Mifumo ya Kufundisha

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

Mifumo ya Kufundisha — mipangilio iliyo na mpangilio ya shughuli ambayo utafiti katika hifadhi hii ya maarifa umewajaribu, kwa uangalifu kuhusu mahali AI inayozalisha inaingia katika mpangilio na mahali hukumu ya kibinadamu lazima ibaki. Wakati Mbinu za Kufundisha na Mikakati ya Kufundisha inaorodhesha mbinu (kujifunza kikamili, kujifunza kwa msingi wa matatizo, kujifunza kwa ushirikiano) na Muundo wa Kujifunza inaelezea jinsi kozi inavyobuniwa, ukurasa huu unaorodhesha kile wanafunzi na walimu wanachofanya kweli, kwa mpangilio upi, na kilichotokea lilipojaribiwa. PAIRR — kutengeneza, mapitio ya marika, mapitio ya AI, tafakari, marekebisho — ni mfano bora zaidi uliodokumentwa, na mfumo nyuma yake unarudiwa katika taaluma nyingi: juhudi kwanza, AI pili, hukumu ya kibinadamu katika hatua za juu.

Maswali ya Kutafakari

• Mfumo ni mpangilio, si zana. Chukua kazi moja unayofundisha na andika mpangilio wa hatua ambazo mwanafunzi huzifanya. Katika mpangilio huo, AI ingesaidia wapi, na wapi ingefanya kazi ambayo mwanafunzi anapaswa kuifanya?
• Mifumo kadhaa hapa huwapa AI kwa makusudi jukumu dhaifu — vidokezo badala ya majibu, maswali badala ya masahihisho. Kwa nini mwalimu asiye msaada kwa makusudi angezalisha kujifunza bora zaidi, na hiyo inamaanisha nini kuhusu zana za AI ambazo taasisi yako inanunua?
• Mfumo bora zaidi wa ushahidi katika ukurasa huu (kujifunza kwa kufundisha AI) unauliza wanafunzi kuelezea, na unaboresha ubora wa maelezo na maswali lakini si kukumbua kwa njia ya kichanganuzi. Kama ungechukua, ungebadilisha nini kuhusu jinsi unavyotathmini?
• Wakati maoni ya AI yalikuwa ya ubora wa juu kuliko maoni ya mwalimu, wanafunzi hawakufanya marekebisho zaidi. Hiyo inapendekeza nini kuhusu tofauti kati ya kutoa maoni na kuwafanya wanafunzi wayatumie?
• Miktadha hubadilisha jibu: mifumo mingine ilijaribiwa mtandaoni na bila kufuatana, mingine ana kwa ana na maabara. Ni ipi kati ya hizi ungeweza kuendesha katika mazingira yako bila zana mpya, na ipi ingehitaji miundombinu ambayo huna?
• Karibu kila mfumo hapa huweka kibinadamu katika hatua ya hukumu — kupima, kuthibitisha, au kutafsiri. Je, hiyo ni chaguo la kubuni, hitaji linalotokana na ushahidi, au kikomo cha kile kilichojaribiwa hadi sasa?

Utangulizi

Mbinu za kufundisha zinajibu tupaswe kufundishaje; ukurasa huu unajibu swali jembamba zaidi, la kiutendaji: kwa mpangilio upi hatua zinapaswa kutokea, na AI inafaa wapi katika mpangilio huo? Tofauti ni muhimu kwa sababu zana ile ile huzalisha matokeo kinyume kulingana na nafasi yake katika mpangilio. Msaidizi wa AI inayozalisha aliye wekwa kabla ya mwanafunzi kujaribu tatizo hupunguza kwa kuegemea utendaji wa baadaye usio na msaada; akiwekwa baada ya jaribio, kwa vidokezo badala ya majibu, mfumo huo huo huondoa hasara hiyo.

Kila mfumo hapa chini unaripotiwa na hali ya ushahidi, kwa sababu mifumo ya maarifa ya hifadhi hii haija sawa na tofauti ni muhimu kwa yeyote anayesubiri kuchukua:

• Imejaribiwa — makala mojawapo inaripoti jaribio linalodhibitiwa au linalolinganisha.
• Mchanganyiko — imejaribiwa, lakini bila kudhibiti, kwa matokeo yanayopingana, au kwa kigezo kilichojaribiwa kimeambatana na kitu kingine.
• Mapendekezo ya kubuni — wazo linaonekana tu kama pendekezo au mfumo, bila jaribio lililoripotiwa. Hizi zinakusanywa kando mwishoni mwa ukurasa, katika Mapendekezo ya kubuni (ambayo bado hayajajaribiwa), na sio ushahidi.

Mifumo imepangwa kulingana na jukumu inayohudumia katika somo: kuweka juhudi kabla ya msaada, kuunganisha maoni ya AI na maoni ya kibinadamu, kuthibitisha ufahamu badala ya pato, kufanya mwanafunzi kuwa mwalimu, kupanga ushirikiano, na kukabiliana na dhanapotofu mahususi. Miktadha (mtandaoni, ana kwa ana, mchanganyiko) na taaluma zinaripotiwa na kila moja, na kufupishwa mwishoni.

Mifumo inayoweka juhudi kabla ya msaada

Mifumo hii inashirikiana dai la kimuundo: mwanafunzi lazima ajitolee kufanya jaribio kabla ya AI kuchangia. Ni kanuni ya kubuni yenye ushahidi thabiti zaidi katika hifadhi ya maarifa.

Kukumbua au kujaribu kabla ya AI kujibu

Ushahidi: imejaribiwa. Mpangilio ni: jaribu kutoka kumbukumbu, pokea maelekezo au mfano, fanya mazoezi katika vipindi vilivyo na nafasi, shauriana na AI tu baada ya kujitolea kufanya jaribio, pokea maoni yanayotegemea jibu ambayo huchunguza dhanapotofu, na endelea tu wakati jibu unaonyesha mwingiliano wa kutosha.

Masharti ya nafasi ya kukumbua yanayobadilika yalizalisha alama za juu zaidi za majaribio ya baadae (M = 78.19) na yalishinda kwa kiasi kikubwa kijiashiria somo la AI linaloongozwa na mwanafunzi (M = 67.28, d = 0.92, p = .003) kwa wanafunzi 89 katika kozi ya takwimu ya mchanganyiko, wakati nafasi iliyowekwa haikuwa na tofauti ya kitaalamu kutoka ile inayobadilika (Akgun & Toker, 2026). Kisa cha kulinganisha ni cha kuamua: katika jaribio nasibu la wanafunzi 120, kikundi kilichosoma na ChatGPT bila vikomo kilihifadhi kidogo katika jaribio la kushangaza siku 45 baadaye — 57.5% sahihi dhidi ya 68.5% kwa wanafunzi wa kawaida, t(83) = −3.19, p = .002, d = 0.68 — na pia kilikuwa kimesoma takribani 45% kidogo, hali hasara ilidumu licha ya kigezo cha muda wa kusoma (Barcaui, 2025). Jaribio la uwanja nasibu lililosajiliwa mapema katika MBA ya mtandaoni liligundua kuwa mapato yalifuatilia wiki zilizokamilika badala ya dakika za mwonekano (+2.00 pointi kwa kila wiki ya ziada ya ualimu iliyokamilika, p = .018), likisomwa kama mazoezi ya nafasi kuwa muhimu zaidi kuliko muda wa jumla (Yang et al., 2026).

Kushindwa kwa tija: jaribu kabla ya maelekezo

Ushahidi: mchanganyiko, na nyembamba zaidi kuliko sifa yake. Wanafunzi hujaribu tatizo linalolenga dhana ambayo hawajafundishwa, mwalimu anazuia suluhisho na huchochea majaribio mengi, msaada huja tu unapohitajika kabisa, na uimarishaji hufuata na kulinganisha na maelekezo ya moja kwa moja.

Somo moja la uwanja linalojaribu mpangilio kamili na mwalimu aliyeongozwa lilitumia wanafunzi 17 wa shule ya sekondari nchini Singapore: hali iliyoongozwa ilipata alama ya juu zaidi ya kushindwa kwa tija, yenye umuhimu kwa uthabiti wa matatizo (p = .046), na wanafunzi walizalisha kwa wastani uwakilishi 2.6 kwa kipindi (p = .05), lakini hakuna matokeo ya kujifunza yaliyopimwa (Puech et al., 2025). Usaidizi wenye nguvu zaidi ni wa mbali na moja kwa moja na unakuja kutoka jaribio nasibu la ndani ya mada kwa wanafunzi 26, ambapo Ngazi za Msaada ya jibu la papo hapo ilifanya vizuri zaidi dhaifu kuliko jukumu za marika, TA na mwalimu katika uelewa wa mfano (β = −0.692, p = .015; β = −1.039, p < .001; β = −0.769, p = .005) hata wanafunzi walipendelea mwalimu wa moja kwa moja — upendeleo ulienda kinyume na uwezo (Zhu et al., 2026).

Uchanganuzi wa makosa na mifano yenye makosa

Ushahidi: mchanganyiko. Wanafunzi huchanganua kosa katika kitu — mchoro uliozalishwa na AI unaokiuka uadilifu wa rejea, hoja inayodondosha join, kipande cha kodi cha Mifano Mikubwa ya Lugha (LLM) — hupokea vidokezo ambavyo huwalazimu kudhania marekebisho badala ya kupewa msahihisho, hurekebisha, na hufikiri juu ya sehemu zipi za pato zilikuwa hazina uaminifu.

Somo la kabla-baada ya wanafunzi 13 katika kozi ya hifadhidata ya mtandaoni liliinuka kutoka 4.25 hadi 6.83 kati ya 7 (t(12) ≈ 5.10, p < .001, d = 1.49) kwa kutumia mizunguko ya kila wiki ya ukosoaji-na-urekebishaji iliyojengwa juu ya matukio ya kushindwa ya AI kwa makusudi, lakini bila kikundi cha kudhibiti faida haiwezi kutenganishwa na mtaala au mkufunzi (Hosseini, 2026). Mapitio ya kimfumo ya masudio 72 ya elimu ya kompyuta yanaripoti kuwa uchanganuzi wa makosa ni uwezo tofauti: wanafunzi walifanya vizuri zaidi dhaifu katika kusahihisha kodi iliyozalishwa na LLM kuliko katika kazi za mtihani wa programu za kawaida (Kumar et al., 2026). Hakuna makala katika hifadhi ya maarifa inayoripoti jaribio linalodhibitiwa la mafunzo ya mfano yenye makosa kama yenyewe.

Mifano iliyofanyiwa kazi na ujuzi wa kujielezea

Ushahidi: mchanganyiko — nusu mbili zinatofautiana. Mfano uliofanyiwa kazi huonyeshwa pamoja na visababishi vilivyopotea vya kukamilisha, au vikosa vya kupata; mwanafunzi hukamilisha au hurekebisha, anaelezea mawazo yake, kisha hujaribu tatizo linalofuata.

Kugawa kwa njia inayobadilika mifano iliyoongozwa na yenye makosa kulishinda mgawanyo nasibu wa aina ya tatizo katika somo la darasa la wanafunzi 113 (majaribio ya baada ya M = 72.3 na 72.5 dhidi ya 65.7 kudhibiti, A = .58, p = .005 na p = .002), na toleo la Ufuatiliaji wa Maarifa lilipunguza pengo la mafanikio kwa 77.1% kwa wanafunzi wenye Maarifa ya Awali madogo (β = 9.4, p = .001) (Dey Tithi et al., 2026). Lakini kuongeza hatua ya kujielezea kwenye maoni ya AI yaliyoboreshwa kulipotea katika kila kipimo katika jaribio lililosajiliwa mapema la washiriki 302: liliongeza mara mbili muda wa maoni (4.1 dhidi ya 2.1 min, p < .001), lilipunguza matatizo yaliyokamilishwa kwa 40% (2.0 dhidi ya 3.4, p < .001), hakutoa faida kwa kila kipindi (OR = 1.03, p = .486), na lilipunguza ujuzi wa mwisho wa kipindi (65% dhidi ya 79%, d = .41, p < .001) (Asher et al., 2025).

Mifumo inayounga maoni ya AI na maoni ya kibinadamu

Matokeo yanayorudiwa zaidi katika hifadhi ya maarifa kuhusu maoni ya AI ni kwamba yanafanya kazi vizuri zaidi yanapoungwa na maoni ya kibinadamu kuliko peke yake — na kwamba ubora wake hauumui kama wanafunzi wanayatumia.

PAIRR: mapitio ya marika na ya AI pamoja na tafakari

Ushahidi: mchanganyiko (imetekelezwa kwa upana, haikudhibitiwa). Wanafunzi husoma na hufikiria jinsi AI na maoni yanavyofanya kazi, hutengeneza, hutoa na kupokea mapitio ya marika, huomba AI maoni yanayolenga vigezo kwenye rasimu ile ile, hulinganisha vyote kwa njia mahususi, huandika mpango wa marekebisho, wanarekebisha, na hufikiria maoni yapi yalibadilisha nini.

Somo kubwa zaidi hadi leo la matumizi ya maoni ya AI na wanafunzi wa chuo kikuu lilifuatia wanafunzi 654 katika kozi kumi za uandishi na kozi tatu za STEM zenye msongamano wa uandishi: 58% walipendelea ChatGPT iliyoungwa na maoni ya marika, 36% marika peke yake na 6% tu AI peke yake; 75% waliona viwili vimefanana na kuimarisha; maoni ya AI yalitiwa sahihiwa "ya jumla kupita kiasi" na 31% wakati maoni ya marika yalikuwa mahususi zaidi kwa 28%; na 5.3% tu yalionesha kujiamini kupita kiasi katika maoni ya AI (Sperber et al., 2025). Muundo pia uliendeshwa katika kozi ya uandishi wa biashara ya ngazi ya juu ya wanafunzi 34, ambapo karibu robo ya tafakari zilizowekewa kodi zilionyesha shaka juu ya au ziligundua upungufu wa usahihi katika maoni ya AI (MacArthur et al., 2025). Zote mbili zinaripoti data ya mtazamo; hakuna hali ya kudhibiti katika yoyote, ndiyo maana mfumo ni mchanganyiko badala ya imejaribiwa.

Maoni ya marika na ya AI yaliyoungwa

Ushahidi: imejaribiwa. Ushahidi wa kulinganisha unakuja kutoka nje ya mpango wa PAIRR. Majaribio ya karibu na wanafunzi 122 wa Kichina wa EFL yaligundua maoni iliyoungwa ya AI-na-marika iliinua mwingiliano wa kitabia, kihisia na kikokotozi dhidi ya maoni ya marika peke yake (yote p < .001; partial η² = 0.28, 0.28, 0.32) na kuboresha uandishi katika vipimo vyote vinne vya IELTS (F(1,119) = 42.68, p < .001, partial η² = 0.26), kwa kiasi kikubwa zaidi katika mafanikio ya kazi (d = 1.41) — bila majaribio ya baada ya muda, hivyo udumu haujapimwa (Liu, 2026). Katika somo nasibu la waelimishaji wanafunzi 45 katika vikundi 12, maoni ya marika yanayosaidiwa na GenAI yalishinda maoni ya marika ya kawaida katika ubainishaji, na toleo la lililozungukwa na ngazi za msaada za ilani lilifanya vizuri zaidi katika vipengele vya juu kama vile data ya kukataa na kushughulikia mwelekeo wa upinzani (Chang et al., 2026).

Ukosoaji wa AI kisha marekebisho

Ushahidi: imejaribiwa — na hakuna cha muhimu. Tengeneza, omba AI maoni yanayotokana na rubriki, tathmini maoni hayo kwa njia mahususi dhidi ya rubriki na vyanzo, andika mpango wa marekebisho, rekebisha, na fikiria.

Jaribio la factorial lililodhibitiwa 2 × 2 na wanafunzi 120 wa Kiingereza waligundua faida ya ubora wa uandishi ilikuwa ya juu zaidi kwa kikundi kilichofunzwa kuchuja na kutathmini vyote viwili (M = 7.92), dhidi ya 6.10, 4.56 na 3.10 kwa hali zingine, huku marekebisho ya kina yakiinuka kutoka 28% hadi 48% na faida ikidumu katika mada mpya na baada ya msaada wa AI kuondolewa (Dai, 2026). Hakuna cha muhimu ni sehemu ya kufundisha: katika jaribio nasibu la vikundi vitatu na wanafunzi 70, maoni ya AI yaliyochochewa na mfululizo wa mawazo yalikuwa ya ubora wa juu zaidi kwa kiasi kikubwa kuliko maoni ya AI ya zero-shot (p = .01) na maoni ya mwalimu (p = .008), lakini faida hii ya ubora haikusababisha faida zaidi za marekebisho — maoni ya mwalimu yalizalisha maboresho yanayofanana (Farrokhnia et al., 2026).

Mapitio ya pato la AI yaliyo na kibinadamu kwenye mlolongo

Ushahidi: mchanganyiko — hatua ya mapitio ni nadra kuwa kigezo kilichojaribiwa. AI huzalisha pato la rasimu, mawakala wa kiotomatiki wa kuthibitisha hukagua uhalisia, ufahamivu au kutunga vitu visivyokuwepo, ukaguzi ulioshindwa hurudi nyuma kwa marekebisho, na mwalimu anakagua, anahariri, na anakubali au anatupa kabla ya kitu chochote kuwafikia wanafunzi.

Mlolongo wa mawakala wanne na walimu 8 ulizalisha matatizo 212 ambayo 166 yalikubaliwa kama yalivyo, na ukaguzi wa uhalisia ulifanya kazi kama ilivyokusudiwa (matatizo 10 ya uhalisia yalibainishwa, marekebisho 20 ya wingi au kipimo, hakuna kosa la hisabati lililogunduliwa katika tatizo la mwisho) — lakini muafaka wa nia ulikuwa sehemu dhaifu, huku wanafunzi wakikataa mada katika majibu 160 ya 422 (Walkington et al., 2026). Zana ya maoni ya mwalimu-katika-mlolongo iliyokadiriwa na walimu 30 haikushuka chini ya 4.1/5 katika vipengele tisa na ilipunguza muda wa wastani kwa kila kazi kutoka dakika 10–30 hadi chini ya 5, lakini waandishi wanakubali hakuna tathmini ya mwanafunzi, hivyo hakuna dai la kujifunza linalosaidiwa (Zhao et al., 2025). Jaribio la timu nyekundu linafanya hatua iwe wazi: 2 ya viajazo 5 vya ilani vilibadilisha alama bila kugunduliwa, kwa 100% (9/9) na 94% (17/18), ikimwacha mwalimu kama ukaguzi pekee wa kweli wa pato la upimaji wa AI (Humble, 2026).

Mifumo inayothibitisha ufahamu badala ya pato

Kwa sababu AI inaweza kuzalisha kitu chenye uwezo, mifumo hii inahamisha tathmini hadi ushahidi ambao kitu hicho hakiwezi kutoa peke yake.

Uthibitishaji wa mdomo na viva

Ushahidi: imejaribiwa kama umbo, lakini matokeo ni kuhusu alama na hisia badala ya kujifunza. Kazi ya kodi inawasilishwa na AI ikiruhusiwa, ikifuatwa ndani ya saa 48 na mapitio ya mdomo ya kodi ya dakika 15 ya lazima ambayo mwanafunzi anaelezea mpango na anaendesha majaribio ya kuunganisha moja kwa moja, ikipimwa 70% kwenye mapitio na 30% kwenye rubriki.

Majaribio ya karibu ya muda wa miezi mitatu ya masomo na wanafunzi 96 yaligundua hakuna mabadiliko ya kijiashiria ya kitaalamu katika utendaji wa mtihani licha ya sera mpya (maboresho ya ~2% katika mtihani mmoja), wakati herufi zilizobandikwa kwa jumla zilipanda kutoka 61.0% hadi 68.1% (p < 0.0001); 90% ya wanafunzi walisema mapitio yaliwapa motisha ya kuelewa kodi yao vizuri zaidi na 65% kuwa yalisaidia kuepuka kutegemea kupita kiasi (Fowles et al., 2026). Majibu ya mdomo yaliyorekodiwa bila kufuatana yalizalisha alama za juu zaidi kwa kiasi kikubwa kuliko maswali ya chaguo-nyingi ya ana kwa ana (midterm Md = 92.5 dhidi ya 70, p < .001; final Md = 94.2 dhidi ya 86.4, p = .002) na mahusiano ya kati ya kiwango cha wastani ya kuvuka umbo (τ = .44 na .25) — na waandishi wanaonya kuwa haya ni tofauti za alama za umbo, si ushahidi wa faida za kujifunza, huku tabia ya udanganyifu ikiwa haijapimwa (Pentland et al., 2026). Mwelekeo sio chanya kwa usawa: wanafunzi walikuwa watulivu zaidi katika viva ya gumzo (M = 6.50 dhidi ya 5.86, p = .028) lakini walipima viva ya ana kwa ana kuwa bora zaidi kwa kiasi kikubwa kwa ufahamu wa kazi yao wenyewe (p = .004) (Yusuf et al., 2026).

Vituo vya awali vya kudhibiti na ushahidi wa mchakato

Ushahidi: mchanganyiko — hakuna jaribio linalodhibitiwa la mbinu yenyewe. Kazi ya kozi inaendeshwa kama moduli za awali, kila moja ikimalizika na kituo cha udhibiti chenye kuthibitisha pato na mbinu — matokeo sahihi yaliyopatikana kwa kuweka kodi kwa uthabiti yanakataliwa — na ukaguzi wa kabla ya maendeleo unaorudisha mwanafunzi kwenye hatua zilizorukwa.

Somo la wanafunzi 5 wa nyumbani katika kozi ya habari ya quantum ya kasi yalirekodi mwingiliano 75 na kuthibitisha kuwa kituo cha pato-na-mbinu kilifanya kazi kama ilivyokusudiwa, bila kikundi cha kudhibiti (Elhaimeur & Chrisochoides, 2026). Jaribio la washiriki 27 likitumia vituo vya kuzuia-vizuizi viliripoti faida za kiasi kikubwa za Uwezo Binafsi katika maeneo yote kumi ya ujuzi yaliyotathminiwa (p < 0.001) katika muundo wa kabla-baada wa ndani ya mada ambapo faida haziwezi kutenganishwa na athari za mazoezi (Naboulsi, 2026). Majaribio ya karibu ya miaka mitatu na wanafunzi 248 wa uhandisi wa kibayolojia yaligundua viwango vya A vya juu baada ya kuongeza kujifunza kwa msingi wa matatizo ya moduli nne pamoja na vituo na rubriki (66.4% dhidi ya 39.1%, Δ = +27.3 pointi, p = 0.042), yakidumu baada ya kutenga mwaka ulioathiriwa na janga, lakini kulinganisha ni kihistoria na hakuna nasibu (Nnamdi et al., 2026).

Mifumo inayofanya mwanafunzi kuwa mwalimu

Kujifunza kwa kufundisha mwanafunzi wa AI

Ushahidi: imejaribiwa, na ni mfumo bora zaidi wa ushahidi katika ukurasa huu. Mwanafunzi husoma maudhui, kisha anaelezea kwa AI iliyochochewa kushikilia msimamo wa mwanafunzi ambayo haiwazi kamwe maelezo lengwa; AI huomba maelezo, mifano na mantiki ya uthibitishaji, kupangwa kutoka ngazi za chini hadi za juu, na inaendelea hadi maelezo yanapokuwa ya kuridhisha.

Majaribio ya karibu na waelimishaji 68 wa awali yaligundua kuelezea kwa mwanafunzi mwenye uzoefu mdogo wa GAI lilipata alama za juu zaidi katika kufafanua darasa la kubadilisha (M = 4.18 dhidi ya 3.29, p < 0.001, r = 0.474) na shughuli zake (M = 4.91 dhidi ya 3.06, p < 0.001, r = 0.642), kuzalisha maswali mengi zaidi na ya ubora wa juu (yote p < 0.001) — lakini yalionesha hakuna tofauti ya kikundi katika maswali ya kichanganuzi (M = 23.18 dhidi ya 21.57, p = 0.416) (Wang et al., 2026). Jaribio nasibu la maabara na wanafunzi 41 liligundua alama za juu zaidi za jaribio la maarifa (zilizorekebishwa 11.86 dhidi ya 10.53, F = 35.54, η² = 0.74) na kodi wazi zaidi, inayosomeka vizuri zaidi, lakini hakuna tofauti katika usahihi wa kodi (Chen et al., 2024). Utekelezaji wa wiki 11 kwa wanafunzi 546 uligundua kila kitendo cha kujifunza cha kina cha ziada kimehusishwa na kupungua kwa 2.7% katika majaribio ya kukadiria ya kukadiria ya muda (IRR 0.973, p < .001), huku kulinganisha kukiwa kimeambatana na muda-katika-kazi na kupanda kwa matumizi ya maudhui ya nje ya mwisho wa semester ya 30–35% (Wang et al., 2026). Umbo thabiti: faida katika maelezo na kazi ya kizalishaji, si katika kukumbua kwa kichanganuzi.

Mifumo inayopanga ushirikiano

Majukumu yaliyoandikwa na AI moja ya pamoja

Ushahidi: imejaribiwa, lakini katika mazingira yanayodhibitiwa au yasiyodhibitiwa badala ya madarasa ya kawaida. Wanafunzi wawili hushiriki AI moja na kupewa majukumu wazi na kanuni za mzunguko; AI inasanidiwa kuchukua jukumu inapohitajika na pato lake linaenda kwa kikundi kizima. Katika toleo la upangaji wa jozi AI iliyoshirikiwa huiga mwingiliano wa pamoja na juhudi za jozi, hutabiri kushindwa hadi sekunde 30 mapema, na huongeza ngazi za msaada kwa tabaka kutoka kutofanya chochote hadi kidokezo cha moja kwa moja.

Majaribio ya ndani ya mada na jozi 26 ziligundua hali ya maoni ilipata mafanikio ya juu zaidi ya urekebishaji wa kosa (t[49.96] = −13.51, p < .0001) na kumaliza haraka zaidi (t[44.70] = 4.39, p < .0001), ingawa ilihitaji vifaa vya ufuatiliaji wa macho maradufu na pupilometri na haikujaribu uhamishaji kwenye kazi ya jozi bila usimamizi (Golrang et al., 2026). Majaribio ya karibu na wanafunzi 58 wa nyumbani katika vikundi 16 yaligundua ubunifu wa jukumu liliinua alama za maudhui ya ramani ya mawazo kutoka 3.65 hadi 4.59 katika skela ya SOLO 1–5 (z = 3.771, p < 0.001) huku idadi ya nodi na matawi ikisalia sawa — lakini bila kikundi cha kudhibiti, athari za mazoezi haziwezi kutolewa (Cheng et al., 2026).

Majadiliano yanayosaidiwa na AI

Ushahidi: mchanganyiko — utekelezaji mmoja wa moja kwa moja ni maelezo ya kisa. Wanafunzi huchanganua hali na kujibu maswali yaliyoongozwa kwa kujitegemea, huomba ChatGPT kwa ilani sanifu kwenye maswali yale yale, hupima majibu ya AI kwa usahihi dhidi ya yao wenyewe, huboresha jibu lao, na wanahitimisha na majadiliano ya darasa zima.

Shughuli ya uchumi inatumia kwa makusudi kosa la AI — ChatGPT inaita tabia iliyochorwa katika wimbo mahitaji "yenye unyeyevu kamili" wakati jibu sahihi ni isiyo na unyeyevu — ikibadilisha uthibitishaji wa pato la AI kuwa majadiliano (Beck & Brodersen, 2025). Inaripoti mawazo ya mkufunzi, si matokeo yaliyopimwa. Mpangilio wa majadiliano ya ushirikiano uliojaribiwa na wanafunzi 67 wa elimu ya walimu uligundua kikundi cha majaribio kilishinda kudhibiti la hotuba (M = 51.45 dhidi ya 43.89, p = 0.001, g = 0.839) huku udhibiti wa pamoja ukipanda (p = 0.043, g = 0.512) — lakini AI ilitumika kubuni mbinu, si kutawala majadiliano (Tutal, 2026).

Mifumo inayokabiliana na dhanapotofu mahususi

Ukataaji na mabadiliko ya dhana

Ushahidi: imejaribiwa — na matokeo yanayopingana moja kwa moja. Chochea imani mahususi ya mwanafunzi, wasilisha maandiko ya ukataaji au mazungumzo ya AI yaliyobinafsishwa yanayokabiliana nayo, shirikiana na ushahidi wa kupinga na maelezo sahihi, sisitiza dhana sahihi, kisha jaribu tena baada ya muda.

Jaribio lililosajiliwa mapema na watu wazima 375 liligundua mazungumzo ya dhanapotofu ya AI yaliyobinafsishwa yalizalisha kupungua kwa kiasi kikubwa kwa papo hapo katika imani kuliko ukataaji wa mtindo wa kitabu na mazungumzo ya AI ya upande mmoja, yakidumu katika siku 10 lakini yakikutana na ukataaji wa kitabu ndani ya miezi 2 (Corbett & Tangen, 2026). Majaribio ya kufanana ya Solomon ya vikundi vinne ya wanafunzi 413 wa darasa la kumi yaligundua kinyume: maandiko ya mabadiliko ya dhana yaliyoandikwa na wataalam na yaliyozalishwa na AI yote yalikuwa na ufanisi mkubwa zaidi kwa kiasi kikubwa kuliko mazungumzo ya ChatGPT ya mwingiliano, ambayo haikuonyesha faida ya umuhimu juu ya kudhibiti, na faida zilikuwa karibu zote za wanafunzi wenye mafanikio ya juu (Akdogan, 2025). Karatasi ya pili inabainisha migogoro waziwazi na inaihusisha na muundo wa ilani na taaluma. Maandiko ya ukataaji yenyewe yalishinda kudhibiti katika zote mbili.

Miktadha na taaluma

Mfumo huamua kile muktadha unahitaji, na mifumo kadhaa ilijaribiwa katika mazingira moja tu:

• Mtandaoni na bila kufuatana. Kukumbua na nafasi, toleo vya Socratic, mifano iliyofanyiwa kazi pamoja na kujielezea, matumizi yaliyozungukwa na ngazi za msaada za ilani, tathmini ya mdomo bila kufuatana, na utekelezaji wa kujifunza kwa kufundisha. Mipangilio bila kufuatana hufanya mpangilio kuwa muhimu, kwa sababu mfumo hauwezi kuona kama mwanafunzi alijaribu kwanza.
• Ana kwa ana na mchanganyiko. Kushindwa kwa tija, uchanganuzi wa makosa, toleo vya kubadilisha, mapitio ya kodi ya mdomo, ushirikiano ulioandikwa, na masudio ya mabadiliko ya dhana. Wakati wa darasa mara nyingi hutengwa upya badala ya kubadilishwa — katika mfumo wa mapitio ya mdomo, hotuba zilihamia kwenye video ili wakati wa darasa uweze kushikilia mahojiano.
• Taaluma zilizowakilishwa katika ushahidi uliojaribiwa. Uandishi na kujifunza lugha (PAIRR, maoni ya marika na ya AI yaliyoungwa, ukosoaji wa AI kisha marekebisho), hisabati (kukumbua na nafasi, kushindwa kwa tija, mifano iliyofanyiwa kazi, uchanganuzi wa makosa), sayansi ya kompyuta (wasaidizi wa Socratic, uchanganuzi wa makosa, mapitio ya kodi ya mdomo, kujifunza kwa kufundisha, kazi ya pamoja ya jozi iliyoandikwa), upasuaji (ngazi za msaada za Socratic katika mahojiano ya kliniki), elimu ya walimu (ubainishaji ulioandikwa, kujifunza kwa kufundisha), biashara (ualimu wa MBA uliogeuzwa), na mipangilio ya fizikia, sayansi na ufundi kwa masudio ya mabadiliko ya dhana na ya tathmini ya mdomo.

Kile ushahidi bado hausaidii

Imesemwa kwa uwazi, kwa sababu haya ni matokeo yenye uwezekano mkubwa zaidi ya kudondoshwa kimya:

• Maoni bora ya AI hayazalishi marekebisho zaidi. Maoni ya mfululizo wa mawazo ya ubora wa juu yalishinda maoni ya mwalimu kwa ubora na hayakutoa faida ya marekebisho (Farrokhnia et al., 2026).
• Maswali ya Socratic hayakuwa bora kiotomatiki. Jaribio nasibu la wanafunzi 132 liligundua msaidizi wa Socratic wenye muktadha kamili alipimwa dhaifu zaidi kwa kiasi kikubwa kwa kusaidia kukamilika kwa kazi kuliko usanidi mwingine wote (mean rank 48.63, μ = 3.53, dhidi ya 4.27, 4.16 na 4.12; χ²(3) = 12.14, p = .007), huku matumizi ya nje ya LLM mengi zaidi (23%) na majibu kamili ya ufahamu machache zaidi (48% dhidi ya 67%) (Eastwood et al., 2026) — wakati RCT ya upasuaji iligundua mfumo wa mawakala wengi wenye mwalimu wa Socratic ulishinda kudhibiti lake katika alama za mtihani na mawasiliano (Yang et al., 2026).
• Wanafunzi wanapendelea jukumu lisilo na ufanisi. Ualimu wa moja kwa moja ulipendelekwa wakati ngazi za msaada za jibu la papo hapo zilipunguza uelewa wa mfano (Zhu et al., 2026).
• Mifumo ya uthibitishaji hubadilisha alama bila kuonyesha kujifunza. Mifumo ya mdomo iliinua alama na kupunguza wasiwasi wakati somo moja liliona ana kwa ana kuwa bora zaidi kwa ufahamu, na hakuna somo lililopima udanganyifu.
• Hakuna jaribio linalodhibitiwa linalotenga mapitio ya kibinadamu ya pato la AI, na mbinu ya kituo haijawahi kujaribiwa kama kigezo kilichodhibitiwa.
• Kushindwa kwa tija na uchanganuzi wa makosa yanategemea masudio madogo, yasiyodhibitiwa (n = 17 na n = 13) ambayo hupima uaminifu wa mkakati au kujitangaza badala ya matokeo ya kujifunza.

Mapendekezo ya kubuni (ambayo bado hayajajaribiwa)

Mifumo hapa chini inakuja kutoka mwongozo wa wataalam uliotolewa na mtunzaji wa hifadhi ya maarifa (AI-Ready Course Design, Septemba 2026). Mwongozo huo unasema waziwazi kuwa mifano yake ni mapendekezo ya kubuni, si uingiliaji uliojaribiwa, na hakuna makala katika hifadhi hii ya maarifa inayowajaribu. Zinarekodiwa hapa kama mawazo ya kubuni yenye thamani ya kujaribiwa na kutathmini, na hazipaswi kusomwa kama ushahidi.

• Njia + mkondo wa marekebisho (insha, hisabati za kibinadamu). Badilisha uwasilishaji wa insha peke yake na zinguzi la awali, vipindi viwili vya chanzo vilivyo na maelezo, insha iliyorekebishwa na noti ya uamuzi ya maneno 150; ruhusu ukosoaji wa AI baada ya rasimu ya kwanza. Tathmini muunganisho wa dai–ushahidi na pendekezo moja lililokubaliwa au kukataliwa linalothibitishwa dhidi ya vyanzo.
• Data + dai linaloelekezwa na mantiki (sayansi, kozi za maabara). Badilisha ripoti ya maabara iliyosuguliwa na uchunguzi wa mbichi, grafu, noti ya kutokuwa na uhakika na maelezo yanayounganisha matokeo na dai; AI inaweza kukosoa tafsiri iliyotolewa, na wanafunzi huthibitisha ukosoaji huo dhidi ya data yao.
• Jaribio + uchanganuzi wa makosa (precalculus, calculus). Badilisha kazi za nyumba za majibu peke yake na jaribio la awali, uchanganuzi wa suluhisho lililofanywa kazi lenye hitilafu, na maelezo yaliyosahihishwa; vidokezo vinaruhusiwa tu baada ya jaribio. Hii ni umbo la kubuni la mfumo wa uchanganuzi wa makosa hapo juu, na inarithi msingi dhaifu wa ushahidi wa mfumo huo.
• Msimamo + changamoto + mawazo upya (saikolojia, sosholojia). Badilisha "chapisha mara moja, jibu mara mbili" na dai la msingi wa kisa kwa kutumia dhana ya kozi; mwanafunzi mwenzako hutoa mfano wa kupinga na mwandishi hurekebisha au anatetea na ushahidi.
• Mradi + ukaguzi ulioungwa (biashara, taaluma za afya). Unganisha mapendekezo yanayoruhusu AI kwa shirika la kubuni au kisa cha mgonjwa na maelezo mafupi ya maamuzi mawili muhimu na jibu kwa kikomo kilichobadilika; chapisha uhusiano wa kupima kati ya vipengele viwili.
• Mpango + jaribu + badilisha (mafanikio ya chuo kikuu). Badilisha tafakari ya usimamizi wa muda ya jumla na mpango wa kusoma wa wiki moja, rekodi fupi ya kujaribu, na marekebisho yaliyoungwa na yaliyotokea; AI inaweza kupendekeza chaguo za kupanga baada ya mwanafunzi kutambua vikomo.

Onyo la mwongozo lenyewe linatumika: video zilizorekodiwa, tafakari na kumbukumbu zinaweza kuwa za kusaidiwa na AI zenyewe, hivyo katika kozi zisizo na kufuatana kabisa rekodi haipaswi kutendewa kama uthibitishaji wa ujuzi huru. Mbili za mifumo yake — mapacha ya tathmini na tathmini ya mdomo bila kufuatana kama kinga dhidi ya udanganyifu — zinabaki mifumo inayosubiri uthibitishaji; masudio ya tathmini ya mdomo bila kufuatana yaliyotajwa hapo juu yalipima alama za umbo na hayakupima udanganyifu kabisa.

Dhana Zilizounganishwa

• Mbinu za Kufundisha na Mikakati ya Kufundisha — mnara wa mbinu za kufundisha ambao ukurasa huu unazibadilisha kuwa mipangilio
• Muundo wa Kujifunza — mahali mifumo inapochaguliwa, kupangwa na kupachikwa katika kozi
• Ngazi za Msaada — kanuni ya msaada-na-kupungua inayosimamia mahali msaada wa AI unafaa
• Maoni — mfumo ambao mifumo ya maoni ya ukurasa huu inatekeleza
• Tathmini ya Mchakato — kusudi la tathmini ambalo mifumo mingi ya haya inahudumia
• Tathmini ya Marika — nusu ya kibinadamu ya mifumo ya PAIRR na ya maoni yaliyoungwa
• Ubora wa Maoni ya AI — kwa nini ubora wa maoni peke yake hauumui marekebisho
• Hukumu ya Kutathmini — tathmini ambayo wanafunzi lazima wafanye kwenye pato la AI
• Ujuzi wa Maoni — uwezo ambao hatua za tathmini mahususi zinajenga
• Binadamu Katika Mzunguko — muundo wa usimamizi wa mifumo ya mapitio
• Tathmini ya Mdomo — umbo linaloegemea mifumo ya uthibitishaji
• Tathmini Inayozingatia Mchakato — mantiki nyuma ya vituo vya awali
• Kushindwa kwa Zao (Productive Failure) — dhana nyuma ya jaribu-kabla-ya-maelekezo
• Kurudia Kwa Kujaribu Kukumbuka, Kueneza Muda na Kuchanganya — msingi wa ushahidi wa mifumo ya kukumbua kwa nafasi
• Changamoto Zinazotamanika — kwa nini mipangilio yenye juhudi hushinda yenye ufasaha
• Dhana Potofu Kuhusu AI — kile mifumo ya mabadiliko ya dhana inalenga
• Nakala ya Kukanusha — umbo la maandiko la kukabiliana na dhanapotofu
• Kujifunza kwa Kufundisha — mbinu za kufundisha nyuma ya mfumo wa mwanafunzi wa AI
• Mbinu ya Sokratiki — mfumo wa maswali na ushahidi wake unaopingana
• Kujifunza kwa Ushirikiano — muktadha wa kazi ya pamoja ya AI iliyoshirikiwa na iliyoandikwa
• Kupunguza Mzigo wa Kiakili — hatari ambayo kila mfumo wa juhudi-kwanza umeundwa kuepuka
• Metaji (Kufikiri Kuhusu Kufikiri) — kile hatua za tafakari katika mipangilio hii zinakusudiwa kuchochea
• Uhandisi wa Ilani (Prompt Engineering) — tabaka la ngazi za msaada katika mifumo ya matumizi yaliyopangwa
• Uhamishaji wa Kujifunza — matokeo ambayo mifumo mingi hutathminiwa mwishoni
• Uhalali wa Tathmini — sababu ushahidi wa mchakato unapendekezwa kabisa
• Uadilifu wa Kitaaluma — msukumo nyuma ya uthibitishaji wa mdomo na wa mchakato
• Ujuzi wa AI — uwezo unaoendelezwa kwa kukosoa pato la AI
• Ufundishaji na Kujifunza Mtandaoni — muktadha unaofanya mpangilio kuwa muhimu
• Elimu ya Juu — ngazi ambapo mifumo mingi ya ushahidi hii ilizalishwa
• K-12 — ngazi ya masudio ya kushindwa kwa tija, mabadiliko ya dhana na tathmini ya mdomo

Makala Zilizounganishwa

• Peer and AI Review + Reflection (PAIRR): A Human-Centered Approach to Formative Assessment — PAIRR: mpangilio wa msingi, N = 654 (Sperber et al. 2025)
• GIFT-AI: Teaching the Game and Leveling the Field: Peer and AI Review + Reflection in a Business Writing Course — PAIRR inayotekelezwa katika kozi ya uandishi wa biashara (MacArthur et al. 2025)
• AI-peer integrated feedback in second language writing classes: exploring students' engagement and writing performance — Maoni ya AI-na-marika yaliyoungwa yaliinua mwingiliano na vipimo vyote vinne vya IELTS (Liu 2026)
• Leveraging generative AI to facilitate peer feedback in collaborative argumentation learning — Maoni ya marika ya GenAI yaliyozungukwa na ngazi za msaada za ilani katika ubainishaji wa ushirikiano (Chang et al. 2026)
• Dai (2026) — Kuwafundisha wanafunzi kuchuja na kutathmini maoni ya AI: hali za FRAC na APCA
• Generative AI offers more, but students revise less: comparing the effects of teacher and AI feedback on student essay revisions — Maoni ya AI ya ubora wa juu hayakuzalisha faida zaidi za marekebisho (Farrokhnia et al. 2026)
• Guardrails or Roadblocks? Effects of Pedagogical Style and Context Awareness in AI Teaching Assistants for Programming — Socratic pamoja na muktadha kamili ilipimwa dhaifu kuliko usanidi mwingine wote wa msaidizi (Eastwood et al. 2026)
• Evaluating Scaffolding-Oriented Multi-Agent Large Language Model System for Clinical Interview Training — Ngazi za msaada za Socratic zinazochochewa na hitaji katika mafunzo ya mahojiano ya kliniki, N = 100 (Yang et al. 2026)
• Analyzing Undergraduate Problem-Solving in Physics Through Interaction With an AI Chatbot — Chatbot ya Socratic katika mitambo ya utangulizi: uhusika wa maswali ulipanda kutoka 10–15% hadi 100% (Hashmi et al. 2025)
• The Effects of Agent Type and Feedback Style on Self-Directed Learning: A Mixed-Methods Study — Maoni ya wakala wa Socratic dhidi ya ya moja kwa moja, huku mpangilio usio na usawa (Han et al. 2026)
• Do Gains from Generative AI-Enabled Adaptive Pretesting Persist? Evidence from a Retention Study — Kukumbua kwa nafasi kwa kubadilika kulishinda somo la AI linaloongozwa na mwanafunzi (Akgun & Toker 2026)
• ChatGPT as a cognitive crutch: Evidence from a randomized controlled trial on knowledge retention — ChatGPT bila vikomo wakati wa kusoma ilipunguza uhifadhi wa siku 45 (Barcaui 2025)
• When AI Tutors Speak: Evidence from a Randomized Field Experiment — Faida za ualimu zilizopangwa zilifuatilia wiki zilizokamilika, si dakika (Yang et al. 2026)
• Evidence and Theory for why the Best Example-Problem Ratio To Optimize Learning Gain Depends on Knowledge Content — Mifano dhidi ya mazoezi yanavuka kulingana na aina ya maarifa (Rachatasumrit et al. 2025)
• Adaptive Scaffolding for Cognitive Engagement in an Intelligent Tutoring System — Mifano iliyoongozwa na yenye makosa ya kubadilika katika mwalimu wa mantiki mahiri (Dey Tithi et al. 2026)
• Benefit or Bottleneck? Assessing the Impact of Structured Reflection on Learning from AI-Driven Explanatory Feedback — Kuongeza kujielezea kwenye maoni ya AI kulipotea katika kila kipimo (Asher et al. 2025)
• Generative AI without guardrails can harm learning: Evidence from high school mathematics — Ualimu uliolindwa uliondoa madhara ya mtihani yaliyosababishwa na GPT bila ulinzi, wanafunzi ~1,000 (Bastani et al. 2025)
• Beyond Access: Guided LLM Scaffolding for Independent Learning in Undergraduate Statistics — Matumizi ya LLM yaliyoongozwa dhidi ya bila vikomo katika takwimu (Amanlou et al. 2026)
• Preferred Scaffolding Does Not Lead to Better Learning Performance: Empirical Evidence from AI-Supported Mathematical Modelling — Ngazi za msaada za jibu la papo hapo zilipunguza uelewa wa mfano huku zikipendelekwa (Zhu et al. 2026)
• Towards the Pedagogical Steering of Large Language Models for Tutoring: A Case Study with Modeling Productive Failure — Kuongoza mwalimu wa LLM kuzuia suluhisho kwa kushindwa kwa tija (Puech et al. 2025)
• The Pedagogy of AI Mistakes: Fostering Higher-Order Thinking — Mizunguko ya kila wiki ya ukosoaji-na-urekebishaji iliyojengwa juu ya matukio ya kushindwa ya AI kwa makusudi (Hosseini 2026)
• Generative AI in computing education: A systematic review and a framework for responsible integration — Uchanganuzi wa makosa kama uwezo tofauti, katika masudio 72 ya elimu ya kompyuta (Kumar et al. 2026)
• Clue before correction: ChatGPT-enhanced strategy for promoting autonomous and reflective language learning — Vidokezo vilivyoongozwa badala ya msahihisho wa moja kwa moja wa kosa katika marekebisho ya L2 (Lukešová & Jennings 2026)
• The Contribution of Generative Artificial Intelligence as a Novice Learner to Students in the Learning by Teaching Model — Kuelezea kwa mwanafunzi mwenye uzoefu mdogo wa AI, N = 68 (Wang et al. 2026)
• Learning-by-Teaching with ChatGPT: The Effect of a Teachable ChatGPT Agent on Programming Education — Jaribio nasibu la kufundisha wakala wa ChatGPT kuandika programu (Chen et al. 2024)
• Turning 500+ Students into Teachers: A Semester-Long Study of an AI Teachable Agent in an Undergraduate Algorithms Course — Kujifunza kwa kufundisha kutekelezwa kwa wanafunzi 546 katika wiki 11 (Wang et al. 2026)
• Learning by Teaching: Engaging Students as Instructors of Large Language Models in Computer Science Education — Wanafunzi wakibuni maswali ambayo LLM haiwezi kujibu (Yang et al. 2025)
• Combating Harms of Generative AI in CS1 with Code Review Interviews and a Flipped Classroom — Mahojiano ya lazima ya mapitio ya kodi ya mdomo kama mwitikio wa GenAI katika CS1 (Fowles et al. 2026)
• Asynchronous Oral Assessments: Enhancing Integrity, Engagement, and Communication in the AI Era — Tathmini ya mdomo iliyorekodiwa bila kufuatana dhidi ya maswali ya chaguo-nyingi ya ana kwa ana (Pentland et al. 2026)
• Exploring student anxiety and experience in performance-based assessments using AIvaluate: an LLM-augmented emotionally — Viva ya gumzo ilipunguza wasiwasi wakati ana kwa ana ilipimwa bora zaidi kwa ufahamu (Yusuf et al. 2026)
• Designing AI-Supported Oral Assessment in TVET — AI inayoonyesha ushahidi wa rubriki kwa hukumu ya mwalimu katika warsha za ufundi (Adams 2026)
• From Prototype to Classroom: An Intelligent Tutoring System for Quantum Education — Vituo vya pato-na-mbinu katika kozi ya nyumbani ya kasi (Elhaimeur & Chrisochoides 2026)
• Agentic Education with AI Coding Assistants — Vituo vya kuzuia-vizuizi na ukaguzi wa kabla ya maendeleo, N = 27 (Naboulsi 2026)
• Advancing Problem-Based Learning in Biomedical Engineering in the Era of Generative AI — Kujifunza kwa msingi wa matatizo ya moduli nne pamoja na vituo na rubriki (Nnamdi et al. 2026)
• Mathematics Teachers’ Interactions with a Multi-Agent System for Personalized Problem Generation — Mlolongo wa mapitio wa mawakala wanne na walimu, na mahali muafaka wa nia ulishindwa (Walkington et al. 2026)
• LearnLens: LLM-Enabled Personalised, Curriculum-Grounded Feedback with Educators in the Loop — Maoni ya mwalimu-katika-mlolongo na alama za kuthibitisha (Zhao et al. 2025)
• Ethical implications of prompt injection in AI-mediated grading: An adversarial red-team evaluation — Viajazo vya ilani ambavyo vilibadilisha alama bila kugunduliwa, vikimwacha mwalimu kama ukaguzi pekee (Humble 2026)
• ProPACT: A Proactive AI-Driven Adaptive Collaborative Tutor for Pair Programming — AI iliyoshirikiwa inayotabiri kushindwa la ushirikiano katika upangaji wa jozi (Golrang et al. 2026)
• Enhancing Human-Generative Artificial Intelligence Online Collaboration Outcomes: The Pivotal Function of Symbiotic Role Design — Majukumu ya mwanafunzi na ya AI yaliyoandikwa katika ujenzi wa maarifa ya kikundi (Cheng et al. 2026)
• ParaTutor: Coordinating Parent-Child Math Tutoring through Role-Separated LLM Scaffolding — Msaada wa AI wenye majukumu yaliyotengwa katika ualimu wa mzazi-mtoto (Luo et al. 2026)
• AI tutors vs. tenacious myths: Evidence from personalised dialogue interventions in education — Mazungumzo ya AI yaliyobinafsishwa yalishinda ukataaji wa kitabu papo hapo, yakikutana ndani ya miezi miwili (Corbett & Tangen 2026)
• Comparing the effectiveness of expert-written text, AI-generated text, and interactive AI dialogues on students' — Maandiko ya mabadiliko ya dhana yalishinda mazungumzo ya mwingiliano ya AI, matokeo ya kinyume (Akdogan 2025)
• AI-Supported Inquiry-Based Learning in Photosynthesis and Respiration: Implications for Sustainable Science Teacher Education — Uchunguzi ulioongozwa na unaosaidiwa na AI na ufahamu wa dhana (Aydin 2026)
• From Traditional Classroom to AI-Enhanced Flipped Classroom: A Three-Year Pedagogical Evolution for International Students in Pharmacology — Kulinganisha kwa kipindi cha miaka mitatu cha kawaida, kugeuzwa na kugeuzwa na AI (Liu et al. 2026)
• Integrating Flipped Learning and Generative AI for Practice-Based Design Education: Evidence from a Knit Yarn Design Course — Kozi ya studio iliyogeuzwa na ngazi za msaada za ilani zinazoongozwa na vigezo (Qu et al. 2026)
• The Impact of Generative Artificial Intelligence on Learning Outcomes in Higher Education: A Meta-Analysis — Muundo wa kufundisha ulisimamia matokeo: kugeuzwa g = 1.96 dhidi ya kawaida g = 0.46 (Jing et al. 2026)
• Student Adoption of an AI Tutor for Statistical Programming: A Longitudinal Study — Matumizi ya ualimu wa kazi za nyuma ya kila wiki yalitabiri alama za kazi za uhamishaji katika kozi iliyogeuzwa (Préau et al. 2026)
• Fostering Generative AI Literacy in Economics: A Hands-on Approach — Majadiliano ya ukosoaji wa AI ya hatua tano yaliyojengwa juu ya kosa la AI (Beck & Brodersen 2025)
• Artificial intelligence assisted design of a novel cooperative learning technique for higher education — Mpangilio la kujifunza kwa ushirikiano lililojaribiwa lenye majukumu yaliyogawiwa na ziara ya maonyesho (Tutal 2026)
• Developing an AI-Assisted Seminar-Based Learning Platform With Embedded Librarian Support: Enhancing Information Literacy of Engineering Research Teams — Moduli ya semina na majadiliano ya marika na mtoa mapendekezo wa urejeshaji wa AI (Huang 2026)