Kujifunza kwa Ujumla

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

Kujifunza kwa Ujumla — kubuni na kutoa uzoefu wa kielimu unaoshughulikia mahitaji mbalimbali ya wanafunzi, yakijumuisha tofauti za kimwili, za kiakili, za hisia, na za hali. Katika AI katika elimu, utafiti wa kujifunza kwa ujumla huchunguza jinsi zana za AI zinaweza kuondoa vikwazo kwa wanafunzi wenye ulemavu na wenye ujauzito wa neva na jinsi mifumo ya AI yenyewe inapaswa kubuniwa ili kuepuka kuunda pengo jipya la upatikanaji.

Maswali ya Kutafakari

• Zana inayopatikana haihakikishi mafunzo ya kujumla, na teknolojia ya usaidizi haihakikishi wakala wenye maana. Tofauti kati ya kuondoa kikwazo cha muundo na kubuni elimu ili kila mtu aweze kushiriki kwa maana ni ipi?
• Ukurasa unatofautisha kujifunza kwa ujumla, upatikanaji, teknolojia ya usaidizi, elimu maalum, na ubuni wa jumla. AI iko wapi katika miktadha yako mwenyewe — na ni swali lipi unajaribu kulijibu kweli?
• Utafiti mmoja uligundua kuwa video zilizogawanywa na AI zikiwa na mapumziko ya kudumu ziliondoa pengo la utendaji kati ya wanafunzi wenye ADHD na wasio na ADHD. Kubuni kwa mahitaji ya kikundi kimoja kunawezaje kuboresha kujifunza kwa kila mtu?
• Mifumo ya AI inaelezewa kuwa na hatari ya kuunda pengo jipya la upatikanaji hata inapoondoa za zamani. Mwanafunzi wa aina gani angeweza kutengwa kimya kimya na zana ya AI inayotegemea maandishi, inayotegemea kuona, na inayohitaji mtandao kila wakati?
• Utafiti wa tathmini ya kujumla unafichua msongo wa mawazo kati ya hatua za kupinga wizi na kushughulikia wanafunzi wenye mahitaji ya uchakataji wa kuona. Usalama na upatikanaji vinapopatana, biashara inapaswa kuamuliwa vipi — na na nani?
• Zana kadhaa zinageuza dhana ya kuwa teknolojia ya elimu inapaswa kuwa ya kuona — mfano, marafiki wa sauti-kwanza kwa wanafunzi wenye upofu. Dhana zipi kuhusu mwanafunzi 'wa kawaida' zana au nyenzo zako zinaweza kuchukulia?

Utangulizi

Kujifunza kwa ujumla ni kujitolea kwa ubuni kwamba elimu inapaswa kujengwa ili wanafunzi wote waweze kushiriki kwa maana, badala ya kubadilishwa baadaye kwa wale wanaopata shida. Hufanya kazi hapa kama muundo mkuu juu ya dhana zinazopakana lakini tofauti — Ufikivu (je, kila mtu anaweza kutambua na kutumia muundo?), Teknolojia ya Usaidizi (je, zana zipi zinajaza pengo la upatikanaji la mtu binafsi?), Ubuni wa Kijumla wa Kujifunza (ubuni unapaswa kutabiri tofauti vipi?) — na inahusisha Utofauti wa Neva na Elimu Maalum kama miktadha ya ubuni badala ya mifano. AI inaingia kama ahadi (ubinafsishaji, ushawishi, tafsiri) na chanzo kipya cha kutengwa (gharama, data, uwepo wa lugha, na dhana zilizojengwa ndani ya mifano).

Jinsi dhana zinazohusiana zinavyolingana

Kujifunza kwa ujumla ni dhana ya muundo mkuu; kurasa zilizo chini zipo ndani yake, kila moja ikijibu swali tofauti. Zinajirudia lakini si za kubadilishana — kujua swali ambalo dai ni la moja hufanya hifadhi ya maarifa iwe sahihi:

Kwa mazoezi: UDL ni falsafa ya ubuni ambayo inazuia vikwazo; upatikanaji ni sifa inayoondoa vikwazo vya muundo; teknolojia ya usaidizi ni tabaka la zana ambalo watu hutumia; elimu maalum ni mada ya mafundishaji kwa ulemavu uliotambuliwa — na ni hasa neno la K-12, wakati katika elimu ya juu (na kwa kiwango kinachoongezeka katika K-12 pia) muundo wa kawaida zaidi ni Universal Design for Learning. Kujifunza kwa ujumla ni muundo mkuu unaowashikilia pamoja kuzunguka lengo la pamoja la ushiriki wa haki. Zana inayopatikana haihakikishi mafunzo ya kujumla, na teknolojia ya usaidizi haihakikishi wakala wenye maana — ambayo ndiyo sababu muundo mkuu unapaswa kuwafunikia wote.

Kujifunza kwa ujumla kiko katika mkutano wa Usawa, Muundo wa Kujifunza, na Elimu Maalum, na kinaungwa mkono na tabaka halisi la zana la Teknolojia ya Usaidizi na sifa ya ubuni ya Ufikivu. Tofauti na ushawishi nyembamba unaoongeza upatikanaji kwenye mifumo iliyopo, mtazamo wa kujifunza kwa ujumla — unaotegemea Universal Design for Learning — unadai kuwa mazingira yanapaswa kubuniwa kwa masafa yote ya utofauti wa kibinadamu tangu mwanzo. Makala katika hifadhi hii ya maarifa yanachunguza jinsi AI inaweza kuwezesha hili kupitia mabadiliko ya maudhui ya kiotomatiki, violesura vya tathmini vinavyobadilika, na zana zilizobuniwa na uzoefu wa moja kwa moja wa wanafunzi wenye ujauzito wa neva kama sehemu ya kuanzia.

Mada kuu za utafiti

Upapatikanaji wa maudhui unaoendeshwa na AI unaonyesha jinsi mifumo ya kiotomatiki inaweza kupunguza vikwazo. Pimenova et al. walionyesha kuwa video za mafunzo zilizogawanywa na AI zikiwa na mapumziko ya kudumu ziliondoa pengo la utendaji kati ya wanafunzi wenye ADHD na wasio na ADHD — ushahidi mkubwa wa Universal Design for Learning kupitia mabadiliko ya maudhui ya kiotomatiki. Utafiti unaungana na utafiti wa I can't read your mind": A Study of Neurodivergent Computing Students' Experiences with Collaborative Active Learning juu ya jinsi miundo ya kujifunza kwa ushirikiano inavyoathiri faraja ya wenye ujauzito wa neva. Chen et al. walibuni mfumo wa uzalishaji maswali unaoendeshwa na Mifano Mikubwa ya Lugha (LLM) kwa wanafunzi wenye Uziwi na Uziwi wa Kufikia, wakianzisha mbinu za maswali ya Kuona na Hisia zinazolenga matukio ya ugumu wa kuona au wa kihisia katika video — huku wakibainisha kutolingana kwa kudumu kati ya ilani za AI zinazotegemea maandishi na lugha za kwanza za ishara za wanafunzi wenye Uziwi na Uziwi wa Kufikia, na kusisitiza hitaji la ubuni wa AI unaozingatia lugha na utamaduni. MuTSE hushughulikia kikwazo cha nyongeza — kiwango cha kusoma — kwa kutathmini urahisishaji wa maandishi unaotegemea LLM kwa Ufafanuzi wa Akili Bandia, na kulinganisha ugumu wa maudhui na kiwango cha sasa cha kila mwanafunzi kupitia mfumo wa tathmini wa binadamu katika mzunguko badala ya kutegemea vipimo vya kisarufi vinavyopitisha ubora wa mbinu za kufundisha.

Video yenye mizani nyingi inaweza kufanywa ipatikane badala ya kunakiliwa kwa mkono: mfumo wa Gemini-plus-LuaLaTeX uligeuza video 16 za fizikia za mafunzo kuwa PDF zilizopitisha uthibitishaji wa PDF/UA-2 na ISO 32005, na video moja tu ikihitaji jaribio la pili (Looney na Duston (2026)).

Upapatikanaji wa hisia: wanafunzi wenye upofu, wenye uoni wa chini, na wenye uziwi. Makala kadhaa yanageuza dhana ya kuwa teknolojia ya elimu inapaswa kuwa ya kuona. Kutti AI inafanya mazungumzo ya kusema kuwa hali ya msingi na inayotosha kwa watoto wenye upofu — kugundua shida kwa wakati halisi, kulinganisha majibu ya lugha nyingi, na ASR ya kwanza-bila mtandao kwenye kifaa huondoa zaidi uhitaji wa kuona na mahitaji ya muunganisho. Obiuwevwi et al. walijenga mfumo unaoweza kutumika tena unaozalisha grafu za takwimu za 3D za maofu kwa wanafunzi wenye upofu/wenye uoni wa chini katika muda wa chini ya milisekunde 250, pamoja na uchimbaji wa chati unaotegemea LLM kutoka kwa picha kwa hiari. Bolla et al. walichunguza kama roboti wa kijamii wa Pepper anaweza kuzalisha Lugha ya Alama ya Kiitaliano inayoeleweka, wakibuni ishara 52 pamoja na mwanafunzi mwenye uziwi na mtaalam wa tafsiri — wakieneza Roboti katika Elimu hadi upatikanaji wa mawasiliano kwa wanafunzi wenye uziwi huku wakionyesha changamoto ya kuzalisha sehemu zisizo za mkono (mioyo ya uso, mkao) muhimu kwa maana. Khlaif et al. (2026) wanaeneza mlengo huu wa kazi hadi elimu ya juu, wakigundua katika utafiti wa kina wa kesi ya wanafunzi 21 wa shahada ya kwanza wenye uoni wa chini nchini Palestina kwamba GenAI inabadilisha kasi, maudhui, na utoaji kwa wasifu binafsi na inabadilisha maandishi changamano ya kitaaluma katika hali mbalimbali — na wanafunzi wakiona GenAI kama inayojaza zaidi ya kuchukua nafasi ya walimu, ikihifadhi uhusiano wa kibinadamu huku ikiwezesha ushiriki.

Ubuni wa tathmini ya kujumla unapambana na msongo wa mawazo kati ya usalama na upatikanaji. BAVD inapendekeza mfumo wa nadharia wa uelekezaji wa kuona unaobadilika unaopinga wizi wa kunasa skrini huku ikishughulikia wanafunzi wenye mahitaji ya uchakataji wa kuona — ikifanya mfano wazi wa biashara kati ya hatua za kupinga wizi na kanuni za kujifunza kwa ujumla. Hii inaungana na maswali mapana ya Uadilifu wa Kitaaluma na Tathmini.

Uzoefu wa wanafunzi wenye ujauzito wa neva unaweka sauti za wanafunzi wenye ulemavu na wenye ujauzito wa neva katika kituo. Zastudil et al. waligundua kuwa wanafunzi wenye ujauzito wa neva wa kompyuta wanahitaji kazi zilizopangwa, timu ndogo za kudumu, na ufafanuzi wazi wa majukumu — mapendeleo ambayo ufundishaji wa AI na zana za ushirikiano zinapaswa kushughulikia. DysLexLens ilichanganua majadiliano ya wanafunzi wenye dyslexia kwenye vikao, ikibainisha kuwa wakati wanathamini AI kwa msaada wa uandishi, wanakabili vikwazo vikubwa vya upatikanaji kutoka ubora wa matokeo usio thabiti na ukosefu wa ushawishi wa haki. Zote mbili zinaungana na Elimu Maalum na Uzoefu wa Mwanafunzi.

Kupunguza mzigo wa kiakili na biashara ya upatikanaji-dhidi-ya-maendeleo. Seung na Basham (2026) wanaonyesha kuwa kwa wanafunzi wenye ulemavu wa kujifunza, GenAI ile ile inayopunguza vikwazo vya kupata kusoma na kuandika (kurekebisha kiwango cha maandishi, kufupisha, msaada wa kuandika) inaweza, ikiwa haijalindwa, kuchukua nafasi ya mazoezi ya uelewa, upangaji, na ufuatiliaji ambayo wanafunzi hawa wanahitaji zaidi — msongo wa mawazo wa usawa ambao ni wa kati katika kujifunza kwa ujumla. Ubuni wa kujumla lazima hivyo uzizingatie si tu kama zana ni inayopatikana bali kama inahifadhi fursa ya mwanafunzi ya kukuza ujuzi ule ule ambao upatikanaji unakusudiwa kuwezesha.

AI kwa dyslexia: ugunduzi, msaada, na kujifunza kwa ubinafsishaji. Mapitio ya kimfumo ya mwaka 2026 ya miktadha mchanganyiko (mapitio ya kimfumo ya Dabaghi, D'Urso na Sciarrone, yanayoongozwa na PRISMA, 2018–2024, n=72) yanagundua AI ikisaidia wanafunzi wenye dyslexia katika ugunduzi, msaada wa usaidizi, na kujifunza kwa ubinafsishaji — lakini mitando hii ikibadilika kwa sambamba badala ya kuunganishwa, ikiongozwa zaidi na fursa ya kiteknolojia kuliko na nadharia thabiti ya kielimu. Zana za msaada za elimu zinazotegemea ML zinajumuisha maeneo matano (matumizi mahususi, ushiriki, ubinafsishaji, mapendekezo, msaada wa jumla) lakini zinasisitiza utendaji wa kiufundi na usahihi wa uainishaji huku zikipitisha uhalali wa kikolojia na utekelezaji wa darasa la vitendo. Utafiti wa ugunduzi (EEG, ufuatiliaji wa macho, mifano ya ML) unaonyesha ahadi ya uchunguzi kwa uingiliaji wa mapema lakini mara nyingi unahitaji vifaa maalum na mazingira yaliyodhibitiwa, na kupunguza uwezo wa kueneza na upatikanaji katika miktadha ya kawaida ya shule. Changamoto wazi ni pamoja na uthibitisho mdogo wa majaribio, uwezo wa kueneza, maswali ya Maadili/faragha kuhusu data nyeti ya mwanafunzi, msaada na mafunzo ya mwalimu yaliyopungua, na vikwazo vya lugha/utamaduni (utafiti wengi unalenga wenyeji wa lugha ya Kiingereza) — na kusisitiza kuwa kujifunza kwa ujumla lazima kuunganishe uwezo wa kiufundi na utekelezaji uliothibitishwa, unaoweza kuenekana, na unaotegemea maadili.

Ukosoaji wa AI unaozingatia ulemavu huchunguza jinsi mifumo ya AI inaweza kutenga badala ya kujumuisha. Tali-Otmani anadai kuwa mifumo ya AI inayozalisha katika elimu ya juu yanatenga kikamilifu njia za kujua zinazozingatia ulemavu kutokana na data ya mafunzo ya Kiingereza na ya Magharibi — ikiungana na maswali ya Usawa kuhusu haki ya maarifa.

Udhibiti wa uchunguzi rasmi unawatenga wanafunzi ambao zana inadai kuhudumia. Katika mapitio ya wigo ya Rempel et al. (2026) ya masudio 40 ya teknolojia za usaidizi za kidijitali kwa wanafunzi wenye ujauzito wa neva, 28 yalifanya uchunguzi rasmi kuwa sharti la ushiriki na matatu tu yalishughulikia mazingira badala ya mwanafunzi.

Zana zinazopatikana katika mazoezi zinaonyesha jinsi AI inaweza kupanusha ushiriki. SuaCode ilionyesha kuwa kozi za kuandika misimbo zinazotegemea simu mahiri zinawafikia wanafunzi katika miktadha ya Kiafrika yenye rasilimali chini ambapo chini ya 1% wana ujuzi wa kuandika misimbo. Pimenova et al. walifanya kazi na wanamuziki wenye upofu na wenye uoni wa chini kuunda mbinu za kujifunza zisizo za kuona, wakiweka ubuni wa mwili unaoongozwa na ulemavu katika kituo. LUDIA hutoa mshirika wa mawazo wa AI wa bila gharama, wa faragha, na wa lugha nyingi anayewaunganisha waelimishaji na kanuni za UDL. Special-R1 inaeneza kujifunza kwa nguvu za matokeo ili kufanya mfano wa tofauti za kiakili na za mawasiliano katika wasifu mbalimbali wa ulemavu.

Viunganishi na dhana zinazohusiana

Kujifunza kwa ujumla kimeunganishwa kwa kina na Usawa — upatikanaji si wasiwasi wa kiufundi tu bali swali la nani anayeweza kushiriki katika kujifunza. Kinaungana na Ufikivu kama tabaka lake halisi la upatikanaji na Teknolojia ya Usaidizi kama tabaka la zana, na Ubuni wa Kijumla wa Kujifunza kama msingi wake wa nadharia, na Elimu Maalum kwa mbinu mahususi za ulemavu, na Muundo wa Kujifunza kwa jinsi kozi na zana zinavyopangwa, na Utofauti wa Neva kama lenzi inayobadilisha tofauti kuwa utofauti badala ya upungufu. Kazi juu ya roboti za lugha ya ishara na zana za maofu huunganisha upatikanaji na Roboti katika Elimu na NLP Katika Elimu, wakati urahisishaji wa maandishi huunganisha na Kujifunza kwa Mtazamo wa Kitamaduni na Kijamii na Kujifunza Kufaa. Viunganishi vya AI katika Elimu na Akili Bandia ya Kizazi vinaonyesha ahadi (mabadiliko ya maudhui ya kiotomatiki) na hatari (mifumo ya AI inayozalisha kutengwa).

Athari kwa wakufunzi wanaobuni kujifunza kwa ujumla

• Buni kwa hali iliyotengwa kwanza, si mwisho. Kujenga kwa watumiaji wenye upofu/wenye uoni wa chini tangu mwanzo (Kutti AI, grafu za maofu) huzalisha zana ambazo pia hufanya kazi bila mtandao na katika miktadha yenye rasilimali chini — upatikanaji kama kichocheo, si nyongeza.
• Buni pamoja na jamii inayolengwa. Roboti za lugha ya ishara na uzalishaji maswali kwa wenye Uziwi na Uziwi wa Kufikia zinaonyesha ushiriki wa jamii unafichua vikwazo (mfano, lugha za kwanza za ishara) ambavyo wabuni hawawezi kuvitabiri — washirikishe wanafunzi na jamii katika ubuni.
• Thamini ubora wa mbinu za kufundisha, si vipimo vya kisarufi tu. MuTSE inaonyesha kutofautiana kwa matokeo ya LLM kunahitaji tathmini ya binadamu katika mzunguko ili urahisishaji usaidie badala ya kupunguza zaidi.
• Tumia AI kufunga pengo la utendaji. video zilizogawanywa na AI ziliondoa pengo la utendaji la ADHD — tumia AI inayobadilika ambapo ushahidi unaonyesha inalinganisha matokeo.
• Chukulia biashara ya usalama/upatikanaji kwa uwazi. BAVD inafanya mfano wa jinsi hatua za kupinga wizi zinaweza kutenga bila kukusudia wanafunzi wenye mahitaji ya uchakataji wa kuona — pima uadilifu dhidi ya upatikanaji.
• Upatikanaji unaweza kutegemea namna ya kusema, si muundo tu. Wakati kazi ya msingi ikishikiliwa thabiti, usahihi wa mfano ulipanda kutoka 82.4% kwa maneno ya kiwango cha chini cha kusoma hadi 83.4% kwa maneno ya mtaalam, hivyo kuwataka wanafunzi kutoa ilani bora kunongeza kutengwa kipya; mfumo wa kuandika upya upande wa mfumo unaorahisisha maombi uliondoa pengo lenye maana bila kubadilisha maudhui (Jin et al. (2026)).
• Linda dhidi ya AI inayozalisha kutengwa. Ukosoaji unaozingatia ulemavu unaonya kuwa data ya mafunzo ya Kiingereza na ya Magharibi inatenga njia za kujua za wenye ulemavu — kagua zana za AI kwa haki ya maarifa pamoja na Usawa.

Dhana Zilizounganishwa

• Athari Tofauti Kati ya Vikundi vya Wanafunzi
• Usawa
• Ufikivu — tabaka halisi la upatikanaji (manukuu, maandishi ya badala, uendeshaji na teknolojia ya usaidizi)
• Teknolojia ya Usaidizi — tabaka la zana ambazo wanafunzi hutumia kupata maudhui
• Elimu Maalum
• Muundo wa Kujifunza
• Ubuni wa Kijumla wa Kujifunza
• Utofauti wa Neva
• Uzoefu wa Mwanafunzi
• Ujuzi wa AI
• Elimu ya Juu
• K-12
• Elimu ya Sayansi ya Kompyuta (CS)
• Tathmini
• Uadilifu wa Kitaaluma
• Faragha
• Akili Bandia ya Kizazi
• AI katika Elimu
• Roboti katika Elimu
• NLP Katika Elimu
• Kujifunza kwa Mtazamo wa Kitamaduni na Kijamii
• Kujifunza Kufaa
• Teknolojia za Hotuba na Sauti

Makala Zilizounganishwa

• Same Question, Different Answer? Measuring and Mitigating Prompt Privilege for Equitable AI Access — Prompt Privilege: measuring & mitigating accessibility disparities in LLM access
• Leveling the Playing Field: Temporal Video Segmentation for Individuals with ADHD in Computing Education
• Exploring the Design of LLM-Powered Question Generation for Deaf and Hard of Hearing Learners — LLM-powered question generation for Deaf and Hard of Hearing learners
• MuTSE: A Human-in-the-Loop Multi-use Text Simplification Evaluator — Text Simplification for Intelligent Tutoring
• Kutti AI: A Voice-First, Offline-Capable Learning Companion with Real-Time Struggle Detection for Visually-Impaired Children — Kutti AI: voice-first companion for visually-impaired children
• Touching and Feeling the Data: A Reusable Software Pipeline for Tactile Statistical Graphs in Accessible Education — Tactile 3D-printed statistical graphs
• Using the Pepper Robot to Support Sign Language Communication — Pepper robot supporting sign language communication
• Behaviorally Adaptive Visual Diversion for Inclusive and Resilient Digital Assessment Delivery
• DysLexLens: A Low-Resource LLM Framework for Analysing Dyslexic Learners Insights from Online Forums
• I can't read your mind": A Study of Neurodivergent Computing Students' Experiences with Collaborative Active Learning
• Generative artificial intelligence and the marginalization of minoritized knowledges in higher education
• Designing for What Cannot Be Seen: Supporting Embodied String Learning for Musicians with Blindness and Low-Vision
• Why SuaCode?": Understanding African Students' Motivations for Taking a Smartphone-Based Online Coding Course
• LUDIA: A Design and Evidence Statement
• Special-R1: Reinforcement Learning for Special Education — Aligning LLM Tutors to Diverse Learners through Disability-Adaptive Training
• Using Gemini and LuaLaTeX to transcribe physics videos into PDF/UA-2 and ISO 32005 math-accessible PDFs — Gemini+LuaLaTeX math-accessible physics video transcription
• Assistive Generative AI for Visually Impaired Learners: Personalization and Inclusion in Higher Education — Assistive GenAI for visually impaired learners
• Generative AI, virtual reality, and beyond: A scoping review of digital assistive technologies for neurodivergent students in higher education — Generative AI, virtual reality, and beyond: A scoping review of digital assistive technologies for neurodivergent students in higher education