Uzoefu wa Mwanafunzi

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

Uzoefu wa mwanafunzi — jinsi wanafunzi wanavyoona, kushirikiana, na kuathirika na zana za AI katika mazingira ya elimu. Kwa makala zaidi ya 85 katika hifadhi ya maarifa, uzoefu wa mwanafunzi ni moja ya vipimo vilivyotafitiwa zaidi vya AI katika elimu. AI inaathiri wanafunzi katika mwelekeo chanya na hasi, na zana ile ile inaweza kusaidia na kudhuru kulingana na jinsi inavyoundwa na kutumika.

Maswali ya Kutafakari

• Ukurasa unadai kuwa AI inaathiri wanafunzi katika mwelekeo chanya na hasi, mara nyingi wakati mmoja — zana ile ile inaweza kusaidia na kudhuru kulingana na muundo na matumizi. Unaweza kutoa mfano kutoka uzoefu wako mwenyewe ambapo AI ilisaidia na ikadhuru wakati huo huo?
• Inaelezea "pengo la utendaji–ujifunza": wanafunzi hufanya vizuri zaidi na AI lakini vibaya zaidi katika kazi za baadaye bila msaada. Unafikiri pengo hilo linatokana na nini, na ni nini kingehitajika kulifunga?
• Ikiwa kutegemea kupita kiasi AI kuna maana ya kukabidhi hoja za kiakili ambazo unahitaji kuzoeza, ungeweka wapi mstari kati ya msaada halali na upunguzaji wa mzigo unaoharibu ujifunza?
• Utafiti unauliza iwapo kujua tu kuwa AI inapatikana hubadilisha juhudi za mwanafunzi. Unafikiri ufahamu wa AI unawafanya wanafunzi kufanya kazi kwa bidii zaidi, kidogo, au kwa njia tofauti — na ungepimaje imani yako?
• Kwa kuzingatia kuwa upatikanaji wa AI na ufanisi hutofautiana kati ya idadi za wanafunzi, wasiwasi upi wa usawa unafikiri ni muhimu zaidi pale kozi inapopitisha zana ya AI, na ni nani anayewajibika kushughulikia?

Utangulizi

Jinsi uzoefu wa mwanafunzi unavyotafitiwa

• Dodoso kubwa: AI in the Wild inachanganua mwingiliano halisi wa maelfu ya wanafunzi wa chuo kikuu, wakati masudio ya upatikanaji na kuridhika yanahusisha upatikanaji wa AI na matokeo ya wanafunzi. Hizi ni vipimo vya kujitangaza: vinakamata vizuri mitazamo na nia na tabia tu kwa kiasi.
• Kutotumia ni msimamo wenye mantiki, si pengo la kufunga. Dodoso la Uingereza la vyuo mbalimbali la wanafunzi 7,087 lilipata 32% hawakutumia GenAI kwa masomo kabisa, wale ambao hawakutumia wakitaja kutaka kufanya kazi wenyewe (86%), ukosefu wa usahihi (81%), na wasiwasi wa maadili au wa mazingira (Gow et al., 2026).
• Miundo ya mwingiliano: Tracing GenAI literacy inaweka ramani jinsi wanafunzi wanavyoshirikiana na AI katika kazi. Uchanganuzi wa ilani unafichua viwango vya ushirikiano wa kiakili kupitia muundo wa ilani.
• Motisha na wakala: Upatikanaji wa AI na motisha inachunguza iwapo kujua kuwa AI inapatikana hubadilisha juhudi za mwanafunzi. Dhamira ya AIED isiyokamilika inaweka Wakala wa Mwanafunzi na Motisha kama changamoto kuu.
• Mitazamo na maoni: Dodoso za matumizi ya GenAI na masudio ya mifano ya akili yanachunguza jinsi wanafunzi wanavyoelewa na kuamini AI.
• Vipimo vya usawa: uzoefu wa mwanafunzi unakutana na Usawa — upatikanaji wa AI na ufanisi hutofautiana kati ya idadi za wanafunzi.

Njia AI inavyoathiri wanafunzi

AI inaathiri wanafunzi katika vipimo vya kiakili, vya motisha, vya kihisia, vya utambulisho, vya kijamii, na vya usawa. Utafiti unaonyesha athari chanya na hasi katika kila kipimo, mara nyingi wakati mmoja — mwelekeo unategemea muundo na matumizi.

Athari za kiakili

• Chanya: AI inaweza kuweka ngazi za msaada kwa ujifunza kwa Maoni, vidokezo, na maelezo, ikiunga mkono ufahamu, mazoezi, na Kutafuta Msaada. Wanafunzi wanaweza kutumia AI kujifunza jinsi ya kutumia AI vizuri, na zana zilizobuniwa vizuri zinamweka mwanafunzi akifanya kazi ya kiakili (tazama Je, AI Husaidia Wanafunzi Kujifunza?).
• Hasi: AI inaweza kusababisha kutegemea kupita kiasi na upunguzaji wa mzigo wa kiakili, ambapo wanafunzi hukabidhi hoja wanazohitaji kuzoeza. Hili ni pengo la utendaji–ujifunza: wanafunzi hufanya vizuri zaidi na AI lakini vibaya zaidi katika kazi za baadaye bila msaada (tazama Matumizi Mabaya ya AI na Madhara ya Kujifunza). Matumizi kupita kiasi yanaweza pia kupunguza Metaji (Kufikiri Kuhusu Kufikiri) na Kujifunza kwa Kujidhibiti.

Athari za motisha

• Chanya: AI inaweza kupandisha Motisha na ushirikiano kwa kutoa msaada wa kibinafsi, wa haraka, na wa hatari ndogo — kusaidia wanafunzi kudumu na kuhisi wenye uwezo (tazama mitazamo ya kujitambua juu ya uhuru, uwezo, na uhusiano).
• Hasi: Kujua kuwa AI inapatikana kunaweza kupunguza juhudi za mwanafunzi na motisha ya kupigania kwa tija (Upatikanaji wa AI na motisha, pengo la usalama). Kutegemea kupita kiasi kunaweza kupunguza Wakala wa Mwanafunzi na hisia za mafanikio zinazotokana na kufanya kazi mwenyewe.

Athari za kihisia na za ustawi

• Chanya: AI inaweza kutoa msaada wa shinikizo dogo, wa mahitaji, na kupunguza wasiwasi wa kuuliza maswali, ikiunga mkono Ustawi na uaminifu.
• Hasi: Matumizi ya AI yanahusishwa na wasiwasi na msongo wa mawazo, ikijumuisha hofu ya kubadilishwa, tathmini isiyo na uhakika, na shinikizo la kuendelea. Masudio kama uchanganuzi wa kina wa wasiwasi wa AI na AIvaluate yanarekodi gharama hizi za kihisia. Aibu na hatia kuhusu matumizi ya AI zinaweza kusababisha kuficha na ufichuli wa kuchagua, na kudhuru ushirikiano wa kweli na ustawi wa kihisia-kijamii. Shinikizo hizi ni ya ndani ya muktadha na ya kijamii badala ya kuandikwa: tazama kanuni za kijamii za matumizi ya AI. Masharti ya tathmini yanaongeza shinikizo lao: mapitio ya upeo wa uangalizi wa mbali katika tathmini ya uuguzi yanapata wanafunzi wenye wasiwasi kuhusu muunganisho na kuhusu kushutumiwa vibaya kwa wizi, watumiaji wa kwanza wa programu ya uangalizi wakiielezea kama inayosababisha wasiwasi na kuripoti ugumu wa kuzingatia wakati wanaangaliwa, na takribani moja ya tano wakikumbana na hitilafu za viendelezi vya kivinjari au muunganisho licha ya rasilimali za maandalizi.

Athari za utambulisho

• Chanya: AI inaweza kuunga mkono uundaji wa utambulisho kwa kuweka ngazi za msaada za unyenyekevu wa taaluma, uaminifu, na matamanio ya kitaaluma — mfano, kusaidia wanafunzi kujiona kama wataalam wenye uwezo.
• Hasi: AI inaweza kutishia utambulisho wa mwanafunzi kupitia upotevu wa uandishi na shaka ya uwezo — AI inapozalisha kazi, wanafunzi wanaweza kuacha kuihisi "yao." Paradoksi ya uwezo katika masuala ya ubunifu inaonyesha urahisi wa matumizi unapodhoofisha utambulisho wa ustadi unaotokana na uandishi.

Athari za uadilifu wa kitaaluma na usawa

• Hasi: AI inawezesha aina mpya za udanganyifu wa kitaaluma (insha zilizotengenezwa na AI, ukamilishaji bila idhini), na kuchochea majadiliano kuhusu kugundua na kupunguza. Hii inashirikiana na usawa: upatikanaji usio sawa wa, na ufahamu wa, zana za AI unaweza kupanua pengo kati ya wanafunzi.
• Chanya/ya ujenzi: AI inaweza kuunga mkono halisi, yanayoelekezwa na mchakato tathmini na mazoezi ya kutafakari (mfano, tathmini binafsi iliyoongozwa), na kubadilisha wasiwasi wa uadilifu kuwa fursa za Ujuzi wa AI na uwajibikisho.

Hesabu za wanafunzi kuhusu uadilifu ni za kutatuliwa kidogo kuliko mwelekeo wa udanganyifu unavyopendekeza. Mulisa na Mezgebu (2026) walihusisha wanafunzi 27 wa chuo kikuu cha Ethiopia na walipata mwili wa wanafunzi umegawanyika dhidi yake wenyewe: karibu wote walitumia GenAI au walitazama wanafunzi wenzao wakitumia na wengi waliishtumu kwa kupandisha mafanikio yao, wachache waliiita matumizi ya kozi ni uendeshaji mbaya wazi, na malalamiko makali zaidi na yaliyosambaa zaidi yalikuwa usawa — watumiaji wa AI wakipata alama za juu ya wanafunzi waliotenda kwa uaminifu, ambayo baadhi yalieleza kuwa linaua hisia zao za bidii na kumwachia mshiriki mmoja bila uhakika "iwapo tunafaidika au tunateseka kutokana na matumizi ya AI." Upande wa utaratibu pia ni muhimu: Munoz et al. (2026) walipanga kodi za matukio 1,162 ya uendeshaji mbaya wa GenAI na walipata kuwa ushahidi unaotajwa mara nyingi zaidi — matokeo ya kivinjari, ripoti za mfanano, miundo ya maudhui ya kawaida ya AI — ulikuwa na thamani ndogo zaidi ya ushahidi, na kwamba bila kizingiti cha chini cha ushahidi katika mchakato wanafunzi wenye kesi dhaifu walisukumwa kuelekea rufaa. Ufafanuzi mpana kupita kiasi unapanuka mfiko huo: Wright (2026) anaonyesha kuwa marufuku yanayolenga "AI ya kizalishaji" yanaweza kunasa zana ambazo hubadilisha tu muundo wa kazi ambayo mwanafunzi tayari ameandika, upanuzi ambao unaangukia kwa nguvu zaidi wanafunzi wenye ulemavu na wale walio wazi kwa usawa. Sharma (2026) anaonyesha njia ya ujenzi ya kutoka, akichukua uadilifu kama mazoezi ya kielimu yanayotekelezwa kupitia hukumu — njia za maamuzi zilizoandikwa, uthibitisho, utetezi wa mdomo, historia ya matoleo — badala ya utii uliopatawa kupitia uangalizi.

Uthibitishaji unaweza kubadilisha jinsi wanafunzi wanavyoona swali: ombi la kueleza kazi yao kwanza lilisomwa kama shutumu, lakini mara mwalimu alipoliweka mapema katika mtaala kama mbinu za kufundisha badala ya uangalizi walifichua matumizi ya AI kwa uwazi zaidi na walichukua kazi kama kazi za kujifunza, katika mazungumzo ya dakika tano hadi kumi (Mandernach, 2026).

Athari za kijamii na za mahusiano

• Chanya: AI inaweza kuwasilisha ushirikiano na mwingiliano wa binadamu–AI, ikiunga mkono kazi ya timu, mwingiliano wa wanafunzi, na upatikanaji wa mitazamo mbalimbali.
• Hasi: AI inaweza kupunguza mwingiliano halisi wa wanafunzi na waalimu, kuunda tabia za kubembeleza za, na — inapotenda kama mwanachama wa timu asiyejulikana — kuunda upya mazungumzo ya kikundi na Wakala wa Mwanafunzi kwa njia wanafunzi wasioweza kuona au kupinga (tazama wakala anayejitokeza wa mwanafunzi katika HAI isiyo wazi).

Athari za muda mrefu / uwezo

• Chanya: AI inaweza kusaidia wanafunzi kujenga ujuzi unaoweza kuhamishwa kwa ajili ya mahali pa kazi yaliyounganishwa na AI — uwezo unaobadilika kama Ujuzi wa AI, Utambuzi Uliosambaa, na Metaji (Kufikiri Kuhusu Kufikiri) — na kupandisha matarajio kuhusu utayari wa ujuzi wa AI (matarajio ya ujuzi wa AI kwa wahitimu).
• Hasi: Uzoefu wa AI unaotegemea kupita kiasi au usio na tafakari unaweza kuwaacha wanafunzi wenye uwezo mdogo wa kutenda bila AI, wanaojifunza kidogo hoja za kiakili huru, na wasio na uhakika wa uwezo wao wenyewe (tazama matumizi mabaya ya AI na madhara ya kujifunza).

Kwa ujumla: zana ile ile ya AI inaweza kuunga au kudhoofisha wanafunzi kulingana na muundo na matumizi. Kinga katika ukurasa wote ni kumweka mwanafunzi akifanya kazi muhimu ya kiakili wakati wa kutumia AI kwa msaada (weka ngazi za msaada, usibadilishe), na kuzingatia wigo wote wa athari — si utendaji tu. Usanidi mmoja hubadilisha mahali uzoefu unapoanza: AI inapozalisha nyenzo za kozi zenyewe badala ya kusaidia kazi za nyumbani, wanafunzi huwa wakaguzi wa mtaala wao wenyewe. Katika kozi ya Sidorkin (2026) ya shahada ya juu, wanafunzi walithamini umahususi wa muktadha na uwezo wa kurekebisha maandishi yaliyotengenezwa na asilimia 75 walikubaliana walijifunza zaidi ya katika kozi inayolinganishwa bila mshirika wa AI, lakini walihitaji kutoa ubora wa chanzo kutoka muktadha kwa sababu viungo vya Wikipedia na marejeo yaliyokaguliwa na marika vilionekana katika orodha zile zile bila lebo, na wanaojibu 4 kati ya 24 walitumia lugha ya utegemezi, mmoja akiweka mwenyewe kama "mwenye utegemezi kiasi na AI kwa uhakika na muundo."

Matokeo ya muda mrefu zaidi ambayo mwanafunzi huyapata — iwapo atarejea kipindi kinachofuata, kukusia alama, na kuhitimu — ni ya taasisi badala ya ya mafunzo, na Msaada kwa Wanafunzi na Mafanikio inafuatilia jinsi msaada wa AI unavyoathiri: ukamilishaji wa kazi unasonga kwa urahisi, kudumu na kuhitimu vigumu zaidi.

Mahusiano

Uzoefu wa mwanafunzi unaungana na Kutegemea Kupita Kiasi (utegemezi kupita kiasi wa AI), Ujuzi wa AI (ujuzi wa matumizi yenye ufanisi), Kupunguza Mzigo wa Kiakili (jinsi AI inavyobadilisha kazi ya kiakili), na ushirikiano (jinsi mifumo ya AI inavyopima na kujibu tabia ya mwanafunzi). Ni mwanachama wa upande wa mwanafunzi wa Wahusika mwanya, na ni nyumba ya kuelezwa kwa njia zote ambazo AI inaathiri wanafunzi.

Dhana Zilizounganishwa

• Wanafunzi — Wanafunzi: mwanya wa dhana za upande wa mwanafunzi
• Ushirikiano wa Mbinu za Kufundisha — Ushirikiano wa Mbinu za Kufundisha
• Utambulisho wa Mwanafunzi — utambulisho wa mwanafunzi unaobadilika wa taaluma, kitaaluma, kibunifu, na wa kielimu
• Wakala wa Mwanafunzi
• Ustawi
• Wasiwasi na Mkazo
• Kujifunza Kihisia na Kijamii
• Usimamizi wa Mitihani wa Nje ya Awamu ya Mwili
• Akili Bandia ya Kizazi
• Mifano Mikubwa ya Lugha (LLM)
• Elimu ya Juu
• Ujuzi wa AI
• Kupunguza Mzigo wa Kiakili
• Usawa
• K-12
• Ngazi za Msaada
• Metaji (Kufikiri Kuhusu Kufikiri)
• Kujifunza kwa Kujidhibiti
• Kuelekeza Matumizi ya AI kwa Wanafunzi
• Uadilifu wa Kitaaluma
• Wahusika — Mwanya: watu na hadhira katika elimu ya AI (wanafunzi, waalimu, wabuni, wasimamizi, watengenezaji wa sera)
• Vipimo vya Kujitangaza
• Mahusiano ya Mwanafunzi — jinsi mifumo ya AI inavyopima na kujibu tabia ya mwanafunzi
• Mila ya Matumizi ya AI — jinsi matumizi ya AI yanavyokuwa ya kuwiana kwa wanafunzi wenzao
• Msaada kwa Wanafunzi na Mafanikio — upande wa taasisi wa msaada: kile chuo kikuu kinafanya kwa wanafunzi, si kile kinachotokea katika kozi

Makala Zilizounganishwa

• Stuck in a Spiral": Shame and Guilt as Social Regulators of AI Use in Computing Education — Aibu na hatia kama udhibiti wa kijamii wa matumizi ya AI
• The Competence Paradox: Negotiating Ease, Risk, and Creative Identity in Text-to-Image Generative AI Use Among Art and Design Students — Paradoksi ya uwezo: utambulisho wa kibunifu katika matumizi ya GenAI ya maandishi-kwa-picha
• The Best Response to Student AI Use Is Not Detection, It Is Dialog
• How Does Students' Perception of ChatGPT Shape Online Learning Engagement and Performance?
• Is using artificial intelligence tools for academic work cheating? Student perceptions, ethics, and the impact on academic performance and critical thinking
• "It is a temptation to get it to do the work…" Student Experiences of Navigating the Generative AI Landscape in UK Higher Education: A Cross-Institutional Survey with International Comparison
• Metacognitively Discordant Completion and the Aware Pass-Through of Non-Understanding in Generative AI Learning
• AI-Generated Interactive Fiction for Educational Use: A Pilot Study of Perceived Comprehensibility, Coherence, and Engagement
• AI in the Wild: A Large Scale Analysis of Authentic Interactions of College Students with Generative AI
• Generative AI Availability, Grades, and Student Satisfaction at a Large University
• It's OK Because...": The Wild West of Student Rationalization of AI Use in Academic Writing — Uhalalishaji wa wanafunzi wa matumizi ya AI katika uandishi wa kielimu (Kim et al. 2026)
• Tracing GenAI Literacy: Student-AI Interaction Patterns in Academic Writing
• Cognitive Offloading in Student–AI Collaboration: A Longitudinal Analysis of Prompting Strategies
• Why Put in This Much Effort?": How AI Availability Shapes Students’ Motivation in Introductory Programming
• AIED's Unfinished Mission: Centering Agency and Motivation in the Age of Effortless Bypass
• Uncovering Students' Mental Models of Generative Artificial Intelligence
• A study of GenAI usage by Design Students: Analysis of Survey Results and Journals of AI practices at the Politecnico di Milano in 2025/2026
• Exploring AI-Supported Disciplinary Mediation in Student Project Teams' Text-Based Communication
• AI skills for college graduates: Exploring how instructors and employers prioritize AI skills differently — Matarajio ya ujuzi wa AI kwa wahitimu wa chuo kikuu dhidi ya utayari wa taasisi
• Analysis of Types of Inquiries in Student-AI Interaction: A case study of two CS2 tasks — Uchanganuzi wa Aina za Maswali katika Mwingiliano wa Mwanafunzi–AI
• Navigating AI in STEM: What Secondary Students Actually Do With Generative AI-Driven Tools — Wanafunzi wa sekondari hufanya nini na zana za GenAI katika STEAM
• Inquiry-Based Learning in STEM Education: The Impact of Generative AI-Based Chatbots on Primary School Students' Problem Posing Ability in Science — Chatbot za GenAI na kuweka matatizo katika sayansi ya msingi
• Heads We Win, Tails You Lose: AI Detectors in Education — Heads we win, tails you lose: vijakati vya AI katika elimu (Bassett et al. 2026)
• The Safety Gap: Restoring Productive Struggle Through Pedagogically Aligned Generative AI — Pengo la Usalama: Kurejesha Kupigania kwa Tija
• Exploring student anxiety and experience in performance-based assessments using AIvaluate: an LLM-augmented emotionally — AIvaluate: Tathmini ya Wasiwasi wa Mwanafunzi Iliyoimarishwa na LLM (2026)
• AI Anxiety: A Comprehensive Analysis of Psychological Factors and Interventions — Uchanganuzi wa kina wa wasiwasi wa AI
• Students' Perceptions of Artificial Intelligence Tools for Study Productivity and Learning: An Exploratory Survey Study — Students' Perceptions of Artificial Intelligence Tools for Study Productivity and Learning: An Exploratory Survey Study
• Factors Associated with Students' Adoption of Artificial Intelligence Technology in Tertiary Education: A Meta-Analytic Review — Mtazamo wa kupitisha baada ya sekondari
• Raising Ethical Awareness of GenAI Use Through Student Self-Assessment in the Transition to Higher Education — Kupandisha ufahamu wa maadili wa matumizi ya GenAI kupitia tathmini binafsi ya mwanafunzi
• Reimagining Success and Failure: Equitable Assessment Practices in an Age of Artificial Intelligence — Tathmini ya usawa katika zama za AI
• Longitudinal Insights into AI in Education: Usage, Ethics, and Policy Development in Higher Education — Matumizi ya muda mrefu ya GenAI, maadili, na sera katika elimu ya walimu (Parker et al. 2026)
• The Use and Usefulness of GenAI in Higher Education: Student Experience and Perspectives — Uzoefu wa mwanafunzi wa ufaafu wa GenAI katika elimu ya juu ya Australia (Chung et al. 2026)
• Modelling Generative AI's Influence on Students' Perceived Decision Capability: A Cognitive Load and Decision Augmentation Approach — GenAI na uwezo unaoonekana wa uamuzi wa wanafunzi (akaunti ya mzigo wa kiakili)
• Conceptualizations of GenAI and Students' Professionalization: Within the Multi-Layered Environment of Learning for Higher Education — Dhana za GenAI na umahiri wa kitaaluma wa mwanafunzi
• From One-Size Texts to Tailored Readings: Student Experiences with AI-Generated Course Materials — Wanafunzi kama wakaguzi wa mtaala wao wenyewe uliotengenezwa na AI (Sidorkin 2026)
• Tools facilitate cheating, or partner supports learning? GenAI and academic integrity issues from students' perspectives — Wanafunzi kuhusu iwapo GenAI ni zana ya wizi au mshirika wa kujifunza
• How strong is the evidence in generative AI-related academic misconduct allegations? A mixed-methods analysis — Faili za shutumu za uendeshaji mbaya zina nini kama ushahidi
• Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment — Kanuni za AI za kupanua kupita kiasi na wanafunzi wanaonaswa
• Educational integrity in GenAI-augmented assessment: making judgment visible — Uadilifu kama hukumu ya kutathmini badala ya utii
• Under surveillance: Mapping remote proctoring practices in the assessment of nursing students — a scoping review — Gharama za kihisia na za usawa za uangalizi wa mbali kwa wanafunzi