Справедливість

Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.

Справедливість — принцип, згідно з яким ШІ має справедливо служити всім здобувачам, а також дослідження системних розривів у доступі до освітніх інструментів ШІ, у представленості в них та у отриманні вигід від них. Дослідження research у базі знань вивчає розриви в доступі та цифровий розрив, упередженість і справедливість у AI systems, культурно адаптоване та лінгвістично інклюзивне проєктування, доступність для здобувачів з інвалідністю та розподіл вигід і шкоди від ШІ між групами. Воно пов’язує технічне (зниження упередженості, справедливі алгоритми) зі структурним (інфраструктура, політика) та pedagogical (культурно релевантне teaching).

Питання для роздумів

• Забезпечення школи чи аудиторії інструментами ШІ автоматично не закриває achievement gaps — насправді сам доступ може їх розширювати. Якщо «доступу недостатньо», що ще має бути на місці, щоб ШІ справді справедливо служив усім здобувачам?
• Навіть дані, які використовуються для симуляції здобувачів, несуть упередженість: коли LLM генерували портрети студентів, різні моделі створювали переважно профілі Глобального Півночі або Глобального Півдня та гендерні займенники. Наскільки варто довіряти згенерованим ШІ уявленням про здобувачів, коли самі моделі кодують нерівні апріорні розподіли?
• Справедливість в освіті зі ШІ часто розглядається крізь три проблеми: хто отримує інструменти (доступ), хто представлений у них (репрезентація) і хто отримує вигоду (результати). Чи можете ви уявити ситуацію, коли група отримує доступ, але все одно не отримує вигоди? Що пояснює цей розрив?
• Дослідження «структурної мовчазності» стверджує, що мовці малопредставлених мов опиняються в невигідному становищі через інфраструктуру ШІ — навчальні корпуси, токенізацію, бенчмарки — ще до навчання будь-якої моделі. Якщо невигідність закладена в інфраструктуру, з чого варто починати її виправлення?

Вступ

Справедливість у AI education охоплює три взаємопов’язані проблеми: хто отримує інструменти ШІ (доступ), що й кого представлено в системах ШІ (репрезентація) та хто отримує вигоду (результати). Залежно від проєктування, інфраструктури та політики ШІ може як розширювати, так й звужувати наявні розриви. Тому справедливість — це наскрізна оптика, що застосовується до algorithmic fairness, digital access, linguistic inclusion, Доступність та culturally relevant teaching.

Доступ та інфраструктурна справедливість

• Цифровий розрив: Unequal access до інструментів навчання на основі ШІ за соціально-економічними лініями, регіонами та країнами є базовою перешкодою. Докази фіксують, що вигоди від generative AI нерівномірно розподілені між країнами та закладами.
• Якість інструмента — частина розриву, а не лише доступ до інструмента: Canonigo (2026) тричі подавав 50 математичних підказок до безкоштовного та преміального рівнів однієї й тієї самої моделі та виявив, що безкоштовний рівень був неточним у 49 із 150 відповідей (32,7 %) проти 18 із 150 (12 %) для преміального рівня (χ2(1) = 17,5, p < 0,001); викладачі в менш забезпеченій ресурсами з двох досліджуваних шкіл назвали безкоштовну модель «межово непридатною для математики». Автори трактують це як алгоритмічний розрив, який розширює Цифровий розрив за межі доступу до пристроїв на якість самого інструмента, тобто школа з «доступом до ШІ» може все одно передавати студентам суттєво менш надійного репетитора; вони самі застережливо зазначають, що порівняння мало дослідницький характер, а підказки не було рандомізовано, тому величина розриву є орієнтирною, а не всталеною. Той самий дослідження показує, що спрямованість розриву не визначається інструментом: там, де викладачі вимагали від студентів порівнювати результати ШІ з власною роботою і попередньо просили модель не надавати готових розв’язків, результат ставав артефактом для критики, тоді як у класах без медіації студенти зверталися до алгоритму першими, а викладач перетворювався на валідатора («я вже не оракул; я — редактор»).
• Доступу недостатньо: Providing AI tools without addressing structural barriers не закриває розривів — доступ має супроводжуватися навичками, підтримкою та умовами, що уможливлюють справжнє використання.

Диференційована підтримка не є свідченням справедливої вигоди: огляд систем ШІ-репетиторства в mathematics виявляє, що твердження про інклюзивність не підтверджені, оскільки дослідження рідко перевіряють, чи розподілені здобутки однаково між групами за здібностями, гендером, соціально-економічним статусом, мовою, інвалідністю та географією, залишаючи невстановленим, що ці системи зменшують розриви в досягненнях (Ogunsakin et al. (2026)).

• Диференційоване гібридне репетиторство людини та ШІ — це доказ того, що гібридні моделі можуть звужувати розриви, коли розподіл відповідає потребам. Дослідження типу difference-in-discontinuities (635 студентів, 5–8 класи; учасники нижче медіани отримували проактивне репетиторство людини, учасники вище медіани — реактивну підтримку на вимогу, на тлі базового варіанта лише зі ШІ) виявило, що гібридне репетиторство підвищило час на завданні на 25 %, володіння навичками — на 36 %, а академічне зростання — на 61 % загалом; при цьому обидві групи досягли порівнянних показників залученості та володіння навичками різними механізмами. Деталь, важлива для справедливості: проактивне репетиторство показало маргінально вище середнє зростання (75 %, p = 0,065), зосереджене серед студентів, які опинилися значно нижче порогового значення — картина стискання розриву, а не рівномірного підйому; при цьому один репетитор за сеанс обслуговував обидві групи. Автори належно обережні: дизайн DiDC є квазіекспериментальним, дихотомічний розріз за медіаною не фіксує варіації потреб всередині груп, а ефект 75 % є маргінальним. (Improving hybrid human-AI tutoring by differentiating human tutor roles based on student needs)

• Викладачі очікують розширення розриву. Watson and Rainie (2026) опитали 1 057 викладачів коледжів і університетів США та виявили, що 81 % очікують, що генеративний ШІ розширить цифрові нерівності (58 % кажуть — значно); це найсильніше очікування щодо справедливості в звіті, і воно стоїть поруч із 68 %, які заявили, що їхні заклади не підготували викладачів до використання інструментів у навчанні та наставництві. Той самий опитування показує, наскільки нерівномірно інструменти засвоюються: 26 % респондентів узагалі не використовують генеративний ШІ, і ця частка зростає до 40 % серед викладачів мистецтв і humanities та 28 % серед соціальних науковців, тобто невикористання та непідготовленість концентруються в певних disciplines. Звіт ґрунтується на непроцесуальній (non-probability) вибірці, яка, за словами авторів, не є генералізованою, тому це висловлені занепокоєння сектора, а не виміряні ефекти.

• Інфраструктурна невигідність: Structural Silence показує, що інфраструктура ШІ — навчальні корпуси, токенізація, benchmarks, архітектури розгортання — систематично ставить мовців малопредставлених мов у невигідне становище ще до навчання моделі, переосмислюючи дефіцит даних як структурну, а не випадкову проблему.

• Модельно-специфічні демографічні апріорні розподіли в синтетичних даних: López-Pernas et al. (2026) виявили, що коли LLM генерували портрети студентів, кожна модель нав’язувала власні демографічні тенденції — GPT створював більше профілів Глобального Півночі та використовував займенники they/them, Qwen створював більше профілів Global South, а Mistral схилявся до she/her. Навіть конструювання даних про здобувачів за допомогою Великі мовні моделі (LLM) несе отже регіональні та гендерні апріорні упередження, які можуть поширюватися на наступні рекомендації, — недостатньо досліджений ризик для справедливості.

• Соціально-економічні градієнти: AI and lifelong-learning policy та productivity-gap experiments досліджують, як ШІ може звужувати або розширювати розриви між різними групами здобувачів.

• Подолання розривів для здобувачів з інвалідністю: Khlaif et al. (2026) виявили, що GenAI вирівнює можливості для студентів із вадами зору в межах цифрових, географічних та соціально-економічних розривів, трактуючи інклюзію як інфраструктурну, так і культурну справу, — розширюючи дискурс цифрової справедливості за межі доступу до належності, голосу та представленості.

Підготовленість важливіша за переваги, і право відмовитися розподілене нерівномірно. Студенти з високою академічною впевненістю можуть відмовитися від ШІ без наслідків, тоді як студенти, яким потрібна мовна підтримка, підтримка доступності або швидкий зворотний зв’язок, переживають відмову як втрату можливості, а випадковий персонал може відчувати тиск засвоювати інструменти, що скорочують час підготовки, не скорочуючи відповідальності. Там, де обов’язок розуміти нав’язується без навчання, захищеної інфраструктури та чіткої політики, він перетворюється на приховане навантаження, а відмова стає передбачуваною реакцією на інституційну непідготовленість, а не на опір технології (Zagami 2026).

Оренду платиться трьома валютами, а набута компетентність відходить разом із випускником. de Barba (2026) стверджує, що можливість, яка мешкає в комерційному інструменті, доступна лише на умовах постачальника, тому інституційні ліцензії переміщують орендодавця, а не усувають його: доступ зазвичай завершується разом із навчанням, і орендована можливість зберігається потім лише для випускників, які можуть платити далі. Вона додає ще два розподіли, які дебати про доступ зазвичай оминають: витрати «себе» концентруються в акліматизації, де здобувачі з меншим попереднім доменним знанням витрачають найбільше часу, а орендовані стандарти несуть референтні точки моделі, які, за прогнозами, витіснятимуть більше стандартів у тих здобувачів, чиї культурні та мовні референтні точки відрізняються від моделі. Той самий інструмент водночас розширює доступ і витісняє стандарти, тому вона розглядає найменування можливостей, які курс має розвивати самотужки, як захід справедливості, а не лише педагогічний.

Репрезентаційна справедливість

• Упередженість у навчальних даних і результатах: навчальні дані ШІ значною мірою відображають домінантні культурні перспективи. Дослідження Gender bias transfer research показує, що письмо з допомогою LLM може забруднювати студентські роботи гендерною упередженістю; фільтри history-education filters та AI scoring можуть кодувати західноцентричні та лінгвістично упереджені припущення.

• Маргіналізовані знання: Research on minoritized knowledges досліджує, як генеративний ШІ маргіналізує недомінантні системи знань і перспективи інвалідності в higher education.

• Диверсифікація Curriculum: викладачі дедалі частіше використовують LLM для диверсифікації матеріалів курсу (Wang та співавт., 2025, виявили, що так робили 78 %), проте зібрані ШІ списки для читання все ще недостатньо представляють авторів BIPOC, а репетитори STEM на основі AI tutors за замовчуванням спираються на західноцентричні контексти задач.

• Згенеровані зображення відтворюють домінантні візуальні норми, що робить критичне використання компетентністю, а не додатком. Jiang та співавт. (2026) зауважують, що генерація зображень за допомогою GenAI відтворює домінантні мультимодальні норми, такі як візуальна упередженість, і застерігають, що мультимодальне оцінювання, яке це ігнорує, ризикує автоматизувати та відтворювати нерівності; тому їхня рамка для викладачів другої мови вимагає компетентності допомагати студентам виявляти, оцінювати та створювати контрнаративи упереджених результатів моделі (Jiang et al., 2026).

Справедливість результатів

• Диференційований вплив: інструменти ШІ можуть розширювати розриви, якщо їх проєктують без оптики справедливості — systematic reviews та scoring-bias studies показують нерівні вигоди та шкоду між групами здобувачів. Узгоджений доказ вигоди несе ту саму межу: Jing et al. (2026) оцінюють помірний за величиною середній здобуток для студентів бакалаврату за 35 досліджень (g = 0,53, 95 % CI [0,48, 0,64]), водночас зазначаючи, що нерівний доступ до дорогих інструментів є одним із ризиків, які ці величини ефекту не можуть охопити, а значимі тести Еггера для академічних результатів і професійних навичок залишають асиметрію воронкової діаграми та ефекти малих досліджень нерозв’язаними.

• Еквівалентне навчання при розходженні вартості на два порядки. StudentBench виявив, що агреговане репетиторство зі ШІ статистично еквівалентне репетиторству експерта-людини, тоді як розкид між репетиторами становив від $0,005 до $1,40 за відсотковий пункт навчального здобутку, а одна відкрита модель досягала людських здобутків при вартості на одиницю в 918 разів нижчій ($0,0052 проти $4,81), що робить вартість одиниці навчання змінною доступу, а не лише якості (Northcutt et al. (2026)).

• Посилення упередженості: пропозиції ШІ та automated feedback можуть підсилювати (а не кидати виклик) наявним упередженням викладачів і системним. Marked Pedagogies показує, що інструменти зворотного зв’язку з письма на основі LLM систематино зсуваються до похвали, узгодженої зі стереотипами, та прихованої критики, коли зворотний зв’язок персоналізується за расовою належністю, мовою, інвалідністю, досягненнями чи мотивацією студента — навіть на ідентичних есеях, — роблячи «personalization» конкретним вектором упередженості в автоматизованому зворотному зв’язку.

• Системи, чутливі до справедливості: дослідження Пом’якшення упередженості та ground-truth reliability розробляють методи виявлення та виправлення упередженості в репетиторах, оцінювачах і рекомендаційних системах ШІ.

• Регуляризатори справедливості можуть не генералізуватися на нових здобувачів: Fragkiadakis et al. (2026) додали регуляризацію розриву помилок, націлену на гендер і вік, до Мультимодальний ШІ трансформера, що передбачає увагу студента в режимі реального часу, і виявили, що вона звузила демографічні розриви на даних валідації, проте ці здобутки не переносилися послідовно на відкладені суб’єкти або повторні розбиття на рівні суб’єктів (регуляризована модель зменшила розрив лише в 4 із 10 навчальних прогонів). Сертифікована справедливість на одному розбитті може отже зникнути на справді нових здобувачах — освітнім системам ШІ потрібне оцінювання leave-subjects-out із повторними сідами, а не лише агреговані метрики.

• Диференційовано розподілені рішення про наступні можливості. Упередженість, яка виглядає виправданою в кожному окремому випадку, може водночас систематично сортувати здобувачів: Entezami et al. (2026) змусили три LLM розподілити 11 200 командних завдань на заняттях із програмної інженерії, де чоловіки були щонайменше на 80 % менш схильні, ніж жінки, потрапити до Interface Design замість Core Development (GPT-5.2 OR < 0,01), а національність зміщувала розподіл незалежно від заслуг. Навички не вирішували питання — 99,2 % призначень на основі навичок відповідали одній із двох допустимих команд, проте гендер усе одно обрав між однаково допустимими варіантами, тож закономірність виявляється лише в агрегованій статистиці; зображення окремих студентів були перекошені до чоловічої та світлошкірої видимості (понад 95 % світлошкірих для підказок із Database, Debugging та Individual Programming), тоді як багатоособові зображення були порівняно різноманітними.

• Агентність студента: забезпечення того, щоб ШІ розширював, а не заміщав student voice та Суб’єктність здобувача, особливо для історично маргіналізованих здобувачів.

• Психологічна проти когнітивної справедливості: Liang et al. (2026) виявили, що рік шкільного навчання ШІ в середніх школах Гонконгу звузив психологічні розриви в готовності до ШІ (впевненість, Мотивація, ethical усвідомленість), але не когнітивні — об’єктивні розриви в ШІ-грамотність між здобувачами, що ініціюють навчання самотужки («high-agency»), та їхніми ровесниками зберігалися: закономірність ефекту Метью, коли курс «підняв нижню межу, але не зрівняв умови». Доступу до курсу самого по собі, без стійкої самоініційованої engagement, може вистачити для психологічної, але не повної когнітивної паритетності.

• Автоматизоване оцінювання, досягнення та мова. The OpRaise comparison of three frontier models on 761 authentic essays виявило, що розбіжності між ШІ та людиною варіювалися залежно від рівня досягнень студента і від поверхневих мовних рис (словниковий діапазон, сполучники, складність речень) у спосіб, якого не спостерігалося в людському оцінюванні, і що точність відрізнялася в трьох університетах Великої Британії з різними когортами — автори пов’язують це безпосередньо з обов’язками закладів за UK Equality Act, із міркування, що деякі групи студентів можуть постраждати більше за інших, і зазначають право на пояснення за статтею 22 GDPR там, де рішення автоматизованого оцінювання впливають на студентів. Оскільки оцінювання ШІ стискало розподіл до середини, студентами, найбільш підданими впливу, є ті, хто перебуває на верхньому та нижньому краях діапазону досягнень.

• Правила оцінювання можуть перетворювати мовну невигідність на ризик для академічної доброчесності. Li (2026) стверджує, що правила доброчесності, які трактують GenAI як єдину категорію несанкціонованої допомоги, накладають вищий тягар дотримання на студентів, які використовують англійську як додаткову мову, чиє законне використання мовної підтримки є частішим і ітеративним, і концентрують підозру на тих авторах, чия поверхнева плавність найбільше змінилася, — це проблема проєктування правил, а не поведінки, і вона підвищує ризик вибіркового правозастосування на слабких доказах. Пропонована межа ґрунтується на меті та конструкті, а не на інструменті: редагування граматики, пунктуації та ясності на рівні речень, переклад для розуміння та перше чернеткування, яке студент суттєво переписує, вважаються дозволеною підтримкою, бо не додають нових ідей, нових джерел і суттєвого переупорядкування аналізу, тоді як генерація аргументів чи контраргументів, застосування дисциплінарних правил до фактів, перебудова аналітичної послідовності чи генерація цитат вважаються підміною. Оскільки формулювання конструкту часто винагороджує плавність та ідіоматичність як прокси міркування, студенти EAL стикаються з варіацією, нерелевантною до конструкту, в оцінках; засобами є заздалегідь визначена конкретність щодо дозволених і заборонених функцій, disclosure, відкаліброване так, що оголошувати рутинну підтримку коштує менше, ніж бібліографічний запис, поетапні подання та сліди джерел замість висновків на основі detection-led, а також моніторинг направлень і санкцій на рівні когорти. Рамка є нормативною та не перевіреною — Li не робить жодних тверджень щодо частот використання GenAI студентами EAL.

• Самі студенти судять про межу між підтримкою та підміною досить точно, але нерішуче. Reed et al. (2026) запропонували шість етичних кейсів 531 студенту бакалаврату і виявили, що 57,6 % класифікували всі шість правильно (у середньому 88,54 %): види використання з підтримкою перевірки широко приймалися — узагальнення конспектів із перевіркою викладача (91,7 %), покращення граматики в самостійно написаній роботі (84,9 %), згенеровані ШІ пошукові терміни з наступним незалежним оглядом літератури (91,1 %) — тоді як види, що підміняють, переважно відкидалися. Невизначеність концентрувалася на випадках, які правило має справді розв’язати: неперевірюваних згенерованих ШІ посиланнях (9,9 % «не впевнені») та мінімально відредагованому згенерованому ШІ тексті (9,6 %), — що автори читають як доказ, що межа між допомогою та змістовним авторством студентам не є зрозумілою. Об’єктивна ШІ-грамотність передбачала точність класифікації лише слабко (ρ Спірмена = 0,234), вибірка була переважно білою, жіночою та першокурсною в одному публічному університеті Середнього Заходу, а автори наголошують, що правильний розсуд не є етичною поведінкою.

• Привілей підказок: Jin et al. документують «prompt privilege» — користувачі, які вміло формують запити, систематично отримують кращі результати LLM, ніж користувачі, що висловлюють той самий намір менш спритно, — що робить уміння prompting тихо нерівним ресурсом. Їхній Prompt Equity Transformer переносить оптимізацію підказок у систему, трактуючи справедливий результат як властивість доступності, а не вимагаючи експертного формулювання підказок від новачків.

• Розрив у керуванні взаємодією. Brunnström and Palmqvist (2026) доходять амбівалентного висновку щодо GenAI як вирівнювача: оскільки продуктивне використання потребує впізнавати надто абстрактну відповідь, просити спростити та структурувати сеанс навколо малих цілей, некерований GenAI «може бути найкориснішим для й так переважених студентів» — тих, хто має сильні навчальні звички та впевненість у керуванні ШІ, — тоді як студенти зі слабкішими навчальними навичками або нижчою академічною Самоефективність зустрічають додаткову складність і фрустрацію. Замість того щоб заміняти відсутніх партнерів з академічної розмови, інструмент упроваджує нову компетентність, чиє засвоєння створює власний розрив; автори дходять висновку, що відповідальність за її викладання не може лежати лише на студенті (ШІ-грамотність, Саморегульоване навчання).

• Механізми розриву в навичках і розриву в ресурсах — це не одна й та сама проблема. Kumar, Wongsirichot and Nanthaamornphong (2026) розрізняють два механізми, які, як виявляє їхній systematic review 72 досліджень зі освіти в галузі обчислень, література схильна змішувати. Розрив у навичках діє в межах однієї аудиторії: студенти з сильнішим prior knowledge перетворюють допомогу ШІ на довготривалу навичку, тоді як студенти, що мають труднощі, використовують її як милиці, які знімають productive struggle, розширюючи розподіл компетентностей до кінця семестру — лікується поступовим доступом, прив’язаним до виявленої компетентності. Розрив у ресурсах діє між закладами та національними контекстами: надійний інтернет і платні підписки на API підтримують здатніше використання інструментів, ніж у студентів без них — лікується інституційними інвестиціями в спільний доступ до інструментів і політиками, які не припускають універсальної доступності. Справедливість — найтонша з трьох вимог рамки огляду (шість досліджень), і автори читають цю тонкість як знахідку: відсутність досліджень втручань, зосереджених на справедливості, сама є проблемою справедливості (Валідність оцінювання, Скаффолдинг).

• Найкраще підтверджені методи — найменш масштабовані. На воркшопі з 73 освітян з галузі обчислень усне та інтерактивне оцінювання було назване найсильнішим доступним доказом індивідуального розуміння і найменш масштабованим із запропонованих засобів — його порушували в одній кімнаті поряд зі студентами 400+ та жменькою асистентів викладачів, — тож стратегії з найчіткішим зв’язком із перевіреним навчанням містяться в закладах, які навчають найменше студентів: розрив у справедливості між закладами, а не в межах когорти (Akbar et al., 2026).

• Якість репетиторства змінюється залежно від демографії здобувача. EduFair-Bench поєднує фіксованого LLM student з кожним репетитором на дев’ятьох демографічних рівнях, що охоплюють гендер, імміграційне походження, першу мову та соціально-економічний статус, і оцінює п’ять педагогічних метрик на рівні ходу. У LLM tutoring найбільші відхилення з’являються в умовах явної демографії — скаффолдинг кроків корелює до |r| = 0,144 у математиці, а коригувальний тон перевищує 0,10 для кожної моделі в chemistry (0,102–0,168) та physics (0,129–0,294) — і в 11 із 15 комірок «модель × домен» умова неправильної відповіді отримувала вищий бал, ніж правильної, що вказує на те, що тон відстежував демографічну мітку студента, а не якість його міркування. Підсилення навчання, специфічне для педагогіки, на reinforcement learning перерозподіляло, а не усувало ці розриви. (EduFair-Bench: Evaluating Pedagogical Fairness of LLM Tutors Across Student Demographics)

• Неявні демографічні сигнали є менш керованим каналом упередженості, ніж заявлені атрибути. Rooein, Benedetto and Hovy (2026) утримували кожне введення завдання фіксованим, змінюючи лише демографічний контекст на шести інструкційно налаштованих LLMs і трьох освітніх завданнях, зробивши 192 480 викликів інференції, і розділили явні сигнали (заявлені атрибути студента) від неявних, які несе історія conversation із десяти підказок. В automated essay scoring більшість моделей були порівняно стабільними за явного кондиціювання, тоді як неявне кондиціювання завищувало оцінки — Llama-70B набирав 1,57 бали вище власного значення за замовчуванням (p < 0,001). У метамовному відповіданні на запитання неявна умова зсувалася в інший бік: відповіді для нижчих рівнів освіти отримували менш позитивний сентимент, середній розрив 0,3 між найнижчим і вищими рівнями освіти за шкалою 0–4 проти внутрішньо-пунктового стандартного відхилення 0,07. Трудність для справедливості є структурною — сигнал не є заявленим атрибутом, який політика могла б заборонити, чи полем підказки, яке міг би оглянути аудит, а властивістю самої взаємодії.

• Перевірка може переспрямувати здобуток на слабших студентів. Dang & Nguyen (2026) виявили, що підтверджені експертами навчальні матеріали ШІ на курсі економіки першого року були пов’язані з приростом на 2,34 бали, але приблизно три чверті цього приросту виникли в нижньому квінтилі, і частка оцінок нижче межі 60 % впала на 24,7 пункти, — перекладаючи тягар перевірки зі студентів на підзвітного викладача.

Мовна, культурна інклюзія та інклюзія за інвалідністю

• Мова: більшість інструментів ШІ пріоритезують англійську, маргіналізуючи multilingual здобувачів. Дослідження Linguistic diversity in academic writing, underrepresented languages та Вивчення мов розглядають це.
• Впізнавання, а не лише доступ: культурна плоскощинність ШІ як знахідка щодо справедливості: у 9-місячному наративному дослідженні з п’ятьма учнями середньої школи — підмайстрами кольору, Gyekye (2026) виявив, що студенти ототожнювали справедливість з відсутністю видимої упередженості — «культурною плоскощинністю», у якій пов’язані з ідентичністю переживання та культурні маркери залишаються непредставленими у відповідях ШІ, — і конструювали агентність через відмову (невикористання як інституційне узгодження) та домовленість (робили результати ШІ легітимними для інституції). Поняття Recognition Bandwidth із цього дослідження найменує простір, який здобувачі мають, щоб побачити себе в результатах ШІ, а Institutional AI Literacy — здатність орієнтуватися в ШІ в межах інституційних очікувань. Це якісне дослідження однієї програми з п’ятьма студентами; його внесок у справедливість — показ того, що нейтральність-як-справедливість сама може бути механізмом виключення.
• Хто отримує вигоду від репетитора ШІ — дослідницькі польові свідчення: за повного розгортання в межах району платформи математики ШІ з медіацією викладача Goblins (Alam et al. 2026) виявив сильніші асоціації з досягненнями для студентів з IEP (+0,122 SD), тих, хто вивчає англійську (+0,191 SD), і іспаномовних студентів (+0,084 SD), ніж для контрольних груп, що узгоджується з мультимодальним введенням і голосовою підтримкою семи мовами, які знижують бар’єри залученості. Автори прямо зазначають, що дослідницькі, непотужні підгрупи не можуть встановити, що саме можливості доступності спричинили цю диференціацію, — це ранній сигнал, що генерує гіпотези, а не знахідка щодо справедливості.
• Культура: Culturally relevant pedagogy та community-centered AIED закликають до ШІ, який відображає культурні контексти здобувачів, а не нав’язує домінантні норми.
• Інвалідність і нейрорізноманіття: дослідження Accessible learning, universal design, Нейрорізноманіття та special education розглядає, як ШІ може підтримувати або виключати здобувачів з інвалідністю — neurodivergent computing students, dyslexic learners та accessible educational materials є ілюстративними прикладами.
• Мова, культура та вартість разом: Bashir and Afzal (2026) формують справедливе проєктування в ШІ Благополуччя як єдине питання мови, культури та вартості — інструменти лише англійською не справляються зі студентами, які виражають страждання урду або романізованим урду, західні набори даних не фіксують локально значущих стресорів, а дорогі комерційні системи не справляються з менш забезпеченими університетами (Sukoon). Їхня відповідь поєднувала багатомовну LLM Відкритий код, доступну через хостинговий API з низькими вимогами до ресурсів, двомовний інтерфейс оцінювання та класифікатор, навчений на перевіреному інструменті з 20 ознак, — водночас визнаючи, що навчальні дані не є репрезентативними для цільової популяції, що «some areas... tools are available but often expensive» і що адаптація є підказкового рівня, а не перевірена зі студентами: щирий опис розриву між справедливим наміром і продемонстрованою справедливістю.

Особливі популяції та глобальна справедливість

• Особливі популяції: Спеціальна освіта, neurodivergent learners, dyslexic learners та learners with disabilities представляють групи, чиї потреби часто оминаються в проєктуванні систем ШІ.
• Перспективи Глобального Півдня: African student motivations, Vietnamese AI lesson planning та Ghanaian teacher acceptance дають перспективи Глобального Півдня, яких часто бракує в західноцентричних дослідженнях AIED. На інституційному рівні Adeniranye et al. (2026) показують, що інтеграція ШІ в 45 нігерійських університетах рухається віком закладу та географією, а не типом управління, причому підсилюючі мережеві зв’язки дозволяють добре зв’язаним закладам нарощувати перевагу, — свідчення того, що розриви в справедливості відтворюються структурно, а не лише через індивідуальний доступ.
• Глобальна потужність: свідчення фіксують, що вигоди від генеративного ШІ нерівномірно розподілені між країнами та закладами, і AI and lifelong-learning policy займається структурними соціально-економічними градієнтами.
• Перетин інвалідності та Глобального Півдня: Khlaif et al. (2026) — qualitative кейс-стаді 21 студента із вадами зору з трьох палестинських університетів — показує, що GenAI подоляє цифрові, географічні та соціально-економічні розриви, розширюючи technology acceptance models на контексти інвалідності, де usability, доступність за ціною та доступність взаємно підсилюють одна одну.
• Гендерна справедливість в обчислювальній галузі: спрямовані на справедливість види використання GenAI залишаються недостатньо дослідженими. An all-girls GenAI makerspace initiative in Europe поєднувала два інструменти GenAI з феміністичною педагогікою, аби протидіяти стійким гендерним нерівностям у представленості дівчат в обчислювальній галузі, причому практики впроваджували конкретні кроки для підтримки участі й залученості дівчат — приклад орієнтованого на справедливість проєктування GenAI. Навмисно гендерований ШІ може функціонувати і як саме втручання: Rücker and Becker-Genschow (2026) показали, що кодований як жіночий domain-specific математичний chatbot за особистістю Ади Лавлейс (розгорнутий водночас як рольова модель і як learning assistant) суттєво зменшив гендерно-стереотипні уявлення про математичні здібності та mathematics як чоловічу домену серед учнів дев’ятого класу — у обох гендерів, з високим і гендерно-нейтральним технологічним прийняттям. Це переосмислює репрезентацію як важіль проєктування, а не лише упередженість для аудиту: систематично проєктовані персони ШІ можуть протидіяти gender bias, а не лише уникати її відтворення.

Наслідки для ШІ в освіті

• Справедливість — це проєктування, а не післядумка: bias mitigation та алгоритми, чутливі до справедливості, мають бути вбудовані в репетиторів, оцінювачів і рекомендаційні системи ШІ та оцінюватися на справедливість нарівні з точністю.
• Інфраструктура — це справедливість: подолання digital divide та інфраструктурної нестачі для малопредставлених мов є передумовою справедливого ШІ, а не другорядним занепокоєнням.
• Репрезентація важлива в контенті та оцінюванні: зібрані ШІ матеріали та automated assessment мають відображати, а не штрафувати різних здобувачів, культури, мови та системи знань.
• Поєднуйте доступ із підтримкою: надання інструментів недостатнє; здобувачам потрібні навички, умови та культурно релевантний Скаффолдинг, щоб отримувати вигоду.
• Охоплюйте аудиторії, яких формальна освіта не досягає: рамка AI Literacies framework for public service media стверджує, що надання й надалі досягатиме й так переважених, якщо його не проєктувати інакше, найменує молодих людей, які цифрово або інакше маргіналізовані, як тих, хто має найменше можливостей через формальну освіту, і пропонує як засіб цільові партнерства плюс надання національного охоплення, а не універсальну публікацію.
• Політика та управління: інституційна політика щодо ШІ (Політика щодо ШІ в освіті, Урядування ШІ) має закладати справедливість як керівний принцип.

Пов’язані поняття

• Диференційовані ефекти в різних групах здобувачів
• Здобувачі — Здобувачі: узагальнення для понять на боці здобувача
• Цифровий розрив — Нерівний доступ до інструментів та інфраструктури ШІ за соціально-економічними лініями, регіонами та країнами
• Пом’якшення упередженості — Методи виявлення та виправлення упередженості в репетиторах, оцінювачах і рекомендаційних системах ШІ
• Доступність — Проєктування, що робить інструменти навчання зі ШІ придатними для здобувачів з інвалідністю
• Асистивні технології — Інструменти, які підтримують здобувачів з інвалідністю в умовах посередництва ШІ
• Культурно дорельна педагогіка — Викладання, що відображає культурні контексти здобувачів, а не нав’язує домінантні норми
• Вивчення мов — Лінгвістична інклюзія багатомовних здобувачів та мовців малопредставлених мов
• Інклюзивне навчання — Доступне та справедливе навчання для всіх здобувачів
• Універсальне проєктування навчання — Проєктування з урахуванням варіативності здобувачів від самого початку
• Нейрорізноманіття — Підтримка нейрорізноманітних здобувачів в освіті зі ШІ
• Спеціальна освіта — Задоволення потреб здобувачів з інвалідністю в проєктуванні систем ШІ
• ШІ-грамотність — Навички, потрібні здобувачам, щоб справедливо отримувати вигоду від ШІ
• Політика щодо ШІ в освіті — Інституційна політика, що закладає справедливість як керівний принцип
• Урядування ШІ — Нагляд і підзвітність для справедливого ШІ
• Суб’єктність здобувача — Забезпечення того, щоб ШІ розширював, а не заміщав голос студента
• Зацікавлені сторони — Узагальнення: люди та аудиторії в освіті зі ШІ (здобувачі, викладачі, проєктувальники, адміністратори, політики)
• Батьки та родини
• Підтримка та успішність здобувачів — кого охоплюють системи підтримки та ризики дій на основі оцінки ризику

Пов’язані статті

• Conceptualizing and developing second language teachers' multimodal assessment literacy in the GenAI era — Як візуальна упередженість GenAI проникає в мультимодальне оцінювання і чому створення контрнаративів їй є компетентністю викладача

• The Rented Self: How AI-Enabled Tools Decouple Performance From Becoming — Орендоване «я»: орендна плата в грошах, «я» та стандартах і ліцензії, що завершуються на випуску

• Verified, not generated: expert-verified AI study materials and the distribution of learning gains in a university course — Перевірене, а не згенероване: підтверджені експертами навчальні матеріали ШІ та розподіл навчальних здобутків в університетському курсі

• Supporting AI Literacies for Young Adults Aged 14-19: A value-based, practical framework for public service media organisations — Справедливість як задача доставки: охоплення молодих людей, яких формальна освіта оминає

• AI in University Assessment: Evaluating the Opportunities and Risks of Automated Marking — Звіт OpRaise: оцінювання ШІ 761 університетського есея в трьох університетах Великої Британії

• Generative AI in computing education: A systematic review and a framework for responsible integration — Розрив у навичках проти розриву в ресурсах: два механізми справедливості, що потребують різних засобів

• AI-interaction literacy: reflections on how generative AI might be used to support self-regulated learning in higher education — Некерований GenAI може розширювати розриви: компетентність керування взаємодією (Brunnström & Palmqvist 2026)

• Institutional Structures, Digital Inequality, and AI Integration in Higher Education — Інституційні структури, цифрова нерівність та інтеграція ШІ в нігерійській вищій освіті

• Fairness-Aware Multimodal Transformer Modeling for Real-Time Student Attention Estimation — Fairness-Aware Multimodal Transformer Modeling for Real-Time Student Attention Estimation

• Does school-based AI education narrow readiness gaps? The role of prior agency-related learning — Шкільна освіта зі ШІ звужує психологічні, але не когнітивні розриви в готовності

• Same Question, Different Answer? Measuring and Mitigating Prompt Privilege for Equitable AI Access — Prompt Privilege: вимірювання та пом’якшення розривів у доступності LLM

• AI-based scoring systematically underestimates conceptual understanding of linguistically weak students' explanations in physics — Мовна упередженість в оцінюванні на основі ШІ

• Contaminated Collaboration: Measuring Gender Bias Transfer in LLM-Assisted Student Writing — Перенесення гендерної упередженості в письмі з допомогою LLM

• Generative artificial intelligence and the marginalization of minoritized knowledges in higher education — Генеративний ШІ і маргіналізація міноритарних знань

• Structural Silence: When AI Infrastructure Fails Speakers of Underrepresented Languages — Структурна мовчазність: малопредставлені мови в інфраструктурі ШІ

• Generative AI in Higher Education: A Systematic Review of Opportunities, Challenges, and Pedagogical Innovations (2022–2025) — GenAI у вищій освіті: систематичний огляд

• Artificial Intelligence in Lifelong Learning: Opportunities and Challenges in Adult Education Policy — Політика щодо ШІ та навчання протягом життя

• Does generative AI narrow education-based productivity gaps? Evidence from a randomized experiment — Чи звужує генеративний ШІ розриви в продуктивності, засновані на освіті?

• Generative AI and linguistic diversity in academic writing and publishing: Perspectives from World Englishes — Мовна різноманітність в академічному письмі, опосередкованому ШІ

• Access is Not Enough: Human Support Improves Engagement with AI Tutoring — Доступу недостатньо

• Bridging the Gender Gap in STEM Education with AI: Female-Coded Chatbot as Role Model and Learning Assistant — Кодований як жіночий чат-бот як рольова модель, що зменшує математичні гендерні стереотипи

• The Paternalistic Filter: Epistemic Injustice and Differential Refusal in LLM-Mediated History Education for Marginalized Romanian Students — Патерналістичне фільтрування в історичній освіті на основі LLM

• DysLexLens: A Low-Resource LLM Framework for Analysing Dyslexic Learners Insights from Online Forums — DyslexLens: підтримка ШІ для здобувачів з дислексією

• Modernizing Ground Truth: Four Shifts Toward Improving Reliability and Validity in AI in Education — Надійність ground-truth в AIED

• Marked Pedagogies: Examining Linguistic Biases in Personalized Automated Writing Feedback — Marked Pedagogies: упередженість зворотного зв’язку, узгоджена зі стереотипами, за атрибутами студента

• Can AI deliver appropriate support for diverse student profiles? A large-scale evaluation — Чи може ШІ забезпечити відповідну підтримку для різних профілів студентів? Масштабне оцінювання

• Beyond “painting in pink”: A critical case study of all-girls generative AI workshops in a European makerspace — Воркшопи майстерень GenAI для дівчат і гендерна справедливість в обчислювальній галузі

• Assistive Generative AI for Visually Impaired Learners: Personalization and Inclusion in Higher Education — Допоміжний GenAI для здобувачів із вадами зору

• An AI-Powered Culturally Aware Chatbot for Stress Detection and Wellness Support among Pakistani University Students Using NLP and Machine Learning — An AI-Powered Culturally Aware Chatbot for Stress Detection and Wellness Support among Pakistani University Students Using NLP and Machine Learning

• The Role of Implicit and Explicit Demographic Signals in Large Language Model-based Student Assessment — Неявні (з історії розмови) демографічні сигнали зсувають оцінювання, зворотний зв’язок і відповіді LLM (Rooein, Benedetto & Hovy 2026)

• The AI Challenge: How college faculty assess the present and future of higher education in the age of AI — 1 057 викладачів США про сьогодення й майбутнє ШІ: 81 % очікують ширших цифрових нерівностей, 26 % не використовують інструментів

• GenAI assessment and language equity: Drawing the line between support and substitution — Проведення межі між підтримкою та підміною: правила оцінювання з GenAI і тягар дотримання студентів EAL

• AI refusal in higher education: the right to refuse, the duty to understand and the diagnostic value of non-use — Право відмовитися розподілене нерівномірно: відмова як свідчення інституційної непідготовленості (Zagami 2026)

• AI literacy and scenario-based ethical judgment about generative AI among undergraduate students — Етичний розсуд на основі кейсів і ШІ-грамотність серед 531 студента бакалаврату

• StudentBench: AI and human tutoring yield equivalent GRE learning gains — StudentBench: репетиторство ШІ та людини дають еквівалентні навчальні здобутки на GRE

• AI Can Do Your Homework. Now What? Report from an online workshop on computing assessment in the age of generative AI — AI Can Do Your Homework. Now What? Report from an online workshop on computing assessment in the age of generative AI

• Generative AI May Reinforce Social Biases in Software Engineering Education — Generative AI May Reinforce Social Biases in Software Engineering Education

• Teacher Mediation and the Contingent Promise of Generative AI in Mathematics Education — Розрив точності між безкоштовним і преміальним рівнем у математиці: 32,7 % проти 12 % (Canonigo 2026)

• The Impact of Generative Artificial Intelligence on Learning Outcomes in Higher Education: A Meta-Analysis — Узгоджені навчальні здобутки від GenAI (g = 0,53) і нерівний доступ до дорогих інструментів, який вони не можуть охопити

• Reimagining mathematics education through intelligent tutoring: evidence, opportunities, and implementation challenges — Огляд репетиторства зі ШІ в математиці, що знаходить твердження про інклюзивність і звуження розривів у досягненнях непідтвердженими

• Improving hybrid human-AI tutoring by differentiating human tutor roles based on student needs — Improving hybrid human-AI tutoring by differentiating human tutor roles based on student needs (Gurung et al. 2026)

• Teacher-Mediated Multimodal Platform and Math Achievement: Evidence from Goblins' Yearlong District Implementation — Районне розгортання математики зі ШІ з більшими дослідницькими асоціаціями для студентів IEP, тих, хто вивчає англійську, та іспаномовних студентів (мультимодальні/багатомовні підтримки; причинний зв’язок не перевірено)

• Constructing Selves in AI-Mediated Apprenticeship Learning: Students of Colour's Narratives of Agency, Recognition and Negotiation — Підмайстри кольору ототожнювали справедливість з культурною плоскощинністю; агентність конструювалася через відмову та домовленість; Recognition Bandwidth та Institutional AI Literacy