafunzi wanaweza kufundishwa kukataa fremu ya kibinadamu hata pale ilani inaitoa. Stillman na wenzake (2026) waliwauliza wanafunzi 654 wa uandishi kama chatbot ilionekana kama mwalimu wa kibinafsi, mshirika, au kitu kingine, na takriban nusu tu (51.7%) walichukua mojawapo ya chaguo za kibinadamu. Wanafunzi waliita zana au programu, wakailinganisha na roboti au kompyuta, au wakabuni sitiari kama mashine ya maoni inayotoa maandishi badala ya data. Waandishi wanachukulia kukataa fremu ya kibinadamu kama matokeo ya uelewa, jambo linaloweka athari hiyo kwenye mafundisho badala ya kwenye kiolesura.

Uwepo, uhalisi na hali ya ajabu

Uhalisi sio ngazi. ACLIME inachukulia uhalisi wa kitabia kama kitabiri cha uamuzi cha uwepo wa kijamii na inaonya kwamba uaminifu mkubwa wa kuona unahatarisha bonde la ajabu, ambapo wakala anayekaribia kuwa binadamu huibua kukataliwa kwa ghafla. Pia inaweka bei ya ubadilishanaji: kuzamishwa na uhalisi wa wakala huongeza mzigo wa kiakili usiohusiana, ilhali mwingiliano unaweza kupunguza mzigo wa ndani kupitia kumbukumbu ya pamoja ya kazi. Onyo lake kuu ni la moja kwa moja — takriban 42% ya watumiaji wa kifaa cha VR wanaripoti ugonjwa wa mtandao, na athari za baadae huanzia dakika kumi hadi saa kadhaa.(Learning with pedagogical agents in extended reality: A conceptual research-based framework of agent-centered learning in immersive media environments (ACLIME))

Masomo ya mazoezi mengi yanaunga mkono toleo la kiasi la dai hili. Waandishi wa Hauk wanasoma uhalisi wa kiasi kama ulinganifu wa uhalisi kwa kazi. Mazoezi ya sauti pekee ya watu wawili huimarisha taratibu kwa wanaoanza, na mienendo ya wenzao na ishara zisizo za maneno zinaweza kuongezwa baadaye.(Authentic and functional dialogue with AI-based student avatars: Evidence from a practice-based teacher education program) Katika SOPHIE, 47% ya washiriki bado waliona vigumu kuhisi huruma halisi kwa mgonjwa wa AI, hata ingawa 66% waliona kuzungumza na mmoja hakuna msongo mkubwa kuliko kuzungumza na mtu.(Scalable AI-based clinical communication training and automated assessment)

Wanafunzi hawataki uhalisi zaidi kwa usawa. Katika utafiti wa uchunguzi wa TriKoNet, wanafunzi walikataa kwa kauli moja uwakilishi wa uhalisi wa picha. Walitumia nafasi ya ubuni ya moduli kuandika dhana zao za majukumu badala ya kuchukua utu uliotolewa.(TriKoNet: The Trivalence Model of Potential Co-Creativity in Socio-Technical Networks) ELEVATE inabainisha kwamba kuwa na mwili ni kizuizi kwa wanafunzi wengine, kama wale wenye unyeti wa hisi au wasio na raha na wakala wa kibinadamu, jambo linalofanya usanidi wa avatar kuwa hitaji badala ya upendeleo.(ELEVATE: Designing Human-Centered GenAI Virtual Tutors for Scalable and Inclusive Education)

Ridhaa, ufichuzi na hatari ya deepfake

Katika maelezo haya, ufichuzi unaonekana kama uamuzi wa ubuni badala ya kigezo kilichopimwa. Kisa cha Hauk kilikaa ukingoni mwa matusi, na vizuizi vyake vilikuwa vya kiutaratibu. Ubuni ulijumuisha mwelekeo, miongozo ya udhibiti, ufuatiliaji endelevu wa mwalimu, chaguo la kuacha mara moja, majadiliano yaliyopangwa, na uchambuzi wa jumla usio na majina.(Authentic and functional dialogue with AI-based student avatars: Evidence from a practice-based teacher education program) Mfumo wa Theelen unaomba wanafunzi na wakufunzi wa walimu wajue sehemu gani za uigaji zinadhibitiwa na watu, hati au AI, na unauchukulia uwazi huo kama sharti la urekebishaji unaoweza kutetewa.(Classroom simulations for social-emotional learning and inclusive teacher education: a four-layer conceptual framework in the age of AI)

Swali gumu zaidi ni kama kuigwa kwa mtu ni udanganyifu mdogo wenyewe. Mwanafunzi anayeamini mgonjwa anayesumbuka ni wa kweli anaweza kuwekeza utunzaji ambao uigaji uliofichuliwa haungebua, kisha akahisi amedanganywa baada ya kuambiwa. Makadirio ya uhalisi wa kiasi ya Hauk yanadokeza kwamba washiriki hawakudanganywa kuhusu asili ya avatar; ugunduzi wa huruma wa 47% wa SOPHIE unadokeza wengine walishiriki licha ya kujua. Hakuna utafiti unaojaribu ufichuzi moja kwa moja.

Ufichuzi pia una upande wa uzalishaji. Mchakato wa Tomlinson ulinakili sura na sauti ya mwalimu. Kundi la wanafunzi liliibua pingamizi za kimsingi kwa GenAI — gharama ya kimazingira, kazi, uatomatiki, uadilifu — ambazo uchoraji bora haungezijibu.(Students prefer personalized, AI-generated educational videos over non-personalized, human-recorded videos) Ridhaa ya mwalimu kunakiliwa ni swali tofauti na ridhaa ya mwanafunzi kufundishwa na nakala, na hakuna utafiti hapa unaopima mojawapo.

Uelewa wa deepfake ni uso wa nyuma wa uwezo huo huo. Katika sampuli ya sekondari ya Australia ya wanafunzi 199, wanaume walikuwa na uwezekano mkubwa zaidi wa kuwa wameunda au kushiriki maudhui ya deepfake (23.2% dhidi ya 10.0%). Waandishi wanahoji elimu ya usalama inayowalenga waziwazi wao.(Gender Differences in AI Literacy Workshop Outcomes and Deepfake Engagement) Mara taasisi inapoweza kuzalisha mwalimu anayeshawishi, mgonjwa anayeshawishi au mwanafunzi anayeshawishi, uthibitishaji wa nani anazungumza unakuwa suala la uadilifu wa kitaaluma kama vile la uelewa. Utetezi wa mdomo na ushahidi wa mchakato, ambao waandishi wa ELEVATE wanapendekeza mara ufundishaji wa kibinafsi wa papo hapo unapopatikana, unashughulikia tatizo hilo hilo la msingi.(ELEVATE: Designing Human-Centered GenAI Virtual Tutors for Scalable and Inclusive Education)

Hali ya uaminifu ya ushahidi

Karibu kila utafiti hapa ni mdogo na mfupi. Hauk ina wajitoleaji 21 na kikao kimoja. SOPHIE ina wahitimu 59 na hakuna kikundi cha udhibiti. Tathmini ya saikoterapia ina wanasaikolojia wawili, takriban dakika 90 kila mmoja. Jaribio la PBL lina wanafunzi 26 na kesi moja. ACLIME na Theelen ni mifumo ya kidadisi, na msingi wa TriKoNet ni makundi manane katika vikao vimoja.(Using Generative AI to Simulate Patient History-Taking in a Problem-Based Learning Tutorial: A Mixed-Methods Study)(Toward Accessible Psychotherapy Training Using AI-Driven Interactive Patient Avatars)(Learning with pedagogical agents in extended reality: A conceptual research-based framework of agent-centered learning in immersive media environments (ACLIME))(Classroom simulations for social-emotional learning and inclusive teacher education: a four-layer conceptual framework in the age of AI)(TriKoNet: The Trivalence Model of Potential Co-Creativity in Socio-Technical Networks)

Sampuli kubwa zinahusu mitazamo na mapendeleo — washiriki 396 kuhusu utambulisho wa avatar, washiriki 493 kuhusu upendeleo wa video — na zote mbili ni za urahisi au za kozi moja. Hakuna utafiti katika seti hii unaoonyesha kwamba mwalimu sanisi huzalisha kujifunza bora kuliko mwalimu wa kibinadamu. Dai linaloweza kutetewa ni jembamba zaidi: mifumo hii inaweza kukaribia kikao cha mazoezi, inaweza kupimwa dhidi ya wakadiriaji wa kibinadamu kwa makubaliano yanayokubalika katika nyanja moja, na inaweza kubadilisha jinsi wanafunzi wanavyotathmini chanzo cha mafundisho.

Ujembamba huo ni muhimu. Waandishi wa Theelen wanauweka wazi: ufasaha na hisia ya uwepo sio ushahidi wa uhalali.(Classroom simulations for social-emotional learning and inclusive teacher education: a four-layer conceptual framework in the age of AI) Kusikika kama mwalimu kunavuka kizuizi rahisi zaidi chumbani.

Dhana potofu za kawaida

"Avatar yenye uhalisi zaidi hufundisha vizuri zaidi." Uhalisi na ufanisi vilitengana kila pale vyote viwili vilipopimwa. Injini mbili za SOPHIE zilizalisha alama sawa za mawasiliano nyuma ya avatar hiyo hiyo, na wanafunzi wa TriKoNet walikataa kabisa utu wa uhalisi wa picha.

"Ikiwa avatar inashawishi, wanafunzi wataichukulia kama mtu." Wanafunzi wa matibabu waliwahoji mgonjwa wa genAI kama msingi wa maswali unaoweza kutafutwa, mara nyingi kwa maswali ya majibu yaliyofungwa, hata wakati wakikadiria uzoefu huo juu.(Using Generative AI to Simulate Patient History-Taking in a Problem-Based Learning Tutorial: A Mixed-Methods Study) Kushawishika na mtindo wa mwingiliano ni matokeo tofauti.

"Walimu sanisi ni teknolojia moja, kwa hivyo matokeo huhamishwa." Mhadhiri aliyenakiliwa anayeboresha upendeleo, mwalimu wa kibinafsi anayeboresha ucheleweshaji, na mgonjwa anayeboresha uhalisi wa kimatibabu ni vitu tofauti vyenye mbinu tofauti za kushindwa. Ushahidi kutoka jukumu moja hautoi haki ya madai kuhusu jingine.

"Muonekano wa avatar ni wa mapambo." Ishara za utambulisho zilibadilisha makadirio ya uaminifu na utekelezaji halisi wa mwongozo, huku adhabu zikiongezeka kwa avatar wanawake weusi wazima.(Face value: How avatar identity shapes epistemic trust in AI-mediated learning) Usanidi ni uamuzi wa kielimu na wa usawa.

"Mgonjwa aliyeigwa ni mgonjwa wa kawaida, bila gharama." Wanasaikolojia wanaojiandaa waligundua mgonjwa wao wa mtandaoni kuwa mshirikishi na tayari ameendelea katika tiba, kesi "bora" inayowakilisha kidogo ugumu wa kitabia.(Toward Accessible Psychotherapy Training Using AI-Driven Interactive Patient Avatars) Gharama inapungua; uhalali wa kesi haufuati kiotomatiki.

Dhana zinazohusiana

• Kutengeneza Wanafunzi Bandia
• Mwakala wa Kibunifu
• Uigaji
• Uhalisia wa Kawaida na Uhalisia wa Nyongeza
• Uaminifu
• Urekebishaji wa Uaminifu
• Ushirikiano wa Binadamu–AI
• Taarifa za Matumizi ya AI na za Kudhihirisha
• Uadilifu wa Kitaaluma
• Elimu ya walimu
• Kufundisha
• Kujifunza Kazini
• Elimu ya Vitengo vya Matibabu na Afya
• Uhalali wa Tathmini
• Tathmini ya Kiotomatiki
• Kupunguza Upendeleo
• Kujifunza kwa Ujumla
• Kujifunza kwa Mwili
• Video katika Elimu
• Akili Bandia ya Kizazi
• Mifano Mikubwa ya Lugha (LLM)
• AI ya Mazungumzo
• Ufafanuzi wa Akili Bandia
• Uwezo Binafsi

Makala zinazohusiana

• Face value: How avatar identity shapes epistemic trust in AI-mediated learning — Ishara za utambulisho wa avatar hubadilisha uaminifu na utekelezaji wa mwongozo (Anthis & Kyriakidou-Zacharoudiou 2026)
• Authentic and functional dialogue with AI-based student avatars: Evidence from a practice-based teacher education program — Avatar za wanafunzi katika mazungumzo ya elimu ya walimu inayotegemea mazoezi (Hauk et al. 2026)
• Gender Differences in AI Literacy Workshop Outcomes and Deepfake Engagement — Uundaji na uripoti wa deepfake kwa jinsia katika warsha ya uelewa wa AI
• ELEVATE: Designing Human-Centered GenAI Virtual Tutors for Scalable and Inclusive Education — Walimu wa kibinafsi wa avatar ya 3D ya ndani kwanza wenye tabaka la utawala wa mwalimu (ELEVATE)
• Scalable AI-based clinical communication training and automated assessment — Wagonjwa wa avatar wenye hakimu wa LLM kwa mawasiliano ya kimatibabu
• Using Generative AI to Simulate Patient History-Taking in a Problem-Based Learning Tutorial: A Mixed-Methods Study — Avatar ya mgonjwa wa genAI katika mafunzo ya kuchukua historia ya PBL
• Toward Accessible Psychotherapy Training Using AI-Driven Interactive Patient Avatars — Avatar za wagonjwa kwa mazoezi ya uaminifu wa ACT katika mafunzo ya saikoterapia
• Learning with pedagogical agents in extended reality: A conceptual research-based framework of agent-centered learning in immersive media environments (ACLIME) — Mawakala wa kielimu katika uhalisia uliopanuliwa: uwepo, uhalisi na mzigo (ACLIME)
• Play-testing REMind: Evaluating an educational robot-mediated role-play game — Kuigiza kunakopitia roboti kwa avatar inayoendeshwa kama kikaragosi kwa kuingilia kama mtazamaji
• Students prefer personalized, AI-generated educational videos over non-personalized, human-recorded videos — Ubinafsishaji wa video ya mwalimu aliyenakiliwa na upendeleo wa wanafunzi
• Classroom simulations for social-emotional learning and inclusive teacher education: a four-layer conceptual framework in the age of AI — Mfumo wa tabaka nne unaotenganisha uwakilishi na wakala katika uigaji wa darasa
• Voice-Based AI Feedback in Higher Education: A Field Study on Quality and Actionability — Wakala wa sauti wa mazungumzo anayependekezwa kwa mahojiano ya maoni ya kozi
• TriKoNet: The Trivalence Model of Potential Co-Creativity in Socio-Technical Networks — Avatar za kielimu za ushirikishaji katika mitandao ya kijamii na kiufundi (TriKoNet)
• Dear Gemini: Agency, Peer Review, and Critical AI Literacies in Student Writing Ecologies — 51.7% tu ya wanafunzi 654 walichukua majukumu ya kibinadamu waliotolewa; mmoja aliiita mashine ya maoni