Watengenezaji wa Teknolojia ya Elimu

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

Watengenezaji wa Teknolojia ya Elimu — watu na mashirika yanayojenga teknolojia ya elimu: wabuni wa bidhaa, watengenezaji wa programu, wahandisi wa kujifunza, wabuni wa uchanganuzi wa kujifunza, na makampuni ya teknolojia ya elimu, maabara za vyuo vikuu na miradi ya Chanzo Huria wanayofanyia kazi. Katika AI katika elimu huu ni wadhifa unaogeukia uwezo wa mfano kuwa kitu ambacho mwalimu au mwanafunzi anaweza kutumia kweli, na unabeba maamuzi ambayo hatua yoyote ya baadaye haiwezi kufuta: ushahidi upi ambao dai la ubuni unategemea, mfumo wa uchanganuzi au mfumo wa ufundishaji unategemea kiasi gani nyenzo rasmi zilizoruhusiwa na taasisi, kama walimu na wanafunzi wanajumuishwa katika ubuni, dhana zipi za ubuni wa mafunzo zimejengewa katika chaguo za kwanza, na nini kinatokea kwa bidhaa baada ya fedha kumalizika. Katika ripoti za mifumo na masudio ya utekelezaji ya hifadhi ya maarifa, somo linalojirudia ni kuwa miktadha ya utekelezaji, si mfano, kwa kawaida ni kizuizi kinachofungia.

Maswali ya Kutafakari

Ikiwa meta-analyses zinazodai kuwa "AI inaboresha kujifunza" zinategemea mbinu zisizo halali, kama ukaguzi katika Presumed Effective: The Manufacturing of an Evidence Base for AI-in-Education Through Flawed Meta-Analysis ulivyogundua, ushahidi upi ambao mpango wa bidhaa unaruhusiwa kweli kujenga juu yake?
Je, maelezo ya algoriti yanapaswa kuandikwa katika lugha ya mitaala ya mwalimu hata ikiwa gharama ya juhudi za ubuni ni kubwa zaidi ya kufichua umuhimu wa vipengele — na nani anayelipia juhudi hiyo?
Zana inapobuniwa pamoja na wanafunzi, hukumu ya nani inaamua: ongezeko la kujifunza lililopimwa, au 96% waliosema wanataka ibakishwe?
Je, utekelezaji wa eneo la kati na leseni wazi ni chaguo la kiufundi au la utawala — na je, mahitaji ya uwazi yanapaswa kuwa sharti la ununuzi?
Mtengenezaji anadaiwa nini na taasisi mara ruzuku inapomalizika: bidhaa iliyotunzwa, hazina inayoweza kugawanywa, au taarifa ya uwazi kwamba mfumo haukuwa uingiliaji uliothibitishwa?

Utangulizi

Mtengenezaji yuko kiwango kimoja chini ya jukwaa. Jukwaa la Elimu ya Kidijitali inaeleza mfumo uliotekelezwa na mshirika anayekuwa baada ya kuwa katika shule au chuo kikuu; ukurasa huu unahusu watu wanaooamua mfumo huo hufanya nini. Tofauti ni muhimu kwa sababu matokeo ya kiwango cha jukwaa — kupitishwa kidogo, uelekeo wa kutoelekea, usumbufu wa ununuzi — kwa kawaida ni matokeo ya chaguo za ubuni zilizofanywa mapema, na mtu ambaye hakuwahi kuwakutana wanafunzi.

Wadhifa pia unatofautiana na majirani zake. Muundo wa Kujifunza na Kubuni Mtaala hubuni kozi kwa kikundi kinachojulikana; mtengenezaji wa teknolojia hubuni bidhaa ambayo kozi nyingi, zinazofundishwa na watu wasio wajua, zitatumia — ambayo ndiyo sababu chaguo za kwanza, uwezo wa kubadilika na nyaraka zabeba uzito wa mbinu za kufundisha. Maendeleo ya Kielimu inaunga mkono wafanyakazi wa mafunzo wa taasisi kutoka ndani yake; watengenezaji wako nje au kando, wakitoa zana ambazo wafanyakazi hao wanataka watumie. Na Utafiti Unaotegemea Ubuni ni kiwango cha ushahidi ambacho watengenezaji hawa wanatafutwa kwa kiwango kinachoongezeka kutimiza: ya kurudia, ya miktadha, na inayoripotiwa na mipaka yake yenyewe.

Nani anajenga AI ya kielimu

Maabara ya utafiti yanayojenga miundombinu ya umma. OATutor ilijengwa katika UC Berkeley kama mfumo wa kwanza wa kufundisha unaobadilika wenye chanzo wazi kabisa juu ya kanuni za ITS: msimbo wa leseni ya MIT na maktaba ya aljebra ya Creative Commons, ukadiriaji wa ustahiki wa Bayesian Knowledge Tracing, miundombinu ya majaribio ya A/B na msaada wa LTI. Sababu yake ya kuwepo ni uamuzi wa ubuni — majukwaa ya umiliki yalikuwa yamefunga utafiti wa Kujifunza Kufaa katika mifumo ya kufungwa — na njia yake ya uundaji ni nyingine: waundaji 16 walizalisha kozi ya College Algebra katika miezi sita baada ya masaa 2.27 ya mafunzo.

Wajenzi wa mifano. LearnLM: Improving Gemini for Learning inafikiria upya kuboresha mfano kwa ajili ya kujifunza kama kufuata maelekezo ya mbinu za kufundisha: tabia inawekwa kwa kila programu kupitia maelekezo ya mfumo badala ya ufafanuzi mmoja wa kudumu wa Mbinu za Kufundisha na Mikakati ya Kufundisha, na wakaguzi wataalam waliipendelea kwa +31% dhidi ya GPT-4o na +13% dhidi ya Gemini ya msingi. Hoja ya vitendo ni kuwa mbinu za kufundisha zinategemea miktadha sana ili kuelezewa kwa ulimwengu; uwezo unaofaa ni kufuata maelekezo ambayo mtengenezaji anaandika, kupimwa kwa hali za kiwango cha mazungumzo badala ya viwango vya kulinganisha vya zamu moja.

Wanabainisha wa mifano ya maarifa. Ontology-Based Layered Hybrid AI-Driven Knowledge Model for Personalized E-Learning inadai Kujifunza kwa Ubinifu Binafsi inahitaji zaidi ya ontolojia ya kudumu, ikipendekeza mifumo ya ontolojia zilizoramaniwa pamoja na kanuni na uchanganuzi badala ya muundo wa kawaida wa ITS wa mifano minne, na mfumo wa kutumia tena wa madarasa manane ya metadata unaolenga kupunguza gharama ya kila ujenzi mpya.

Wahandisi wa miundombinu na upimaji. Generalizing a Highly Configurable Analytics Pipeline to Replicate and Support Educational Research Across Multiple Domains inaeleza mfumo wa moduli, usioegemea mada, wa data ya mwingiliano wa mwanafunzi iliyothibitishwa katika wasaidizi watatu wa AI ya kielimu, ambapo mbinu zilizojengwa kwa mada moja zilienea hadi nyingine — miundombinu ya Takwimu za Kujifunza inayoweza kutumika tena badala ya dashibodi ya kozi moja. StanBKT: Rethinking Parameter Estimation in Bayesian Knowledge Tracing inaonyesha kesi ya nyongeza: utekelezaji upya wa Bayesian ulizalisha utabiri sawa na zana iliyoimarishwa ya ukadiriaji wa pointi (AUC 0.711), ukitoofautiana tu katika gharama na katika nukuu za kujiamini zinazofanya kulinganisha hali kuwa na kutafsirika.

Wajenzi ndani ya taasisi. From Surface Learning to Deep Understanding: A Grounded AI Tutoring System for Moodle inaingiza ufundishaji wa LLM katika LMS iliyopo badala ya kutoa zana ya kujitegemea, ikipunguza kizingiti cha kupitishwa ambacho fasihi ya ITS inataja kama sababu mifumo inashindwa katika mazoezi. SAVVY: Student Attention Visualization for Video-based Learning Analysis inageukia ishara za makini ya hali nyingi kuwa violesura ambavyo walimu wanaweza kusoma kabla ya kutoa video. Instructional Agents inaendesha hatua tatu za kwanza za ADDIE na mawakala walio na wajibu mahususi, na upunguzaji wake ni somo la ubuni: msingi wa wakala mmoja ulipata alama mbaya zaidi, Full Co-Pilot ilishinda Autonomous kwa pointi 0.5–0.9, na hakuna tofauti ya ubora kati ya nyenzo za nyuma ilifanya ile ya bei nafuu kuwa ya kwanza.

Kile ambacho dai la ubuni linaweza kutegemea

Msingi wa ushahidi ni dhaifu zaidi ya inavyoonekana. Presumed Effective: The Manufacturing of an Evidence Base for AI-in-Education Through Flawed Meta-Analysis ilikagua meta-analyses 14 zinazodai kuwa AI inaboresha elimu na haikugundua yoyote inayothibitisha madai yake: zote mbili zaidi zilifafanua matibabu kama zana badala ya uingiliaji wa mbinu za kufundisha, 61% ya masudio 59 ya msingi yaliyothibitishwa yalikuwa na matatizo ya uhalali, heterogeneity ilikuwa juu kilipo ripotiwa, uchanganuzi wa moderator ulikuwa na nguvu kidogo, na upendeleo wa kuchapisha haukuthibitishwa kwa njia halali kamwe. Meta-analysis iliyofutwa bado ilitajwa kama yenye mamlaka na 60% ya makala za baadaye yaliyochaguliwa. Kwa mtengenezaji, "AI inaboresha kujifunza" ni dai la kategoria ya bidhaa, si ingizo la ubuni.

Ripoti kutokuwa na uhakika na gharama kamili, si usahihi tu. Kwa StanBKT, hoja ya Bayesian hainunui chochote katika utabiri na inanunua kila kitu katika uwezo wa kusema ni athari zipi zilikuwa za kujiamini. Towards sustainable AI knowledge-base assistants in computer science education: on-premise deployment and optimization with open educational resources inaripoti upunguzaji wa urejeshaji, mafunzo ya kina yanayozingatia quantization, VRAM, nishati kwa kila swali na uzushi uliopimwa dhidi ya nyenzo wazi zilizorejeshwa — pamoja na onyo la waandishi wenyewe kwamba mfumo sio mwalimu aliyehakikishwa. Huo ni nidhamu ya tathmini inayofanya dai la utekelezaji liwe na kutafsirika.

Kubuni pamoja na walimu na wanafunzi

Maelezo yanapaswa kuzungumza lugha ya mwalimu. The Impact of Explainable AI on Teachers' Trust and Acceptance of AI EdTech Recommendations: The Power of Domain-specific Explanations ilifanya jaribio la ndani-ya-mtu na walimu 41 wa kemia kwenye zana ya mapendekezo ya ML: ueleweka, Uaminifu na kupitisha vilihusiana kwa njia chanya, na maelezo yanayoendeshwa na mada katika lugha ya mitaala yalizalisha ueleweka juu zaidi, uaminifu uliojifunzwa na kupitisha kuliko maelezo ya umuhimu wa vipengele. Uaminifu pia ulikuwa unaobadilika — walimu kadhaa walisema uzoefu wa darasa tu ungeutatua — na kupitisha kulitegemea kulingana kwa mbinu za kufundisha na kupunguza kazi.

Kubuni pamoja katika kiwango cha taasisi. AIDA katika Open University ilijengwa kupitia masudio sita ya ubuni katika miezi 18 na wanafunzi 498 na wafanyakazi 20. Karibu 20% mwanzoni walikuwa na shaka; baada ya matumizi ya mikono 96% walitaka ibakishwe, na RCT ya uchunguzi iligundua muda wa matumizi mara mbili lakini hakuna tofauti zenye maana katika data ya michakato ya kujifunza. Vigezo vinavyowezesha vilikuwa vya shirika — uongozi wa juu, ushirikiano wa vitengo mbalimbali, mazoezio yanayoendeshwa na data — pamoja na mapengo katika uwezo wa mawazo ya mifumo.

Ununuzi, uwazi na baada ya fedha kumalizika

Towards sustainable AI knowledge-base assistants in computer science education: on-premise deployment and optimization with open educational resources inatoa ingizo ambazo uamuzi wa ununuzi unahitaji: sakafu ya vifaa ya VRAM ya GB 12, kizingiti cha usahihi kwa mfano wa darasa la 7B, nishati kwa kila swali, na mpangilio wa chaguo — urejeshaji kwanza (bila huo mfano ulipata 52.3%, chini ya msingi wa TF-IDF), kisha mafunzo ya kina, kisha compression inayozingatia quantization; leseni wazi ni sharti la kutoa corpus eneo la kati. Reclaiming Epistemic Agency: A Critical Framework for Human-Generative AI Co-Agency in Education inaweka uamuzi ule ule kama utawala: mahitaji ya uwazi yanageukia ununuzi kuwa utawala wa maarifa, kupigania na uasili vinaisha masharti, na wilaya zenye uwezo mdogo zaidi zinakabili kizingiti cha juu. What Does the Credential Still Certify? Cognitive Stewardship for AI-Mediated Education inaongeza kuwa utawala wa wauzaji ulionekana katika 29% tu ya vifurushi 30 vya sera yaliyokaguliwa, ambavyo vilibainisha kile AI inaweza kufanya kwa urahisi zaidi ya kile ushahidi wa kujifunza uliobaki. Generative AI (GenAI) as a mindtool that supports generative learning (GL) inaweka swali la ubuni — je, bidhaa inahimiza kujifunza na zana au kupunguza kazi ya kiakili — na What Makes Words Hard? Sakura at BEA 2026 Shared Task on Vocabulary Difficulty Prediction inaonyesha biashara kwa kiwango kidogo: mfano wa juu wa sanduku jeusi (r > 0.91) ulikuwa wa kutafsirika kidogo zaidi ya ule wa kutafsirika (r > 0.77).

Dhana Zilizounganishwa

Makala Zilizounganishwa

Rasilimali Zilizounganishwa

Playlab
Jukwaa la watengenezaji lisilo la faida ambapo waelimishaji hujenga, kushirikisha na kutathmini programu zao wenyewe za AI — zilizowekwa katika mtaala wao, zinaendeshwa kwa mfano wa chaguo lao, na mwonekano wa mwalimu umejengwa ndani.

Metadata

Hadhira inayokusudiwa	Instructional Designers, Software Developers, Learning Analytics Designers, Institutions, Educational Technology Developers
Teknolojia na Mbinu	Takwimu za Kujifunza, Jukwaa la Elimu ya Kidijitali, Chanzo Huria
Mbinu za Utafiti na Tathmini	Utafiti Unaotegemea Ubuni
Misingi ya Akili Bandia katika Elimu	Maendeleo ya Kielimu, Muundo wa Kujifunza
Aina ya ukurasa	Evaluation

Source History Edit Chat