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

What Are Notable Gaps in the Research Literature on AI in Education?

Mapengo yenye madhara makubwa zaidi katika AI katika Elimu (AIED) yanahusu iwe miundo mahususi ya kielimu huzalisha faida za kudumu, kwa nini, kupitia michakato gani, na chini ya masharti gani — sio tu iwe AI inaweza kutekeleza majukumu ya kielimu. Hifadhi ya maarifa inaonyesha mbinu zinazotumainiwa pamoja na udhaifu unaoendelea katika upimaji, utabiri wa sababu, uwezekano wa kueneza, utekelezaji, na urudufu. Mara nyingi haya ni mapengo katika nguvu, umahususi, au uwezekano wa kutumika wa ushahidi badala ya kutokuwepo kabisa kwa utafiti. Angalia Vikomo katika Utafiti wa AIEd.

Mapengo pia hutofautiana katika uwanja huu. Ushahidi kuhusu mifumo iliyokithiri ya masomo ya kipekee ya akili, uchanganuzi wa kubashiri, AI inayozalisha, na mawakala huru haupaswi kuchukuliwa kama yanayoweza kubadilishana. Vivyo hivyo, kutumia AI kusaidia kujifunza na kufundisha watu kuhusu AI kunahusisha maswali ya utafiti yanayohusiana lakini tofauti, kama inavyoelezea muhtasari wa Akili Bandia katika Elimu.

1. Kutenga kile AI inaongezea zaidi ya mafunzo mazuri

Majumuisho makini ya darasa yapo, kwa hivyo pengo haliwezi kuelezewa tena kama "tunahitaji majaribio ya nasibu." Swali la usahihi zaidi ni iwe sehemu ya AI inaongeza thamani zaidi ya mazoezi ya ziada, nyenzo bora, maoni ya wakati, au msaada wa ziada wa mafunzo.

Kwa mfano, One Click Away: AI Tutoring with Khanmigo in a Two-Year School Experiment inaripoti faida ndogo za mafanikio katika shule 18 za kati, pamoja na ushiriki mdogo wa kiubaini na mwalimu-mtu. Waandishi wanabainisha kwamba faida zilikuwa zinazofanana na zile zinazohusiana na mazoezi yaliyopangwa bila AI. Hii inaweka msingi wa ushahidi kuhusu kifurushi cha kielimu kilichotekelezwa, lakini haitengei kwa njia ya wazi mchango wa ziada wa sehemu yake ya AI.

Tatizo la chini ni la kielewa na la kielimu. "ChatGPT" ni jina la zana, sio mbinu, na Weidlich et al. (2025) wanakagua 2025 mifano 19 ya ChatGPT katika elimu kuonyesha gharama ya hilo: ni 4 (21%) tu zinabainisha yote matatu ya matibabu yanayoweza kurudiwa, kikomo kilichofanywa kazi, na kipimo halali cha kujifunza (74% matibabu yaliyofafanuliwa vizuri, 42% kikomo kilichofafanuliwa vizuri, 53% matokeo ya kujifunza). Hoja yao kubwa ni kwamba wakati AI mpya inaletwa pamoja na shughuli mpya, maoni, au muundo wa kiolesura, chombo na mbinu vinachanganyika na hakuna athari inayoweza kuhusishwa na AI.

Kwa hivyo utafiti unahitaji kulinganisha zaidi na mbadala thabiti, za kweli za yasiyo ya AI, zikishika mtaala, fursa za mazoezi, na msaada kuwa thabiti kadiri iwezekanavyo. Urufu huru unapaswa kujaribu iwe faida zinazaleta mabadiliko katika taasisi, mkufunzi, somo, na modeli. Kama Mbinu za Utafiti wa Ufanisi inavyosisitiza, mbinu tofauti hujibu maswali tofauti: masomo ya ubora na yaliyotegemea muundo husaidia kuelezea utekelezaji, huku majaribio yaliyobuniwa kwa njia inayofaa yakipaza nguvu madai ya sababu.

2. Kufuatilia kujifunza kwa kudumu na uwezo huru kwa muda

Kazi iliyoboreshwa wakati wa kutumia AI sio lazima iwe ushahidi wa kujifunza kunakoendelea baada ya msaada kuisha. Mapato ya Kujifunza na Kupunguza Kupakia Kiakili mara nyingi hutofautisha utendaji unaosaidiwa na maarifa yaliyohifadhiwa, hoja huru, na uhamisho kwa majukumu yasiyo ya kawaida.

Making AI Tutoring Productive inaonyesha tatizo la upimaji. Katika jaribio la nasibu linalohusisha wanafunzi zaidi ya 6,000 wa shule za kati, kanuni ya ustahiki ya sahihi tatu mfululizo iliongeza mafanikio yaliyofafanuliwa na jukwaa bila, yenyewe, kuzalisha mapato ya kujifunza yanayoweza kugunduliwa wiki moja baadaye. Ushahidi wenye nguvu zaidi wa majaribio ya kuchelewa ulitokea wakati AI ilipojumuishwa katika mtiririko wa ustahiki na ulilengwa kwa nyenzo zilizozoelewa.

Mapengo yaliyosalia yanahusu mwelekeo wa uwezo, sio tu jaribio la ziada la baada ya mafunzo. Masomo yanapaswa kuchunguza uhifadhi kwa miezi, uhamisho kati ya majukumu, utendaji baada ya msaada kuondolewa, na usahihi wa wanafunzi katika kuhukumu wanayojua. Yanapaswa pia kutofautisha kushindwa kupata ujuzi na kupungua kwa ujuzi uliokwisha kujengwa. Utafiti kuhusu kupunguza kupakia kiakili unapaswa kujaribu lini kukabidhi huo unasaidia mwelekeo huo na lini unaharibu mazoezi yanayohitajika ili kuyakua.

3. Kuelezea ni sehemu zipi za mafunzo zinazofanya kazi — na kwa nini

"Kujifunza kunakosaidiwa na AI" mara nyingi unachanganya mabadiliko kadhaa: maoni mapya, tafakari ya ziada, majadiliano ya rika, mfululizo tofauti wa majukumu, na motisha za tathmini zilizobadilishwa. Kifurushi chenye mafanikio hakianzishi ni sehemu zipi ni muhimu au ni mchakato upi ulizalisha faida.

Jaribio la mahali mengi Muundo wa maoni ya GenAI unaozingatia binadamu katika elimu ya juu hutoa maendeleo ya kutumika. Miongoni mwa wanafunzi 1,176 wa mwaka wa kwanza, miundo ya maoni ya tafakari na mseto ilipita moja kwa moja kwenye maoni ya AI kwenye uhamisho wa kuchelewa bila AI. Hali ya mseto iliunganisha tathmini ya kibinafsi, maoni ya rika, na ukosoaji wa AI. Hii inasaidia kuchunguza jinsi maoni yanavyopangwa na kutumika, badala ya kutendea upatikanaji kama mbinu.

Masomo ya ziada yanapaswa kutenga mchango na wakati wa majaribio ya kwanza ya huru, ufafanuzi wa kibinafsi, mchango wa rika, maoni ya kurekebisha, vidokezo, na kupungua kwa msaada. Yanapaswa kujaribu jinsi sehemu hizi zinavyoshirikiana na maarifa ya awali na ugumu wa kazi.

Pengo la nadharia linalosafirishana ni muhimu sawa: kutaja nadharo ya kujifunza sio sawa na kuijaribu. Utafiti unapaswa kuunganisha utabiri wa nadharia na tabia mahususi ya mfumo na mchakato unaoweza kupimwa wa kujifunza. Uwasilishaji wa takwimu unaweza kuelimisha ufafanuzi huo, lakini hauanzishi mchakato wa sababu yenyewe. Angalia Maendeleo ya Nadharia katika AI katika Elimu na Ngazi za Msaada.

4. Kuthibitisha vipimo, hukumu za kiotomatiki, na wanafunzi walioigwa

Dhana kama vile "ushiriki," "fikra za kina," "ujuzi wa AI," na "kubinafsisha" zinapimwa kwa njia zisizo thabiti. Ripoti za kibinafsi zinaweza kuelezea mtazamo na uzoefu, lakini haziwezi kuchukua nafasi ya uwezo ulioonyeshwa. Usahihi wa kiufundi, ubora wa matokeo uliohukumiwa na wataalam, na kujifunza kwa mwanafunzi pia zinawakilisha malengo tofauti ya tathmini. Tofauti hizi ni muhimu katika Upimaji wa Kielimu na Tathmini ya Kielimu cha AI.

Pengo muhimu hasa linahusu mifumo ya AI inayotumika kutathmini mifumo mingine ya AI. Katika Kuweka Wanafunzi au Kuona Tatizo la Kupendelea?, wanafunzi walioigwa mara nyingi waliacha Dhana Potofu Kuhusu AI zilizowekwa baada ya maoni ya kurekebisha bila kujali iwe yalishughulikia dhana potofu au la. Majibu yao kwa hivyo yangeweza kufanya mafunzo yasiyo na ufanisi yaonekane yanafanikiwa. Mafunzo yaliyolengwa yaliboresha kipimo cha uaminifu cha somo, lakini kuboresha kwa kipimo hicho sio sawa na uthibitishaji dhidi ya kujifunza kwa binadamu.

Utafiti unahitaji kuanzisha ni alama zipi za kiotomatiki na tabia zipi zilizoigwa zinatabiri matokeo na wanafunzi halisi, ikijumuisha wanafunzi na miktadha ambayo haikutumika wakati wa maendeleo. Hukumu za binadamu pia zinahitaji uchunguzi: makubaliano kati ya watoaji wa alama si ushahidi wa kiotomatiki kwamba dhana sahihi inatathminiwa.

Pengo ni uthibitishaji wa mlolongo wa tathmini — kutoka tabia ya modeli, hadi hukumu ya kielimu, hadi mwitikio wa mwanafunzi, hadi matokeo ya kielimu.

5. Kuanzisha uhalali wa tathmini wakati AI inaweza kuzalisha na kutathmini ushahidi

AI inaunda matatizo mawili yanayohusiana ya tathmini: inaweza kusaidia kuzalisha kazi inayotathminiwa, na inaweza kuathiri jinsi kazi hiyo inavyokadiriwa.

Utafiti wa hifadhi ya maarifa kuhusu mawakala wa AI wanaokamilisha majukumu ya LMS yanayotathminiwa unaonyesha mawakala wakinavigeti kozi ya chuo kikuu inayoendelea na kukamilisha shughuli zinazotathminiwa. Onyo hizi linaweka msingi wa uwezo unaopingana na dhana kuhusu ushahidi unaozalishwa na mwanafunzi; hazianzishi kiwango cha matumizi haya au kubatilisha kila tathmini ya asinkroni.

Swali la utafiti ni miundo gani ya tathmini bado inaunga mkono hitimisho zinazoweza kuteseka kuhusu mwanafunzi. Kwingineko, tafakari, mawasilisho ya hatua, na kumbukumbu za shughuli yanapaswa yenyewe kuthibitishwa badala ya kuchukuliwa kuwa yanaanzisha uandishi au ufahamu. Masomo yanapaswa kuchunguza mchanganyiko wa ushahidi dhidi ya uwezo uliozingatiwa huru, wakati wa kuzingatia ufikivu, mzigo, faragha, na hofu ya mwanafunzi. Angalia Uhalali wa Tathmini.

Kwa kukadiriwa kiotomatiki, LLMs Do Not Grade Essays Like Humans inaripoti kutokubaliana kwa mfumo kati ya modeli za kawaida na watoaji wa alama wa binadamu. Matokeo yake ni mahususi ya usanidi, lakini yanaonyesha kwa nini uthabiti wa ndani haitoshi.

Tofauti muhimu ya kielewa inatoka katika A Human Capability Test for Learning Outcomes in the AI Era: tathmini ni nini wanafunzi lazima wafanye kwa uhuru, kile wanaweza kufanya na AI, na kile wanapaswa kuhakiki na kutetea. Hiyo ni mfumo unaopendekezwa unaohitaji uthibitishaji wa kielimu, sio suluhisho lililokwisha kuanzishwa la tathmini.

Karr et al. (2026) wanapima kwa nini kugundua ni njia iliyokufa. Kwa muhtasari 642 wa Kiingereza uliochapishwa, vigunduzi viwili vya AI vya kibiashara kwa τ = 0.50 viligundua uhariri nyepesi wa AI unaotii miongozo kwa 38–80%, viligundua asili za 2023–25 zisizobadilishwa kwa 9–15% (zisizo za STEM juu zaidi ya STEM, p < 0.001), na baada ya kubinafsishwa vilikamata chini ya 4% ya uandishi upya wa AI (kiwango cha uongo cha hasi > 96%). Alama inayoadhibi msaada wa uwazi huku ikikosa kuepuka haiwezi kuwa msingi wa hitimisho linaloweza kuteseka kuhusu mwanafunzi; pengo linalofichua ni miundo na ushahidi wa mchakato ambao hautegemei alama kama hiyo.

6. Kuonyesha kwamba ujuzi wa AI unahamishiwa katika tabia ya uwajibikaji

Utafiti wa mbinu za ujuzi wa AI ni mkubwa wa kutosha kusaidia muhtasari. AI Literacy Interventions in Education: A Meta-Analysis of Effects and Moderators inajumuisha masomo 59 na washiriki 7,211. Inaripoti athari ya wastani chanya, lakini tofauti kubwa kati ya masomo na kipimo cha utabiri pana kinachozunguka sifuri. Matokeo yaliyolenga maarifa yalionyesha athari zenye nguvu zaidi ya ujuzi, mitazamo, au maadili.

Pengo la kina zaidi kwa hivyo si tu kuendeleza mifumo mingine ya uwezo. Ni kuamua iwe mafunzo ya ujuzi yanabadilisha jinsi watu wanavyotenda wanapotumia AI.

Je, wanafunzi wanaweza kutambua madai yasiyoungwa mkono, kuthibitisha vyanzo, kukataa mapendekezo ya kupotosha, kutambua makubaliano yasiyofaa, na kuchagua lini wasikabidhi? Je, tabia hizi zinaendelea chini ya shinikizo la muda na zinahamishiwa kwa mifumo na masomo yasiyo ya kawaida?

Utafiti unapaswa kuunganisha tathmini zinazotegemea utendaji na uchunguzi wa maamua halisi na ufuatiliaji wa kuchelewa. Unapaswa kutofautisha maarifa ya kielewa, ufasaha wa kiendeshaji, na hukumu ya kina badala ya kuwatendea kama yanayoweza kubadilishana. Ujuzi wa AI na Kurekebisha Uaminifu muhtasari hutoa sehemu za kuanzia za kutumika kwa tofauti hizi.

7. Kuelewa uwezekano wa kueneza na matokeo ya usawa — sio tu upatikanaji sawa

Matokeo kutoka kozi moja, taasisi, lugha, au watu wanafunzi mara nyingi hutoa msingi mdogo wa maamua mahali pengine. Muhtasari wa Vikomo katika Utafiti wa AIEd unatambua hii kama tatizo linalojirudia. Ushahidi zaidi unahitajika kuhusu jinsi athari za kielumu zinavyotofautiana katika hatua za maendeleo, masomo, maarifa ya awali, ulemavu, lugha, na hali za rasilimali.

Utafiti wa usawa pia lazima utofautishe upatikanaji, ujuzi, na matokeo. Muhtasari wa Pengo la Kidijitali unafanya wazi kwamba kutoa vifaa au upatikanaji wa zana hauanzishi uwezo sawa wa kunufaika.

Kwa mfano, Does School-Based AI Education Narrow Readiness Gaps? ilifuatilia wanafunzi 752 wa Hong Kong wa sekondari ya chini. Mapengo ya kisaikolojia ya kuwa tayari yalipungua, huku tofauti kwenye jaribio la ujuzi wa AI linalozingatiwa zikiendelea. Makundi yote yaliboreshwa, lakini maboresho ya jumla hayakuondoa ukosefu wa usawa. Kwa sababu mifumo ya maarifa ya awali haikuwekwa kwa nasibu, somo halianzishi athari zao za sababu.

Ufunuo wa hifadhi ya maarifa yenyewe unaonyesha ni wapi ushahidi wa kiwango cha kikundi ni chepu na usio sawa. Athari Tofauti Kati ya Makundi ya Wanafunzi inahesabu fasihi kwa nani inayosoma: wanafunzi wa lugha ya pili na lugha nyingi na wanafunzi wenye ulemavu ni sehemu zenye kina zaidi, jinsia na neurodiversity zinafuata, huku wanafunzi wa kizazi cha kwanza na wanafunzi wa kimataifa wakiwa na somo moja kila mmoja katika mkusanyiko huu, wanafunzi wenye talanta na wanaofanya vizuri sana wakiwa hawajafanyiwa utafiti kama kikundi, na wanakimbizi, wahamiaji na watu waliotawanyika hawapo kabisa. Msingi wa ushahidi wenye umbo hilo hauwezi kujibu maswali ya usawa kwa kuwasanya; inapaswa kuchaguliwa kwa makusudi.

Kipaumbele cha utafiti ni kutambua ni miundo gani inayopunguza tofauti katika uwezo ulioonyeshwa, ushiriki, na uwezo wa kutenda. Masomo yanapaswa kuchunguza matokeo ya makundi madogo na mizigo, sio tu faida za wastani. Utafiti wa ufikivu unapaswa kutofautisha kuondoa vikomo vya ushiriki na kuchukua nafasi ya uwezo ambao mwanafunzi anatarajiwa kukuza. Angalia Usawa katika AI katika Elimu na Ufikivu.

Uwezo pia hutofautiana ndani ya mfumo mmoja wa kitaifa kwa njia ambazo kategoria za utawala hazishiki. Adeniranye et al. (2026) walikadiri ujumuishaji wa AI katika vyuo 45 vya Nigeria na kupata kupitishwa kwa jumla kwa kiwango cha wastani tu (M = 4.79, masafa 1.83–7.83 kwenye kipimo cha pointi 10), huku aina ya taasisi ikishindwa kutabiri ujumuishaji mara umri na eneo yalipodhibitiwa (umri β = 0.43; eneo la Kusini-Magharibi β = 0.31). Uwezo wa ndani ulihusiana kwa uhusiano wa r = 0.79–0.80 na ushirikiano wa kimataifa na ushirikiano wa viwanda r = 0.74, hivyo taasisi zilizounganika vizuri zinakusanya faida zinazozidisha. Pengo ni kujaribu ni miundo gani ya kujenga uwezo inayobadilisha matokeo katika taasisi mpya, ambazo hazijajengwa vyema.

8. Kuamua jinsi udhibiti unavyopaswa kugawanywa kati ya wanafunzi, walimu, na mawakala

Kadiri mifumo ya AI inavyopanga, kuanzisha hatua, kudumisha kumbukumbu, na kuratibu zana, swali la kielumu linakuwa mahususi zaidi ya iwe ushirikiano wa binadamu–AI ni muhimu: nani anapaswa kudhibiti sehemu zipi za mchakato wa kujifunza, na lini udhibiti huo unapaswa kubadilika?

Agentic AI in Education: A Scoping Review inaonyesha masomo 474 na kutambua uthibitishaji mdogo wa muda mrefu, mikusanyiko katika elimu ya juu na STEM, na ujumuishaji dhaifu wa nadharia ya kielimu. Ni 29% tu ya masomo yaliyokaguliwa yalitegemea wazi nadharia ya kielumu — matokeo kuhusu mkusanyiko huo, sio utafiti wote wa AIED.

Utafiti unapaswa kulinganisha misanidi ambamo wanafunzi au mawakala huanzisha msaada, kuweka malengo, kuchagua mikakati, kufuatilia maendeleo, na kufanya maamua ya mwisho. Unapaswa kujaribu iwe msaada unaweza kuondolewa hatua kwa hatua kadiri uwezo unavyokua na iwe wanafunzi wanahifadhi uwezo wa kupinga mfumo.

Muhtasari wa AI ya Kuwakaala na Ushirikiano wa Binadamu–AI pia unainua maswali kuhusu mwalimu kuingilia kati na uwajibikaji katika miktadha ya mawakala wengi. Uhuru mkubwa unapaswa kutathminiwa kama chaguo la muundo wa kielumu, sio kuchukuliwa kuwa unaonyesha maendeleo ya kielimu.

9. Kuunganisha usalama wa kielumu na mahusiano na madhara halisi ya kielimu

Usalama wa kielumu unazidi zaidi ya usahihi wa ukweli, maudhui ya kero, au maombi yaliyokatazwa. Mwalimu-mtu anaweza kutoa jibu sahihi huku akiadhibu fursa ya mwanafunzi ya kufikiri, kuthibitisha dhana potofu ya msingi, au kuhimiza utegemezi usiofaa. Angalia Usalama wa Kielumu.

SafeTutors: Pedagogical Safety in AI Tutoring inatambua kushindwa kama vile kufichua kupita kiasi kwa majibu na kuacha ngazi za msaada, kwa kushindwa zaidi kwa kiwango kikubwa chini ya majaribio ya zamu nyingi. Hizi ni matokeo ya Kigezo cha Kupima chini ya hali za majaribio zilizobainishwa — sio makadirio ya kiwango au ukali wa madhara katika madarasa.

Suala lisilosuluhishwa ni jinsi kushindwa kama huo kunavyoathiri wanafunzi halisi kwa matumizi ya muda mrefu. Ni zipi zinazozalisha mkanganyiko wa muda, dhana potofu zinazoendelea, motisha iliyopungua, au uwezo huru uliodhoofishwa? Ni ulinzi upi unaopunguza hatari hizo bila kukataa kupita kiasi au kukasirisha?

Utafiti wa muda mrefu unapaswa pia kuchunguza uaminifu, utayari wa kutafuta msaada wa binadamu, uwezo wa kutenda wa mwanafunzi, na uhusiano na marika na walimu. Maswali haya ni muhimu hasa kwa watoto na yanahitaji masomo yanayofaa kwa maendeleo yanayounganisha tabia ya mfumo na matokeo ya kielumu na mahusiano.

10. Kuelezea jinsi utekelezaji, maendeleo ya mwalimu, na gharama zinavyoumba matokeo

Uwezo wa kiufundi hauanzishi kwamba zana itatumika kwa uzalishaji au kwamba maendeleo ya kitaalam yataboresha kujifunza kwa mwanafunzi. Kiungo kinachokosekana mara nyingi ni kuanzia maandalizi ya mwalimu, kupitia mazoezi ya darasa yaliyobadilishwa, hadi matokeo ya wanafunzi.

Katika Pedagogy First, Technology Second, somo la viwango vingi la walimu 46 na wanafunzi 2,832 lilipata kwamba maarifa ya kielumu ya AI ya mwalimu yalihusiana na mitazamo na nia za wanafunzi, lakini hakuna kipimo kilichopimwa cha maarifa ya mwalimu kilichohusiana moja kwa moja na mapato ya maarifa ya AI ya wanafunzi. Uhusiano huu hauanzishi kwamba mbinu mahususi ya mafunzo ingesababisha kujifunza bora.

Utafiti unapaswa kuchunguza ni michanganyiko ipi ya ufundishaji, ulinganifu wa mtaala, taratibu za uhakiki, ratiba, na msaada wa taasisi yanazalisha maboresho ya kudumu. Unapaswa kuzingatia mafunzo yaliyotekelezwa, sio tu ujasiri au nia ya mwalimu ya kupitisha. Angalia Uwezo wa AI wa Mwalimu na Maendeleo ya Kielumu.

Ulinganifu wa gharama na ufanisi ni kipaumbele kingine. Tathmini zinapaswa kujumuisha uhakiki, marekebisho, mafunzo, usimamizi, matengenezo, na muda wa utekelezaji — sio tu gharama za usajili au matumizi ya modeli — na kulinganisha utoaji unaosaidiwa na AI na mbadala za kweli. Swali linalohusika ni ni faida gani ya kielumu ambayo mpangilio kamili unatoa kwa rasilimali anazohitaji.

11. Kutathmini utawala, faragha, na ushiriki wenye maana

Kanuni za maadili na mifumo ya utawala ni muhimu, lakini kuwepo kwao hakuanzishi kwamba hubadilisha mazoezi au hulinda wanafunzi.

Identifying the Ethical Values and Norms for Artificial Intelligence in Education inakagua makala 25 na kupata watumiaji wa mwisho wakiwa wanapumzika kwa kiasi kikubwa katika fasihi ya maadili iliyokaguliwa, huku sauti za wanafunzi zikiwa hazipo karibu. Pia inatambua misongo kati ya maadili na ukosefu wa usawa wa nguvu kati ya wadau. Hii inaelezea fasihi iliyokaguliwa; haipaswi kuelezewa kama dai kwamba wanafunzi hawashiriki kamwe katika muundo wa AIED.

Pengo la utafiti linahusu ni mpango gani wa utawala unayofanya tofauti inayoweza kupimwa. Je, ushiriki wa mwanafunzi na mwalimu hubadilisha manunuzi, muundo wa zana, kanuni za tathmini, au msaada baada ya makosa? Je, taratibu za uhakiki wa binadamu hukamata makosa yenye madhara? Je, mbadala za matumizi ya AI yanapatikana kweli?

Utafiti wa faragha unapaswa vivyo hivyo kuchunguza thamani ya kielumu ya ukusanyaji wa data za ziada badala ya kuchukulia kwamba ufuatiliaji wa kina zaidi wa mwanafunzi unahalalishwa. Masomo yanaweza kulinganisha miundo inayopunguza data na mbadala za kuingilia zaidi, huku yakitathmini kujifunza na uhuru wa mwanafunzi. Angalia Utawala wa AI na Faragha.

12. Kujenga masomo yanayoweza kurudiwa na ushahidi wa jumla unaoaminika

AIED inakabiliwa na tatizo la urudufu lililo gumu bila ya kawaida. Masomo yanaweza kupita ilani, matoleo ya modeli, miktadha, msimbo, au maelezo ya kielumu; mifumo ya umiliki pia inaweza kubadilika wakati au baada ya mbinu. Masuala haya yameandikishwa katika Vikomo katika Utafiti wa AIEd.

Urufu unahitaji kuelezea mpangilio wa kielumu na vile vile modeli: majukumu ya kujifunza, vyanzo vya maudhui, hatua zilizoruhusiwa, kiolesura, msaada wa mwalimu, hali za tathmini, na mabadiliko wakati wa utekelezaji. Watafiti wanapaswa kutofautisha kuzalisha upya usanidi mmoja na kujaribu iwe kanuni lake ya kielumu linahamishiwa kwa lingine. Majadiliano ya kuripoti katika Mbinu za Utafiti wa Ufanisi yanashughulikia hitaji hili la maelezo ya wazi.

Muhtasari wa ushahidi unahitaji uangalifu unaolingana. Ukurasa wa Uchanganuzi-Meta na Ukaguzi wa Mfumo unasisitiza masomo dhaifu ya msingi, upendeleo wa kuchapisha, mbinu zilizotofautiana, na matokeo yasiyo ya sambamba kama vikomo vya hitimisho zilizokusanywa.

Wastani mmoja wa "athari ya AI" unaweza kuficha tofauti ambazo waelimishaji wanahitaji zaidi. Mapitio yanapaswa kutenga utendaji unaosaidiwa na kujifunza huru, kutofautisha aina za mbinu na hali za kulinganisha, na kufanya maamua ya kusimbo na kuchanganua yawe yanayoweza kukaguliwa. Matokeo ya sifuri, utekelezaji ulioshindwa, na hali za mpaka ni michango muhimu kwa msingi huu wa jumla wa ushahidi.

Fasihi ya muhtasari yenyewe ni pengo. Ukaguzi wa mahakama wa O'Neill (2026) wa mifano-meta 14 yenye madhara makubwa ilipata kwamba hakuna iliyotoa msingi halali wa madai yake: hakuna dhana thabiti (zana iliyotendewa kama mbinu moja na matokeo ya vipimo vingi vilivyoungwa), tathmini batili ya upendeleo wa kuchapisha katika 14 zote, I² iliyoripotiwa kati ya 77.2% na 94.4% katika kila uchanganuzi ulioiripoti (12 ya 13 juu ya 80%), na 61% ya masomo ya msingi yaliyokaguliwa kwa nasibu yakiwa na wasiwasi wa uhalali. Mchanganuo huo wa 14 ulikuwa umekusanya zaidi ya marejeo 2,000 katika takribani miezi 16, na mchanganuzi uliofutwa ulikuwa bado unatajwa kama mamlaka katika 60% ya karatasi zinazotaja baada ya kufutwa bila kutambua kufutwa. Kuchukua bila kuhakiki hakuzuilii kazi iliyofutwa: katika sampuli ya karatasi 14 zinazotaja mchanganuzi mwingine uliokaguliwa, ambao muhtasari wake ulitangaza athari kubwa ya "elimu ya AI" ambayo kweli ilipima kufundisha wanafunzi kuhusu AI, ni 2 tu zilitaja ipasavyo huku 8 zikisoma kama ushahidi kwamba kuunganisha AI huboresha kujifunza na 4 zilikuwa si sahihi kwa njia zingine. Mapendekezo ya ukaguzi yanalenga mlolongo huo moja kwa moja, yakiwa magazeti yanahitaji uwazi kamili wa data kwa mifano-meta (itifaki za utafutaji, sifa za somo zilizosimbo, takwimu zilizotolewa, na msimbo wa kuchanganua), yakiwa wahariri hawapaswi kutendea rekodi ya kuchapisha kama ushahidi wa uwezo wa kukagua, na yakiwa kufutwa kunapaswa kuonekana kila mahali ambapo makala inapatikana, inaelekezwa, au inatajwa. Urufu kwa hivyo unahusu uadilifu wa mlolongo wa muhtasari, sio tu wa masomo binafsi.

Waalimu wanaotaka toleo la darasa la wasiwasi huu — ni vipimo na miundo gani ya kulinganisha ya kutumia — wanaweza kufuata mwongozo wa mbinu katika Vipimo na Mbinu Gani za Utafiti Mkufunzi Anaweza Kutumia Kutathmini Muingilio Unaohusiana na AI?.

Hitimisho la jumla

Hitaji la kati la utafiti si tu masomo zaidi yanaonyesha kwamba wanafunzi wanapenda AI, walimu wanaokoa muda, au kazi inayosaidiwa na AI inapata alama za juu. Ni ushahidi wenye nguvu zaidi unaojibu:

Ni muundo gani wa kielumu, kwa wanafunzi gani, katika muktadha gani, kupitia mchakato gani, unazalisha uwezo gani wa kudumu wa binadamu — na kwa mgawanyo gani wa faida, gharama, na madhara?

Kujibu swali hilo kunahitaji mbinu zinazokamiliana: majaribio yaliyobainishwa vizuri, ufuatiliaji wa muda mrefu, tathmini zilizothibitishwa, uchunguzi wa ubora na wa muundo, sampuli inayozingatia usawa, na muhtasari wa wazi. Lengo ni msingi wa ushahidi unaoelezea sio tu iwe mbinu ilifanya kazi, bali kwa nini ilifanya kazi, inaweza kushindwa wapi, na nini waelimishaji wanaweza kubeba kwa uwajibikaji katika miktadha nyingine.