Uhamishaji wa Kujifunza

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

Uhamishaji wa Kujifunza — kiwango ambacho maarifa au ujuzi uliopatikana katika muktadha mmoja (mfano, mazoezi na zana ya AI) hudumu na hutumika katika muktadha tofauti (mfano, utendaji huru bila zana). Katika AI katika elimu, uhamishaji ni swali kuu la wazi: iwapo faida za utendaji wanafunzi wanazoonyesha na zana za AI zinabadilika kuwa kujifunza kudumu wanaoweza kuonyesha bila zao.

Maswali ya Kutafakari

• Hapa kuna muundo wa kushangaza unaoandaliwa na ukurasa huu: wanafunzi mara nyingi wanaonyesha faida za papo hapo kwenye kazi zinazosaidiwa na AI, lakini faida hizo zinaweza kupotea — au hata kugeuka — wakati AI inaondolewa. Kabla ya kusoma maelezo, kwa nini unafikiri zana inayosaidia wazi katika wakati huo inaweza kuwaacha wanafunzi hali mbaya zaidi bila yake?
• Kumbuka kitu ulichojifunza kufanya na mwalimu, kikokotoo, au msaidizi na kisha ulihitajika kufanya peke yako. Je, ujuzi ulihamishwa, au ulihisi utegemezi kwa nyenzo? Ni nini kilikuwa tofauti kuhusu uzoefu ambao ulihamishwa vizuri dhidi ya ule usiohamishwa?
• Hisia ya kawaida ni kwamba "mazoezi ni mazoezi" — kwamba kufanya kazi kwa msaada hujenga ujuzi ule ule na kuifanya peke yako. Je, hisia hiyo inaweza kupotosha wapi, hasa wakati msaada ni AI inayokamilisha ufikiri badala ya kukuongoza kupitia huo?
• Ukurasa unatoa tofauti kati ya "athari na" teknolojia na "athari za" teknolojia — kufanya vizuri zaidi wakati wa kutumia zana dhidi ya kuwa na uwezo zaidi bila yake. Ikiwa wewe ni mkufunzi, mbuni, au mwanafunzi, ni lipi kati ya hizi lengo lako halisi, na ungejua vipi umehalifu?
• Ushahidi unaonyesha kuwa kiasi cha kazi ya kiakili unayoweka kwa wengine ni muhimu: kuweka kwa wengine kazi za uso kama sarufi kuliudhi uhamishaji kidogo kuliko kuweka kwa wengine ufikiri wa kina na muundo. Fikiria mara ya mwisho ulipotumia AI kwenye kazi. Ni "tabaka" gani uliweka kwa wengine, na chaguo lako linatabiri nini kuhusu kile ungehifadhi?
• Ukurasa unapendekeza hali ambazo zinaweza kuunga mkono uhamishaji chanya — kieledu Vizuizi vya Usalama, kupunguza msaada polepole, upatanishi na utayari wa mwanafunzi. Ikiwa ungekuwa unabuni (au ungekuwa mtumiaji wa) zana ya kujifunza ya AI, ungeishinizia nini ili faida za kuitumia ziwe uwezo wa kudumu bila yake?

Utangulizi

Uhamishaji wa kujifunza ni wasiwasi wa msingi katika elimu ya utafiti, na zana za AI zimeifanya kuwa ya haraka. Muundo halisi wa kihalisia unaoandaliwa katika masudio ya AI katika elimu ni paradoksi ya uhamishaji: wanafunzi wanaotumia AI kwa kawaida wanaonyesha faida za papo hapo, zinazoweza kupimwa kwenye kazi ambapo AI inapatikana, lakini faida hizo mara nyingi hazidumu — au hata zinageuka — wakati AI inaondolewa na wanafunzi wanahitajika kuonyesha ufahamu peke yao. Muundo huu unahusisha Kutegemea Kupita Kiasi, Nadharia ya Mzigo wa Kiakili, na Metaji (Kufikiri Kuhusu Kufikiri) kama mbinu zinazofanya kazi, na inaungana moja kwa moja na mijadala kuhusu ubuni wa Mafunzo ya AI.

Utayari sio uhamishaji: mazoezi ya kuzungumza yanayosaidiwa na AI yalihusishwa na wasiwasi mdogo wa kuzungumza na nia ya juu ya kuwasiliana na binadamu, hata hivyo hakuna somo lililoona binadamu akizungumza, ikiruhusu njia kutoka mazoezi ya AI hadi uwezo wa mawasiliano ya binadamu kubaki pendekezo la kieledu ambalo halijajaribiwa (Wang & Li (2026)).

Paradoksi ya uhamishaji

Wanafunzi wanaotumia AI kwa kawaida wanaonyesha faida za papo hapo, zinazoweza kupimwa kwenye kazi ambapo AI inapatikana. Hata hivyo wakati AI inaondolewa:

• Athari zinakuwa mchanganyiko au hasi
• Faida mara nyingi zishindwa kuhamishwa kwa mipangilio isiyotathminiwa
• Wanafunzi wanaweza kuwa wategemea zana kwa gharama ya ufikiri huru

Msingi wa ushahidi, uliounganishwa katika mapitio ya Stanford Evidence Base on AI in K-12, unalingana katika nyanja zote:

Somo	Muktadha	Athari ya Papo Hapo	Athari ya Uhamishaji	Mbinu
Bastani et al. (2025)	Hisabati ya sekondari	Alama za juu za mazoezi	~17% mbaya zaidi katika mitihani ya mwisho ya kitabu kimoja	Chatbot ya matumizi ya jumla ilifanya kazi
Chen et al. (2025)	Kazi za nyumbani za programu	Alama za juu za kazi za nyumbani	Hakuna maboresho katika mitihani bila msaada	Mifano Mikubwa ya Lugha (LLM)-Tutor ilitatua matatizo kwa wanafunzi
Lehmann et al. (2025)	Programu	Mada zaidi zilizojumuishwa	Ilidhuru ufahamu; ilipanua mapengo	AI ya jumla kwa wanafunzi wenye maarifa ya awali ya chini
Stadler et al. (2024)	Utafiti wa kitaaluma	Ukamilishaji wa kazi wa haraka	Ufikiri wa ubora wa chini dhidi ya utafutaji	ushiriki wa kiakili uliopunguzwa
Kosmyna et al. (2025)	Uandishi wa insha	Ubora wa juu wa insha	83% walishindwa kukumbuka nukuu zao wenyewe	Uandishi uliwekwa kwa wengine

Masudio yote matano yanaonyesha muundo wa uhamishaji hasi au batili wakati AI ya matumizi ya jumla ni uingiliaji.

Mbinu zinazodhoofisha uhamishaji

Utoaji wa metaji. AI inayokamilisha ufikiri inapunguza fursa kwa wanafunzi kufuatilia ufahamu wao wenyewe na kuteua mikakati. Wanafunzi waliotumia AI walikuwa wana uwezo mdogo wa kueleza majibu yao walipoulizwa. Hii inaungana na utafiti wa Metaji (Kufikiri Kuhusu Kufikiri) kuhusu kujifuatilia mwenyewe na ushahidi kwamba kozi zilizo na muundo zinaongeza uwezo wa metaji wakati wasaidizi wa LLM ghafi hawafanyi hivyo.

Kuzuia mzigo wa faida (germane). AI ya matumizi ya jumla inapunguza sio tu mzigo wa kiakili wa nje (usiosababisha msongamano) bali pia mzigo wa faida — juhudi za kiakili zinazozalisha zinazosimba maarifa ya kudumu. Mazoezi rahisi yanahisiwa vizuri lakini yanasimba alama dhaifu. Ona Nadharia ya Mzigo wa Kiakili na tofauti kati ya mafunzo mahususi ya mafunzo dhidi ya AI ya jumla.

Kutegemea kupita kiasi / ugeuzaji wa utaalam. Wanaoanza waliopewa majibu hawajenga skimu. AI ya jumla hutoa majibu; mafunzo yenye ufanisi hutoa mwongozo ulio na muundo. Wanapopewa njia za mkato za kiwango cha wataalam, kujifunza kunavurugwa — kanuni ya Changamoto Zinazotamanika kwa kinyume.

Utendaji unaotegemea zana. Wanafunzi wanaweza kuboresha kwa sifa maalum za zana ya AI (uhandisi wa ilani, utegemezi kwa muundo wa kodi iliyozalishwa) badala ya kujenga ujumuishaji wa taaluma — aina ya kuweka kiakili kwa wengine inayohisiwa kama yenye tija lakini inachukua nafasi ya kujifunza kudumu.

Darasa lililolindwa linaweza pia kufundisha tabia potofu: Shi, Dai & Zhang (2026) wanaonya kwamba uigaji wenye kanuni zilizowekwa awali huchuja kutokuwa na uhakika na kuimarisha kufuata kanuni, hivyo tabia za uamuzi zilizoundwa ndani yao zinaweza kuwa mzigo wa kiakili wanafunzi wanapokutana na maslahi yanayoshindana na habari isiyokamilika katika mipangilio halisi. Uweka kwa wengine unaolingana na tabaka na uhamishaji. Chen (2026) anajaribu moja kwa moja tofauti ya Salomon, Perkins & Globerson ya "athari na dhidi ya athari za teknolojia" katika uandishi unaosaidiwa na GenAI: majaribio ya kijaribio-kwa-majaribio ya wiki nane yaligundua ushirikiano wazi wa AI ulipandisha utendaji wa uandishi unaosaidiwa lakini ulizalisha matokeo ya chini kabisa ya uhamishaji wa karibu wa huru bila AI, wakati msaada ulio na mipaka na tafakari ulihifadhi uwezo huru. Tabaka za kina za kuweka kwa wengine (ufikiri, muundo) zilitabiri uhamishaji mbaya zaidi ya tabaka za uso (sarufi). Hii ni ushahidi wa moja kwa moja wa darasa kuwa faida za utendaji za AI zilizosaidiwa na msaada hazihamishwi kwa utendaji huru unaosaidiwa bila — na kuwa kina cha kuweka kwa wengine, sio tu iwapo AI inatumika, huunda uhamishaji.

Mfano wa nyongeza, hata kama ni wa kuchanganyika, unakuja kutoka fizikia: kubuni upya na Chuo Kikuu cha Bochum cha kozi ya utangulizi ya fizikia ya nyuklia na chembechembe (Mikhasenko et al., 2026) ilikuwa na wanafunzi walikamilisha matatizo ya utafiti ya ushirikiano, yenye rasilimali zaidi kwa msaada wa AI, hata hivyo wanafunzi wale wale walipata wastani wa 20.6/80 katika mtihani wa kawaida wa kuandika bila msaada, na majaribio kadhaa makubwa yalishindwa kukamilisha mahesabu ya kawaida. Waandishi wanasoma hili kama ushahidi kwamba utendaji unaosaidiwa hauhamishwi kiotomatiki hadi utendaji usioombwa, na dawa yao ni ubuni wa makusudi: kufanya mtihani wa kuandika kuwa uamuzi pekee wa alama, kutoa matatizo ya mafunzo mapema ili muda wa darasa uwe majadiliano yaliyoandaliwa, na kuongeza maandalizi ya sharti, mifano iliyofanya kazi na kuimarisha kuzunguka kazi ya uchunguzi ya AI inayoruhusiwa.

Hali zinazounga mkono uhamishaji chanya

Ushahidi mdogo unaonyesha uhamishaji unawezekana wakati:

• Vizuizi vya kieledu vipo — vidokezo vya hatua kwa hatua, kulenga dhana potofu, maswali ya Sokratiki (toleo la mafunzo la Bastani et al., 2025)
• Mikakati ya kitamaduni inahifadhiwa — kuchukua noti pamoja na matumizi ya AI yaliboresha kuhifadhi (Kreijkes et al., 2026)
• AI inatumika kwa mazoezi ya mchakato, sio ya mwisho — ngazi za msaada wakati wa kujifunza, sio wakati wa tathmini
• Muundo wa mazoezi unalingana na maarifa yanayohamishwa. Rachatasumrit, Koedinger & Carvalho (2025) wanagundua kuwa faida za mazoezi ya urejeshaji mara nyingi zishindwa kuhamishwa kwa matatizo yasiyofahamika — zinaimarisha kumbukumbu ya utaratibu bila kuwezesha matumizi yake katika miktadha mipya — na kuwa ujumuishaji wa kudumu kwa matumizi mapya unahitaji kuunganisha mazoezi na mifano iliyofanya kazi inayounga mkono uundaji wa ujuzi; uwiano bora wa mfano–tatizo hivyo inategemea iwapo maudhui ni ukweli wa maneno au ujuzi unaoweza kujumuishwa.
• Utaalam wa mwanafunzi unapatanishwa — zana inabadilisha msaada kwa utayari badala ya kudumu kutoa msaada kamili
• Uhamishaji kama kigezo kinachotenganisha kujifunza kutoka msaada. Yan na Gašević (2026) wanajenga nadharia yao ya kujifunza kwa binadamu-AI kuzunguka uhamishaji chini ya msaada uliopunguzwa: utendaji unaosaidiwa unahesabiwa kama kujifunza tu iwapo uwezo unadumu msaada unapoondolewa, ambayo hufanya uhamishaji kuwa jaribio badala ya matokeo mmoja kati ya kadhaa. Pendekezo lao ni la mwelekeo, kwamba kuhitaji ukaguzi wa chanzo au udhibitishaji wakati wa kazi inayosaidiwa na AI unapaswa kuboresha utendaji ulioahirishwa, wakati kuweka kwa wengine bila ujenzi kwa mara nyingi kwa urahisi kupunguza upatanishi wa wanafunzi wa uwezo wao wenyewe.
• Mwongozo unapatikana pamoja na kazi. Dhidi ya muundo wa uhamishaji hasi katika jedwali hapo juu, kulinganisha kwa washiriki 36 kuligundua wanafunzi waliosaidiwa na roboti ya mezani walishikilia alama yao ya 7.0/10 msaada ulipoondolewa wakati wanafunzi waliosaidiwa na ChatGPT walipungua hadi 4.4/10, alama ya uhamishaji wa muda mfupi ya 60% ya juu (Orlando et al. (2026)). Matokeo ni uhamishaji wa muda mfupi uliopimwa takribani dakika 35 baada ya kazi, bila jaribio la kuhifadhi lililoahirishwa, katika washiriki 36 katika chuo kimoja.

Hii inalingana na utafiti wa Mafunzo ya AI unaoonyesha kwamba zana mahususi za mafunzo zenye vizuizi vya kieledu hushinda chatbots za matumizi ya jumla, na kanuni za Ngazi za Msaada kuhusu kupunguza msaada polepole uwezo unavyokua.

Maswali ambayo hayajajibiwa

1. Kiwango cha muda: Je, uhamishaji unaboresha wiki/miezi ya matumizi, au utegemezi unazidi kuwa wa kina?
2. Tofauti za nyanja: Je, uhamishaji ni bora zaidi katika nyanja zilizo na muundo mzuri (hisabati) dhidi ya zisizo na muundo (uandishi)?
3. Tofauti za kibinafsi: Je, wanafunzi wenye Maarifa ya Awali wanasumbuliwa kidogo na upotevu wa uhamishaji kuliko wanaoanza?
4. Urekebishaji wa ujuzi: Je, vipindi vya mazoezi ya wazi ya "AI-imezimwa" vinaweza kubadilisha utegemezi wa zana?

Mahusiano na dhana zinazohusiana

Uhamishaji wa kujifunza unaungana na Metaji (Kufikiri Kuhusu Kufikiri) (kujifuatilia mwenyewe ufahamu), Nadharia ya Mzigo wa Kiakili (mzigo wa faida dhidi ya wa nje), Changamoto Zinazotamanika (mapambano yenye tija), Ngazi za Msaada (kupunguza msaada polepole), Kutegemea Kupita Kiasi (utegemezi wa zana), na Kujifunza kwa Mtazamo wa Kitamaduni na Kijamii (AI ya matumizi ya jumla hufanya kazi nje ya ZPD kwa kukamilisha kazi kwa wanafunzi). Ni daraja kati ya utendaji unaosaidiwa na kujifunza halisi — tofauti kati ya The Evidence Base on AI in K-12: A 2026 Review na swali kuu kwa ufanisi wa Mafunzo ya AI.

Dhana Zilizounganishwa

• Mifumo ya Kufundisha — Matokeo ambayo milolongo mingi ya hivi hatimaye inahukumiwa juu yake
• Metaji (Kufikiri Kuhusu Kufikiri)
• Changamoto Zinazotamanika
• Kupunguza Mzigo wa Kiakili
• Ngazi za Msaada
• Kujifunza kwa Mtazamo wa Kitamaduni na Kijamii
• Ufafanuzi wa Akili Bandia
• K-12
• Kujifunza kwa Kujidhibiti
• Nadharia za Kujifunza
• Kushindwa kwa Zao (Productive Failure) — Kushindwa Kwenye Tija

Makala Zilizounganishwa

• Agentivism: a learning theory for the age of artificial intelligence — Nadharia ya kati ya kujifunza kwa mwingiliano wa binadamu-AI, yenye mbinu nne na mapendekezo sita yanayoweza kujaribiwa (Yan na Gašević 2026)

• Layer-Sensitive Cognitive Offloading in Generative AI-Assisted Writing: Supported Performance and Independent No-AI Outcomes — Kuweka kiakili kwa wengine kwa kulingana na tabaka katika uandishi unaosaidiwa na GenAI (Chen 2026)

• The Evidence Base on AI in K-12: A 2026 Review

• Knowledge without Wisdom: Measuring Misalignment between LLMs and Intended Impact

• Cognitive offloading and the speedup illusion in human-AI interaction

• Vibe Compiler: A Research-Logic Synthesis Tool That Runs without Prompt Engineering -Toward Enhancing Metacognition for Sustaining Agency in the Age of Generative AI-

• Rethinking Higher Education: From Fixed Curricula to Learnity Graphs

• Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education — Tofauti ya utendaji-kujifunza na uhamishaji wa kudumu

• Towards the Pedagogical Steering of Large Language Models for Tutoring: A Case Study with Modeling Productive Failure — Uelekezaji wa Kieledu wa LLM kwa Kushindwa Kwenye Tija

• Evidence and Theory for why the Best Example-Problem Ratio To Optimize Learning Gain Depends on Knowledge Content

• AI in Particle Physics Education: Research Problems and Foundational Skills — AI katika Elimu ya Fizikia ya Chembechembe: Matatizo ya Utafiti na Ujuzi wa Msingi

• From Memorization to Experiential Learning: Reconfiguring Classroom Pedagogy in Management Education through Generative AI — inadai kwamba uigaji wa darasa lililolindwa unaweza kuunda tabia za uamuzi zinazoshindwa nje yake

• AI-Assisted Speaking Practice and Human-Directed Communicative Readiness: Survey and Scenario Evidence on Anxiety, Self-Efficacy, and Evaluation Pressure — Mazoezi ya kuzungumza yanayosaidiwa na AI yalipandisha nia kuelekea binadamu lakini hakuna somo lililoona binadamu akizungumza

• AIfred: Augmented Learning through Functional Robotic Embodiment at the Desk — AIfred: Kujifunza Kwa Kupanuliwa Kupitia Uwepo wa Roboti wa Kazi mezani