Ngazi za Msaada

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

Ngazi za Msaada — msaada uliopangwa unaomsaidia mwanafunzi kutimiza kazi ambazo hawezi kuzitimiza bado peke yake, huku msaada ukipungua kadri uwezo unavyoongezeka. Katika AI katika Elimu, ngazi za msaada ni kanuni kuu ya ubuni kwa kuhakikisha zana za AI zinasaidia kujifunza badala ya kuzichukua nafasi.

Maswali ya Kutafakari

• Fikiria wakati mtu fulani alikusaidia kwa kitu ulichojifunza, na msaada ulifanya kazi vizuri zaidi hadi ukajifunza kidogo. Mstari wapi kati ya msaada unaokuwezesha kukua na msaada unaokuchukua nafasi? Ukurasa unadai hili ni swali kuu la ubuni kwa wakala wa ufadhili wa AI.
• Ngazi za msaada zinategemea Eneo ya Maendeleo ya Karibu — msaada wa kutosha kuwezesha maendeleo, si mwingi zaidi hadi kujifunza kunapita. 'Msaada mkubwa zaidi' unaonekanaje katika mwalimu wa AI, na unaweza kuugundua kutoka tabia ya mwanafunzi pekee?
• Gunduli muhimu: wanafunzi mara nyingi wanapendelea nafasi zaidi za mwalimu wa AI za kuongoza ingawa wanafanya vizuri zaidi na nafasi za mshirika wa rika na msaidizi wa mwalimu. Je, upendeleo wa mwanafunzi unafuata kwa uhakika kile kilicho bora kwa kujifunza — na tofauti hiyo ina maana gani kwa kuwaruhusu wanafunzi kuchagua ngazi zao za msaada?
• Ngazi za msaada ambazo hazipungui haziumi utegemezi. Ukurasa unaonya kuwa ngazi za msaada za otomatiki zina hatari ya kubaki tuli badala ya kuondolewa kadri uwezo unavyoongezeka. Kwa nini 'kupungua' ni muhimu, na kwa nini mfumo wa AI unaweza kushindwa kufanya hivyo ikiwa haujabuniwa kwa makusudi?
• Kanuni ya ubuni ni 'weka ngazi, usichukue nafasi.' Wanafunzi wenyewe waliuliza AI ambayo 'haikupi suluhisho zozote kwako — bado unajifunza kwa kuwa ni lazima upate jibu sahihi mwenyewe.' Je, hiyo inalingana na jinsi ulivyoona msaada wenye ufanisi, au umependelea njia ya mkato hata unapojua ilikugharimu?
• Weka lengo kabla ya kusoma: chagua kazi unayofundisha, na chora mfano wa kidokezo kinachohifadhi juhudi ya mwanafunzi dhidi ya jibu linaloondoa. Utajua vipi kuwa vidokezo vyako ni katika eneo la mapambano yenye tija?

Utangulizi

Jinsi ngazi za msaada zinavyoonekana katika AIED

• Ngazi za msaada za msingi wa ilani: Ngazi za msaada za LLM zilizoongozwa hufundisha kutoa ilani kwa njia iliyopangwa kama uingiliaji wa kujifunza. Ngazi za msaada za kushiriki kwa njia mahususi hutumia mbinu za zinazotii miktadha ya kitamaduni.

• Ngazi za msaada za mchanganyiko-wazo kwa pengo ambalo mwanafunzi hawezi kulitaja: Sun na wenzake (2026) wanamwacha mwandishi akisimamia usanisi wa hadithi huku mfumo ukichukua wazo tu kwenye ugunduzi wa kikoa, na kutambua pengo la maarifa ambalo waandishi hawawezi kulitafsiri kama maswali.

• Ngazi za msaada za Sokratiki: Mazungumzo ya Sokratiki ya AI yananyima majibu ya moja kwa moja, na kutumia maswali kuongoza ugunduzi — aina ya ngazi za msaada za mgeni. Kama hali ya mpaka, kuuliza maswali husaidia mwanzoni lakini hupungua kwa kina, hivyo kanuni ya kupungua hubadilika kutoka kuchochea hadi kushughulikia kosa: faida hupungua kutoka faida ya alama 20 mwanzoni hadi alama 3 kwenye zamu ya nne ya kukwama, huku kushughulikia kosa kikiongezeka kutoka +5 hadi +12 Ahtisham na wenzake (2026).

• Kupungua kwa mabadiliko: Mifumo ya ufadhili wa akili hubadilisha ngazi za msaada kulingana na kadirio za kufuatilia maarifa, ikitoa msaada zaidi kwa dhana ambazo hazijafuatiliwa na kidogo kwa zile zinazojulikana.

• Ngazi za msaada za mabadiliko zilizozuliwa na mahitaji katika mafunzo ya mahojiano ya kliniki: jaribio la nasibu la MeduAI-SP (Yang na wenzake, 2026; N = wanafunzi 100 wa tiba wa mwaka wa tatu) liliweka ngazi za msaada kama msaada wa mabadiliko uliozuliwa na mahitaji: wakala wa kutathmini wa kiwango cha zamu alitambua wakati mwanafunzi alikuwa amekwama, alipuuza historia muhimu, alikuwa na hatari ya kufunga mapema, au alidhuru mahusiano, na ni wakati huo tu wakala wa mwalimu alitoa ilani ya Sokratiki. Uwekaji alama wa wataalam wa mahojiano 207 ulionesha kuwa haja ya ngazi za msaada ilitegemea sana hatua, ikiongezeka kutoka asilimia 16.1 ya matamshi ya wanafunzi mapema katika mahojiano hadi 34.8 mwisho (24.1% yalitambuliwa kwa jumla) — ushahidi wa kiushahidi kwamba msaada wa mahojiano wa mwanzo unahitajika zaidi wakati wa kuunganisha na kufikiri kwa utambuzi, si kukusanya habari ya awali. Hali ya ngazi za msaada ilifanya vizuri zaidi ya kudhibiti cha kufichua hatua kwa hatua katika mtihani wa mwisho unaolingana na OSCE wa mtihani (71.8% dhidi ya 55.6%; β = alama 16.4 za asilimia; P = 3.30e-4), huku faida kubwa zaidi ikiwa katika mawasiliano (Hedges' g = −0.79).

• Mifumo ya vidokezo: Utafiti wa vidokezo vya mwalimu wa AI huchunguza lini vidokezo husaidia dhidi ya lini vinahimiza Kutegemea Kupita Kiasi.

• Ngazi za msaada zinazoongeza urejeshaji baada ya kosa. Katika jaribio la shule ya kati la wanafunzi 6,000, msaada wa AI ulipunguza maendeleo na kupunguza maswali yaliyojaribiwa lakini uliongeza usahihi wa jaribio la pili baada ya makosa na kupunguza majaribio yaliyohitajika kurudi kwenye jibu sahihi — "kupungua kwa tija" badala ya kutoa jibu (Oreopoulos na wenzake (2026)).

• Kumfundisha mwanafunzi ni ngazi ya msaada yenyewe. Kipindi cha dakika 45 cha kufundisha wanafunzi kutoa ilani kwa mfano kwa hatua ya SRL, na kusahihisha makosa yake ya kuona na ya kufikiri, kiliongeza usahihi wa mapitio ya fizikia (d = 0.81) bila kuongeza mzigo wa kiakili wa jumla ulioripotiwa (Huang na wenzake (2026)).

• Ngazi za msaada za dhana na za uwakilishi: Concept Catalyst na kufikiria upya mwalimu wa LLM vinachunguza miundo ya ubuni kwa msaada wa kiakili. Davor (2026) hutoa kikoa ambapo msaada wa uwakilishi na kutoa jibu vinapaswa kutenganishwa: uthibitishaji wa jiometri ni tajiri katika rasilimali za kuona, lakini hatua kutoka uhusiano unaoweza kuonekana hadi hoja halali ya kuhitimisha ni ile wanafunzi wanashindwa kufanya, hivyo ngazi ya msaada inapaswa kuwabeba kuvuka uwakilishi badala ya kuwapa picha nyingine. Jaribio lake la karibu-ya-kijaribio na wanafunzi 86 wa Ghana wa shule ya juu ya kiume lilipanga AI ya kizalishaji kutoa ilani na kuuliza maswali badala ya kutatua — kuwauliza wanafunzi kuthibitisha walichoona, kutaja nadharia hususa, na kupanga hatua zao za mantiki, huku mwalimu akitumia uwakilishi wa AI kuongoza majadiliano — na darasa lililosaidiwa na AI lilishinda mafunzo ya kawaida katika ujenzi wa uthibitishaji hata baada ya kudhibiti utendaji wa mtihani wa awali. Maoni kuhusu maoni na ubora wa maelezo yalikuwa ya kupendeza, ingawa kikundi cha kijaribio tu kilichunguzwa. Ngazi ya msaada imewekwa hapa kama daraja kutoka hisia ya kuona hadi kufikiri kwa kuhitimisha, na karatasi haijataja mfano wala dirisha la kukusanya, hivyo inatoa waranti ya ubuni zaidi ya mapishi wa kurudia.

• "Weka ngazi, usichukue nafasi" kama kanuni ya ubuni: Favero na wenzake (2026) wanadai kuwa hatari kuu ya AI katika elimu ni kutokuwa na mpangilio — AI inayochukua nafasi ya juhudi ya binadamu inaharibu uwezo ambao elimu imekusudiwa kujenga — na wanatoa kanuni moja ya ubuni, weka ngazi, usichukua nafasi. Ngazi za msaada zinapaswa kuwa uwezo wa kiwango cha kwanza cha mifumo ya AI: kujua lini kunyima jibu, kuuliza swali, kuonyesha kutokuwa na uhakika, au kuwasilisha mitazamo mbadala. Uchanganuzi wao wa insha za wanafunzi unaonyesha wanafunzi wenyewe wanakubaliana na hili — wakiuliza AI ambayo "haikupi suluhisho zozote kwako, bado unajifunza kwa kuwa ni lazima upate jibu sahihi mwenyewe." Kanuni inaweka ngazi za msaada kama mbadala ya mzunguko wa madhara unaojirudia wa kuchukua nafasi katika ufahamu, Wakala wa Mwanafunzi, hisia, na Maadili.

• Kazi, si zana, huamua nini inahesabiwa kuwa mafanikio: Vasileiou na wenzake (2026) wanatoa mfumo wa kazi tatu kwa msaada wa AI katika elimu maalum. Kukokotoa hupunguza mahitaji ya utendaji ili mwanafunzi aweze kushiriki (mafanikio = upatikanaji wakati msaada unabaki). Kuweka ngazi za msaada unasaidia utendaji lililopita uwezo wa sasa (mafanikio = maamuzi yenye msaada unaolengwa). Maendeleo hujenga mikakati inayotumika bila zana (mafanikio = matumizi ya mikakati baada ya kupungua au kuhamisha). Kila kazi inabeba kiwango tofauti cha tathmini, na kosa linalorudiwa katika uwanja ni kuripoti ukamilishaji wa kazi wakati wa msaada kama maendeleo. Ni mapitio ya hadithi yenye kategoria za tafsiri, si kadirio la athari lililounganishwa.

• Ushauri kama ngazi za msaada kwa mchakato wa utafiti. Wang na wenzake (2026) wanachukulia mapitio ya kimfumo kama uzoefu wa kujifunza wa makusudi ambao ushauri unatoa ngazi za msaada za mbinu na za kihisia zilizounganishwa, huku otomatiki ikiwa imezuiwa kwenye mzigo wa taratibu kama kuchuja muhtasari, na uchanganuzi wa data, upatanishi na usanisi vikibaki na waangalizi wa binadamu.

• Ngazi za msaada zilizoingizwa katika nyenzo, si zilizo ambatanishwa: Wang, Du na Jin (2026) wanaweka kanuni nne za ngazi za msaada ndani ya kichezaji video — ubadilishaji wa kina cha maoni unaotegemea ZPD, ngazi za msaada za kupungua (msaada wa maarifa unapungua kwenye mpangilio wa muda), ngazi za msaada za kusambaa (kila maoni ni msaada wa maarifa au wa kihisia), na muda unaotokana na mzigo wa kiakili — kwa kuhesabu entropy ya video ya kiwango cha fremu na kuingiza maoni tu katika vipindi vya habari ndogo. Uondoaji wao wa hali nne na wanafunzi 20 uligundua moduli ya muda wa entropy ilitoa athari yenye nguvu zaidi na thabiti zaidi kwenye ubora unaoonekana ilipoondolewa (Z = −2.85, r = 0.45, p = .004), ambayo inafanya kupanga muda wa ngazi za msaada kuwa kigezo cha ubuni kinachoweza kupimwa badala ya maelezo ya kifungashio. Utafiti pia unabeba onyo kwa ngazi za msaada za otomatiki: maoni yaliyozalishwa na ChatGPT yalikuwa magumu zaidi kusoma, yalikuwa na utofauti mdogo wa maneno, na yalikuwa na upangilio mdogo wa mada kuliko maoni ya mwalimu, huku pengo kubwa zaidi la umuhimu likiwa katika msaada wa kihisia (ubora wa maoni).

• Ngazi za msaada zinazopendelewa si kila wakati zenye ufanisi zaidi: Zhu, Yang na Yang (2026) waligundua katika jaribio la washiriki wengi kuwa wanafunzi walifanya vizuri zaidi na nafasi za Rika na Msaidizi wa Kufundisha za AI (zinazokuza kufikiri kwa ushirikiano) lakini walipendelea nafasi zaidi za kuongoza za Mwalimu na Mwanafunzi Bora — tofauti kati ya upendeleo na utendaji ambayo inaonya dhidi ya kufananisha upendeleo wa mwanafunzi na ngazi za msaada zenye ufanisi katika uundaji wa hisabati unaosaidiwa na AI.

• Ngazi ya msaada iliyopangwa zaidi si moja kwa moja yenye uwezo zaidi: boti ya ubuni ya wataalam iliongeza urefu wa mwingiliano na ilani zilizoandikwa na wanafunzi kuliko ChatGPT ya kawaida, lakini uwezo wa kutatua matatizo kwa ushirikiano ulipungua katika hali zote mbili, huku makubaliano badala ya ukosoaji yakiwa tabia ya uwezo wa chini zaidi iliyoonekana (Krushinskaia na wenzake (2026)).

• Alama za otomatiki kama ngazi ya msaada ya makusudi: Chen na Liu (2026) walichukulia mfumo wa kutathmini alama za mkalimani kama ngazi za msaada za mabadiliko badala ya chombo cha kupima, katika kulinganisha kwa wiki 14 na wanafunzi 46 wa Translation and Interpreting wa mwaka wa pili. Ngazi ya msaada ilibadilika kuwa faida tu pale upungufu uliochangia ulikuwa naweza kugawanywa, kuthibitishwa kwa uhakika na kupimwa kwa uelekevu: usahihi wa lugha na mwendo wa mantiki viliongezeka, huku uaminifu wa habari na ufasaha wa utoaji zikibaki zisizobadilika, uaminifu ukiwa kipimo ambapo alama za otomatiki na za binadamu zilikuwa na tofauti zaidi (r = 0.12). Mzunguko ulioimarishwa pia ulikuwa wa sehemu. Ni utekelezaji na ufuatiliaji wa awali wa mazoezi peke yake yaliyoonyesha uhusiano na faida za alama (r = 0.42), huku kupanga kujifunza kwa awali kukiwa karibu na katikati ya skela (M = 3.01) na wanafunzi wakiweka malengo kutoka alama ya awali badala ya kazi ya mbele. Ngazi ya msaada inaweza kuwekwa vizuri ndani ya hatua ya utendaji na bado kuacha kupanga ambazo kungefanya isiwe ya lazima bila kuguswa.

• Ngazi za msaada za mzunguko wa kufunga kwenye mpaka wa sasa wa mwanafunzi: Zhu, Luo na Li (2026) walijenga mzunguko wa elimu ya muziki ambao ugunduzi wa kosa wa multimodal juu ya sauti ya utendaji na alama unakuwa thawabu inayoelekeza mistari ya mazoezi yaliyozalishwa na kujifunza kwa kuimarisha, hivyo ugumu unafuata mpaka wa sasa wa mwanafunzi badala ya mtaala maalum: mwelekeo ya mazoezi iliyozalishwa ililingana na wasifu wa ujuzi wa mwanafunzi katika ufanano wa kosini wa kilele cha 0.962, na mwingiliano wa Kikundi x Wakati ulipendelea kikundi kilichosaidiwa katika jaribio la karibu-ya-kijaribio la wiki 12 na wanafunzi 120 wa shahada ya kwanza (beta = 0.52, 95% CI [0.31, 0.73]). Vizuizi viwili vinafuata kwa ngazi za msaada za otomatiki. Ugunduzi ni uchanganuzi badala ya hukumu, kwani usahihi wa kosa ya mpito wa 89.7% inamaanisha kama kosa moja kati ya kumi iliyotambuliwa ni ya uongo, na mapitio ya wataalam yaliyopofusha yalipima msaada wa kuwasilisha kwa muziki kuwa eneo dhaifu zaidi la mfumo, na kumwachia tafsiri kwa mwalimu.

Mahusiano ya ZPD

Eneo ya Maendeleo ya Karibu ya Vygotsky hutoa msingi wa nadharia: ngazi za msaada zinazamia nafasi kati ya kile wanafunzi wanaweza kufanya peke yao na kile wanaweza kupata kwa msaada. Zana za AI zinapaswa kufanya kazi katika eneo hili — msaada wa kutosha kuwezesha maendeleo, si mwingi zaidi hadi kujifunza kunapita. Usanidi unaobadilisha mwelekeo wa kawaida wa mabadiliko unaonekana katika kozi ya uzamili ya Sidorkin (2026), ambapo mwanafunzi badala ya mfumo aliweka kiwango cha msaada: masomo ya kila wiki yalizalishwa kwa mahitaji na wanafunzi walibadilisha kiwango cha ufahamu kwa kupitia ilani za kurudia (mwendo, ufafanuzi, msongamano wa maneno, kina). Uchanganuzi wa kumbukumbu tatu za kusoma uligundua alama za ufafanuzi zilikuwa mara 3.4x hadi 8.7x za kawaida katika majibu ya AI yanayofuata ilani zinazoelekezwa kwa ufahamu kuliko katika maandishi ya maelezo ya msingi, huku matukio wazi zaidi yalijenga tabaka la ufafanuzi na kisha la taratibu yenye namba, ambayo inafanya msongamano wa ngazi za msaada kuwa sifa inayoweza kupimwa ya ombi la mwanafunzi badala ya tu ya kadirio la ustadi wa mfumo. Kutaka maswali ya kufuatia angalau matatu kwa kila kusoma kulifanya kuweka mwendo kuwa ya kawaida, na kubadilisha maandishi kuwa mwingiliano ulioonyesha pengo la ufahamu ambalo mwalimu asingeyaona.

Umbile la ngazi ya msaada linapaswa kulingana na kile mwanafunzi anaweza kushikilia, si tu kile kazi inahitaji. Katika mapitio ya kimfumo ya scoping ya vyanzo 24 vya ushahidi kuhusu kufikiri kwa ubunifu katika watoto wenye umri 6 hadi 15, Niu na wenzake (2026) wanaripoti kuwa watoto wadogo hawakuwa na udhibiti sahihi wa lugha na wa metaji ambao kutoa ilani kwa maandishi kunahitaji na walihitaji mifumo ya multimodal, ya kusaidia na mtu mzima, huku LLM za msingi wa maandishi zikionesha matokeo yaliyoripotiwa yenye nguvu zaidi na watoto wakubwa na vijana wadogo. Utegemezi wa ilani ulikuwa wenye nguvu zaidi katika madarasa ya chini, na hakuna somo lililojumuishwa lilichunguza vizingiti vya uwezo wa maendeleo, hivyo waandishi wanachukua chaguo za modaliti na ngazi za msaada kama swali wazi la ubuni linalopaswa kutatuliwa na uwezo wa mwanafunzi badala ya urahisi.

Mahusiano

Ngazi za msaada zinaungana na Kutegemea Kupita Kiasi (ngazi za msaada ambazo hazipungui huumba utegemezi), Nadharia ya Mzigo wa Kiakili (ngazi za msaada hudhibiti mzigo wa kiakili), Mzunguko wa Maoni (ngazi za msaada hutoa maoni ya mabadiliko), na Ujuzi wa AI (wanafunzi lazima watambue lini ngazi za msaada zinafaidika dhidi ya lini zinachukua nafasi ya kujifunza).

Wakala lazima waweke ngazi za msaada kwa njia inayobadilika, si tuli: Woollaston na wenzake (2026) wanabaini kuwa ngazi za msaada za otomatiki zina hatari ya kubaki tuli badala ya kuondolewa kadri uwezo unavyoongezeka, na wanapendekeza ngazi za msaada zinazobadilika zinazojirekebisha na kupungua — ulinzi muhimu kwa AI ya wakala. CoMeT (Hou na wenzake 2026) hutoa kooto na waranti ya lini kupungua: msaada wake hupanda ngazi moja kila wakati mwanafunzi hakutumii na hushuka hadi ngazi nyepesi zaidi kwa kuchukua, na kudumisha mahitaji ya metaji sawa kwa kiwango na mwalimu anayenyima (p_TOST = .004) huku akitoa bidhaa katika 48.1% ya vipindi dhidi ya 23.7% — kazi zaidi za mfumo, si pungufu. Kigezo kilichothibitishwa ni lengo badala ya kina: baada ya onyesho kamili mwalimu baadaye alikubali 30.3% ya kile kilicho wazi, baada ya bidhaa iliyobandikwa 25.9%, baada ya kauli tupu 20.4% na baada ya ombi la kujenga 33.7%, huku zamu zisizoelekezwa kwenye uamuzi unaosaidiwa zikivuta kukubali kwa baadaye 40.3% ya wakati dhidi ya 28.8% kwa zamu zilizoelekezwa (tofauti ya alama 11.5, kipindi cha bootstrap cha 95% [2.1, 22.4]). Kuchukua kulikuwa cha kupungua — 37.0% baada ya ombi la kwanza na 21.8% baada ya la tatu — hivyo kanuni ya kupungua iliyo fungwa na juhudi za mwanafunzi ingesoma kutokuwa na jibu kama uwezo.

Eneo la nne linafanya chanzo cha ngazi ya msaada kuonekana: Tsim na Gutoreva (2025) wanaongeza "yanayojulikana kwa GenAI" kwenye maeneo ya Vygotsky, hivyo kazi huangukia Badilisha, Kamilisha, Saidia au Isiyoweza Kubadilishwa — na Isiyoweza Kubadilishwa inashikilia kile kinachohitaji mtu kwa kuwa ni kawaida, cha kimya au hatari mno kuhamisha.

• Weka AI kwa hatua ya wazo, si kwa kozi. Mfumo wa uwekaji wa hatua sita unazuia AI katika jaribio la kwanza la ugumu na kagua la mwisho bila usaidizi huku ikiruhusu kati yao kwa vidokezo, mifano na mazoezi; ikiwa AI inafanya kazi ihisi rahisi, imewekwa mahali potofu (Brcic & Frljic, 2026).

Ngazi za msaada zinapaswa kufaa hali, si zaidi: Zhang na wenzake (2026) wanatanguliza TutorMoments, ambayo hutathmini ikiwa wakala wa LM wanaweka ngazi za msaada tu wakati msaada unahitajika, kusukuma ugumu wakati mwanafunzi anayo tayari, na kuepuka kuweka ngazi za msaada zaidi (kupunguza mahitaji ya kiakili zaidi ya hali inayohitaji). Mifano ya mipaka ya juu iliyoombwa kwa kiwango cha chini hubadilisha hadi kuweka ngazi za msaada zaidi kwa gharama ya mapambano yenye tija.

• AI inayoweka ngazi za msaada kwa mapambano yenye tija. Kim na wenzake (2026) wanatoa kanuni za ubuni za AI (msaada usio na mwelekeo, ubuni wa kufikiria, binadamu katika mzunguko) zinazoweka ngazi za msaada katika eneo la mapambano yenye tija badala ya kuangukia kutoa jibu; Puech na wenzake (2025) wanaonyesha wakala wa Mifano Mikubwa ya Lugha (LLM) wanaweza kuelekezwa kutoa msaada tu wakati ni wa lazima kabisa — ngazi za msaada zinazohifadhi juhudi za mwanafunzi.

Kuondoa ngazi za msaada kama mfumo wa utekelezaji wa uhakiki. Kumar, Wongsirichot na Nanthaamornphong (2026) wanasawazisha masudio 72 ya elimu ya kompyuta na wanaweka kuondoa ngazi za msaada, pamoja na zana za ulinzi na mifumo ya kujidhibiti, kama moja ya njia tatu ambazo kozi hutekeleza kushiriki kwa njia mahususi na matokeo ya AI — kwa muundo (kuzuia kile chombo kinarudisha), kwa taratibu (kumbukumbu za kufikiria, kujitihidi) na kwa muda (kurudisha hatua kwa hatua hali ambazo kufikiri kwa kujitegemea kunahitajika). Ushahidi wao ni kuwa faida za ufanisi chini ya usaidizi wa AI hazi hamiwi kwa utendaji bila usaidizi, na kuwa hali ya kushindwa — mtindo wa ujifunzaji-wa-udanganyifu, ambapo wanafunzi wanatazama AI ikizalisha msimbo bila kutekeleza kazi — ni hasa kuiga bila mazoezi ya kazi kamili. Ufikivu wa hatua kwa hatua kwa hivyo hufanya kazi kama ratiba ya kupungua kwa aina mpya yenye nguvu ya msaada, na mapitio yanaithibitisha katika 4C/ID: usaidizi husaidia tu wakati mwanafunzi tayari ana sketi ya kutosha kushiriki kwa njia mahususi nayo (eneo la maendeleo ya karibu, Kupunguza Mzigo wa Kiakili).

Kupanga mlolongo ni uwezo mwingine wa ngazi za msaada: Vendrell na Johnston (2026) wanapendekeza kutaka jaribio la kujitegemea la mwanafunzi kabla ya mashauriano yoyote ya AI na kisha kutumia mfano kuzalisha hoja za kupinga badala ya majibu, pamoja na hatua za makusudi bila AI, hivyo msaada unaimarisha kufikiri badala ya kuzichukua nafasi.

Ngazi za Msaada za Kanuni vs. za Bahati

• Ngazi za msaada za kanuni vs. za bahati. Looi, Liu, na Sun (2026) wanafafanua tofauti ya kati ya ubuni wa ngazi za msaada: ngazi za msaada za kanuni, ambapo ufadhili unasimamiwa na muundo wa tabaka tatu unaoweza kukaguliwa (utambuzi → uteuzi wa nia → uzalishaji wa jibu lililozuiwa), dhidi ya ngazi za msaada za bahati, ambapo hatua za kusaidia ni ngumu kukaguliwa na kurudia. Utafiti wao wa hisabati wa shule ya msingi ulionesha ngazi za msaada za kanuni zinaboresha uthabiti wa mwingiliano, zinapunguza kutoa jibu mapema na kufunga mapema, na zinadumisha ushirikiano wa kiakili — ushahidi kuwa uwazi na uwezo wa kukaguliwa kwa hatua za ngazi za msaada ni muhimu kwa uthabiti na kujifunza katika vikoa vya taratibu.
• Ngazi za msaada kama njia iliyozuiwa kati ya kupita na kupunguza mzigo. Mfano wa Neuroplasticity-Mwingiliano wa AI unaweka ngazi za msaada kama ya tatu ya njia tatu za msaada wa LLM, pamoja na kupita moja kwa moja na kupunguza mzigo wa kiakili, na inafafanua kwa kama mfano unahifadhi uchakataji wenye juhudi ambao kazi imekusudiwa kufundisha (Bypass, Offload, or Scaffold: A Conceptual Model of How Large Language Models Shape Learning). Ushahidi wa upatanisho wa mfano ni jaribio la asili katika vizuizi vya ngazi za msaada: ufikivu wa GPT-4 bila vikomo katika utafiti wa wanafunzi karibu 1,000 wa hisabati wa shule ya juu ulitoa faida ya mazoezi ya 48% lakini upungufu wa 17% katika mtihani bila usaidizi, huku Mwalimu wa GPT wenye vizuizi vya kidokezo ulitoa faida ya mazoezi ya 127% na upungufu wa mtihani ukiondolewa kwa kiasi kikubwa. Somo la ubuni linalingana na tofauti ya kanuni vs. bahati hapo juu kwa wingi mkubwa zaidi: ni vizuizi kwenye kile mwalimu anaruhusiwa kutoa, si uwepo wa mwalimu, unaoamua ikiwa ngazi ya msaada itaondolewa kwa mafanikio.

Tofauti ya kanuni vs. bahati inafika zaidi ya mwalimu na hadi kazi yenyewe. Kolabo ya waelimishaji wa taasisi mbalimbali iligundua kuwa ukosoaji wa matokeo ya AI haikutokea peke yake, hivyo mahitaji ya kukagua, kulinganisha, kusahihisha na kuthibitisha maudhui yaliyozalishwa yalipaswa kuandikwa ndani ya kazi, na wale waliotangulia uchanganuzi wa taaluma huru kabla ya AI kuingia waligundua wagombea wanaweza kutathmini matokeo ya AI kwa njia mahususi zaidi. Ushahidi wa mazoezi unakubaliana: waelimishaji wa kuanza waliozoea na washirika wa AI walitumia maswali zaidi ya kuchunguza na kugundua wakati maoni ya muundo ya baada ya mazoezi yalitolewa. Katika hali zote mbili msaada unaelezewa mapema badala ya kubuniwa kwa bahati, na kutenganisha mwongozo uliobuniwa na msaada wa bahati ambao ni mgumu kukaguliwa na kurudia.

• Ngazi ya msaada iliyozuiwa kwa usahihi bado inashindwa ikiwa kizuizi hakitekelezwi. Azimi (2026) alijenga kile tofauti hapo juu inaelekeza — bajeti ya vidokezo 25 kwa kila kipindi, kikomo cha dakika 15 kwa matumizi ya AI, kufikiria kwa lazima kwa mwisho wa kipindi, na hakuna msimbo uliozalishwa — na alibadilisha wanafunzi 33 wa uzamili kati yake na matumizi bila vikomo ya Akili Bandia ya Kizazi kwa wiki saba. Utendaji wa kazi na faida za hesabu ya dhana hazikuwa tofauti kati ya hali. Bajeti ya vidokezo haikufanya kazi kama mfumo wa kupanga: wanafunzi wengine walitumia sehemu kubwa yake kwenye matatizo ya kwanza na hawakuwa na yaliyosalia kwa yale yenye mahitaji, wengine walimaliza na mengi yasiyotumika, na ndani ya hali ya Kocha ilikuwa wanafunzi ambao tayari walikuwa na mkakati wa makusudi wa kutumia kidokezo walipata alama za juu. Kizuizi kiliongeza kujiamini kulioripotiwa na kilifuata wanafunzi nje ya darasa kama tabia ya kujiuliza (ikiwa swali lilikuwa la thamani ya kumuuliza chombo), lakini ilituza udhibiti wa kujitegemea uliopo badala ya kuendelea kujenga. Uwezo wa kukaguliwa kwa ngazi ya msaada na uwezo wa mwanafunzi wa kuitumia ni hali tofauti.

• Ngazi ya msaada ambayo mwanafunzi hawezi kuthibitisha ni mbadala wenye ufasaha. Kwa sababu kemia inafikiri kuvuka matukio yanayoweza kuonekana, mifano ya chembe na alama za ishara, jibu lililozalishwa linaweza kuwa la kushawishi kwa ndani na potofu kwa jumla. Vega-Baudrit na Rivera Álvarez (2026) wanaweka ngazi za msaada upande wa tija wa uchanganuzi wao wa Presage-Process-Product na kunakili bila kufikiria upande wa kushindwa, na wanahitaji ngazi za msaada zitake tafsiri ya uwakilishi kwa mwelekeo wote mbili, kwani jibu linaloelezea upatanishi kwa usahihi bado linaweza kudai kuwa kila uhakika wa usawa una pH ya 7. Uhakiki umeundwa ndani ya kazi badala ya kutangazwa kama kanuni: wanafunzi wanatambua dhana potofu, wanasahihisha kosa ya kitengo au mbinu, wanalinganisha muundo wa ishara na mfano wa submikroskopiki, au wanathibitisha kukataa jibu lililotolewa. Kwa sababu wanafunzi hawawezi kuthibitisha kile wasichoelewa, maarifa ya awali na ngazi za msaada zinakuja kwanza, na kutoa ilani kinachukuliwa kama kitendo cha kielimu ambapo mwanafunzi anatambua vizuizi ambavyo jibu linapaswa kutimiza.

Dhana Zilizounganishwa

• Mifumo ya Kufundisha — Mahali katika mlolongo msaada unapaswa kuwa, na kwa nini jaribio-kabla-ya-msaada ni kanuni ya kubeba mzigo
• Kujifunza Kulingana na Matatizo — PBL inaingiza ngazi za msaada zinazopungua kuzunguka matatizo yasiyo na muundo wazi
• Kujifunza kwa Kufundisha — Kujenga maarifa ya ngazi za msaada kwa njia ya maelezo
• Kujifunza kwa Mtazamo wa Kitamaduni na Kijamii — Msingi wa Vygotsky: ZPD na kujifunza kwa kupitia kijamii
• Kupunguza Mzigo wa Kiakili — Ngazi za msaada ambazo hazipungui haziumi kutegemea kupita kiasi
• Maoni — Ngazi za msaada hutoa maoni ya mabadiliko kama msaada unapopungua
• Ujuzi wa AI — Kutambua lini ngazi za msaada zinasaidia dhidi ya zinachukua nafasi ya kujifunza
• Ufafanuzi wa Akili Bandia — ITS hubadilisha nguvu ya ngazi za msaada kulingana na kadirio za ustadi
• Mbinu ya Sokratiki — Kuuliza maswali kunakonyima majibu ya moja kwa moja
• Metaji (Kufikiri Kuhusu Kufikiri) — Ngazi za msaada zinazojenga kujifuatilia na kujidhibiti
• Kujifunza Kufaa — Mifumo ya mabadiliko hubadilisha msaada ndani ya ZPD ya mwanafunzi
• Muundo wa Kujifunza — Ngazi za msaada ni mkakati wa msingi wa ubuni wa mafunzo
• Kutafuta Msaada — Ngazi za msaada zinaunda lini na jinsi wanafunzi wanaoomba msaada
• Kufundisha — Waelimishaji wanaweka ngazi za msaada, kisha hupungua kadri uwezo unavyoongezeka
• Mbinu za Kufundisha na Mikakati ya Kufundisha — Kifuniko: mbinu za kufundisha na mikakati ya kufundisha katika elimu ya AI
• Akili Bandia Inayojitegemea
• Kushindwa kwa Zao (Productive Failure) — Kushindwa kwa Tija

Makala Zilizounganishwa

• Generative AI in computing education: A systematic review and a framework for responsible integration — Kuondoa ngazi za msaada kama mfumo unaotekeleza uhakiki (mfumo wa VIE)
• Evaluating Scaffolding-Oriented Multi-Agent Large Language Model System for Clinical Interview Training — Kutathmini Mfumo wa Wakala Wengi wa LLM Unaoelekezwa na Ngazi za Msaada kwa Mafunzo ya Mahojiano ya Kliniki
• Assessing ChatGPT-Generated Comments for Video-Based Learning Content to Enhance Knowledge and Emotional Support Based on Scaffolding Theory — Maoni ya AI ya muda wa entropy kama ngazi za msaada za maarifa na za kihisia katika video (Wang, Du & Jin 2026)
• Beyond Access: Guided LLM Scaffolding for Independent Learning in Undergraduate Statistics — Kutoa ilani kwa LLM kwa njia iliyoongozwa kama uingiliaji uliopangwa wa kujifunza
• Scaffolding critical engagement with GenAI: Transforming ethnic minority preparatory students' collaborative discourse — Ngazi za msaada za kushiriki kwa njia mahususi zinazotii miktadha ya kitamaduni na GenAI
• Rethinking Scaffolding in LLM Tutors: The Interactional Mismatch Between Benchmarks and Real-World Deployments — Miundo ya ubuni kwa ngazi za msaada katika wakala wa LLM
• Creating Learning Scaffolds for Engineering Design Using Concept Catalyst — Ngazi za msaada za Concept Catalyst kwa mabadiliko ya dhana
• Catching The Correct Answer Trap: Characterising AI Tutor Blind Spots When Analysing Student Reasoning — Lini vidokezo husaidia dhidi ya lini vinahimiza kutegemea kupita kiasi
• Scaffolding critical thinking with generative AI: Design principles for integrating large language models in higher — Kuweka ngazi za msaada kwa kufikiri kwa njia mahususi na GenAI
• VeriForge: Mitigating Latent Knowledge Gaps in Narrative Drafting via Mixed-Initiative Scaffolding — Kuandika hadithi kwa ngazi za msaada na Veriforge
• From Substitution to Scaffolding: Breaking the Self-Reinforcing Harm Cycle of AI in Education (and Beyond) — Kutoka Kuchukua Nafasi hadi Kuweka Ngazi za Msaada: Kuvunja Mzunguko wa Madhara Unaojirudia
• Preferred Scaffolding Does Not Lead to Better Learning Performance: Empirical Evidence from AI-Supported Mathematical Modelling — Ngazi za msaada zinazopendelewa katika uundaji wa hisabati unaosaidiwa na AI
• Agentic AI and Pedagogical Best Practice: The Tension Between Automation and Learning — Ngazi za msaada zinazobadilika (zinazopungua) kama ulinzi kwa AI ya wakala
• When Help is Unhelpful: Evaluating AI Tutors for Productive Struggle — Wakati Msaada Haufaidiki: kutathmini wakala wa AI kwa mapambano yenye tija
• Designing AI systems to support a productive-failure-based learning: insights from adult learners on AI applications — Kubuni Mifumo ya AI ya Kusaidia Kujifunza Kulingana na Kushindwa kwa Tija
• Towards the Pedagogical Steering of Large Language Models for Tutoring: A Case Study with Modeling Productive Failure — Uelekezaji wa Kielimu wa LLM kwa Kushindwa kwa Tija
• Making AI Tutoring Productive: Evidence from a Mastery-Based Math Practice Experiment — Kufanya ufadhili wa AI kuwa wa tija: mazoezi ya hisabati yanayotegemea ustadi
• The Effortless Trap: Productive Struggle, AI, and the Illusion of Learning — AI iliyo na ulinzi dhidi ya isiyo na ulinzi: kanuni ya uwekaji (Brcic & Frljic 2026)
• Supporting Undergraduate Students' Learning in Practical Chemistry Courses through AI-Supported Experimental Design — Ubuni wa kijaribio unaosaidiwa na AI katika kemia ya vitendo
• Scaffolding Systematic Reviews in Learning Design and Technology Through Mentoring and AI Integration — Kuweka Ngazi za Msaada kwa Mapitio ya Kimfumo na Ushauri na AI (Wang 2026)
• Pre-service teachers' agency during their interactions with generative AI while designing for learning - a process view — Uwezo wa mwalimu wa kuanza wakati wa mwingiliano wa GenAI katika ubuni kwa kujifunza (Krushinskaia, Elen & Raes 2026)
• Responsible Integration of AI into Pedagogies of Practice in Mathematics Teacher Education — AI katika mbinu za kufundisha za elimu ya walimu wa hisabati: maoni ya muundo ya mazoezi yaliongeza maswali ya kuchunguza (Bondurant & Shaughnessy 2026)
• AI Integration as Instructional Design: Lessons from a Cross-Institutional Faculty Collaboratory in Teacher Preparation — Ujumuishaji wa AI kama ubuni wa mafunzo: ukosoaji wa matokeo ya AI unapaswa kukabidhiwa, na uchanganuzi wa taaluma unakuja kwanza
• AI literacy over tool design: a mixed-methods study of scaffolded versus unrestricted generative AI in programming education — Kocha wa Kusomo wa AI aliye na bajeti ya vidokezo: matumizi ya GenAI yenye ngazi za msaada dhidi ya bila vikomo, na kwa nini kizuizi peke yake halikutoa kujifunza (Azimi 2026)
• SCAN: A Decision-Making Framework for Task Assignment with Generative AI — SCAN: ngazi za msaada zilizobadilishwa kuamua ni kizio gani ndogo la kazi
• Impact of automated scoring on interpreting performance and self-regulated learning: evidence from a pedagogical experiment — Alama za otomatiki kama ngazi za msaada za mabadiliko: zinabadilika kuwa faida tu pale upungufu uliolengwa unaweza kugawanywa, kuaminika na kupimwa kwa uelekevu (Chen & Liu 2026)
• Adaptive teaching assistance model combining generative AI and big data analytics — Ngazi za msaada za mabadiliko za mzunguko wa kufunga zinazofuatilia mpaka wa sasa wa mwanafunzi katika mazoezi ya muziki, na ugunduzi wa kosa kama uchanganuzi (Zhu na wenzake 2026)
• The role of generative AI in facilitating children’s creative thinking and cognitive development: a systematic scoping review — Umbile la ngazi za msaada linapaswa kulingana na uwezo wa maendeleo wa watoto, si tu kazi (Niu na wenzake 2026)
• Generative artificial intelligence in university chemistry education: a critical review using Johnstone’s chemistry triplet and Biggs’ 3P model — Ngazi za msaada zinapaswa kutaka tafsiri ya uwakilishi na uhakiki, kwani wanafunzi hawawezi kuthibitisha kile wasichoelewa (Vega-Baudrit & Rivera Álvarez 2026)
• Generative AI-supported instruction as a cognitive scaffold: effects on senior high school students' geometric reasoning and proof construction — GenAI kama ngazi ya msaada ya kutoa ilani inayovunja hisia ya kuona hadi uthibitishaji wa kuhitimisha katika jiometri, ambapo kuona peke yake hakutoshi (Davor 2026)
• Examining Variation in How Guided AI Tutors Resolve Student Impasses — Kuchunguza Mabadiliko katika Jinsi Wakala wa AI Walioongozwa Wanavyotatua Vikwazo vya Wanafunzi
• From answer machine to collaborative partner: impact of structured generative AI training on scientific problem solving in STEM education — Kumfundisha mwanafunzi kama ngazi za msaada kwa matumizi ya GenAI katika kutatua matatizo ya STEM (Huang na wenzake 2026)
• A Conversational AI Framework for Teacher Training — Kitambulisho cha mazungumzo cha AI kwa dhana za ufundishaji zisizo sahihi, chenye mazungumzo yanayotegemea ushahidi (Miranda & Calvani 2026)