Mahusiano ya Mwanafunzi

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

Mahusiano ya mwanafunzi — kiwango na ubora wa ushiriki hai wa mwanafunzi katika mchakato wa kujifunza, ambao mara nyingi hugawanywa katika vipimo vya tabia, kiakili, na kihisia. Katika utafiti wa AI katika Elimu, mahusiano ya mwanafunzi ni matokeo muhimu (je, zana ya AI inaweza kuendelea kuwahusisha wanafunzi?) na pia ni mbinu (je, mahusiano yanaweza kuwa kati ya ubuni wa AI na kujifunza?). Kimuundo ni tofauti na kujifunza yenyewe — mahusiano ni ushiriki katika kujifunza, si ushahidi wa kupata kisaikolojia cha kiakili — na ni tofauti na vipimo mahususi vinavyotumika kupima.

Maswali ya Kutafakari

• Ukurasa unasisitiza kuwa mahusiano si sawa na kujifunza — mwanafunzi anaweza kuwa hai kwa tabia (kubofya, kutumia muda) huku akikiwa kwa kiakili. Umewahi kuona mahusiano ya juu yaliyozaa kujifunza kidogo wapi, na ulitambua vipi?
• Fikiria wakati uliohusishwa kwa kina kwa kiakili katika kitu fulani — kwa kweli kupambana na wazo. Kilikuwa tofauti vipi ikilinganishwa na nyakati ulizokuwa tu mzuri au umeingiliana, na zana ya AI inaweza kuunda hali hiyo kwa uhakika?
• Mahusiano yamegawanywa katika vipimo vya tabia, kiakili, na kihisia ambavyo vinaweza kutofautiana. Kwa nini unafikiri watafiti wanasisitiza kuvitenga badala ya kuvichukulia kama kitu kimoja, na ungepima nini ili kuvitofautisha?
• Utafiti unapendekeza kuwa mahusiano ya kina ya kiakili na AI yanataabiri kujifunza, huku mahusiano ya juu yakitabiri utegemezi kupita kiasi. Kama zana ni "ya kuvutia" lakini ya kina kidogo, ni nani anayewajibika — ubuni, kazi, au mwanafunzi?
• Zana ya AI inawezaje kukidhi uhuru, uwezo, na uhusiano (mahitaji yanayosimamia mahusiano) bila sifa hizo kubadilika kuwa burudani ya kina kidogo ambayo inachukua nafasi ya kujifunza halisi?

Utangulizi

Mahusiano ni muundo wa vipimo vingi wenye mizizi katika saikolojia ya elimu. Mahusiano ya tabia yanahusisha ushiriki, juhudi, kudumu, na shughuli inayofaa. Mahusiano ya kiakili yanahusisha kina cha uchakataji wa akili — ufafanuzi, uchanganuzi mahususi, kujidhibiti-Udhibiti wa AI katika Elimu, na uwekezaji wa juhudi ya kiakili. Mahusiano ya kihisia yanahusisha hisia za kihisia kama vile hamu, raha, wasiwasi, na utambulisho na kujifunza. Vipimo hivi vinaweza kutofautiana: mwanafunzi anaweza kuwa hai kwa tabia (kubofya, kutumia muda) huku akikiwa kwa kiakili (kupokea bila kufikiri), au kuwa na hamu kihisia huku akiwa amesumbuliwa kwa tabia. Uwiano huu wa vipimo vingi ndiyo sababu mahusiano hayawezi kulinganishwa na tabia yoyote inayoonekana.

Jinsi mahusiano ya mwanafunzi yanavyoonekana katika utafiti

• Mahusiano kama matokeo ya ubuni wa AI: utafiti wa motisha ya GenAI unaonyesha kuwa mahusiano katika kujifunza kunaosaidiwa na Akili Bandia ya Kizazi hufuata kuridhika kwa mahitaji ya kisaikolojia ya msingi (uhuru, uwezo, uhusiano) — mahusiano ni matokeo ya msaada wa motisha, si ya upatikanaji wa teknolojia peke yake. Mahusiano mara nyingi hupimwa kwa kujitangaza huku mahusiano ya tabia yakija kutoka kwa kumbukumbu za mwingiliano, na hayawezi kubadilishana.

• Kupata mahusiano bila kupata kujifunza, katika jaribio la darasa lililogawanywa kwa nasibu: Rücker na Becker-Genschow (2025) waligawanya kwa nasibu madarasa 195 ya darasa la tisa (kikundi cha majaribio wanafunzi 102) kwa chatbot ya hisabati mahususi ya taaluma au vifaa vya kawaida vya kupambanua kwa somo moja la mbinu ya Heron ya kukadiria mizizi ya mraba. Hamu ya hali ilipanda sana katika hali ya chatbot (M = 2.63 vs 2.43, p = 0.00005, Cohen's d = 0.63) na kukubalika kwenye vipimo vyote vinne vya Mfumo wa Kukubali Teknolojia vilikuwa vya juu, lakini kulinganisha utendaji wa awali-uliofuatia hakupata mwingiliano wa kikundi kwa muda wenye umuhimu (F(1194) = 2.84, p = 0.094) na mzigo wa kiakili wa nje ulikuwa juu kidogo. Utafiti ni mmoja wa majaribio machache ya chatbot mahususi iliyogawanywa kwa nasibu katika sekondari ya hisabati, na matokeo yake yaliyogawanywa ndiyo swali: hamu na maendeleo yalisogea kwa ratiba tofauti, hivyo ugunduzi wa mahusiano si ushahidi wa kujifunza.

• Ubora zaidi ya wingi: Mahusiano mahususi katika ukamilishaji wa kodi ya AI, uchanganuzi wa mazungumzo ya mahusiano ya kiakili, na kuweka ngazi za msaada za mahusiano mahususi yanaonyesha kuwa mahusiano ya kina (ya kiakili) na AI yanataabiri kujifunza, huku mahusiano ya kina kidogo (ya tabia) yakitabiri Kutegemea Kupita Kiasi na kupungua kwa kujifunza ambayo yanatawala fasihi ya hatari ya hifadhi ya maarifa.

• Mahusiano yenye kudhoofu na yanayotegemea muktadha: Vitu vilivyopangwa, mahusiano yenye kudhoofu na miundo ya mahusiano ya taasisi nyingi yanagundua kuwa mahusiano hutofautiana kwa kazi, muktadha, na mwanafunzi — zana ya AI inayowahusisha wanafunzi wengine kwa kina inaweza kuzalisha tabia ya kina kidogo, ya kufuatilia matokeo kwa mwanafunzi mwingine.

• Chanzo cha motisha: upatikanaji wa AI na motisha unaonyesha kuwa kujua AI inapatikana kunaweza kupunguza thamani inayoonekana ya ushiriki wenye juhudi, hasa kwa wanaojifunza wapya — mahusiano yanaundwa na matarajio, thamani, na uwezo unaoonekana kiasi kile kama sifa za zana. Wang & Wang (2026) wanapanua hili kwa maelezo ya nadharia ya kuweka malengo ya wanafunzi 758 wa chuo kikuu wanaojifunza Kiingereza katika kujifunza kunaosaidiwa na AI, wakionyesha kuwa msaada wa mwalimu unaimarisha moja kwa moja mahusiano na unafanya kazi kupitia malengo ya kufuata ustaarabu na ya utendaji wa wanafunzi (badala ya malengo ya kuepukia). Mahusiano katika miktadha ya AI kwa hivyo si matokeo ya mtu binafsi au ya ubuni tu — pia yanawekwa ngazi za msaada za kijamii na mwalimu na mwelekeo wa malengo ambao wanaojifunza wanahimizwa kuchukua.

Ngazi za msaada Ngazi za Msaada hizo zina mwenzake wa taasisi wenye njia mbili. Mwendo wa Chen (2026) wa masudio mawili (wanafunzi 160 wa sanaa katika jaribio la hali, 425 waliofuatiliwa) uligundua kuwa kutokubaliana kwenye kuona kati ya utetezi wa GAI wa chuo kikuu na mazoezi yake halisi ya kufundisha na tathmini kulitabiri mahusiano ya mchakato wa ubunifu kupitia tathmini mbili zinazopingana — hasi kupitia kizuizi (β = −0.060, p = 0.004) na chanya kupitia changamoto (β = 0.217, p < 0.001) — huku mawazo ya njia yakiimarisha njia chanya peke yake, hivyo hali ile ile ya taasisi iliwahusisha wanafunzi wengine na kuwatenga wengine.

• Uwezo na hisia kama viongozi wa mahusiano: Zhao et al. (2026) wanamodeli wanafunzi 871 wa chuo kikuu wanaowasiliana na chatbot ya Mifano Mikubwa ya Lugha (LLM), wakigundua kuwa uwezo wa GenAI unataabiri mahusiano ya chatbot moja kwa moja na isiyo ya moja kwa moja kupitia hisia chanya (njia ya kihisia), na kuwa uwezo na hisia chanya zote mbili zinataabiri mahusiano na hisia chanya za kujifunza. Mahusiano kwa hivyo ni pamoja ujuzi na matokeo ya kihisia — wanaojifunza ambao hawa na uwezo wa AI na wanapata wasiwasi au kukata tamaa wanajitenga, ambayo ina athari kwa mafunzo ya Ujuzi wa AI kama uingiliaji wa mahusiano badala ya lengo la ujuzi tu.

• Mahusiano ya kiakili yanayohusiana na taaluma katika mazungumzo ya mwanafunzi-AI. Chang na Li (2026) wanaonyesha kuwa ilani za wanafunzi kwa AI zina mahitaji ya kiakili ya kiwango cha juu ya ~62% kwa wastani, lakini miundo ya mahusiano ya kiwango cha Bloom hutofautiana kwa kiasi kikubwa kwa taaluma (STEM inayotawala Kutumia 20.8%, lugha inayotawala Kuelewa 31.7%, sayansi ya kijamii inayotawala Kuunda 33.8%). Kwa kutumia ubini wa ndani ya mtu, waligundua wanafunzi wale wale walitoza ilani za kiwango cha juu zaidi katika sayansi ya kijamii kuliko katika kozi za STEM (p < .001), huku tofauti ya kiwango cha kozi ikizidi tofauti ya kiwango cha mwanafunzi — ushahidi kwamba mahusiano ya kiakili na AI yanaundwa na muktadha wa taaluma, si mtindo wa mtu binafsi tu.

• Maoni ya AI yanaendeleza uanzishaji wa tabia. Geschwind et al. (2026) waliofanya jaribio la muda mrefu la semesta ya maabara-uwanini waligundua kuwa wanafunzi waliopokea maoni binafsi ya GPT-4 kwenye kazi za wazi walidumisha ushiriki wa juu zaidi katika kazi nane za kila wiki (~50% kwa ya mwisho, vs ~30% kwa vikundi vya maoni ya mwalimu au ya marika) na waliandika ~29 herufi zaidi kwa kila jibu — maoni binafsi ya AI yalianzisha mahusiano kwenye ukingo wa upana (ushiriki) na ukingo wa kina (juhudi kwa kila jibu), ingawa wanafunzi waliipa alama ya juu kidogo maoni ya marika.

• Kutabiri matumizi ya kiakili ya AI kutoka kwa dhana za kujifunza. Mfumo wa uchunguzi wa kujifunza kwa mashine ulichanganua data ya dodoso kutoka kwa wanafunzi 166 wa chuo kikuu ili kutambua dhana zinazohusiana na kujifunza zinazohusiana na matumizi ya kiakili ya ChatGPT yaliyokusudiwa, kwa kutumia uchanganuzi wa SHAP ili kudumisha uwezekano wa kueleweka. Matokeo yanaeleza jinsi mahusiano, msaada wa kujifunza, na dhana nyingine zinaunda ujumuishaji wa zana za AI kwa wanafunzi katika kazi ya kiakili.

• Upatikanaji wa zana ya AI unaweza kupunguza mahusiano yaliyopimwa, na viwango vya ukamilishaji havitaonyesha. Liu et al. (2026) waligawanya kwa nasibu upatikanaji wa mwalimu wa zana katika vitalu 13 katika chuo kikuu kikuu cha umma la Marekani na waligundua ushiriki wa jukwaa uliorekodiwa ulipungua kwa SD 0.90, mionekano ya kurasa kwa SD 0.37–0.38 na siku zinazotumika kwa SD 0.51–0.61 — huku kuwasilisha kazi za nyumbani na kuwasilisha kwa wakati hakikuathiriwa. Kutengwa ni somo la kupima: kozi inayofuatilia tu ukamilishaji wa kazi haikuona chochote, kwa sababu kupungua kulikuwa katika shughuli ya majadiliano, jaribio na mwingiliano wa mkufunzi ambayo jukwaa lilirekodi. Wanafunzi katika sehemu zilizotibiwa pia waliripoti kuuliza mkufunzi maswali machache ya maudhui (karibu 57% dhidi ya 44%), hivyo kupungua kulikuwa pamoja na kubadilishwa kutoka kwa mawasiliano ya binadamu badala ya kutokuhusika na kozi.

• Kuchelewa kwa majibu ni chombo cha mahusiano. Katika vipindi 1,137 vya mafunzo ya AI ya Kihesabu, majibu ya haraka yalisogea na ujumbe zaidi wa wanafunzi na mazoezi zaidi ya sahihi (muda wa wastani wa majibu sekunde 1.9 hadi 31.0 kati ya mifano; kuchelewa kidogo kukihusiana na mahusiano kwa Spearman ρ=-0.81, p=.0056), mlolongo ambao waandishi wanaisoma kama unaeleza jinsi mifano inayopata alama za kawaida kwenye ubora wa kufundisha bado inafikia maendeleo ya kiwango cha binadamu (Northcutt et al. (2026)).

• Matumizi ya AI yanaweza kusafiri pamoja na kutokuwa darasa zaidi huku ujasiri hautabiri. Dodoso ya PLS-SEM ya wanafunzi 291 wa Kireno wa chuo kikuu iligundua matumizi ya jumla ya AI yanahusishwa kwa chanya na kutokuwa darasa (β = 0.148, f² = 0.029) na uwezo binafsi kwa kujifunza huru, lakini uwezo binafsi yenyewe haukutabiri kutokuwa darasa (β = −0.068, p = 0.276) — muundo wa "wa kujiamini lakini hawapo" wa karatasi. Uhusiano wa kuhudhuria ulikuwa wa wastani na wa pili kwa mvuto wa wenza (β = 0.510, f² = 0.326) na usimamizi wa muda (β = −0.163), na kwa sababu dhana ya matumizi ya AI ilikuwa ya kipimo kimoja na iliyochanganya vipengele vya msaada na vya kubadilisha, utafiti hauwezi kutenganisha matumizi ya kujumuisha na ya kubadilisha au kuanzisha mwelekeo (Franco et al. (2026)).

Kupima mahusiano: tatizo la kuchagua kipimo

Mahusiano yanafanywa kupitia ishara mbalimbali zinazoweza kuonekana. Vipimo vya tabia hupima wanaojifunza wanafanya nini (muda kwenye kazi, hesabu za shughuli, mara ya mwingiliano, kudumu); vipimo vya kiakili hupima wanaojifunza wanafikiri vipi (kina cha uchakataji, mahusiano mahususi, uchanganuzi wa mazungumzo); vipimo vya kihisia hupima wanaojifunza wanahisi vipi (hisia, motisha, hamu); na vipimo vya muktadha vinakamata kazi nyingi na uangalifu. Utafiti wa elimu ya AI unachanganya hizi kwa kiwango kinachoongezeka na unachukulia mahusiano kama mbinu ya kuwasiliana kati ya ubini wa zana ya AI na matokeo ya kujifunza, badala ya matokeo yenyewe.

• Familia sita za matumizi ya AI + kupima kwa mbinu nyingi: mapitio ya kimfumo ya Zhou (2025) ya masudio 24 ya WoS yanaonyesha matumizi sita ya AI kwa mahusiano — chatbot katika ubini wa kozi, utambuzi wa hisia/uso/sauti na ufuatiliaji wa jicho, ML kwa uchanganuzi wa data, msaada wa mwingiliano wa mwalimu–mwanafunzi, maoni/pendekezo mahususi, na roboti zinazoendeshwa na AI katika mazingira ya kujifunza mahiri. Inagundua kuwa kuunganisha modaliti nyingi za AI na vyanzo vya data hutoa maarifa sahihi zaidi, ya wakati halisi, kuhusu mahusiano ya kiakili, kihisia, na ya tabia kuliko mbinu za chanzo kimoja — ikithibitisha tatizo la kuchagua kipimo lililotajwa hapo juu.

Uchaguzi wa kipimo ni wa ufafanuzi: utafiti unaopima mahusiano kama muda kwenye kazi unaweza kuhitimisha kuwa zana ya AI inaimarisha mahusiano wakati wanafunzi wanatumia muda zaidi kuwasiliana nayo, huku utafiti unaopima mahusiano kama uchakataji mahususi ukiweza kufikia hitimisho kinyume kwa zana ile ile. Hii ndiyo sababu utafiti wa hifadhi ya maarifa unatofautisha mahusiano (ushiriki) na kujifunza (kupata kisaikolojia halisi ya kiakili) — ona utendaji dhidi ya kujifunza — na kwa nini vipimo vya mahusiano lazima vithibitishwe dhidi ya vile vinavyodai kupima.

• Mahusiano kama ishara yenye kudhoofu, inayotegemea hali: Vitu vilivyopangwa, mahusiano yenye kudhoofu na miundo ya mahusiano ya taasisi nyingi yanagundua kuwa mahusiano hutofautiana kwa muktadha, kazi, na mwanafunzi — zana ile ile inazalisha mahusiano makubwa kwa wanafunzi wengine na tabia ya kina kidogo, ya kufuatilia matokeo kwa wengine.

• Telemetry ya tabia kutoka kwa mifumo: Kukadiria juhudi na maendeleo, Msaidizi wa Mahusiano ya Kujifunza, tathmini ya mahusiano katika video, na dashibodi za kujifunza hufasiri ishara za tabia na za kisaikolojia (uangalifu, shughuli, kudumu) kuwa vipimo vya mahusiano vinavyotumika kwa maoni yanayobadilika na uingiliaji wa mkufunzi.

• Kuhisi kwa kisaikolojia huongeza modaliti — na tatizo la msingi. E3Sense huweka EEG ya vidonge kavu, miwani ya ufuatiliaji wa jicho, na vidonge vya electrodermal vya paji la uso kwenye kichwa na hutabiri ukadiriaji wa mahusiano wa kiwango cha sehemu 450 kutoka kwa washiriki 30 wa chuo kikuu kwenye kiwango cha mpangilio cha ngazi tano: AdaBoost juu ya uwakilishi wa AI ya Modaliti Nyingi uliochanganywa ilifikia usahihi wa ndani ya ngazi moja wenye usawa wa 75.0% dhidi ya 63.0% kwa kutabiri daima ukadiriaji wa kawaida zaidi. Upana mdogo wa pengo hilo ndiyo swali — mkopo wa ndani ya ngazi moja unampa msingi bila sensa sehemu kubwa ya alama yake kwenye ukadiriaji ulioinamishwa — na kuwauliza wanaojifunza maana ya mahusiano kwao kulisogeza kipimo kile kile kutoka 64.6% hadi 71.5%, ushahidi kwamba lebo ya kujitangaza, si sensa peke yake, inaamua uchanganuzi kama huo unaweza kudai nini.

• Vizuizi vya usawa vinahitaji watu walioachwa nje ili kudumu. Kizibo mahususi cha kijinsia cha kukadiria uangalifu wa modaliti nyingi kilipunguza pengo la MAE la uthibitisho kutoka 0.02 hadi 0.005 lakini liliongeza pengo na hitilafu ya kikundi kibaya zaidi kwa watu walioachwa nje, hivyo uthibitisho wa kiwango cha mtu unaojirudia na unaojua vikundi unapaswa kuwa katika dai lolote la kuhisi mahusiano (Fragkiadakis et al. (2026)).

• Mahusiano kama ishara ya kuunda mfano wa mwanafunzi: Mahusiano ya kina kama ishara ya kuunda mfano wa mwanafunzi inatumia nguvu ya mahusiano kuelimisha mifumo ya AI inayobadilika, ikipanga vipimo vya mahusiano kama pembejeo kwa Uundaji wa Mifano ya Wanafunzi na Mafunzo Yanayobadilika na Kujifunza Kufaa badala ya matokeo ya tathmini tu.

Mahusiano dhidi ya kujifunza

Mada kuu katika utafiti wa hifadhi ya maarifa ni kwamba mahusiano na kujifunza lazima yatofautishwe. Zana za AI zinazozalisha mahusiano makubwa (muda kwenye kazi, kiasi cha mwingiliano) zinaweza kutozalisha kujifunza kama mahusiano hayo ni ya kupitisha au yanachukua nafasi ya kazi ya kiakili ya kuelewa — ona utendaji dhidi ya kujifunza. Kinyume chake, kupambana kwa tija na ugumu unaotaka vinaweza kuzalisha kujifunza hata mahusiano ya juu yanahisiwa kuwa ya chini. Mahusiano kwa hivyo yanapaswa kuchukuliwa kama mbinu — yenye thamani kwa kiasi inayoakisi au inayowezesha uchakataji wa kiakili wenye maana — badala ya matokeo ya mwisho.

Tofauti hiyo si ya kitaaluma tu. Pramod na Patil (2026) wanaweka mahusiano katika kituo cha mfano wao wa PLS-SEM, kati ya motisha na uwepo wa kijamii upande mmoja na utendaji unaoonekana upande mwingine — koeffisheni kubwa zaidi katika mfano wao, na bado ni mtazamo badala ya kipimo cha kujifunza.

Mbinu za kufundisha zinawasilisha athari ya AI kwenye mahusiano

Muunganisho wa kimfumo wa AI katika elimu ya juu (Long et al., 2026) unasisitiza kuwa mbinu ya kufundisha ambayo zana ya AI imeingizwa ndiyo mwasilishaji muhimu wa iwapo inawahusisha wanafunzi. Chatbot, mifumo inayobadilika, na uchanganuzi wa kutabiri huimarisha mahusiano zaidi zinapotekelezwa ndani ya mbinu za kufundisha zinazowasiliana — madarasa yaliyogeuzwa, kujifunza kwa msingi wa mradi, na mizunguko ya maoni yenye ngazi za msaada — badala ya zana zilizosimama peke. Mapitio yanaifanya rasmi kama mfano wa PMAISE (Mbinu za Kufundisha za Mwasilishaji wa AI kwa Mahusiano ya Mwanafunzi), ikiramanisha upatanisho kati ya teknolojia za AI, mikakati ya mbinu za kufundisha, na vipimo vya kihisia, tabia, na kiakili vya mahusiano. Maana ni kwamba matokeo ya mahusiano yameundwa pamoja na zana na ubini wa mafunzo unaoizunguka: AI ile ile inaweza kuimarisha mahusiano katika mbinu moja ya kufundisha na kuzuiia katika nyingine.

Mahusiano na dhana zinazohusiana

Mahusiano ya mwanafunzi yanaungana na Motisha na Nadhari ya Kujitambua (SDT) kama viongozi wake wa kisaikolojia, na kwa Uzoefu wa Mwanafunzi kama muktadha wa maisha. Upimaji wake unategemea Takwimu za Kujifunza na Upimaji wa Kielimu, ambazo hutoa zana za kihesabu za kufanya vipimo vilivyotajwa hapo juu. Tofauti kati ya mahusiano ya kina na ya kina kidogo inaungana moja kwa moja na Kujifunza kwa Kujidhibiti (wanaojifunza wanaojidhibiti wanashiriki kwa mkakati), Kupunguza Mzigo wa Kiakili na Kutegemea Kupita Kiasi (utegemezi wa kina kidogo kama hali ya kushindwa), na Metaji (Kufikiri Kuhusu Kufikiri). Katika ubini wa mfumo, ishara za mahusiano zinalisha Uundaji wa Mifano ya Wanafunzi na Mafunzo Yanayobadilika na Kujifunza Kufaa, na matokeo ya mahusiano yanaonekana katika tathmini za Mbinu za Utafiti katika AIED za uingiliaji wa elimu ya AI.

• Sifa za wanaojifunza zinawasilisha mafunzo ya mazungumzo ya TTS (2026): Katika mafunzo ya mazungumzo ya mwalimu–mwanafunzi, mwanafunzi–mwanafunzi, na mwalimu–mwalimu yaliyozalishwa na LLM+TTS, mtindo wa Kujifunza kwa Uzoefu na mwelekeo wa ufikiri mahususi ziliwasiliana kwa kiasi kikubwa na umbizo la mazungumzo kwa motisha inayotegemea ARCS, zikionyesha kuwa maudhui ya mazungumzo yaliyozalishwa na AI yana motisha tofauti kulingana na wasifu wa mwanafunzi (Interaction Effects Between Learner Characteristics and Dialogue Format in TTS Dialogue-Based Lessons).

• Maendeleo mahususi ya kipimo katika kiwango cha msingi (2026): Mpango wa wiki tisa wa kujifunza kuandika L2 unaosaidiwa na GenAI wenye wanafunzi 301 wa Darasa la 5 na 6 uliongeza mahusiano ya tabia na ya kihisia lakini hayakubadili mahusiano ya kiakili na ya metaji, na waandishi wake wanataja kupungua kwa kujifuatilia wakati wa kuandika kama hatari inayoendelea (Lu et al., 2026). Muundo ni mfano halisi wa tofauti ya mahusiano-dhidi-ya-kujifunza iliyotajwa hapo juu: shughuli zaidi na raha zaidi hazikuelezewa kuwa uchakataji wa kina zaidi.

• Kutengwa kunaweza kuenda upande mwingine (2026): Katika kozi ya miezi 12 ya uandaaji wa ndani ya kitaaluma, studio ya VR ya kuvutia yenye msaidizi wa kufundisha wa LLM iliyoingizwa iliongeza mahusiano ya kiakili (d = 0.90) na ya tabia (d = 0.75) juu ya mafunzo ya kawaida ya msingi wa mradi huku mahusiano ya kihisia hayakutofautiana kwa kiasi kikubwa (d = 0.38) — kinyume cha hali ya kuandika L2 iliyotajwa hapo juu (Jin et al., 2026). Maendeleo ya kiakili na ya tabia hapa yalikuja na mzigo mdogo wa kiakili unaoripotiwa, ambao waandishi wanauhusisha na msaidizi akichukua juhudi za utafutaji na uunganishaji wa taaluma nyingi. Ikisomwa dhidi ya hali ya kuandika, masudio mawili yanapendekeza kuwa kipimo kipi cha mahusiano kinachosogeshwa na uingiliaji unaosaidiwa na AI ni sifa ya ubini — ushirikiano wa VR wenye mazungumzo mengi dhidi ya msaada wa kuandika peke — badala ya msaada wa AI kwa ujumla, na kuwa faida ya kihisia haiwezi kudhaniwa kutoka kwa maoni ya uaminifu wa juu au ya akili.

• Ujuzi wa AI unafanya kazi kwenye mahusiano kupitia rasilimali za kisaikolojia (2026): Utafiti wa mwasilishaji wa kati wa wanafunzi 1,198 wa chuo kikuu katika Zhengzhou, Uchina (Wang, 2026) uliunda mahusiano kama matokeo ya Ujuzi wa AI badala ya bidhaa ya upande wa matumizi ya zana. Ujuzi wa AI ulitabiri mahusiano ya kujifunza moja kwa moja na pia isiyo ya moja kwa moja kwa kujenga mtaji wa kisaikolojia, huku njia isiyo ya moja kwa moja ikibeba karibu nusu ya athari ya jumla — mwasilishaji wa sehemu, hivyo uwezo wa kiteknolojia hubadilika kuwa mahusiano tu kwa sehemu kupitia rasilimali za kisaikolojia zinazozalisha. Kujitolea kitaaluma, kigezo kinachotegemea utambulisho, kiliwasilisha uhusiano wa mtaji-wa-kisaikolojia-hadi-mahusiano bila athari yoyote ya moja kwa moja yenyewe, na tafsiri ya mtaji wa kisaikolojia kuwa mahusiano ilikuwa na nguvu zaidi kwa wanafunzi wanaojiona wanaoelekea kwenye taaluma. Muundo ni mfano wazi zaidi unaopatikana wa hoja hapo juu kuwa sifa za mwanafunzi zinaamua jinsi AI inaathiri mahusiano.

• Mazoezi ya kabla ya darasa ya AI yanaweza kuongeza ushiriki hai (2026): Jaribio la uwanini lililosajiliwa mapema na wanafunzi 759 wa MBA liligundua kuwa kuandaa na mwenzi wa majadiliano ya AI wa sauti kuliongeza michango ya hiari kwa karibu 31% katika vipindi vya baadaye, lakini tu baada ya matumizi ya pili; matumizi ya kwanza yalitangulia ushiriki wa chini (Wang et al., 2026).

• Kutokuhusika kama hatua ya kiwango cha mazungumzo, si hali thabiti: Rho et al. (2026) waliweka kodi kauli 5,522 za wanafunzi kwa wakala wa kufundishwa wa AI katika Math Nation katika kategoria sita za kutokuhusika kwa mazungumzo (Kujibu Kwa Uongo, Kudhihaki, Kutotoka, Kuiga, Kuzuia, Nasibu/Kelele) na waligundua kiwango cha mahusiano kilitawala kwa 75.7% ya kauli. Uhusiano wa kiwango cha kutawala wa Kujibu Kwa Uongo na Kudhihaki na alama za baada ya jaribio haukudumu katika uchanganuzi wa uwezo wa binadamu. Uchanganuzi wa mlolongo ndiyo matokeo yanayohusiana na mahusiano: kikundi chenye utendaji wa juu zaidi kilichanganya kutokuhusika wa wastani na mpito wenye nguvu wa kurudi-kwa-mahusiano (Kuzuia → Mahusiano p = 0.83), huku cha chini zaidi kikionyesha miduara ya kujirudia bila kurudi (miduara ya Mahusiano p = 0.96). Kuzuia ilikuwa aina moja ya kutokuhusika ambayo ilionekana kudumu badala ya kutatuliwa — kudumu dhidi ya kutengeneza, si kuwepo dhidi ya kutokuwepo, ni tofauti inayotenganisha njia za mahusiano.

Dhana Zilizounganishwa

• Wanafunzi — Wanaojifunza: mwanya wa dhana za upande wa mwanafunzi
• Ushirikiano wa Mbinu za Kufundisha — Mahusiano ya Mbinu za Kufundisha
• Jumuiya ya Uchunguzi — Jumuiya ya Uchunguzi (mahusiano ya wakala kama kipimo cha CoI)
• Kasha la Kielektroniki (E-Portfolio)
• Ufundishaji na Kujifunza Mtandaoni — Kufundisha na Kujifunza Mtandaoni
• Motisha
• Nadhari ya Kujitambua (SDT)
• Uzoefu wa Mwanafunzi
• Takwimu za Kujifunza
• Upimaji wa Kielimu
• Kujifunza kwa Kujidhibiti
• Kupunguza Mzigo wa Kiakili
• Metaji (Kufikiri Kuhusu Kufikiri)
• Uundaji wa Mifano ya Wanafunzi na Mafunzo Yanayobadilika
• Kujifunza Kufaa
• Mbinu za Utafiti katika AIED
• Elimu ya Juu
• Kuelekeza Matumizi ya AI kwa Wanafunzi
• Wahusika — Mwanya: watu na hadhira katika elimu ya AI (wanaojifunza, walimu, wabuni, wasimamizi, watayarishaji wa sera)
• Vipimo vya Kujitangaza
• Kushindwa kwa Zao (Productive Failure)

Makala Zilizounganishwa

• Disengaged Conversational Behaviors and Learning in Student-AI Dialogues for Mathematical Problem Solving — Tabia za mazungumzo za kutokuhusika na kujifunza katika mazungumzo ya mwanafunzi-AI (Rho et al. 2026)

• How assigned AI use before class shapes active student engagement in class — Mazoezi ya kabla ya darasa ya AI ya sauti yaliongeza michango ya hiari ya darasa kwa ~31%, lakini tu baada ya matumizi ya pili (Wang et al. 2026)

• Confident but absent: AI use, self-efficacy for independent learning, and student absenteeism in higher education — Matumizi ya AI yalisogea pamoja na kutokuwa darasa zaidi huku uwezo binafsi haukutabiri, na mvuto wa wenza ukiwa mhusika mkuu (Franco et al. 2026)

• When universities advocate GAI but practice falls short: student appraisals and creative process engagement in art education — Wakati vyuo vikuu vinatetea GAI lakini mazoezi hayaendani: tathmini za wanafunzi na mahusiano ya mchakato wa ubunifu katika elimu ya sanaa

• E3Sense: Head-Confined Multimodal Sensing of Learner Engagement — EEG iliyowekwa kichwani, ufuatiliaji wa jicho, na EDA zinataabiri ukadiriaji wa mahusiano wa ngazi tano, huku ufafanuzi wa wanaojifunza wenyewe ukibadilisha uramanishaji (Anupkrishnan et al. 2026)

• Fairness-Aware Multimodal Transformer Modeling for Real-Time Student Attention Estimation — Kuunda Mfano wa Transformer wa Uangalifu wa Mwanafunzi wa Wakati Halisi Unaoelewa Usawa

• Artificial Intelligence and Student Engagement in Online Learning: A Literature Review

• Artificial intelligence in higher education: a systematic review of its impact on student engagement and the mediating role of teaching methods — AI katika elimu ya juu: mapitio ya kimfumo ya mahusiano + jukumu la mwasilishaji la mbinu za kufundisha

• Examining the Impact of Generative AI on Student Motivation and Engagement: The Mediating Role of Autonomy-Support and Autonomous Motivation in Education — Athari ya Akili Bandia ya Kizalishaji kwenye Motisha na Mahusiano ya Mwanafunzi

• To Tab or Not to Tab: Measuring Critical Engagement in AI Code Completion Tools Using Behavioral Signals and Attention Checks — Kubofya Tab au au La: Kupima Mahusiano Mahususi katika Ukamilishaji wa Kodi ya AI

• Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents — Kupima Mahusiano ya Kiakili katika Mazungumzo ya Ushirikiano

• Not All Students Engage Alike: Multi-Institution Patterns in GenAI Tutor Use — Si Wanafunzi Wote Wanahusiana Vilevile: Miundo ya Taasisi Nyingi

• "Polished Artifacts, Fragile Engagement? Tackling the Challenge of Reduced Epistemic Effort in Human-AI Knowledge Construction" — Vitu Vilivyopangwa, Mahusiano Yenye Kudhoofu

• Why Put in This Much Effort?": How AI Availability Shapes Students’ Motivation in Introductory Programming — "Kwa Nini Kutoa Juhudi Hii Nyingi?": Jinsi Upatikanaji wa AI Unaunda Motisha

• Distinguishing performance gains from learning when using generative AI — Kutofautisha Maendeleo ya Utendaji Kutoka Kwa Kujifunza

• Scaffolding critical engagement with GenAI: Transforming ethnic minority preparatory students' collaborative discourse — Kuweka Ngazi za Msaada za Mahusiano Mahususi na GenAI

• Engagement Intensity as a Learner-Modeling Signal for Adaptive AI Ethics Instruction — Mahusiano ya Kina kama Ishara ya Kuunda Mfano wa Mwanafunzi

• Learning Engagement Assistant (LEA): Cross-Course Scalability and Classroom Evaluation of an Agentic AI Tutoring System — Msaidizi wa Mahusiano ya Kujifunza

• EduGage: Methods and Dataset for Sensor-Based Momentary Assessment of Engagement in Self-Guided Video Learning — Tathmini ya Mahusiano katika Kujifunza kwa Video

• From Heuristics to Analytics: Forecasting Effort and Progress in Online Learning — Kutoka Heuristi hadi Uchanganuzi: Kukadiria Juhudi na Maendeleo

• Interactive learning dashboards: rethinking learning visualisations as engagement tools — Dashibodi za Kujifunza Zinazowasiliana na Mahusiano

• Interaction Effects Between Learner Characteristics and Dialogue Format in TTS Dialogue-Based Lessons — Sifa za wanaojifunza × mwingiliano wa umbizo la mazungumzo ya TTS

• Explaining learning engagement in AI-assisted learning through teacher support and achievement goals: insights from goal-setting theory — Nadharia ya kuweka malengo: msaada wa mwalimu, malengo ya mafanikio, na mahusiano katika kujifunza Kiingereza kunaosaidiwa na AI (wanafunzi 758 wa Kichina)

• Engagement in LLM Chatbot-Supported Learning: The Pivotal Roles of GenAI Competency and Emotion — Uwezo wa GenAI na hisia kama viongozi wa mahusiano ya chatbot (Zhao et al. 2026)

• Chat as Learning: Student-AI Conversations as Discipline-Associated Cognitive Engagement Patterns — Mahusiano ya kiakili ya kiwango cha Bloom yanayohusiana na taaluma katika mazungumzo ya mwanafunzi-AI (Chang & Li 2026)

• GPT-4 feedback increases student activation and learning outcomes in higher education

• Exploring the impact of a GenAI-supported writing program on primary students' writing motivation, engagement — Maendeleo mahususi ya kipimo ya mahusiano katika kiwango cha msingi (Lu et al. 2026)

• Cultivating Design Creativity of Vocational Students: A Model of Project-Based Learning in AI-Enabled Immersive Virtual Environments — Mahusiano ya kiakili na ya tabia yamepanda, mahusiano ya kihisia yamesimama, katika studio ya PBL ya VR ya kuvutia (Jin et al. 2026)

• Enhancing enthusiasm for STEM education with AI: Domain-specific chatbot as personalized learning assistant — Jaribio la hisabati ya sekondari lililogawanywa kwa nasibu: hamu ya hali ilipanda na chatbot mahususi huku utendaji wa jaribio haukupanda (Rücker & Becker-Genschow 2025)

• The impact of artificial intelligence literacy on learning engagement among university students: the mediating role of psychological capital and the moderating role of professional identity — Ujuzi wa AI unaongoza mahusiano moja kwa moja na kupitia mtaji wa kisaikolojia, unaoimarishwa na kujitolea kitaaluma (Wang 2026)

• StudentBench: AI and human tutoring yield equivalent GRE learning gains — StudentBench: mafunzo ya AI na ya binadamu yanatoa maendeleo ya GRE yanayofanana

• The Effects of Course-Integrated AI Tutoring on Student Performance and Engagement: A Randomized University Trial — Upatikanaji wa mwalimu wa zana ya AI ulipunguza ushiriki wa jukwaa uliorekodiwa kwa SD 0.90 huku kuwasilisha kazi za nyumbani kikidumu (Liu et al. 2026)