Uhandisi wa Ilani (Prompt Engineering)

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

Uhandisi wa ilani (prompt engineering) — mazoezi ya kubuni na kuboresha ingizo kwa mifano mikubwa ya lugha ili kupupua matokeo yanayotakiwa. Katika elimu, uhandisi wa ilani hutumikia majukumu mawili: kama ujuzi wa mwanafunzi (wanafunzi lazima wajifunze kutoa ilani kwa njia yenye ufanisi) na kama uwezo wa kubuni mfumo (watengenezaji huandaa ilani zinazoongoza tabia ya ufundishaji wa AI).

Maswali ya Kutafakari

• Pengine umeandika ilani kwenye zana ya AI hivi karibuni. Sasa zingatia hili: jinsi ulivyoibainisha sio ya upendeleo — inaweza kufichua ulivyopanga, kufikiri, na kugawa juhudi zako. Tabia zako za kutoa ilani zinaweza kusema nini kuhusu jinsi unavyoshughulikia matatizo?
• Utafiti uligundua kuwa watumiaji wanaowasilisha maombi kwa ujuzi hupata matokeo bora kwa utaratibu kuliko wale wanaoeleza nia ileile kwa ustadi mdogo. Ukikubali kuwa 'upendeleo wa ilani' ni halisi, upatikanaji wa haki wa AI unarekebishwa vyema zaidi kwa kufundisha kila mtu kutoa ilani vizuri zaidi, au kwa kubuni upya mfumo ili usihitaji ujuzi huo — na ni mabadilishano yapi ya kila njia?
• Je, kutoa ilani ni 'mbinu' ya kukaririwa, au ujuzi halisi wa kiakili? Mwelekeo mmoja wa utafiti unautendea kama hukumu ya kitaalamu ndani ya taaluma (uandishi wa habari, sheria, udaktari); mwingine unautendea kama kiini cha ujuzi wa AI. Mtazamo upi unaolingana na uzoefu wako wa kile ambacho kweli kinatofautisha ilani nzuri na mbaya?
• Ilani zilizobuniwa vizuri zinaweza kuweka ngazi za msaada kwa mawazo ya mwanafunzi, wakati zilizotumika vibaya zinaweza kuhimiza kupunguza mzigo wa kiakili. Unaweza kukumbuka wakati ambapo jibu la AI lilifikiria badili yako? Nini kuhusu ilani — au nia yako — lilisababisha hilo, na lingeweza kubuniwa kufanya kinyume?
• Kutoa ilani ni ujuzi wa mwanafunzi na uwezo wa kubuni mfumo wakati mmoja: baadhi ya wafundishaji sasa wanapanga na kuchagua ilani kwa mtumiaji kiotomatiki. Ilipokuwa kutoa ilani kinahamia kutoka kwa mtumiaji kwenda kwa mfumo, wanafunzi hupoteza nini — na wanapata nini?
• Weka lengo dogo kabla usome: baada ya kujifunza kuhusu uhandisi wa ilani, amua njia moja mahususi ya kubadilisha jinsi unavyoandika ilani katika kazi yako mwenyewe, na matokeo yapi utayakagua ili ujue yalifanikiwa.

Utangulizi

Uhandisi wa ilani ni kiini cha matumizi yenye ufanisi ya Akili Bandia ya Kizazi katika elimu. Tofauti na miingiliano ya kawaida ya upangaji programu, LLM zinajibu lugha ya kawaida — lakini ubora, usahihi, na thamani ya kielimu ya majibu hayo hutegemea sana kubuni wa ilani. Utafiti katika hifadhi hii ya maarifa unafichua kuwa kutoa ilani si kitendo cha upendeleo: kinaakisi jinsi wanafunzi wanavyofikiri, kupanga, na kugawa juhudi ya kiakili. Miles, Haber-Curran na Arar (2026) wanabainisha kile ambacho neno hufunika kwa kutofautisha uhandisi wa ilani, uboreshaji wa kiufundi wa ingizo kwa ajili ya utendaji, na ujuzi wa ilani, kazi ya kibetufu, ya maadili na ya kutafakari ya kufafanua kusudi, kusoma matokeo kwa njia mahususi, na kurekebisha kwa sababu zilizotangazwa. Mzunguko wao wa Ujuzi wa Ilani (Fafanua Kusudi, Unda Ilani, Shughulika na Matokeo, Rekebisha Ilani, Tafakari) na rubriki ya mchakato wa mfano hufanya tofauti hiyo iweze kufundishwa, na wanadai kuwa mafunzo yanayoboresha matokeo peke yake yanaacha vipimo vya maadili na vya kielimu vya matumizi ya LLM bila kuguswa.

Jinsi uhandisi wa ilani unavyoonekana katika utafiti

• Kutoa ilani kama alama ya kiakili: Misiejuk et al. wanaonyesha kuwa miundo ya ilani inafichua kupunguza mzigo wa kiakili — kazi ya ubora wa juu hutumia ilani zenye muktadha mwingi, za adabu, na za mwongozo; kazi ya ubora wa chini inaonyesha kutokubaliana kwa mwitiko bila msingi wa taaluma

• Kina huboresha bidhaa, sio kukumbuka. Kwa wanafunzi 22 wa uzamili, sehemu ya ilani zinazotafuta maelezo ("kwa nini/jinsi/eleza") ilitabiri ubora wa kazi uliyowekwa alama kwa njia isiyo ya moja kwa moja (β = 6.27) zaidi ya maarifa ya msingi na kiasi cha ilani, lakini ilionyesha uhusiano tupu na ukumbusho wa haraka (Tsiligkiris (2026)).

• Ufahamu wa kiakili wa ilani unafuatia taaluma, si mwanafunzi. Chang na Li (2026) walibainisha ilani 60,087 kutoka kozi 116 na wakagundua kuwa mifumo ya ngazi ya Bloom ilitofautiana kwa taaluma — STEM inaongozwa na Tekeleza (20.8%), sayansi ya kijamii inaongozwa na Unda (33.8%) — huku tofauti ya ngazi ya kozi ikizidi tofauti ya ngazi ya mwanafunzi.

• Kutoa ilani kama ujuzi: utafiti wa Kufuatilia ujuzi wa GenAI na ujuzi wa kutoa ilani kwa K-12 unaweka kutoa ilani kama kipimo cha msingi cha Ujuzi wa AI

• Wapya huanza na majaribio na makosa, na kumlaumu mfano. Katika semina ya isimu ya maandishi, wapya kumi wa genAI walirekebisha ilani kwa majaribio na makosa, mara chache wakitumia mifano ya ndani ya muktadha, na kwa wingi wakawasilisha matokeo mabaya kwa LLM badala ya muundo wao wenyewe wa ilani (Brocca & Garassino (2026)).

• Mwalimu anapofuatisha mfano wa ilani, wanafunzi wanairudia kama ilivyo. Kati ya ilani 310 zilizorekodiwa kutoka makundi 12 ya STEAM ya shule ya kati, kunakili kwa usahihi maelekezo ya mkufunzi kulikuwa msimamo wa kawaida zaidi wa mwanafunzi kwa 47.1%, mbele ya uchunguzi wa kiotomatiki kwa 28.7% (Zhao & Li (2026)).

• Mzunguko wa kanuni hushinda fomula ya ilani. Katika jaribio la karibu-lilianzi la wanafunzi 42 wa chuo kikuu, wanafunzi waliofundishwa mzunguko wa IDEA (Nia, Ufafanuzi, Usemi, Kubadilisha) walizalisha ilani na matokeo ya ubora wa juu kuliko marika waliofundishwa kutoa ilani kwa Wadhifa–Kazi–Muktadha–Muundo katika kategoria zote tano za kazi (maendeleo ya ilani yaliyorekebishwa ya pointi +11.77 hadi +29.19) (Wang et al., 2026).

• Kutoa ilani kama kubuni mfumo: CoTAL hutumia uhandisi wa ilani wa binadamu ndani ya mzunguko kwa alama ya tathmini ya mchakato; kutoa ilani kwa msingi wa nanga huboresha alama za insha za kiotomatiki

• Kutoa ilani ni ujuzi wa kuingia, si taaluma. Gorsky (2026) anaweka Ujuzi wa AI kwa wataalam wa programu kama uwezo wa kusimamia mawakala badala ya kuwapa ilani, akitaja kuweka muktadha, ufafanuzi, uhandisi wa muktadha, uhakiki, uratibu wa mawakala wengi na uwezo wa ukaguzi kama ujuzi ambao mtaala lazima utathmini (Gorsky (2026)).

• Upangaji wa ilani unaobadilika: Kujifunza Kutoa Ilani unatendea uteuzi wa ilani kama sehemu ya mfumo wa ufundishaji yenyewe — upangaji wa ilani unaotambua somo juu ya sifa 14 za kielimu, ambapo kipanga tasia huchagua ilani bora kwa kila mazungumzo. Hii inahamisha kutoa ilani kutoka ujuzi wa mwanafunzi hadi uwezo wa kubuni mfumo unaobadilika, ikiboresha ushirikiano na ufanisi (ubadilishaji wa mazoezi wa 28.1% dhidi ya 19.6% katika jaribio halisi la A/B).

• Hali za ilani: utafiti wa sauti dhidi ya ingizo la maandishi unachunguza kama hali ya kutoa ilani inaathiri matokeo ya kujifunza

• Kutoa ilani zaidi ya maandishi — michoro ya kisayansi. Kutoa ilani kunaweza kuzalisha michoro ya molekyuli na kemia ya fizika haraka, lakini uwasilishaji unaoonyesha uaminifu wa ndani unaweza bado kuwa mbaya au kubeba upendeleo wa uwakilishi, hivyo wanafunzi lazima wahoji michoro iliyotolewa na AI dhidi ya kanuni za kemia badala ya kuiiamini (Li et al. (2026)).

• Kutoa ilani kwa ngazi za msaada: Ngazi za msaada za LLM zilizoongozwa na ngazi za msaada za ushirikiano mahususi hufundisha kutoa ilani kwa muundo kama uingiliaji wa kujifunza

• Kutoa ilani kwa kocho na msaada unaopungua: katika ARPG+, kocho wa wakati halisi alitambua ubora wa ilani katika vipimo sita na kupunguza msaada kadiri uwezo ulivyokua, ikipandisha ubora wa mwisho wa ilani hadi 7.82 dhidi ya 5.95 kwa violezo visivyobadilika na 4.52 bila msaada wowote (Ye et al. (2026)).

• Kugawa kazi kuna upeo bora: kuzalisha masomo ya mafunzo ya ufundishaji katika sehemu tatu kulizalisha masomo yaliyopewa alama ya juu zaidi (wastani 14.67) wakati kituo kimoja kilipata alama ya chini zaidi (10.67) na sehemu tano zilirudi chini ya tatu — mgawanyo wa wastani hushinda mikondo yote miwili (Lin et al. (2025)).

• Upendeleo wa ilani na usawa: Jin et al. wanaonyesha kuwa utaalam wa kutoa ilani husambazwa bila uwiano — watumiaji wanaowasilisha maombi kwa ujuzi hupata matokeo bora kwa utaratibu kuliko wale wanaoeleza nia ileile kwa ustadi mdogo. Mbadala wao wa Uwiano wa Upendeleo wa Ilani unahamisha uboreshaji wa ilani kutoka kwa mtumiaji kwenda kwa mfumo wa AI, wakidai kuwa matokeo ya usawa yanapaswa kujengwa ndani ya mfano badala ya kutakiwa kutoka kwa wapya.

• Kuboresha ilani kunapata kiwango; urekebishaji wa mfano huchukua hatamu kutoka hapo. Kubuni wa ilani kwa kurudia kulitupa maendeleo madogo yanayopungua ya ubora wa kipengele katika tathmini ya kusikiliza L2, lakini kurekebisha GPT-4.1 kwenye ilani iliyoboreshwa — ilani ikishikilia kuwa moja — kulizalisha vipengele vilivyo na msingi wa muktadha zaidi na vilivyo na uwiano, kikitenga kubadilika kwa mfano badala ya ufundi wa ilani kama uwezo unaofuata (Aryadoust & Wong, 2026).

• Kutoa ilani kama hukumu ya kitaalamu ya iliyowekwa katika hali. Zaidi ya ujuzi na kubuni mfumo, kutoa ilani kunaweza kuwekwa kama mazoezi ya taaluma. Taksonomia ya Dierickx et al. kwa uandishi wa habari inatendea ufafanuzi wa kazi na kutoa ilani kama aina ya hukumu ya kitaalamu inayotumika ndani ya kanuni za kielimu na za maadili za taaluma — kutafsiri kazi ya uandishi wa habari kuwa kazi za wazi (kukusanya habari → kuelewa → kuhariri → kuchapisha/kusambaza) hufanya dhana, vipaumbele, na mambo ya maadili yaonekane, na hugeuza kutoa ilani kuwa chombo cha kielimu cha ujuzi mahususi wa AI. Mantiki yake inahamishwa kwa taaluma zingine zenye maarifa mengi (sheria, udaktari, sera ya umma).

• Kubuni ilani kama ufafanuzi wa maelekezo. Neto na wenzake (2026) wanagundua katika mapitio yao ya kimfumo ya GenAI katika elimu ya afya kuwa kubuni wa ilani hutumika kama aina ya ufafanuzi wa maelekezo, ikiweka kodi malengo ya kiakili na vigezo vya ubora vilivyofichwa katika uandishi wa wataalam — lakini masudio 34.8 tu yalilinganisha maudhui yaliyozalishwa na miundo ya maelekezo, na 34.8 tu yaliripoti kutoa ilani kwa undani wa kutosha kurudia. Looi, Liu, na Sun (2026) wanaonyesha zaidi jinsi miundo ya ilani inaweza kujumuisha kanuni za kielimu (malango ya usahihi, mipaka ya kuzuia kuharibu, malango ya kuaga) ili kudhibiti tabia ya ufundishaji ya Mifano Mikubwa ya Lugha (LLM) katika nyanja za taratibu.

• Kutoa ilani kwa mwongozo wa rubriki na kutambua wadhifa. Yaşar et al. (2026) walionyesha kuwa kutoa ilani kwa mwongozo wa rubriki — kuitendea rubriki kama kiolesura cha maana kati ya nia ya kielimu ya binadamu na uhitimishaji wa mashine — kiliongoza makubaliano ya LLM–binadamu juu ya kazi ya kubuni ya wanafunzi kutoka 54.75% hadi 81.25% (Alpha ya Cronbach 0.393 → 0.798). Rubriki zilizoundwa kwa LLM lazima zilinganishe usahihi na urahisi: kuwa na utata sana kunahitaji tafsiri huru, kuwa na ukali sana kunapunguza mfano hadi kulinganisha mifumo. Kutoa ilani kwa kutambua wadhifa — kutathmini kazi ileile chini ya ilani za mkufunzi, mkaguzi-mwenza, na mkaguzi-ruzuku — kulizalisha maoni tofauti kwa ubora, tofauti kwa kielimu, yakionyesha kuwa kubuni wa ilani unaunda si usahihi tu bali msimamo wa kutathmini wa matokeo.

• Ngazi za msaada za ilani zinaweza kumsogeza mfano zaidi kutoka kwa mwalimu. Almousa et al. (2026) waliwapa mifano saba uzalishaji wa maoni ya uandishi wa ngazi ya aya chini ya mikakati mitatu ya kutoa ilani na wakagundua kuwa kuongeza majina ya kategoria au mifano iliyofanya kazi kuliongeza kutengana na usambazaji wa mwalimu kwa wengi wao, ikiboresha tu Mistral-7B (0.2695 hadi 0.2398). Msingi wa zero-shot ulibaki karibu zaidi, hivyo maelekezo ya aina-ya-lengo ni kitu cha kujaribu badala ya kudhaniwa.

• Kutoa ilani kwa kutambua muktadha kwa tathmini. Kutoa ilani kwa kutambua muktadha kwa mifano ya lugha yaliyofunzwa mapema huendesha kiotomatiki kuweka kodi ya ujuzi wa kutatua matatizo kwa ushirikiano kutoka data ya mchakato, ikiunda mfano wa utegemezi kati ya misimbo ya tabia na kuunganisha uwezo wa kiakili na wa kijamii. Hii inawezesha uchanganuzi wa muundo wa CPS katika kiwango kikubwa na kwa wakati halisi, ikishinda uzito wa kazi wa mipango ya kuweka kodi kwa mikono.

• Violezo vya msingi wa wadhifa na rubriki za ubora kwa upangaji wa walimu. Luo na Tahir (2025) wanatengeneza kwa uzoefu mfumo wa ilani kwa upangaji wa masomo ya sanaa ya STEAM ya watoto wa upangaji wa somo unaoambatana na kiolezo cha Wadhifa (R) – Maelekezo (I) – Lengo wa Mwisho (E) (kilichobadilishwa kutoka RISEN) na rubriki ya uboresha ya "pointi nne na mstari mmoja" — sanifu, ya vitendo, ya kuvutia, na kamili, pamoja na kipimo cha nyongeza. Kutumia rubriki kukosoa na kuboresha ilani kulitia mipango iliyozalishwa ikikubalika kwa walimu wa sanaa wanaofanya kazi (ualama wa wastani juu ya 4/5) huku nikifichua mapengo yanayorudiwa (ubinafsishaji, vikomo vya usalama-wa-mtoto, upendeleo wa kitamaduni) ambayo kutoa ilani kwa pigo moja la kawaida hakukushughulikia — yakionyesha kuwa violezo vya ilani pamoja na vigezo wazi vya tathmini hutumika kama ngazi za msaada za udhibiti wa ubora kwa uzalishaji wa darasa.

• Kubuni wadhifa na vikomo kama kigezo cha kutegemea. Wang et al. (2026) wanalinganisha mawakala mawili yaliyojengwa kwa mfano ule ule na jukwaa lile lile katika joto 0.3 ambao tofauti yao pekee ni jinsi ilani inavyobainisha wadhifa, ujuzi, na vikomo: wakala wa mwalimu mtaalamu anayejibu kutoka chanzo cha maarifa ya kitabu kilich na mipaka dhidi ya wakala wa mwanafunzi mwenye huruma aliyeandaliwa kutambua Dhana Potofu Kuhusu AI na kukagua ufahamu. Tofauti ya wadhifa pekee ilibadilisha utendaji wa kujifunza, mzigo wa kiakili, uzoefu wa mtiririko, na huruma inayohisiwa, ikionyesha kuwa ufafanuzi wa wadhifa ni uamuzi wa kubuni maelekezo wenye athari zinazopimika badala ya mapambo ya mtindo (Mwakala wa Kibunifu).

• Kutoa ilani kama kubuni wa tathmini. Xiong et al. (2026) wanapanga mifano ya mwanafunzi, ushahidi, na kazi ya Ubini wa Kielekezo cha Ushahidi (Evidence-Centered Design) kwenye sehemu za ilani ya kupima, wakitoa kanuni tano — nia, ufuatiliaji, uwajibikaji, kurudia, na usawa; ilani zilizojengwa kwa ECD zilitoa alama za insha za hadithi kwa usahihi zaidi kuliko mifano ya msingi ya zero-shot, few-shot, na chain-of-thought.

Mahusiano na dhana pana zaidi

Uhandisi wa ilani unaungana na Ngazi za Msaada — ilani zilizobuniwa vizuri zinaweza kuweka ngazi za msaada kwa mawazo ya mwanafunzi badala ya kuzipuuza. Unakutana na Metaji (Kufikiri Kuhusu Kufikiri) na Ujuzi wa AI, kwani kutoa ilani kwa ufanisi kunahitaji ufahamu wa uwezo wa AI na malengo yako mwenyewe ya kujifunza. Utafiti wa Kupunguza Mzigo wa Kiakili unaungana moja kwa moja ubora wa ilani na kama matumizi ya AI yanategemeza au yanaharibu kujifunza.

• Ujuzi wa uandishi unaongoza kutoa ilani, na vyote viwili vinatabiri mafanikio ya Kuandika kwa Hisia (Vibe Coding). Katika utafiti wa awali wa CHI 2026 (N=100), Thorgeirsson, Weidmann & Su waligundua kuwa ujuzi wa mawasiliano ya maandishi ulitabiri utendaji wa vibe-coding wa kuelekea GUI (r = .29), huku ubora wa ilani uliopewa alama na binadamu ukiwa kiwango cha kati cha uhusiano — ushahidi wa mchakato wa majibu kwamba prosa wazi na yenye muundo inatafsiriwa kuwa ilani bora za programu ya lugha ya kawaida. Ujuzi wa uandishi na mafanikio ya CS vyote vilikuwa vigezo huru, na mafanikio ya CS (r = .39) vilibeba takribani mara mbili ya tofauti ya kipekee, hivyo kuboresha kutoa ilani peke yake haitaweza kuchukua nafasi kamili ya msingi wa programu katika maendeleo ya asili ya LLM.
• Mikakati ya kutoa ilani inatabiri utendaji. Utafiti wa uzoefu wa wanafunzi 128 wa uhandisi uligundua kuwa Ufanisi wa Hoji ya AI (ilani wazi na zenye muundo) na Uendeshaji Unaotawala na AI (kuunganisha kwa mkakati matokeo ya AI katika hozi) vilikuwa vigezo wenye nguvu zaidi ya mafanikio ya kitaaluma — hata baada ya kudhibiti GPA — ikionyesha kuwa kutoa ilani ni ujuzi unaoweza kufundishwa ambao unaunda jinsi wanafunzi wanavyojifunza kwa ufanisi na AI.
• Mtindo wa kutoa ilani, si ubora wa ilani tu, unafuatia matokeo. Sifa zilizotokana na vipindi 1,540 vya ufundishaji vilijumuisha maswali ya dhana kwa utendaji wa mtihani wakati tabia za kupeana kazi zilikuwa na mahusiano hasi — lakini sifa zile zile zilishindwa kurudiwa katika muhula uliofuata, hivyo ni mifumo ya tabia badala ya ujuzi thabiti (McNichols, Du na Lan (2026)).
• Taksonomia inayoweza kutumika, na kategoria zipi za ilani zinazolipa kweli. Jacobsen et al. (2026) wanatafsiri mikakati ya kiufundi kuwa mfano wa 3K (Kontext, Kernauftrag, Klarheit — muktadha, kazi kuu, uwazi): kategoria kumi na moja zinazoelekea kwa mazoezi, kila moja na rubriki ya nzuri/wastani/ya chini, na kila moja ikijaribiwa kama tofauti ya majaribio juu ya maoni yaliyozalishwa kwa malengo ya kujifunza ya walimu wa awali. Lugha ya kiufundi mahususi ya taaluma ilikuwa kategoria inayoamua — kubadilisha istilahi za somo na maelezo ya kawaida kupunguza ubora wa maoni katika mifano mitatu (β = −0.412) — wakati kuongeza mifano mahususi na kuondoa maelekezo ya mlolongo wa mawazo hakutupa tofauti yenye umuhimu kutoka msingi katika utafiti wa kwanza; mifano ilisaidia baada ya uchanganuzi kurudiwa na mifano-mzuri ya jinsi bora ya mifano (β = 0.52). Ubora wa ilani na uteuzi wa mfano pamoja vilielezea 42.8% ya tofauti katika ubora wa maoni uliopewa alama, ambayo ni hoja ya karatasi kwamba uhandisi wa ilani ni uwezo unaopimika na unaoweza kufundishwa badala ya upendeleo wa mtindo — na kwamba kategoria zake si za kubadilishwa katika ukubwa wa athari.

Dhana Zilizounganishwa

• Mifumo ya Kufundisha — Tabaka la ngazi za msaada ndani ya mifumo ya matumizi yenye muundo
• Kuandika kwa Hisia (Vibe Coding)
• Vizuizi vya Usalama
• Ngazi za Msaada
• Ujuzi wa AI
• Akili Bandia Inayojitegemea
• Metaji (Kufikiri Kuhusu Kufikiri)
• Kubuni Mtaala
• Kupunguza Mzigo wa Kiakili
• Kuandika
• K-12
• Akili Bandia ya Kizazi
• Muundo wa Kujifunza
• Elimu ya Sayansi ya Kompyuta (CS)
• Elimu ya Juu
• Teknolojia — Nyumba kubwa: teknolojia na mbinu za AI (mifano, mafunzo ya LLM, roboti, RAG, uendeshaji wa mawakala)

Makala Zilizounganishwa

• Comparing teacher-centered and student-centered agents based on prompt engineering: Effects on learning performance, cognitive load, flow experience, and empathy perception in physics learning — Ilani za wadhifa na vikomo vya wakala kama kigezo cha kubuni katika kujifunza fizikia (Wang et al. 2026)
• How to Train Your Dragon: Evaluating Prompting and Fine-Tuning for GPT-Based Item Generation in L2 Listening Assessment — Kutoa ilani dhidi ya kurekebisha mfano kwa uzalishaji wa vipengele vya kusikiliza L2 vya GPT (Aryadoust & Wong 2026)
• What Students Ask Matters: LLM Interaction Depth, Task Quality, and Immediate Recall in Higher Education — Wanafunzi wanahoji nini ni muhimu: kina cha mwingiliano wa LLM, ubora wa kazi, na ukumbusho wa haraka (Tsiligkiris 2026)
• ARPG+: a simulation-based study of real-time coaching for educational LLM prompting — ARPG+: kufundisha kwa wakati halisi kwa kutoa ilani kwa LLM ya kielimu
• A Taxonomy of LLM-Supported Tasks for Critical AI Literacy in Journalism — Taksonomia ya msingi wa kazi ya kazi za LLM kwa ujuzi mahususi wa AI katika uandishi wa habari
• Same Question, Different Answer? Measuring and Mitigating Prompt Privilege for Equitable AI Access — Upendeleo wa Ilani: kupima na kupunguza tofauti za upatikanaji katika upatikanaji wa LLM
• Principal Trait Analysis: Towards Deriving 'Skills' in Human-AI Collaboration — Uchanganuzi wa Sifa Kuu: sifa zinazotegemea data za ushirikiano wa binadamu–AI
• LLMs in text linguistics teaching: An exploratory study with genAI novices in higher education — LLM katika ufundishaji wa isimu ya maandishi
• The IDEA Framework for Metacognitively Regulated GenAI Use in Higher Education: Development and Exploratory Pilot Evidence — Mfumo wa IDEA kwa matumizi ya GenAI yanayodhibitiwa na metaji
• Automatic Large Language Models Creation of Interactive Learning Lessons — Uzalishaji wa LLM wa masomo ya mafunzo ya ufundishaji ya mwingiliano (Lin et al. 2025)
• Learning to Use AI for Learning: Teaching Responsible Use of AI Chatbot to K-12 Students Through an AI Literacy Module
• ASE-26: A Curriculum for Agentic Software Engineering as a Discipline
• Anchor Is the Key: Toward Accessible Automated Essay Scoring with Large Language Models Through Prompting
• Beyond Access: Guided LLM Scaffolding for Independent Learning in Undergraduate Statistics
• Learning to Prompt: Improving Student Engagement with Adaptive LLM-based High-School Tutoring
• Cognitive Offloading in Student–AI Collaboration: A Longitudinal Analysis of Prompting Strategies
• Tracing GenAI Literacy: Student-AI Interaction Patterns in Academic Writing
• Translating UNESCO Artificial Intelligence Guidelines to Chemical Education and Its Intersection with Sustainable Development Goals — Miongozo ya AI ya UNESCO iliyotafsiriwa kwa elimu ya kemia; mwelekeo wa kielimu
• An Empirical Study of ChatGPT Use in Engineering Education: Prompting and Performance — Tabia za kutoa ilani zinatabiri utendaji wa mwanafunzi wa uhandisi
• Chat as Learning: Student-AI Conversations as Discipline-Associated Cognitive Engagement Patterns — Ushirikiano wa kiakili wa ngazi ya Bloom unaohusiana na taaluma katika mazungumzo ya mwanafunzi–AI (Chang & Li 2026)
• From evaluation to emulation: LLMs as agents of iterative pedagogical design — LLM kama mawakala wa kubuni kielimu cha kurudia
• ChatGPT-Assisted Lesson Planning for Children's STEAM Arts Education: An Experimental Study on Benefits, Challenges, Methods, and a Prompt Framework
• Prompts to Practice: A Pedagogical Framework for Human-Centered AI Engagement — Uhandisi wa ilani dhidi ya ujuzi wa ilani: mfumo wa ushirikiano wa GenAI wa binadamu wa hatua tano wenye Mzunguko wa Ujuzi wa Ilani wa hatua tano (Miles, Haber-Curran & Arar 2026)
• AI Literacy of Teachers: Prompt Engineering and Model Selection as Predictors of AI-Feedback Quality — Uhandisi wa ilani na uteuzi wa mfano kama vigezo vya ubora wa maoni ya AI (Jacobsen et al. 2026)
• Evaluating Feedback Focus and Pedagogical Adaptivity in LLM-Generated Feedback on Student Writing — Kutathmini Lengo la Maoni na Kubadilika kwa Kielimu katika Maoni ya LLM juu ya Uandishi wa Mwanafunzi
• Exploring Middle School Students' Interactions and Perceptions of Using Generative AI in STEAM Learning Environments — Makundi ya STEAM ya shule ya kati yalinakili maelekezo ya mkufunzi kama ilivyo katika ilani 47.1%
• Using Evidence-Centered Design to Guide Prompt Engineering in Measurement: An Illustration with Automated Essay Scoring — Kutumia Ubini wa Kielekezo cha Ushahidi (ECD) Kuongoza Uhandisi wa Ilani katika Upimaji: Mfano na Alama za Insha za Kiotomatiki