AIEd Hifadhi ya MaarifaAIEd KB
Kwenye ukurasa huu

Soma ukurasa huu kwa Kiingereza

Madhana

Mwingiliano wa Mwanafunzi na AI

Imeundwa 2026-10-13

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

Mwingiliano wa mwanafunzi na AI — mifumo, michakato, na kazi ya kiakili katika jinsi wanafunzi wanavyoshirikiana na mifumo ya AI ya kizazi wakati wa kujifunza na utatuzi wa matatizo. Utafiti hapa unaelezea wanafunzi wanamuuliza AI nini, jinsi ilani na mazungumzo yanavyobadilika, na jinsi ubora wa mwingiliano unavyohusiana na matokeo ya kujifunza, Kupunguza Mzigo wa Kiakili, na Wakala wa Mwanafunzi.

Maswali ya Kutafakari

  • Fikiria ilani kadhaa za mwisho ulizoandika wewe (au mwanafunzi) kwa AI. Ungeelezea nyingi zao kama kuomba jibu, au kumuuliza AI eleze, chunguze, au tathmini? Unadhani mfumo huo unafanya nini kwa kujifunza?
  • Utafiti unagundua kuwa sehemu ndogo ya aina za maswali inaelesha sehemu kubwa ya maswali ya wanafunzi, na kuwa maswali hubadilika kadiri kazi inavyoendelea. Kwa nini unafikiri maswali ya wanafunzi hupungua, na hilo linaonyesha nini kuhusu jinsi wanavyotumia zana?
  • Ukurasa unadai kuwa ilani za juu za kutafuta jibu zimehusishwa na kupungua kwa kujifunza na kutegemea kupita kiasi, wakati mwingiliano wa kutafakari na wa uhakiki unaounga mkono ufahamu. Unafikiri nini kinatofautisha ilani "nzuri" na "mbaya" — na je, huo ni wajibu wa mwanafunzi au wa ubuni wa zana?
  • Ikiwa ubora wa mwingiliano unaundwa na muktadha wa kazi na ngazi za msaada badala ya kuwa sifa isiyobadilika ya mwanafunzi, kozi au zana inawezaje kubuniwa upya ili kukaribisha maswali yenye upana na tija zaidi?
  • Ungejua vipi kuwa mazungumzo ya AI ya mwanafunzi yenye ufasaha yanaakisi kujifunza kweli au tu uwekaji wajibu wa ujuzi — na ungeangalia nini ili kugundua?

Utangulizi

Mwingiliano wa mwanafunzi na AI ni uso unaoonekana wa ushiriki wa wanafunzi na AI ya kizazi — maswali wanayotoa, ilani wanazoandika, jinsi wanavyopanga na kuhakiki matokeo ya AI, na jinsi mifumo hiyo inavyobadilika katika ngazi za kazi na kwa wakati. Iko katika makutano ya Uzoefu wa Mwanafunzi, Uhandisi wa Ilani (Prompt Engineering), na Takwimu za Kujifunza, na ni kati ya mjadala kuhusu iwapo matumizi ya AI katika elimu yanawakilisha kujifunza kweli au kutegemea kupita kiasi. Mahali ambapo Ushirikiano wa Binadamu–AI unaunda mgawanyo wa kiwango cha juu wa kazi ya kiakili kati ya watu na mifano, mwingiliano wa mwanafunzi na AI ni utekelezaji halisi, unaoweza kupimwa, wa uhusiano huo — maswali mahususi, ilani, na hatua za kupanga ambazo wanafunzi hufanya dakika kwa dakika.

Wanafunzi wanamuuliza AI nini

Mfululizo msingi wa utafiti hupima aina na ubora wa maswali ya wanafunzi. Masudio yanatumia taksonomia za aina za maswali — kwa mfano taksonomia ya aina 18 ya Graesser et al. — ili kugawa mwingiliano wa mwanafunzi na AI, mara nyingi kwa kutumia wagawaji wa few-shot ili kupana uchanganuzi kwa mamia au maelfu ya mwingiliano. Matokeo yanaonyesha kuwa sehemu ndogo ya aina za maswali inaelesha wingi wa maswali ya wanafunzi, na kuwa maswali wanayouliza wanafunzi hubadilika kwa kiasi kikubwa kadiri kazi inavyoendelea (mfano, Analysis of Types of Inquiries in Student-AI Interaction: A case study of two CS2 tasks). Utegemezi huu wa kazi ni muhimu: ubora wa mwingiliano si sifa isiyobadilika ya mwanafunzi bali unaundwa na muktadha wa tatizo, Ngazi za Msaada, na uwezo wa zana ya AI. Katika umri wa chini zaidi, Vahedian Movahed & Martin (2025) waligundua watoto (umri 6–14) wakijaribu kwa bidii uaminifu wa chatbot kwa kuuliza maswali yanayojulikana (mfano, "t rex ni mkubwa kiasi gani") — maelezo ya wakala wa kibinafsi wa maarifa — wakati mtoto wa kawaida aliuliza maswali 1–3 tu na mwanafunzi wa darasa la kwanja aliyestaajabisha aliuliza 21, ikionyesha jinsi mabadiliko ya kimaendeleo na ya kibinafsi yanavyunda maswali wanayotoa wanafunzi.

Taksonomia zenyewe hazijakubaliana bado: katika migawanyo 46 kutoka masudio 33, lebo zinazofanana zinataja matukio tofauti, kwa hivyo mapitio yanapendekeza kipindi cha mwingiliano — mabadilishano yanayoongozwa na lengo na yaliyowekwa wakati — kama kitengo kinachojumuisha upatikanaji wa maarifa, maoni ya tathmini, mwongozo wa kimkakati, maswali ya mazungumzo, uboreshaji wa vitu, na usimamizi wa pamoja (Borchers, Jansen & Weidlich (2026)).

Kuzitia masudio haya ya taksonomia, Yan et al. (2026) wanaelezea mfumo wa mazungumzo wa maswali ya wanafunzi. Kati ya wanafunzi 38 wa chuo kikuu wanaokamilisha insha za mabishano bila usimamizi, 76.32% walitumia mfumo wa zunguko moja la uliza–pata-jibu–simama — kwa kawaida wakibandika kichwa cha tathmini bila kutaja mahitaji yao na kuwasha upya ilani zilizofanana walipokuwa hawatosheki — na 78.94% waligusa GenAI tu mwanzoni (mawazo, muktadha) au mwishoni (kupanga, urefu) wa kazi, wakiweka mbali na kusoma na uandishi wa uhuru; ni 23.68% tu walidumu mazungumzo ya kurudia ya kwenda-n-kurudi na maswali ya kufuatia na hoja zao wenyewe. Waandishi wanaweka mifumo hii katika wigo kutoka kuweka wajibu wa nje wa kiakili hadi kuweka upya kiakili — mfano wa zama za GenAI wa mbinu za juu dhidi ya za kina za kujifunza — wakibainisha kuwa wanafunzi wengi walichukua zana kama injini ya utaftaji iliyoboreshwa, ambayo iliwazuia kwenye upande wa kuweka wajibu wa nje.

Kuelekeza upya mifumo hii kama kazi ya maarifa, uchanganuzi wa vipindi 200 vya mazungumzo ya kupanga pamoja uligundua 78.8% ya mwingiliano wa mwanafunzi na GenAI ukitumia malengo na mikakati yasiyo ya umahiri kama vile kuweka wajibu wa nje au kutafuta uhakiki, na 11.1% tu yaliunganisha malengo yanayoelekea umahiri na uhalali wa maarifa (Wu (2026)).

Kuweka kodi mabadilishano 50 yaliyochaguliwa kunatoa aina tatu za tabia ile ile: Zahra (2026) aligawa 46% kama Ukaguzi Kupitisha, ambapo mfano hufanya kama chimbuko la maarifa na matokeo yanakubaliwa kwa uchunguzi mdogo, 18% kama Swali la Moja kwa Moja, na 36% kama Mazungumzo ya Kimkakati, akioanisha usambazaji na hoja ya ubuni ya kwanza-kizuizi (kappa = .48 kati ya waweka kodi). Utafiti wa kazi saba wa wanafunzi 211 wa hesabu unafikia hitimisho lile lile kutoka upande mwingine: Nizamani et al. (2026) walipima kupitishwa kwa LLM kutoka 89.6% katika algoriti hadi 15.2% katika uhandisi wa programu na walihusisha mteremko na ugumu wa kazi, uwezo wa kuthibitisha na ngazi za msaada badala ya sekta ndogo.

Ubora wa mwingiliano na kujifunza

Mfululizo unaotia unahusisha mfumo wa mwingiliano na kujifunza. Ilani za juu au za kawaida zilizo wazi (kumuuliza AI atoe jibu badala ya kueleza, kuchunguza, au kutathmini) zimehusishwa na kupungua kwa kujifunza na kuongezeka kwa kutegemea kupita kiasi, wakati mwingiliano wa kutafakari na wa uhakiki unaounga mkono Metaji (Kufikiri Kuhusu Kufikiri) na ufahamu wa kudumu. Hii inaunganisha mwingiliano wa mwanafunzi na AI moja kwa moja na ubuni wa Ufafanuzi wa Akili Bandia: mifumo inaweza kujengwa ili kukaribisha maswali yenye upana na tija zaidi na kuweka ngazi za msaada kwa kuuliza maswali badala ya kujibu tu. Mwingiliano hauhitaji kupitia ilani za kutafuta jibu kabisa — wakati AI inakosoa kazi ya wanafunzi wenyewe, mabadilishano yanakuwa mazungumzo ya kutafakari na ya uhakiki: katika Oppenheimer, Cash & Connell Pensky (2025), majibu ya wanafunzi kwa Mifano Mikubwa ya Lugha (LLM) Maoni ya inshua yalionyesha kutafakari katika 92.7%, kukubali katika 93.6%, na kupinga kwa bidii madai ya LLM katika 87.8% ya matukio (inter-rater κs = 0.81–0.89), na majibu yao kwa ubora wa maoni yaliboreshwa katika miongozo kama ujuzi unaoweza kujifunzwa. Upande wa kutafakari wa mwingiliano hauhitaji kupitia ilani za moja kwa moja — katika CoBi, wanafunzi walishirikiana na taswira za AI za ngazi ya darasa za hotuba zao za ushirikiano na walijadili wakati migawanyo ya AI ilionekana si sahihi, wakigeuza migawanyo inayoonekana kuwa makosa kuwa fursa za kurekebisha ufahamu wao wa uwezo na vikomo vya AI (Urekebishaji wa Uaminifu) badala ya kukubali tu matokeo yake. Uhusiano kati ya mfumo wa mwingiliano na kujifunza una kikomo, hata hivyo: Page (2026) anatofautisha miongozo ya mazungumzo na miongozo ya kiakili kwa msingi kuwa mwanafunzi anaweza kuboresha matokeo katika miongozo mingi wakati mfano wa kiakili unaoegemea unabaki bila kubadilika, kwa hivyo ushahidi wa kujifunza ni mabadiliko katika nafasi ya kiakili ya mwanafunzi badala ya urefu au ufasaha wa mabadilishano — hesabu ya miongozo si mbadala wa kina cha ushiriki.

Mwingiliano, si zana, hurekebisha njia: katika jaribio la uwanja lenye karibu wanafunzi 1,000 wa hesabu wa shule ya upili, GPT-4 bila vikomo ilipandisha alama za mazoezi kwa 48% lakini ilipunguza alama za mtihani bila msaada kwa 17%, wakati mfano ule ule uliozuiliwa kwa vidokezo vilivyobuniwa na walimu ulipandisha mazoezi kwa 127% na kulifuta karibu upungufu (Lee, 2026).

Kama wanafunzi walitoa ilani kwa ufanisi, si kiasi gani, ndicho kilichofuatilia mafanikio: Ufanisi wa Swali la AI na Utatuzi wa Matatizo Unaosukumwa na AI vilikuwa watabiri wenye nguvu zaidi wa utendaji wa kitaaluma kati ya wanafunzi 128 wa uhandisi, na vilibaki na umuhimu baada ya kudhibiti GPA (Isaza Dominguez et al. (2026)).

Muktadha wa tabia ni ishara tofauti na swali lenyewe: katika utekelezaji nne wa TutorTrace (wanafunzi 480, matukio ~180,000 ya IDE), kuweka masharti ya msaada kwa hali ya karibu ya tabia ya mwanafunzi kulipunguza vipindi kati ya maswali bila kazi huru kutoka 50.0% hadi 20.7%, na maswali yanayokaribia yalitabirika kutoka kwa tabia peke yake (AUROC = .726) (Barron et al. (2026)).

Msongamano si mchakato: kubadilisha wanafunzi kati ya sauti na maandishi karibu kuliongeza mara mbili miongozo ya mazungumzo kwa dakika (1.34 dhidi ya 0.75) bila kubadilisha umahiri wa kila wiki, na waandishi wanasoma muda wa wastani wa sekunde 26 wa kufikiri wa chombo cha maandishi kabla ya kibonyezo cha kwanza kama kitendo cha kusimamba chenyewe (Yang, Van Alstyne na Dellarocas (2026)).

Kitanzi cha uhakiki bado kinaweza kubaki cha juu: uchanganuzi wa mfuatano wa kuchelewa wa utekelezaji wa wakala wa LLM wa wiki nne katika kozi ya hifadhidata ya chuo kikuu uligundua mzunguko muhimu wa Swali–Tathmini–Swali, hata hivyo vitanzi vya nguvu vya kubadilika kwenyewe ndani ya hali za chini za mpangilio na mwingiliano 3.92% tu ukiufikia kiakili cha mpangilio wa juu (Li et al. (2026)).

Bernstein na Sibia (2026) wanatazama mfumo wa kuchuja kwa kurudia katika jinsi wanafunzi wa CS2 wanavyoshughulikia maelezo ya GenAI (Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education): wanalinganisha na kumbukumbu za mhadhara, wanadai chanzo ("Ningekuwa na shaka nyingi zaidi... bila moja"), na wanachunguza kwa maswali ya kufuatia ili kugundua kutolingana badala ya kutoa hukumu moja ya kukubali-au-kukataa. Wanafunzi pia husoma maelezo kwa maarifa na muktadha ambao walidhani — maarifa ya awali yaliyodhaniwa kupita mtaala, marejeleo ya chaguo za msingi ya michezo ("upande waidi zaidi wa kiumume wa hesabu"), na kurudia kupita kiasi vyote vilifanya kama ishara kuhusu msomaji anayewazika, huku ngazi za msaada kupita kiasi zikisomwa kama kudhalilisha badala ya kutofaa tu.

Kushauriana na AI katika hatua sahihi ya kazi ni muhimu kama vile maneno ya ilani ya kila mmoja: katika utafiti ule ule, Yan et al. (2026) waligundua walio wachache wanaoelekea kuweka upya walibadilisha kazi huru na ushauri wa GenAI na waliripoti juhudi kamili isiyobadilika lakini mkazo uliohamishwa — kuhamisha rasilimali kutoka utaftaji hadi kukagua ubora na usawa wa mabishano, na kuandika kumbukumbu za kutafakari baada ya vipindi ili kupinga uhifadhi wa juu — wakati wanafunzi wenye malengo ya umahiri lakini ujuzi dhaifu wa AI walitia katika "paradoxi ya ufanisi," wakiweka wajibu wa nje "si kwa nia, bali kwa chaguo-msingi."

Kutoka mwingiliano hadi mbinu za kufundisha

Kuelezea mwingiliano wa mwanafunzi na AI kunaelekeza Muundo wa Kujifunza: waalimu wanaweza kubaini wakati mifumo ya maswali ya wanafunzi ni ya wazi au ya juu na kubuni uingiliaji unaopanua maswali; Kufundisha linahamia kuelekea kukocheza wanafunzi kushirikiana kwa tija na AI. Pia inaweka msingi wa mitaala ya Ujuzi wa AI inayotendea kutoa ilani kwa ufanisi na uhakiki kama ujuzi unaoweza kujifunzwa badala ya uwezo wa asili.

Vituo vya kubuni vinaweza kubadilisha chaguo-msingi huo: katika kozi ya fizikia ya asynchronous ya karibu wanafunzi 70 kitu kilichopimwa kilikuwa nakala ya mazungumzo badala ya jibu, hata hivyo wanafunzi wengi bado waliuliza orodha ndefu za maswali bila kujibu maswali ya kufuatia ya Socratic ya mfano — hali ya kushindwa ambayo vigezo viliandikwa ili kukamata (Rodriguez & Wulff (2026)).

Ilani zilizoandikwa na walimu ni kituo kimoja kama hilo, lakini ukali unaotekelezwa unachelewa na lengo: katika mazungumzo 1,479, 38% hayakufikia kiwango cha Kinachojua-Kina kilichokusudiwa na mwalimu, yakikaribia 50% katika DOK 3, wakati mistari ya wazi ya kumaliza ilipunguza pengo hilo kwa viwango 0.22 na ulinzi wa "hakuna majibu ya moja kwa moja" ulipunguza viwango vya jibu la mwisho la AI kwa pointi 8.1 za asilimia (Liu et al. (2026)).

Kutotumia ni mfumo wa mwingiliano ambao Mbinu za Kufundisha na Mikakati ya Kufundisha lazima ipange. Zou et al. (2026), wakichunguza wanafunzi 85 wa walimu katika kozi tatu ambapo matumizi ya GenAI katika Tathmini yaliruhusiwa kwa uwazi, waligundua kuwa 62.4% (53 ya 85) walikataa kuitumia kabisa, chini sana ya kupitishwa kwa 79–83% kunakoonwa katika utafiti wa Uingereza na Australia, na kuwa matumizi ya wanaopitisha yalikuwa ya juu na ya kurekebisha badala ya kuzalisha (kupanga 43.8%, ukaguzi wa uwazi 34.4%, uzalishaji wa maandishi 18.8% tu). Chaguzi zao zilifuatilia ubini wa tathmini na utamaduni wa taasisi badala ya ugumu wa kiufundi: 41.5% ya wasiopitisha waliogopa kushutumiwa vibaya kwa wizi wa kitaaluma, na tisa kati ya wanahojiwa kumi na moja walisoma sera yenye ruhusa yenyewe kama "mtego" unaowezekana. Pengo kati ya watumiaji 32 waliyoripotiwa na matangazo 28 ya kibinafsi linaonyesha kuwa mwingiliano wa AI ulioripotiwa na wanafunzi unaundwa na matokeo yaliyopimwa — onyo la kupima kwa akaunti za uchanganuzi wa kujifunza za mwingiliano wa mwanafunzi na AI.

Nidhamu na Ushiriki wa Kiakili katika Mazungumzo ya Mwanafunzi na AI

  • Ushiriki wa kiakili unaohusiana na nidhamu katika mazungumzo ya mwanafunzi na AI. Chang na Li (2026) wanachanganua ilani za wanafunzi kwa AI katika kozi 116 na ubini wa ndani ya mtu, kati ya nidhamu, wakionyesha kuwa mazungumzo ya mwanafunzi na AI yanaonyesha ushiriki wa kiakili unaohusiana na nidhamu badala ya mitindo ya mwingiliano ya kibinafsi isiyobadilika. Takribani 62% ya ilani zilizosimamba mahitaji ya kiakili ya mpangilio wa juu kwa ujumla, lakini wasifu wa ngazi ya Bloom zilitofautiana kwa mkazo kwa nidhamu: kozi za STEM zilitoa ilani zinazotawala kwa Tekeleza (20.8%), kozi za lugha zilizotawala kwa Elewa (31.7%), na kozi za sayansi ya kijamii zilizotawala kwa Unda (33.8%). Kulinganisha kwa jozi ndani ya mtu kulithibitisha kuwa wanafunzi wale wale walizalisha ilani za mpangilio wa juu zaidi kwa kiwango chenye umuhimu katika sayansi ya kijamii kuliko kozi za STEM (n iliyounganishwa = 16, p < .001), na tofauti ya ngazi ya kozi ilizidi tofauti ya ngazi ya mwanafunzi — hoja nzuri kwamba wasaidizi wa kufundisha wa AI wanapaswa kubuniwa na kutathminiwa kwa muktadha wa nidhamu akilini.

Dhana Zilizounganishwa

Makala Zilizounganishwa

Metadata

NgaziHigher Ed
Hadhira inayokusudiwaLearners
Kujifunza na UfundishajiMwingiliano wa Mwanafunzi na AI
Teknolojia na MbinuAkili Bandia ya Kizazi, Ufafanuzi wa Akili Bandia, Takwimu za Kujifunza, Mifano Mikubwa ya Lugha (LLM), Uhandisi wa Ilani (Prompt Engineering)
Misingi ya Akili Bandia katika ElimuKupunguza Mzigo wa Kiakili
SourceHistoryEditChat

Pachika ukurasa huu

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