Kujifunza kwa Ubinifu Binafsi

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

Kujifunza kwa ubinafsi — kurekebisha uzoefu wa kielimu ili kukidhi wasifu wa mwanafunzi wa kila mtu, ikijumuisha maarifa ya awali, kasi ya kujifunza, mapendeleo, na hali za kihisia. AI inawezesha ubinafsishaji kwa kiwango kikubwa, ingawa pengo kati ya ubinafsishaji wa mfumo na ubinafsishaji unaohisika na mwanafunzi linabaki kuwa changamoto ya wazi ya kupima. Pamoja na kujifunza kinachobadilika na ufundishaji wenye akili, ni mojawapo ya wanachama wa upande wa matumizi katika familia ya kuunda mifano ya wanafunzi na mafunzo yanayobadilika — ikitumia mifano ya wanafunzi ili kubadilisha mafunzo.

Maswali ya Kutafakari

• Unapofikiria "kujifunza kwa ubinafsi," unadhani maudhui yaliyorekebishwa kwa kasi ya mwanafunzi, au yaliyorekebishwa kwa malengo yake aliyoyachagua? Ukurasa huu unasema haya ni tofauti kwa kiwango kikubwa (matokeo ya kawaida yanayofikiwa kupitia njia mbalimbali dhidi ya matokeo mbalimbali). Ni upi unaothamini zaidi, na kwa nini?
• Ukurasa unatofautisha kujifunza kwa ubinafsi (lengo) na kujifunza kinachobadilika (mojawapo ya michango). Unaweza kufikiria ubinafsishaji ambao hauhusishi kubadilika kwa wakati halisi — na bado unahesabiwa?
• Mfumo unaweza kubadilika bila mwanafunzi kuwahi kuhisi kutambuliwa. Umewahi kupata "ubinafsishaji" bila kuhisi unatambulika kwa kweli? Tofauti ni ipi?
• Ukurasa unataja kuwa ubinafsishaji kupita kiasi unaweza kuwazuia wanafunzi katika njia za matarajio ya chini. AI yenye nia njema inawezaje kupunguza kwa bahati mbaya kiwango cha juu cha mwanafunzi?
• Ubinafsishaji unahitaji data ya kina ya mwanafunzi; faragha inahitaji kupunguza data. Unavuta mstari wapi kati ya "data ya kutosha ili kubadilika" na "data nyingi kiasi kwamba mwanafunzi anafichuliwa"?
• AI ingehitaji kukumbuka nini kukuhusu katika vipindi mbalimbali ili kubinafsisha kwa kweli kujifunza kwako — na ni hatari zipi za kukumbuka mambo hayo?

Utangulizi

Kurekebisha uzoefu wa kielimu ili kukidhi wasifu wa mwanafunzi wa kila mtu, ikijumuisha maarifa ya awali, kasi ya kujifunza, mapendeleo, na hali za kihisia. AI inawezesha ubinafsishaji kwa kiwango kikubwa, ingawa pengo kati ya ubinafsishaji wa mfumo na ubinafsishaji unaohisika na mwanafunzi linabaki kuwa changamoto ya wazi ya kupima.

• Mishra et al. wanatofautisha aina mbili za ubinafsishaji zilizo na mizizi ya kina ya kihistoria — matokeo ya kawaida yanayofikiwa kupitia njia mbalimbali (mashine za kufundisha za Skinner hadi ualimu wa umahiri wa mtindo wa Khan Academy) dhidi ya matokeo mbalimbali yaliyochaguliwa na mwanafunzi — zikielekeza kwenye mvutano wa udhibiti-dhidhi ya wakala katika uwanja.

Mipangilio ya Ubinafsishaji Unaosukumwa na AI

Kumbukumbu ya Muda Mrefu (PersonaVLM → Elimu)

Nie et al. (2026) walibuni mipangilio ya kumbukumbu ya muda mrefu ya AI ya Modaliti Nyingi (PersonaVLM) inayodumisha uthabiti wa persona katika mwingiliano. Ikiitwa katika elimu, hii inawezesha mifumo ya ualimu inayokumbuka Dhana Potofu Kuhusu AI za mwanafunzi, maelezo yanayopendwa, na historia ya maendeleo katika vipindi mbalimbali — ikishughulikia upungufu mkubwa katika walezi wa chatbot wasio na hali.

Msingi wa Ubinafsishaji Asilia wa Wakala (DeepTutor)

Ma et al. (2026) wanabuni kila kipengele cha DeepTutor: Towards Agentic Personalized Tutoring ili kushirikiana msingi wa kawaida wa ubinafsishaji, badala ya kuongeza ubinafsishaji juu ya zana zinazoreagia. Mipangilio hii inahakikisha uthabiti kati ya njia mbalimbali: wasifu ule ule wa mwanafunzi unasukuma utatuzi wa matatizo, uzalishaji wa maswali, na uandishi wa ushirikiano.

Ubinafsishaji wa Kijamii wa Mawakala Wengi (MAIC)

Yu et al. (2024) wanabinafsisha si maudhui tu bali muktadha wa kijamii. Mifano ya wanafunzi wa darasa (Mchekeshaji wa Darasa, Mfikiri wa Kina, Mwandishi wa Kumbukumbu, Akili ya Udadisi) huunda mienendo tofauti ya kujifunza kwa marika iliyounganishwa na mahitaji ya kila mwanafunzi.

AutoML kwa Picha za Mwanafunzi

Ubinafsishaji ni lengo kuu la kuboresha ubora wa elimu, hata hivyo kuchakata data ya tabia ya kujifunza yenye vyanzo mbalimbali na heterogeneous unabaki kuwa changamoto. Mfumo wa utafutaji wa mipangilio ya kiakili ya neva unaobinafsishwa, unaosukumwa na kujifunza kwa mashine kiotomatiki, hujenga picha za wanafunzi na huzalisha mifano ya utambuzi kwa wasifu mbalimbali wa wanafunzi, ikiunganisha data ya njia nyingi ili kwenda zaidi ya matokeo tuli ya mtihani.

Hifadhi tuli ya maarifa haiwezi kubinafsisha: ontologies hubadilika polepole na hazishughuliki utata vibaya, kwa hivyo mipangilio hiyo hulinganisha uwakilishi na aina ya maarifa — declarative kwa ontologies, procedural kwa kanuni, yenye utata kwa fuzzy au ontologies za uwezekano, implicit kwa uchanganuzi na kujifunza kwa mashine — na inapendelea mfumo wa ontologies ndogo zilizoramiwa badala ya mfano mmoja mkubwa (Ivanova, 2026).

Uhusiano na kujifunza kinachobadilika na ufundishaji wenye akili

Kujifunza kwa ubinafsi mara nyingi huchanganyika na kujifunza kinachobadilika, lakini sio kitu kile. Kujifunza kinachobadilika unarejelea mchakato — mfumo unaorekebisha maudhui, kasi, na ugumu kwa wakati halisi kulingana na mfano wa mwanafunzi. Kujifunza kwa ubinafsi ni lengo pana — kurekebisha uzoefu wote wa kujifunza (maudhui, njia, kasi, mapendeleo, malengo) kwa mtu binafsi, ambapo kubadilika kwa wakati halisi ni utekelezaji mmoja tu. Mifumo inayobadilika ni njia ya kufikia ubinafsishaji, lakini ubinafsishaji unaweza pia kufikiwa kupitia wasifu tuli wa wanafunzi, njia zinazotegemea uchaguzi, au kurekebishwa na mwalimu wa binadamu ambacho hakubadiliki kwa wakati halisi.

Mapitio ya PRISMA 2020 ya uingiliaji 22 ya elimu ya juu yanaweka msaada wa kujifunza kwa ubinafsi na njia zinazobadilika miongoni mwa matumizi ya AI yanayotawala, hata hivyo utekelezaji mwingi uliboresha mazoezi yaliyopo badala ya kuibadilisha kabisa (AlSheikh et al. (2026)).

Ufundishaji wenye akili uko katikati: ITS ni majukwaa ya kubadilika ya kawaida yanayotoa mafunzo yaliyobinafsishwa kupitia kuunda mifano yaliyopangwa ya wanafunzi, wakati walezi wenye msingi wa Mifano Mikubwa ya Lugha (LLM) wanabinafsisha kwa mazungumzo. Zote tatu ni wanachama wa upande wa matumizi katika familia ya kuunda mifano ya wanafunzi na mafunzo yanayobadilika — hutumia uwakilishi wa mwanafunzi unaozalishwa na kuunda mifano ya wanafunzi, Ufuatiliaji wa Maarifa, na Utambuzi wa Kiakili ili kuamua kufundisha nini ifuatayo. Tofauti ni muhimu kwa tathmini: masudio yanayotumia "adaptive," "personalized," au "individualized" badala yao (angalia hapa chini) yanaweza kuficha iwapo faida inayodaiwa inatokana na kubadilika kwa wakati halisi, uchaguzi wa mwanafunzi, au kurekebishwa kwa maudhui.

Changamoto za Kupima

• Mfumo dhidi ya ubinafsishaji unaohisika — Mfumo unaweza kubadilika bila mwanafunzi kuhisi kutambuliwa

• Uhalali wa muda mrefu — Faida za ubinafsishaji zinaweza kupungua ikiwa wasifu utakuwa umekwama au umelinga kupita kiasi

• Hatari za usawa — Ubinafsishaji kupita kiasi unaweza kuwazuia wanafunzi katika njia za matarajio ya chini

• Hatari za upendeleo — Kuweka masharti kwa sifa za mwanafunzi kunaweza kusimamia stereotype: kwa inshua zikibaki zilezile, maoni kwa wanafunzi walioainishwa kwa rangi, lugha, au ulemavu yalikuwa ya kusifu zaidi na ya kukosoa kidogo (Tan, Phalen & Demszky (2026)).

Ubinafsishaji na tathmini

Ubinafsishaji na Tathmini vimeunganishwa kikamilifu katika kujifunza kwa msingi wa AI. Ubinafsishaji unaobadilika unategemea upimaji unaoendelea wa kituo wa kile mwanafunzi anachojua (kupitia Ufuatiliaji wa Maarifa, Uundaji wa Mifano ya Wanafunzi na Mafunzo Yanayobadilika, na Utambuzi wa Kiakili) ili kuamua kubadilisha nini ifuatayo — kwa hivyo uaminifu wa ishara ya Tathmini unazuia moja kwa moja ubora wa ubinafsishaji. Kinyume chake, wakati tathmini ya mwisho imebinafsishwa kwa kila mwanafunzi, usawa na ufananishaji unakuwa mgumu kuthibitisha. Utafiti wa hifadhi ya maarifa unaonya dhidi ya kubadilika kupita kiasi kwa ishara za juu au zenye kelele: mifumo ya kubadilika inayopima vibaya mwanafunzi inaweza kubinafsisha kwa njia inayopunguza kujifunza badala ya kuusaidia, na wanafunzi wenye asili ya AI ambao tathmini yao binafsi haiaminiki ("msingi wa kiakili usiopo") ni magumu kuundwa mifano kwa usahihi.

Ubinafsishaji katika zama za AI

Ushahidi mkubwa zaidi kuwa wasiwasi huu si wa kiholela unatokana na utafiti wa muda mrefu wa mawimbi matatu ya wanafunzi 486 wa Kichina wa chuo kikuu (Li, Lin & Qiu, 2026), ambao uligundua kuwa kadiri wanafunzi walivyohisi mazingira yao ya AI yanayobadilika yalikuwa yamebinafsishwa zaidi, ndivyo kujifunza kwa kujidhibiti kwao kulikuwa cha chini zaidi — "paradoxi ya ubinafsishaji." Mabadiliko ya hisia za kitaaluma yalibeba sehemu kubwa ya athari: kukutana na mazingira yanayobadilika kulitabiri furaha kidogo na wasiwasi na uchovu zaidi, na mabadiliko hayo ya kihisia pamoja yalielezea takribani nusu ya uhusiano kati ya ubinafsishaji na kupungua kwa kujidhibiti. Ujuzi wa AI ulipunguza uharibifu, ukidhoofisha uhusiano hasi wa kihisia hadi kutokuwa na umuhimu katika ujuzi wa juu. Ubinafsishaji kwa hivyo unaonekana kununua ufaafu unaobadilika kwa gharama ya shughuli ya udhibiti ya mwanafunzi mwenyewe, na utafiti unaonyesha kwenye uzoefu wa kihisia — si tu mzigo wa kiakili — kama njia ambayo gharama hiyo inalipwa.

Mahali ambapo utambuzi unaoegemea njia umethibitishwa, ubinafsishaji hulipa kwa kupunguza mzigo badala ya kufunika zaidi: marekebisho ya njia fupi yalikuwa wastani wa hatua 3.82 na yalipunguza muda wa kujifunza kwa 22.0% (57.6 dhidi ya dakika 73.8), huku mzigo wa kiakili ukiwa na 53.7% ya athari ya baada ya mtihani (Feng & Huang, 2026).

Ushahidi wa zana yenyewe unaweza kuwa hasi katika kiwango kidogo: katika jaribio la sehemu za kesi za shule ya msingi la siku tano (n ya mwisho = 22), kikundi cha biashara-kama-kawaida kilionesha maendeleo makubwa ya ufahamu dhidi ya kikundi cha Mathbot ya AI inayobadilika, na waandishi wanataja mchanganyiko wa ngazi ya darasa, kubashiri na gharama ya kutoa ruhusa kama vikomo — lebo ya "adaptive" haibebi athari yoyote (Holman (2024)).

Kujifunza kwa kuimarisha ni mchakato tofauti wa ubinafsishaji, na Riedmann, Schaper & Lugrin (2025) wanarami rekodi yake ya kiushahidi: mapitio yao ya PRISMA ya masudio 89 ya RL katika elimu yanagundua ubinafsishaji wa RL umejilimbikizia katika Elimu ya Juu na Elimu ya Hisabati, huku kubadilika kikitekelezwa hasa kupitia kupanga maudhui (n = 53) au ubinafsishaji unaohusiana na mwongozo kama vile vidokezo na maoni (n = 36). Wanaripoti kuwa sera za RL zilishinda misingi ambayo haibadiliki mara nyingi zaidi katika kubadilika kunakohusiana na mwongozo na katika vigezo vya kihisia (63% ya masudio yaliyopimwa), na kuwa faida ya kujifunza — hasa faida ya kujifunza iliyomalizika — ilikuwa chanzo chenye ufanisi zaidi ya thawabu — mwongozo wa vitendo wa kubuni ishara za thawabu zinazobinafsisha kuelekea kujifunza kweli badala ya ushiriki.

Wang et al. (2026) wanaonyesha kuwa lengo la thawabu yenyewe ni chaguo la ubinafsishaji: kocha wa RL aliyefunzwa kwa uwezo huru wa mwanafunzi alipunguza muda wa mzunguko kwa 27.9% (p = 0.005) ambapo kupungua kulingana na kanuni hakutoa mabadiliko ya kuaminika, na waandishi wanadai kuwa mawakala wa uandishi wanaoboreshwa kwa utendaji wa kazi hawana motisha ya kile ambacho binadamu anahifadhi.

Bernstein na Sibia (2026) wanakaza tofauti kati ya ubinafsishaji wa hamu na ubinafsishaji wa utaalam: mifano ya GenAI inayolingana na hamu iliripotiwa kuwa ya kuvutia zaidi na ya kukumbukika zaidi lakini haikuaminika zaidi kwa uwazi, na wanafunzi wengine walipendelea maelezo ya kiufundi ya jumla hata wakati mfano ulilingana na hamu yao waliyoitaja, kwa kujitosheleza na ukamilifu (Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education). Mapendekezo yao ya kubuni ni kubinafsisha kupitia muundo wa chanzo cha kikoa na kuwauliza wanafunzi wanaowajua nini tayari, si tu kinachowavutia, kwa kuwa ujuzi wa chanzo cha kikoa ndicho kinachomruhusu mwanafunzi kuchunguza mfano — na kuwapa wanafunzi udhibiti wa ubinafsishaji kupitia orodha ya mifano, kuchagua kwa hiari, au kutoa matoleo ya jumla na yaliyobinafsishwa pamoja. Sidorkin (2026) anatazama jozi nyingine ya mbinu katika ngazi ya nyenzo za kozi badala ya maelezo ya kila mtu: masomo ya kila wiki yaliyozalishwa kwa ombi kwa kozi ya uongozi wa elimu ya juu yalirekebishwa kwa wakati mmoja kwa mujibu wa hamu (sekta, jukumu la kitaalamu, mifano ya karibu) na kiwango cha ufahamu (kasi, ufafanuzi, kina), na kumbukumbu zilizotokea zilishirikiana uti wa mgongo wa kawaida (ufanano wa cosine wa TF-IDF wa 0.50 hadi 0.61), ambacho anausoma kama kiolezo chenye vituo vinavyoweza kurekebishwa badala ya kuandikwa upya kwa kila mwanafunzi. Mkusanyiko ule ule unaonyesha kuwa kurekebishwa kulikuwa kimaandalizi lakini si kwa nguvu sawa: alama za kurekebishwa katika ngazi ya kitu zilikuwa wastani wa 52.24 kwa kila maneno 10,000 na zilitofautiana kutoka 38.74 hadi 74.29 katika kumbukumbu, wakati ilani zinazoelekea ufahamu zilitoa Ngazi za Msaada za ufafanuzi mara 3.4 hadi 8.7 zaidi ya maandishi ya msingi ya maelezo.

Mhimili wa tatu wa ubinafsishaji ni lengo, na ni ingizo ambalo wapangaji wa AI washughulikia vibaya zaidi. Liu et al. (2026) walioanisha persona 2,000 za wanafunzi za kisasa na grafu ya sharti la dhana 4,092 ya vitabu 347 na kuwauliza LLM kumi kupanga, hatua kwa hatua, ni maarifa gani mwanafunzi anapaswa kujifunza kufikia kitengo cha lengo kilichotajwa. Mifano ilizalisha mitaala yenye muundo sahihi — DeepSeek-V3.1 ilifika 90.9% kwenye uhalali wa sharti-na-kutunga — huku ikishindwa kuzibadilisha kwa mwanafunzi: uwezo wa kubadilika ulifikia upeo wa 44.7%, kiwango cha mwisho cha kupita cha DeepSeek-V3.1 kilikuwa 29.5% katika Elimu ya Msingi na 14.6% katika Elimu ya Juu, na kuondoa uga wa umahiri kutoka kwa persona kuligharimu hadi pointi 26.1 za asilimia ya uwezo wa kubadilika huku uhalali ukibaki karibu bila kubadilika. Kuzalisha njia nzima kwa mapitio moja badala ya kwa mwingiliano kulipandisha uhalali kwa pointi 30.8 huku ukipunguza uwezo wa kubadilika kwa 28.8. Dai la "personalized" ni dai kuhusu kuitikia hali ya mwanafunzi, na kigezo cha hali ni sehemu ambayo wapangaji hawa wanaweza kuacha bila shida zaidi — mlinganisho wa kihesabu wa wasiwasi wa kupima uliotajwa hapo juu.

Mhimili wa nne ni hadhira badala ya mwanafunzi binafsi: Bespoke huzalisha upya mhadhara uliopo kwa kikundi cha kitaalamu kilichotajwa (afya, fedha, au nishati), na wataalam wake wapima walitoa alama za juu zaidi kwa pointi 0.32 kwa kina cha ubinafsishaji (3.97 dhidi ya 3.65) huku urekebishaji wa hadhira ukichelewa (3.52). Kurekebisha kwa kundi badala ya mwanafunzi ni aina ya ubinafsishaji ya bei rahisi na ya kudhibitiwa zaidi, lakini rubriki iliyopima ilitathmini ufaafu uliohukumiwa, si matokeo ya mwanafunzi.

Ubinafsishaji unaweza kuzidi mwasilishaji wa binadamu: katika kozi kubwa mtandaoni (wajibu 493), wanafunzi waliorodhesha video za AI zilizobinafsishwa juu ya zile za binadamu zisizobinafsishwa (wastani wa kiwango 2.26 dhidi ya 2.69) na 88.4% waliorodhesha baadhi ya video zilizobinafsishwa kwanza, dhidi ya 73.8% kwa zilizorekodiwa na binadamu (Tomlinson et al. (2026)).

Ubinafsishaji mdogo unaoendeshwa na ilani

Basu, Kakar & Goel (2026) wanaonyesha kuwa pengo kati ya ubinafsishaji wa mfumo na ule unaohisika linaweza kushughulikiwa katika ngazi ya majibu. Mfumo wao wa mwalimu wa Jill Watson wa Mifano Mikubwa ya Lugha (LLM)/RAG (Uzalishaji Ulioboreshwa na Upatikanaji) unaunganisha mapendeleo yaliyochaguliwa na mwanafunzi (ubwanda, wingi wa maneno, mtazamo, uchakataji, ufahamu) na mahitaji ya kiakili yaliyohitimishwa na mfumo (Taksonomia ya Bloom) ili kuzalisha wasifu 96 madogo yanayobadilishwa katika kila mwingiliano kupitia uwezo wa ilani zilizopangwa — hakuna mafunzo upya, hakuna uandishi wa maalum ya kikoa. Hii ni mchanganyiko wa uwezo wa kubadilika (uchaguzi wa mapendeleo unaoendeshwa na mwanafunzi) na uwezo wa kubadilika (tathmini ya kiakili inayoendeshwa na mfumo), ikionyesha kuwa ubinafsishaji wa jinsi maudhui yanavyowasilishwa unaweza kuwa wa kiwango kikubwa na wa kuhisika na wanafunzi.

Utata wa istilahi

Tatizo linalojirudia ni kuwa "kujifunza kwa ubinafsi" ni istilahi mpana ya bega la kivuli, iliyofafanuliwa vibaya. Mapitio ya kimfumo (Khalifeh et al., 2026) yanagundua kuwa kujifunza kinachobadilika, mafunzo ya kibinafsi, kujifunza kwa kubinafsishwa, na kujifunza kwa ubinafsi yanatumika badala yao, bila ufafanuzi unaokubalika kwa uwazi — chanzo cha utata wa dhana ambacho kinatatiza uundaji wa utafiti na mazoezi yanayotegemea ushahidi. Uwanja unaitia zaidi na zaidi kwa mfumo na ufafanuzi wa pamoja ili "personalized" iwe alama ya dai la usahihi na la ushahidi badala ya lebo ya utata (hoja iliyoimarishwa na kikosovi cha matumizi dhaifu ya dhana cha hifadhi ya maarifa).

Dhana Zilizounganishwa

• Kujifunza Kufaa — Mifumo inayobadilika inayorekebisha maudhui, kasi, na ugumu kwa mwanafunzi kwa wakati halisi
• Ufafanuzi wa Akili Bandia — Mifumo ya ualimu inayounda mfano wa mwanafunzi na kutoa mafunzo ya kibinafsi
• Uundaji wa Mifano ya Wanafunzi na Mafunzo Yanayobadilika — Kuwakilisha maarifa, ujuzi, na hali za mwanafunzi zinazosukumia kubadilika
• Ufuatiliaji wa Maarifa — Kuhitimisha umahiri wa vipengele vya maarifa kutoka kwa utendaji kwa wakati
• Utambuzi wa Kiakili — Kutambua maarifa na sifa za mwanafunzi zilizofichwa kutoka kwa majibu
• Ngazi za Msaada — Msaada na kupungua vilivyopimwa kwa mahitaji ya kila mwanafunzi
• Uzoefu wa Mwanafunzi — Uzoefu wa moja kwa moja wa mwanafunzi wa ubinafsishaji
• Takwimu za Kujifunza — Upimaji wa kujifunza unaotegemea data unaoelekeza kubadilika
• Tathmini ya Mchakato — Tathmini inayoendelea inayoonyesha kile cha kubadilika ifuatayo
• Tathmini ya Mwisho — Tathmini ya mwisho ambayo ubinafsishaji unafanya ufananishaji wake mgumu
• Akili Bandia ya Kizazi — Ubinafsishaji wa mazungumzo unaotegemea LLM
• Jukwaa la Elimu ya Kidijitali — Majukwaa yanayotoa kujifunza kwa ubinafsi kwa kiwango kikubwa
• Elimu ya Juu — Muktadha wa elimu ya juu kwa ubinafsishaji
• Ufundishaji na Kujifunza Mtandaoni — Kufundisha na Kujifunza Mtandaoni
• Mifumo ya Kupendekeza na Njia za Kujifunza

Makala Zilizounganishwa

• Bespoke: Generating MOOC-Quality Industry-Personalized Lecture Videos at Scale — Uzalishaji upya wa video za mhadhara zilizobinafsishwa kwa sekta kutoka kwa nakala ya msingi: kurekebishwa kwa hadhira, kukadiriwa na wataalam wa kikoa (Puech et al. 2026)
• A Prompt-Engineering Approach to Develop Scalable, Flexible, and Real-Time Hybrid Micro-Level Personalization in a General Purpose AI Teaching Assistant — Ubinafsishaji mdogo kwa uhandisi wa ilani wa msaidizi wa kufundisha wa AI (Basu, Kakar & Goel 2026)
• AI Tutoring is Not a Monolith: What We Actually Know — AI Tutoring is Not a Monolith: What We Actually Know (Stanford SCALE/NSSA brief)
• Control vs. Agency: Exploring the History of AI in Education — Inatofautisha aina mbili za ubinafsishaji (matokeo ya kawaida dhidi ya mbalimbali)
• Redefining personalized learning in the artificial intelligence era: an updated systematic review from 2019 to 2025 — Redefining personalized learning: systematic review
• DeepTutor: Towards Agentic Personalized Tutoring — Msingi wa ubinafsishaji asilia wa wakala kwa ualimu
• Ontology-Based Layered Hybrid AI-Driven Knowledge Model for Personalized E-Learning — Mfano wa maarifa wa mseto wa tabaka la ontology kwa e-learning iliyobinafsishwa
• Exploring Fraction Comprehension and Interest in Elementary Education Through AI-Powered Personalized Learning — Kujifunza kinachobadilika kilichobinafsishwa kwa sehemu za kesi za shule ya msingi
• AI Coaching for Accelerating Human Skill Development with Reinforcement Learning — Ukochezi wa kujifunza kwa kuimarisha kwa maendeleo ya ujuzi
• Students Prefer Personalized, AI-Generated Educational Videos over Non-Personalized, Human-Recorded Videos — Wanafunzi wanapendelea video za AI zilizobinafsishwa badala ya zile za binadamu zisizobinafsishwa (Tomlinson et al. 2026)
• Bayesian cognitive diagnosis optimizes personalized learning paths via mediation of cognitive load and Hidden Markov Model state transitions — Utambuzi wa kiakili wa Bayesian kwa njia za kujifunza zilizobinafsishwa
• Intelligent tutoring in dynamic domains: a graph-based system for comparative analysis of adaptive algorithms — Graph-Based Intelligent Tutoring for Dynamic Domains (2026)
• Instructor and AI Roles in the Chemistry Classroom: Future Science Teachers' Perceptions in a ChatGPT-Enhanced Formative Assessment — Majukumu ya mkufunzi na AI katika tathmini ya kituo iliyoimarishwa na ChatGPT
• Marked Pedagogies: Examining Linguistic Biases in Personalized Automated Writing Feedback — Marked Pedagogies: bias in personalized automated feedback
• Mapping artificial intelligence integration in higher education: A systematic review using the FACETS and SAMR frameworks — Mapitio ya kimfumo: njia zinazobadilika na wapendekeza ni matumizi ya juu ya kuunganisha AI katika elimu ya juu
• Reinforcement Learning in Education: A Systematic Literature Review
• Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education — Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education
• The personalization paradox: how AI-driven adaptive learning environments are associated with college students' — Paradoxi ya ubinafsishaji: ubinafsishaji unaobadilika unaohisika umehusishwa na kujifunza cha chini cha kujidhibiti kupitia hisia za kitaaluma, na ujuzi wa AI unapunguza (Li, Lin & Qiu 2026)
• PersonaPath: Towards Knowledge-Centric Personalized Learning Path Planning — PersonaPath: wapangaji wa LLM wanafikia uhalali wa 90.9% lakini hakuna mfano unaozidi uwezo wa kubadilika wa 44.7% wanapobinafsisha njia kwa lengo la mwanafunzi lililotajwa (Liu et al. 2026)