AIEd Hifadhi ya MaarifaAIEd KB
Kwenye ukurasa huu

Soma ukurasa huu kwa Kiingereza

Madhana

Kutafsiri na Kutumia Utafiti wa AIEd

Imeundwa 2026-10-13

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

Kutafsiri na kutumia utafiti wa AIEd — jinsi ya kuamua kama matokeo ya utafiti katika AI katika elimu yanastahili kutumiwa, iwe unafundisha, unaendesha mpango, unabuni kozi, au unajenga programu. Huhitaji hisabati kutumia ukurasa huu. Unaanza na swali ambalo mtaalamu analo kweli — je, nifanye hivi? — hupitia mambo machache yanayojibu, na huweka undani wa kiufundi katika sehemu ya baadaye kwa yeyote anayetaka au anayehitaji. Toleo fupi: matokeo yanastahili kutumika unapojua kilicholinganishwa, kilichopimwa, nani waliichunguzwa, na kama zana bado ipo katika hali iliyochunguzwa. Madai mengi yanayowafikia waelimishaji, wasimamizi na watengenezaji wanashindwa moja ya hayo manne.

Maswali ya Kutafakari

  • Muuzaji, simulizi la habari, au mwenzako anasema zana ya AI iliboresha kujifunza. Ni kitu kimoja kipi ambacho ungetaka kuona kabla ya kuijaribu katika kozi yako mwenyewe — na ungejua wapi pa kuitafutia?
  • Kila ukurasa wa makala katika hifadhi hii ya maarifa sasa una sehemu ya What this means for practice, na wengi wana sehemu ya Limitations. Ukizisoma pamoja, kila moja yakuambia nini ambayo nyingine haisemi?
  • Wanafunzi wanazoea na zana ya AI na wanafanya vizuri zaidi kazini mwao za mazoezi, kisha wanafanya vibaya zaidi katika mtihani wa kitabu kimefungwa. Ni namba ipi ambayo ni matokeo ya kujifunza ambayo kozi yako inajali — na je, tathmini zako za sasa zingebaini tofauti hiyo?
  • Utafiti unaahidi kuboresha kikubwa, lakini uliwafuatia wanafunzi 30 katika kozi moja katika taasisi moja, na toleo la zana lililochunguzwa si tena toleo ambalo mtu yeyote anatumia. Ni kweli kipi kati ya hizi mbili kinakusumbua zaidi, na kwa nini?
  • Zana nyingi za AI zinaongeza kiasi wanachotumia wanafunzi bila kuongeza kiasi wanachojifunza. Kama ungelazimika kuchagua kati ya zana inayoongeza mahusiano na ile inayoongeza utendaji usiosaidiwa, ni ushahidi upi unaweza kuamua?
  • Unaombwa kuidhinisha au kununua zana kwa msingi wa namba za ufanisi za muuzaji mwenyewe. Ungetaka nini kufichuliwa kuhusu jinsi namba hizo zilitengenezwa?

Utangulizi

Ukurasa huu ni kwa watu ambao lazima waamue kitu: mkufunzi anayeshangaa kama abadilishe kazi, Wasimamizi anayepima jaribio, mbunifu wa kujifunza anayejenga kozi, mtengenezaji wa programu anayeamua kipengele kinapaswa kufanya nini, au mtafiti anayeeleza matokeo kwa yeyote kati yao.

Tabia mbili zinafanya tofauti, na hakuna inayohitaji mafunzo ya utafiti.

Soma sehemu mbili zilizoandikwa kwa ajili yako kwanza. Kila ukurasa wa makala hapa sasa unabeba sehemu ya What this means for practice — kwa kawaida hatua tatu hadi tano za kudhibitisha zilizotokana na utafiti huo — na wengi hubeba sehemu ya Limitations inayobainisha kile utafiti hauwezi kusaidia. Zisome kabla ya matokeo ya utafiti, si baada. Sehemu ya mazoezi yakuambia utafiti ni mzuri kwa nini; sehemu ya vikomo yakuambia inaishia wapi. Kama sehemu ya mazoezi haipo au ni ya kupwaya, ichukue ukurasa huo kuwa haujakamilika badala ya ushahidi.

Hukumu dai, si ujasiri wa dai. Madai kuhusu AI katika elimu kwa kawaida ni sahihi kuhusu kitu fulani na yanapotosha kuhusu kitu unachojali, kwa sababu utafiti na darasa lako yanatofautiana kwa njia nne: kile kilicholinganishwa nacho, kile kilichopimwa, nani walishiriki, na toleo lipi la zana lililotumika. Sehemu zilizosalia za ukurasa huu hukupa vipimo kwa lugha rahisi, kisha ushahidi nyuma ya kila moja kwa wasomaji wanaotaka.

Kile kinachofuata pia si mbadala wa majirani zake. Mbinu za Utafiti katika AI katika Elimu inashughulikia jinsi miundo inavyojengwa, Vikomo katika Utafiti wa AIEd inaorodha udhaifu unaojirudia wa fasihi, Tathmini ya AIED inashughulikia jinsi mifumo na matokeo yanavyotathminiwa, na Athari Tofauti Katika Makundi ya Wanafunzi inashughulikia nani ambaye matokeo yanamjumuisha na nani wasiyomjumuisha.

Maswali manne yanayoamua madhai mengi

Yaulize haya kabla ya kutumia muda, fedha, au muhula kwa kitu fulani.

1. Ililinganishwa na nini, na je, ulinganisho huo ulikuwa wa haki? "Wanafunzi waliotumia AI walifanya vizuri zaidi ya wale ambao hawakutumia" yakuambia kitu tu ikiwa wanafunzi wengine walikuwa wanafanya kitu halisi. Kama ulinganisho ulikuwa biashara kama kawaida — au hakuna — basi matokeo yanachanganya zana pamoja na muda wa ziada, umakini wa ziada, na umaskini. Tafuta nini: kikundi cha kudhibiti kilichopata mbadala inayoaminika, na mgawanyo wa nasibu kwa hali mbili.

2. Walipima nini hasa? Hapa ndipo madhai ya kusisimua mengi yanashindwa kwa utulivu. Alama za mtihani, ubora wa kazi za nyumbani, Motisha, mitazamo na mahusiano yanachanganywa katika namba moja ya "mafanikio", au kipimo cha utendaji zana ikiwapo kinaripotiwa kama kujifunza. Kujifunza unaotegemea zana kuwa hapo si sawa na kujifunza unaodumu. Tafuta nini: kipimo kilipima nini, kama kilithibitishwa kwa watu hao, na kama matokeo yalipimwa bila AI katika chumba.

3. Nani waliichunguzwa, ni wangapi, na kwa muda gani? Wanafunzi thelathini katika kozi moja ni ishara, si matokeo. Uingiliaji wa wiki nne hauwezi kukuambia kuhusu mwaka. Na utafiti wa wanafunzi wasio kama wako bado unafaa — ni dhana kuhusu mpangilio wako, si utabiri. Tafuta nini: ukubwa wa sampuli, jinsi washiriki walivyovutiwa, eneo moja, muda, na kama kikundi kidogo chochote kilikuwa kikubwa vya kutosha kuchanganuliwa.

4. Zana bado ni zana ile iliyochunguzwa? Uwezo wa AI unasonga haraka kuliko uchapis. Matokeo ya 2025 yanaelezea kizazi cha mifano cha 2025 — wakati toleo maalum, wakati usanidi ambao hakuna anayetumia sasa. Hiyo haifanyi matokeo ya uwezekano kuwa ya uongo; inafanya kuwa ya zamani, na inamaanisha dai linapaswa kaguliwa upya badala ya kurithiwa. Tafuta nini: toleo la mfano na dirisha la ukusanyaji wa data.

Ushahidi unavyosema nini kuhusu madhai ya AI kwa ujumla

Kama unakumbuka kitu kimoja kutoka ukurasa huu, kumbuka kuwa namba ya kichwa kwa kawaida imepewa na ulinganisho kwa kawaida ni dhaifu. Hilo si mtazamo wa kando — ni kile mashtaka ya uwanja yenyewe yanaripoti. Masudio kadhaa yaliyobuniwa vizuri yanaonyesha mapato halisi; hoja ni kuwa mzigo wa ushahidi uko kwa dai.

  • Karibu theluthi mbili ya athari ya wastani hutoweka mara unaporekebisha ukweli kwamba matokeo ya kushangaza huchapishwa na yasiyo ya kushangaza hayachapishwi. Bartoš et al. (2026) walikusanya athari 1,840 za ukubwa kutoka mapitio 67 na wakagundua wastani uliorekebishwa ulikuwa takribani theluthi moja ya wastani uliochapishwa — SMD 0.196 dhidi ya 0.67.
  • Jina la bidhaa si mbinu ya kufundisha. Kwa kushtaki ulinganisho nyuma ya meta-analysis inayoonekana, Weidlich et al. (2025) waligundua 21% tu yalikuwa na matibabu yaliyobainishwa vizuri, kikundi cha kudhibiti na kipimo halali cha kujifunza — na faida iliyoripotiwa ya "kutumia ChatGPT" ilitokea kuwa kubwa zaidi kuliko ya mifumo ya ufundishaji mahiri iliyojengwa kwa lengo (g = 0.7 dhidi ya 0.66), ambayo ni ishara ya onyo badala ya ushindi.
  • Utendaji na zana kwa kawaida huchukuliwa vibaya kuwa kujifunza. Katika utafiti mmoja wa K-12 wa hisabati, wanafunzi wanaozoea na chatbot ya matumizi ya jumla walipata alama bora za mazoezi na kisha walipata alama takribani 17% mbaya zaidi ya marika bila upatikanaji wa AI katika mtihani wa mwisho wa kitabu kimefungwa (msingi wa ushahidi wa Stanford kwa AI katika K-12).
  • Mapitio ya uwanja yenyewe hayastahimili mashtaka. Mashtaka ya O'Neill (2026) ya meta-analysis 14 zilizopitiwa mapitio zinazodai AI inaboresha elimu yaligundua kuwa hakuna ilitoa msingi halali kwa madai iliyotangaza, na miongoni mwa masudio 46 ya msingi yaliyochaguliwa kwa nasibu, 61% yalionesha wasiwasi wa uhalali. Tatizo si karatasi moja mbaya; ni utamaduni wa kuripoti.
  • Ripoti za kujitangaza zinasifu kila mtu. Watu hukadiria ujuzi wao wa AI kuwa juu zaidi kwa takribani 40% kuliko vipimo vya utendaji vinavyoonyesha, ndiyo maana maswali ya kuridhika na ya ujasiri ni ushahidi dhaifu zaidi unaoweza kutumiwa (Vipimo vya Kujitangaza, Upimaji wa Kielimu).
  • Bidhaa nyingi zilizopo darasani hazina ushahidi huria kabisa. Safari ya kujifunza ya Instruction Partners 2025–26 iliwasilisha bidhaa 20 za AI za wanafunzi na ikagundua kuwa, kati ya zile 16 zenye wasifu kamili, saba tu zilikuwa na mapitio huria yanayochunguza mafanikio ya wanafunzi katika makundi ya wanafunzi katika Marekani; mbili zilichunguzwa nje ya nchi tu, nne zilikuwa na masudio yanayoendelea na tatu zilitegemea data ya ndani peke yake. Waandishi wanadai kuwa masudio ya sababu huria yanayofunika makundi ya kipaumbele yanapaswa kuwa matarajio kwa bidhaa zote za wanafunzi — bado si kiwango cha zana ambazo shule zinatutumia tayari.

Kubadilisha matokeo kuwa uamuzi

Mlolongo unaookoa juhudi nyingi zilizopotea, kwa mpangilio.

  1. Andika matokeo yako kwanza. Si "tumia AI zaidi" bali "wanafunzi wanaweza kufanya X bila zana". Kama matokeo yako ni utendaji usiosaidiwa, basi utafiti uliopima utendaji uliosaidiwa ni ushahidi wa jirani, si ushahidi wa moja kwa moja.
  2. Tafuta ulinganisho na kipimo — katika utafiti, au katika sehemu ya mazoezi ya ukurasa wake wa makala. Kama mmoja wapo hapo, ichukue dai kuwa onyesho badala ya matokeo.
  3. Soma sehemu ya vikomo kama maelekezo, si kanusho. "Kozi moja, matokeo ya kujitangaza, wiki nne" yakuambia hasa ni ipi ya dhana zako ambazo utafiti haufuniki.
  4. Kagua toleo na tarehe. Kama utafiti ulitumia kizazi cha mfano chenye umri wa miaka miwili, panga kujaribu upya badala ya kudhania.
  5. Taja hali zinazowezesha. Gharama, leseni, muda wa wafanyakazi, kanuni za data, na kama wanafunzi wanapaswa kulipia kiwango ambacho hufanya kazi kweli. Masudio mara chache hubeba hizi, na zinaamua kama uingiliaji unastahimili muhula. Katika utafiti mmoja wa maendeleo ya wataalam wa washiriki kumi, kila mtu alisema wangeendelea kutumia AI, wakati watu hao wale walieleza usajili wa kibinafsi wa upatikanaji wa zana na hakuna msaada wa muda kwa mipango ya kubuni upya waliyokuwa wamepanga.
  6. Jaribu kwa kiwango kidogo, na pima hali isiyosaidiwa. Pre/post fupi na tathmini moja iliyofanywa bila zana inashinda utafiti wa kuridhika. Kidogo na halisi inashinda kikubwa na cha kishairi. Ona Ubuni wa Kujifunza kwa mahali ambapo hii inaingia katika ubuni wa kozi.
  7. Weka tarehe ya mapitio katika kalenda, na kuwa tayari kudumu dai. Wakati msingi wa utafiti ni uwezo ambao haupo tena, hatua ya kweli ni kustaafisha dai badala ya kurifutia bila kikomo — nidhamu ile ile ambayo hifadhi hii ya maarifa inaitumia kwa kurasa zake mwenyewe.

Maneno unayoyakutana katika utafiti

Tafsiri za kawaida, ili uweze kusoma kwa haraka utafiti au ukurasa wa muuzaji bila mafunzo ya mbinu.

  • Ukubwa wa athari — ulikuwa mkubwa kiasi gani tofauti, kwenye kiwango ambapo 0 ni hakuna. Chukua thamani ndogo kuwa "sukuma ndogo", si "mabadiliko makubwa".
  • Ya umuhimu wa kihisabati — haiwezekani kuwa nasibu tu katika sampuli hii. Haisemi kitu kuhusu kama athari ni kubwa, au kama itatokea katika darasa lako.
  • Kipindi cha kujiamini — anuwai ya matokeo ambayo data haiwezi kuzua. Kama anuwai inajumuisha sifuri, matokeo yanaweza kuwa si kitu kabisa, kadiri kichwa kinavyovutia.
  • Meta-analysis — utafiti unaokusanya masudio mengi. Una nguvu, na ni mzuri kwa kiwango kile tu cha kile kilichokusanywa, ndiyo maana mapitio hupitiwa mashtaka.
  • Upendeleo wa kuchapisha — matokeo ya kuvutia huchapishwa na yasiyo ya kuvutia hayachapishwi, hivyo wastani wa fasihi unaonekana mzuri zaidi kuliko uhalisi.
  • Kujitangaza — watu wakijieleza wenyewe. Mzuri kwa mitazamo, dhaifu kwa uwezo au tabia.
  • Kikundi cha kudhibiti — hali ya ulinganisho. Kitu kimoja muhimu zaidi la kutafuta.
  • Pre/post — kilichopimwa kabla na baada bila kikundi cha ulinganisho. Cha kupendekeza, si cha kukataza.
  • Uchanganuzi wa kikundi kidogo — matokeo kwa sehemu ya sampuli. Kwa kawaida hayana nguvu ya kutosha, hivyo ichukue kuwa dhana.
  • Kurudia — mtu mwingine alipata matokeo yale yale. Nadra, na ushahidi mkubwa zaidi unaopatikana.
  • Benchmark — seti maalum ya kazi za kupima mifumo. Alama husogea lengo linaposogea, hivyo kagua tarehe.

Wakati wa kupunguza mwendo hata hivyo

  • Dai linatokana na muuzaji, kwa vipimo vya muuzaji. Hilo bado kinaweza kuwa na taarifa — mtoaji mmoja wa ufundishaji wa AI anaripoti kipimo cha mahusiano kilichosanidiwa dhidi ya wataalam wa binadamu katika F1 0.83, na maboresho yakitokana na majaribio zaidi ya 40 katika miezi mitano (Udeshi et al., 2026) — lakini dhana, wapimaji na kipimo ni chaguzi za muuzaji. Omba kikundi cha ulinganisho na matokeo yasiyosaidiwa.
  • Upimaji otomatiki unachukuliwa kuwa umetatuliwa. Makubaliano makubwa na wapimaji wa binadamu ni uaminifu, si ubora. Katika utafiti mmoja wa kupima, wapimaji wa binadamu walikubaliana na makubaliano ya wapimaji wengi kwa takribani r = 0.88, hivyo alama za otomatiki karibu r = 0.85 zilikuwa tayari kwenye kizingiti cha kupima cha kazi yenyewe (Jua Lini Kuaminia Upimaji wa AI).
  • Orodha ya marejeleo inafanya kazi nzito. Maingizo 30 ya marejeleo yenye taarifa za bibliografia zilizotungwa kwa uthibitisho zilithibitishwa katika karatasi 14 za elimu ya kompyuta, zote za 2025 na 2026 (Denny et al., 2026). Kama dai linategemea nukuu, kagua nukuu.
  • Hakuna aliyepima tabia ambayo sera yako inategemea. Katika rekodi 493 zilizopunguzwa na masudio 14 ya kipaumbele, hakuna utafiti uliopima kama uthibitisho ulifanikiwa na kile mwanafunzi alichofanya nacho baadaye, kihukumu dhidi ya kiwango huria cha ubora wa matokeo (uthibitisho na usanidi wa kuaminia). Sera za kozi zinategemea hasa tabia hiyo.

Kama unajenga au kununua zana

Vipimo vileile vinageuka kuwa mahitaji ya ubuni, na kurasa za tathmini za hifadhi ya maarifa hubeba undani (Tathmini ya AIED, Tathmini ya Otomatiki).

  • Fanya ulinganisho kuwa sehemu ya vipimo vya kipengele. Amua mwanafunzi angefanya nini vinginevyo, na uweze kusema kwa nini zana yako inashinda hilo — si kwa nini inashinda hakuna.
  • Pima hali isiyosaidiwa. Kama matokeo yako ni kujifunza, jumuisha kazi iliyokamilika bila zana; utendaji uliosaidiwa peke yako unakupotosha kadiri unavyowapotosha wanunuzi wako.
  • Ripoti jinsi hukumu zako za otomatiki zilivyothibitishwa — kiwango cha dhahabu, lengo la kusanidiwa, nani aliamua kutokubaliana — na uripoti kama uaminifu badala ya ubora.
  • Taja toleo na tarehe katika dai lolote la ufanisi, kwa sababu toleo lako linalofuata linalibadilisha.
  • Onyesha vizuizi: gharama kwa mwanafunzi, Ufikivu, usimamizi wa data, na kinachotokea kwa wanafunzi katika kiwango cha bure. Ona Ufichuzi wa Matumizi ya AI, Faragha na Utawala wa AI.

Kwa wasomaji wanaotaka ushahidi

Vipimo hapo juu si hekima ya watu; vinatokana na kushindwa kumerekodiwa katika fasihi hii. Sehemu hii huweka undani kwa yeyote anayeagua karatasi, kutetea uamuzi, au kubishana kuwa zana inapaswa kutathminiwa ipasavyo.

Kushindwa kwa uhalali kuna usambazaji, si uwepo tu. Katika masudio 46 ya O'Neill (2026) yaliyopitiwa mashtaka, kutolingana kwa kigezo tegemezi kilikuwa tatizo la kawaida zaidi (n = 15) — kipimo hakikukamata kile dai lililodai — kikifuatiwa na kutolingana kwa kigezo huria (n = 11), matatizo ya muundo wa majaribio (n = 7), matatizo ya uondoaji wa data (n = 6), kutokuwepo kwa kikundi cha kudhibiti (n = 6) na mgawanyo wa makundi usio wa nasibu (n = 6). Katika meta-analysis 14, kumi na mbili zilitendea athari nyingi za ukubwa zilizotolewa kutoka utafiti mmoja wa msingi kuwa huria, ambayo hupiga msingi wa ushahidi unaoonekana.

Madai ya vikundi vidogo kwa kawaida hayawezi kuamua katika masudio yanayoyafanya. Micro-RCT ya sayansi ya GCSE inaripoti mwingiliano wa matibabu-kwa-hali wa alamu 0.57 (95% CI -2.25 hadi 3.39), na makadirio yaliyopangwa ya g = 0.28 (95% CI -0.04 hadi 0.59) kwa kikundi kimoja na g = 0.35 (95% CI 0.18 hadi 0.52) kwa kingine. Kipindi kinachovuka sifuri si matokeo ya usawa; ni swali kwa jaribio la ndani.

Muunganisho unaweza kuridhisha itifaki yake yenyewe na bado kukusanya ubora usio na uzito. Doğan et al. (2026) wanasema wazi kuwa hawakutumia chombo rasmi cha tathmini ya ubora, wakitendea vigezo vyao vya kujumuisha kuwa kizingiti cha umakini, hivyo utafiti wa kijaribio-wasi wa karibu na ule wa nasibu vilichangia kwa usawa — na heterogeneity yao inasoma I² = 82.98% chini ya mfano wa athari maalum lakini 15.75% chini ya mfano wa athari za nasibu, ndiyo maana takwimu ya heterogeneity iliyonukuliwa bila mfano wake haiwezi kukuambia kiasi gani mkusanyiko haupatani.

Uthibitisho wa hukumu ya otomatiki ni sehemu ya matokeo. Makubaliano na wapimaji wa binadamu ni taarifa ya uaminifu, na kizingiti hapo juu kinaonyesha kwa nini si sawa na ubora (mashine husoma vibaya ubora wa mbinu za kufundisha).

Umri wa zana ni kikomo cha daraja la kwanza. Mapitio ya tathmini inayosaidiwa na AI yanaonyesha kuwa matokeo yake yenyewe yanaakisi toleo maalum za mifano kwa nyakati maalum, na kuwa mwendo wa uwanja unafanya akaunti yoyote ya uwezo wa mfano kuwa ya zamani inawezekana ndani ya miezi (Tathmini na Ufundishaji Unaosaidiwa na AI katika Elimu ya Juu). Zima madai kwa kizazi chao: "AI ya kizalishaji iliboresha X" si ya kubebeka, wakati "zana za enzi ya GPT-4, katika kazi hii, na Ngazi za Msaada hii" ni.

Malengo ya benchmark husogea, hivyo matokeo ambayo mfumo unakidhi au unashindwa leo yanaweza kupinduka na toleo linalofuata; vipimo vya kukidhi na vya kuchafua vinapaswa kuwa kando ya dai lolote linalotegemea benchmark.

Kusoma fasihi hii pamoja na wakosoaji wake ni mazoezi ya kawaida hapa. Orodha za kukagua upande wa kuripoti kwa waandishi na wakaguzi ziko katika FAQ kuhusu kuripoti na kutafsiri utafiti wa AI, na tabia za tathmini katika ukurasa huu zinaungana na Maendeleo ya Nadharia katika AI katika Elimu wakati dai ni la kinadharia badala ya la kihalisia.

Orodha fupi ya kukagua

  1. Tambua matokeo yako katika sentensi moja, ikijumuisha kama zana ipo ndani yake.
  2. Tafuta ulinganisho. Hakuna ulinganisho wa kuaminika, hakuna uamuzi.
  3. Linganisha kipimo na dai lako, na pendelea matokeo yasiyosaidiwa.
  4. Punguza namba: soma athari iliyorekebishwa kwa upendeleo, si ile ya kichwa.
  5. Kagua toleo la mfano na tarehe za utafiti.
  6. Soma sehemu ya vikomo kama maelekezo ya kile ambacho bado hujui.
  7. Pima gharama yake: leseni, viwango, muda wa wafanyakazi, kanuni za data.
  8. Jaribu kwa kiwango kidogo na kipimo kisichosaidiwa, kisha amua.
  9. Weka tarehe ya mapitio mwaka mmoja mbele, na kuwa tayari kustaafisha dai.

Dhana Zilizounganishwa

Makala Zilizounganishwa

FAQ Zilizounganishwa

Metadata

Muundo wa utafitiLiterature Review
Hadhira inayokusudiwaInstructors, Administrators, Instructional Designers, Software Developers, Researchers
Tathmini na UpimajiUhalali wa Tathmini, Upimaji wa Kielimu, Vipimo vya Kujitangaza, Faida za Kujifunza
Mbinu za Utafiti na TathminiTathmini ya AIEd, Kigezo cha Kupima, Mbinu za Utafiti katika AIED, Meta-Analysis na Mapitio ya Kimfumo, Utafiti wa Kiasi
Usawa, Maadili, na Matumizi ya UwajibikajiTaarifa za Matumizi ya AI na za Kudhihirisha
Misingi ya Akili Bandia katika ElimuVizingiti katika Utafiti wa AIEd
Aina ya ukurasaEvaluation, Framework
SourceHistoryEditChat

Pachika ukurasa huu

Nakili msimbo ulio hapa chini ili kupachika ukurasa huu katika mfumo wa usimamizi wa kujifunza au tovuti nyingine. Toleo lililopachikwa linaonyesha maudhui ya ukurasa tu — linaficha kichwa cha tovuti, urambazaji, na kijachini.