K-12

Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.

K-12 — використання штучного інтелекту в початковій та середній освіті, що охоплює навчальні програми AI literacy, AI tutoring, teacher support та міркування щодо безпеки, унікальні для молодших здобувачів. Систематичний огляд 2026 року за настановами PRISMA, що охопив 197 досліджень (2016–2024), організує поле навколо чотирьох областей можливостей — personalization, motivation, Оцінювання та інноваційних teaching practices — водночас позначаючи стійкі прогалини в teacher training, міністерських ethical настановах і балансі дисциплін.

Питання для роздумів

• Використання ШІ в K-12 вимагає сильніших захистів безпеки, ніж higher education, бо молодші здобувачі найменше озброєні для виявлення небезпечного або маніпулятивного ШІ. Як це змінює те, що має означати «безпечно» для інструментів, якими користуються діти?
• Systematic reviews виявляють, що база свідчень K-12 зосереджена переважно на STEM, залишаючи мистецтво та humanities здебільшого недослідженими. Що могла б розкрити збалансована за дисциплінами база свідчень про ШІ в K-12, чого не помічають дослідження лише в STEM?
• Research виявляють, що викладачі систематично переоцінюють свою компетентність у ШІ — розрив близько 40% між self-report і продуктивністю, — проте коротке навчання дає суттєво вищу інтеграцію. Що міг би означати цей розрив для того, як школи готують викладачів?
• Більшість інструментів ШІ центрують домінантні перспективи, проте 78% викладачів в одному дослідженні визнали ШІ корисним для культурно релевантної педагогіки. Як інструмент, що за умовчанням тримається домінантних поглядів, можна скеровувати на розширення репрезентації, а не на її звуження?
• Свідчення вказують на те, що перекладання роботи на ШІ може шкодити навчанню, особливо для старших студентів, — проте молодші студенти можуть бути менш ураженими. Чому навчальний штраф використання ШІ міг би відрізнятися за віком, і що це означає для проєктування?
• Огляд K-12 виявляє вісім недосліджених прогалин, від відсутніх конкретних прикладів навчальних блоків до недовикористання robotics, носимих пристроїв і мобільної комунікації. Яка з цих прогалин найбільше обмежує те, що школи можуть справді робити сьогодні?
• Інституційні AI policies часто не мають настанов щодо впровадження. Що знадобилося б, щоб перетворити документ політики щодо ШІ в K-12 на конкретні практики в аудиторії та підготовку викладачів — і чому це перекладання так часто провалюється?

Вступ

Ландшафт свідчень

PRISMA-guided systematic review 2026 року (Marzano, 197 studies, 2016–2024) тепер закріплює базу свідчень K-12, доповнюючи раніші великі синтези, такі як rapid review of GenAI and PreK-12 learners та aggregated K-12 AI evidence base. Його структура з чотирьох питань організує поле в чотири області можливостей — персоналізацію навчання, мотивування студентів, покращення оцінювання та уможливлення інноваційного, імерсивного викладання — з ChatGPT як флагманським випадком, дослідженим у великій частці включених статей.

Центральний висновок огляду — різка асиметрія: обіцянка GAI у школах є широкою і добре задокументованою, але свідчення щодо щоденної практики в аудиторії є тонкими, зосередженими в STEM і перекошеними браком конкретних прикладів навчальних блоків і практичної підготовки викладачів. Ця прогалина між прагненням і впровадженням є визначальною рисою досліджень GenAI в K-12.

Синтез з боку викладача додає шар, який огляди, зосереджені на інструментах, лишають поза увагою. Огляд за PRISMA 29 досліджень teacher intervention in K-12 AI-based instruction виявляє, що вихід ШІ — сповіщення, dashboards, автоматизовані бали, зворотний зв’язок чат-бота — стає викладанням лише через цикл моніторингу, судження, втручання та оркестрації, і що подана користь для продуктивності, участі та впевненості студентів є умовною від інтерпретованості інформації, часу втручання, націленого рівня, можливості впровадження викладачами та autonomy студентів. Його корпус зосереджений у тих самих місцях, що й ширша база свідчень K-12: mathematics і предмети науки/STEM, середні й старші класи та умови Сполучених Штатів.

Характерні для K-12 міркування

• Безпека та забезпечення запобіжниками: використання ШІ в K-12 вимагає сильніших захистів Педагогічна безпека. EduZone, EduGuard і tutor harm research спеціально займаються безпечною для дітей AI interaction.
• Навчальні програми ШІ-грамотності: K-12 AI literacy modules розвивають віково доречне розуміння ШІ, тоді як vibe coding framework дає викладачам змогу створювати власні інструменти ШІ. Квазіекспериментальне дослідження 18-годинної програми критичної медійної грамотності за моделлю 5E для турецьких учнів четвертого класу (Demir & Akar 2026) вбудувало generative AI (ChatGPT, Grammarly, Canva AI, Padlet) фаза за фазою як pedagogical agent, узгоджений із навчальними програмами турецької мови та суспільствознавства, породжуючи великі здобутки в читанні медіа (+3,50), письмі (+1,67) і загальній медійній грамотності (+5,17, усі p < .01) з міжгруповими розмірами ефекту Коена d = 1,12–1,31 та qualitative зростанням у шести доменах критичної медійної грамотності (цифровий самозахист і приватність даних, цілеспрямоване й відповідальне використання медіа, безпечна комунікація та обізнаність про межі, critical evaluation та обізнаність про дезінформацію, обізнаність про онлайнові ризики та етика медіа/цифрове громадянство) — свідчення того, що віково доречні, вбудиновані в дисципліни навчальні програми ШІ-грамотності можуть давати вимірювані критично-медійні здобутки в молодших класах.
• Тьюторинг на рівні класу: K-12 personalized companions та correct answer trap research вивчають ефективність тьюторингу для молодших студентів.
• Обмеженням тьюторингу із ШІ є залученість, а не спроможність. У 18 середніх школах Теннессі призначення Khanmigo підвищило досягнення в математиці на ~0,06–0,08 SD за шкільний рік — здобутки, подібні до практики Khan Academy без ШІ, — бо медіанний студент писав тьюторові лише в 17% сеансів помилок (Oreopoulos and Low, 2026).
• Доцільність для розвитку: Child safety research та міркування щодо Спеціальна освіта займаються потребами різноманітних популяцій K-12.
• Розмовний ШІ, адаптований за віком: Vahedian Movahed & Martin (2025) розгорнули AMA, чат-бот, обмежений темою, з адаптацією підказок за віком, серед 63 студентів (класи 1 і 6–8). Діти показали ширку відкритість і високу довіру до чат-бота як до джерела інформації та активно перевіряли його достовірність питаннями з відомою відповіддю, тоді як прогалини в обізнаності щодо цифрової безпеки (деякі були готові довіритися таємницями) вказують на чутливий до віку Скаффолдинг і явний інструктаж щодо Приватність.

Ефекти знань викладачів

• Ефекти знань викладачів. Дослідження міжрівневого типу (46 teachers, 2,832 secondary students) виявило, що pedagogical знання щодо ШІ — а не технічні знання щодо ШІ — керували сприйняттям студентами ШІ для соціального блага та їхнім наміром вивчати ШІ, підкріплюючи підхід «спочатку педагогіка, потім технологія» до підготовки викладачів ШІ в K-12.
• Безперервне навчання як обмежувальний фактор. Огляд Marzano визначає безперервне, цілеспрямоване teacher training з ІКТ як єдиний найстійкіший виклик інтеграції, і воно має охоплювати технічні, педагогічні та етичні виміри, адаптуючись до стрімко еволюціонуючих інструментів. Початкове й безперервне навчання має бути тривалим, колаборативним, game-based, орієнтованим на transparency і заснованим на professional development для просунутих інструментів на кшталт ChatGPT. Це поширюється і на ШІ підтримки колаборації в аудиторії: дослідження здійсненності Community Builder (CoBi) в аудиторіях середніх шкіл виявило, що високоцілісне використання викладачами залежало від суттєвого professional learning, причому непідготовлені викладаі дрейфували до розгляду інструмента як монітора продуктивності або до загальної дискусії про ШІ, а не до його бажаного колаборативного фокусу.
• Прогалина в компетентності. Дослідження показує, що викладачі систематично переоцінюють свою AI competency — розрив близько 40% між самооцінкою і продуктивністю, — проте короткі навчальні інтервенції (наприклад, 4-годинні prompting семінари) можуть дати суттєво вищу інтеграцію ШІ в аудиторії. Це робить підготовку викладачів і Професійний розвиток центральними для успішної інтеграції ШІ в K-12.

Чотири області можливостей

Систематичний огляд консолідує те, що GAI може робити у школі, у чотири повторювані домени:

• Персоналізоване навчання. GAI пристосовує learning experiences до індивідуальних потреб, темпу та готовності — флагманська користь, задокументована на companion systems і adaptive platforms.
• Читабельність і узгодження з навчальною програмою. Bird (2026) поєднує класифікацію тексту на трансформерах із обчислювально-лінгвістичними ознаками, щоб класифікувати англійську літературу за UK Key Stage (F1 0,996), упаковану в вебзастосунок без коду, щоб викладачі могли узгоджувати матеріали для читання з рівнями здобувачів — конкретне, релевантне дисципліні (англійська/література) доповнення до переважно STEM-ної бази свідчень K-12.
• Мотивація і залученість. Інструменти на кшталт ChatGPT роблять навчання більш залученим для молодших студентів, підтримуючи engagement і Мотивація, — хоча огляд також попереджає, що це може перейти в надмірну залежність і технологічну залежність.

Мета-аналіз 42 досліджень це кваліфікує: мотиваційний ефект був найменшим у шкільних умовах (secondary g = 0,360, початкова g = 0,311) проти g = 0,886 в університеті, хоча ці підгрупи спираються лише на 9 і 4 дослідження (Fang et al. (2026)).

• Оцінювання. GAI покращує методи Оцінювання, від formative Зворотний зв’язок до automated scoring, хоча bias in automated feedback залишається живим занепокоєнням. Razavi and Powers (2026) розширюють це на калібрацію завдань у K-5: на 5 170 завданнях математики та читання zero-shot оцінки складності від GPT-4o корелювали помірно–сильно зі складностями, каліброваними за Rasch (r = 0,83 математика, r = 0,81 читання), але були нерівномірними між класами й не кращими за регресор-фіктивну зі середнім за класом для класів K і 1 — обмеження діапазону, що має значення для оцінювання в ранніх класах. Підхід на основі ознак (ознаки, витягнуті Великі мовні моделі (LLM), у моделі на основі дерев) досяг кореляцій до r = 0,87, із здобутками, найвиразнішими для завдань ранніх класів. Суміжне питання — яку модель школа взагалі запускає: на наборах, узгоджених з NGSS, для середніх шкіл (1 078 завдань) і старших шкіл (1 150 завдань) дев'ять моделей із відкритими вагами від шести лабораторій здебільшого набрали вище 90%, і розмір моделі не передбачав точності — OSS-20b і Nemotron 3 Nano 30b a3 зрівнювалися з моделями в кілька разів більшими, — тоді як складність завдань була високою, а дискримінативність низькою, залишаючи авторів із запитанням, чи не є Бенчмарк надто легким (Schroeder et al. 2026).
• Інноваційні практики викладання. Імерсивні, game-based та collaborative підходи роблять навчання більш залученим, причому constructionist і project-based моделі показують особливу обіцянку. Конкретний приклад на рівні всієї аудиторії — Community Builder (CoBi), система підтримки колаборації із ШІ, розгорнута в шести аудиторіях середніх шкіл, яка використовувала розпізнавання мовлення для візуалізації «піднесеного» дискурсу малих груп — свідчення того, що ШІ мовлення в реальному часі може здійсненно працювати в шумних умовах K-12 для підтримки реляційного виміру навчання.

Імператив культурної релевантності

LLM-supported curriculum design показує обіцянку для диверсифікації матеріалів — в одному дослідженні 78% викладачів визнали пропозиції ШІ корисними для culturally relevant pedagogy. Проте більшість інструментів ШІ центрують домінантні перспективи, вимагаючи свідомого equity-centered design, щоб уникнути розширення прогалин у можливостях.

Переклад політики в практику

Institutional політики щодо GenAI здебільшого не мають настанов щодо впровадження. Систематичний огляд підкреслює, що міністерські настанови, що займаються Етика і Приватність, залишаються нерозвиненими, відлунюючи policy-to-practice: успішні моделі перетворюють документи політики на дієві навчальні модулі для викладачів, зводячи «що» (політика) і «як» (інструктаж з підказок).

Масштаб і справедливість

Розгортання ШІ в K-12 діє в суспільному масштабі — мільйони студентів, обов'язкова освіта та значні наслідки для equity. Дослідження справедливості вивчає, чи ШІ розширює чи звужує прогалини в можливостях, включно з access і inclusive support для студентів з інвалідністю — однією з восьми недосліджених областей огляду.

Вісім прогалин у дослідженнях

Інноваційний внесок огляду Marzano — явне перелічення восьми недосліджених прогалин, що формують порядок денний досліджень GenAI в K-12: (1) брак конкретних прикладів ШІ у викладанні для конструювання навчальних блоків; (2) потреба в практичному, щоденному навчанні викладачів на основі постійного застосування ШІ; (3) навички в machine learning та баланс між дисциплінами, із надмірною репрезентацією STEM; (4) брак досліджень і експериментів у Європі; (5) потреба визначити teacher role й створити конкретні педагогічні рамки, такі як Технологічні педагогічні знання змісту (TPACK) або AI4K12; (6) інклюзивність і підтримка студентів з disabilities; (7) зв'язок із педагогічними теоріями та інноваційними методологіями; і (8) застосування нових technologies, таких як wearables, robot control та мобільної комунікації.

Зв’язки

K-12 пов'язується з Педагогічна безпека (захист дітей), ШІ-грамотність (компетентність студента), Викладання (трансформація викладача K-12), Справедливість (прогалини в доступі) та Спеціальна освіта (різноманітні потреби здобувачів). Його база свідчень систематичного огляду пов'язується з Метааналіз і систематичний огляд як методом, а його знахідка щодо дисбалансу дисциплін — зі Освіта в галузі STEM, Освіта в галузі гуманітарних та соціальних наук та Освіта дітей раннього віку.

Наслідки для викладачів K-12

• Надавайте пріоритет захисту безпеки дітей. Використання ШІ в K-12 вимагає сильніших захистів safety — використовуйте інструменти, спеціально побудовані й перевірені для дітей (EduZone, EduGuard), і будьте уважними до шкоди від незахищених тьюторів (tutor harm research).

• Будуйте ШІ-грамотність віково доречно. Використовуйте навчальні програми й рамки, спроєктовані для молодших здобувачів (K-12 AI literacy modules), і не припускайте, що студенти приходять уже зі знаннями відповідального використання.

• Закривайте прогалину в компетентності викладачів. Викладачі систематично переоцінюють свою компетентність у ШІ (розрив ~40% між самооцінкою і продуктивністю), проте коротке навчання (наприклад, 4-годинні підказкові семінари) дає суттєво вищу інтеграцію ШІ в аудиторії — інвестуйте у власну підготовку (Компетентність викладача в галузі ШІ, Професійний розвиток).

• Зберігайте навчання безперервним і заснованим на практиці. Основна рекомендація систематичного огляду — що навчання викладачів не може бути одноразовим — воно має бути безперервним, колаборативним і заснованим на постійному щоденному застосуванні ШІ, а не на абстрактній теорії.

• Диверсифікуйте матеріали свідомо. ШІ сильний у генерації culturally relevant матеріалу (78% викладачів вважають пропозиції корисними), але інструменти за умовчанням тримаються домінантних перспектив — активно використовуйте ШІ, щоб розширювати, а не звужувати репрезентацію, і стережіться прогалин у opportunity gaps.

• Стережіться ризику навчального штрафу. Свідчення показують, що перекладання роботи на ШІ може шкодити навчанню, особливо для старших студентів (cognitive surrender, homework-outsourcing penalty) — проєктуйте завдання, що зберігають когнітивну роботу в циклі, і оцінюйте тривале розуміння, а не лише завершення.

• Відрізняйте продуктивне сповільнення від серії. Рандомізований польовий експеримент із 6 000+ студентами середніх шкіл виявив, що підтримка ШІ сповільнила прогрес, але підвищила правильність наступної спроби після помилок, тоді як правило «три правильні поспіль» підвищило оволодіння на платформі приблизно на 28,7 відсоткових пункти, не покращуючи відкладений тест тиждень потому (Oreopoulos et al. (2026)).

• Проєктуйте інструменти викладача під судження, а не під обсяг. Більше інформації від ШІ не є краще: сповіщення в реальному часі розширювали обізнаність викладачів, але в деяких дослідженнях перевантажували увагу або відволікали від власного спостереження, і один викладач не може діяти на більше цілей втручання, ніж може фізично охопити (Lee 2026). Інструменти, що розставляють пріоритети й пояснюють, на що варто діяти, і дають викладачам приймати, переглядати, відкладати або відхиляти рекомендації, пасують роботі краще, ніж панелі, що виводять на поверхню все, — а структурні умови (час на перегляд, розмір класу, допоміжний персонал) є частиною втручання, а не тловою логістикою.

• Поширюйте за межі STEM. База свідчень сильно перекошена до STEM; освітяни й дослідники в мистецтві та humanities мають надмірну можливість генерувати збалансовану за дисциплінами свідчену базу, якої полю бракує.

• Перекладайте політику в практику. Інституційні політики щодо GenAI часто не мають настанов щодо впровадження; перетворюйте політику на конкретні, дієві практики в аудиторії та навчання (policy-to-practice).

Впровадження ШІ та скептицизм у K-12

• У міру того як ШІ входить до шкіл, персонал, якого він зачіпає, дедалі частіше закликають радитися з conversational AI щодо впровадження. Алгоритмічний аудит десяти фронтьєрних LLM досліджував персону скептично налаштованого до ШІ викладача сільської школи K-12 і виявив, що вісім із десяти моделей визнали занепокоєння, перш ніж перенаправити до формулювань про engagement ШІ — результат, залежний від моделі, а не неминуча властивість LLM. Trust, скептицизм і human oversight тому є центральними для того, як сільський та інший персонал K-12 зустрічає ШІ.

Пов’язані поняття

• Педагогічні патерни — Рівень досліджень продуктивного провалу, концептуальної зміни та усного оцінювання
• Освіта дітей раннього віку — Ранній дитячий вік і освіта зі ШІ в початковій школі
• Педагогічна безпека — Безпечні для дитини запобіжники для взаємодій із ШІ у молодших здобувачів
• ШІ-грамотність — Віково доречне розуміння студентом ШІ та відповідальне використання
• Викладання — Трансформація викладача та інтеграція ШІ в аудиторіях K-12
• Справедливість — Чи розширює ШІ прогалини в можливостях K-12, чи звужує
• Спеціальна освіта — Різноманітні потреби здобувачів у використанні ШІ в K-12
• Скаффолдинг — Структури підтримки для навчання K-12 з підтримкою ШІ
• Персоналізоване навчання — Пристосований інструктаж, уможливлений ШІ на шкільному рівні
• Освіта в галузі STEM — ШІ-грамотність і інструменти в науці, техніці, інженерії та математиці K-12
• Генеративний ШІ — Основна технологія за інструментами й навчальними програмами ШІ в K-12
• Професійний розвиток — Навчання та підвищення кваліфікації викладачів для ШІ в аудиторії
• Соціокультурне навчання — Соціальні та культурні виміри навчання зі ШІ в K-12
• Метакогніція — Мислення про мислення; ключ до тривалого навчання в епосу ШІ
• Освітній розвиток — Безперервний професійний розвиток для викладачів
• Проєктування навчання — Проєктування уроків і матеріалів із підтримкою ШІ
• Активне навчання — Зберігання когнітивної роботи в циклі під час використання ШІ
• Обчислювальне мислення — Фундаментальна навичка K-12 і ціль навчальної програми зі ШІ
• Інтелектуальний тьюторінг — Системи тьюторингу зі ШІ для молодших студентів
• Метааналіз і систематичний огляд — Метод систематичного огляду за базою свідчень K-12
• Освіта в галузі гуманітарних та соціальних наук — Протилежність балансу дисциплін для переважно STEM-ної бази свідчень про ШІ в K-12
• Батьки та родини
• Когнітивна капітуляція

Пов’язані статті

• Generative Artificial Intelligence (GAI) in Teaching and Learning Processes at the K-12 Level: A Systematic Review — Систематичний огляд генеративного ШІ у викладанні та навчанні K-12 (Marzano 2026)

• Pedagogy first, technology second: Cross-level relationships between teacher professional knowledge and student — Міжрівневі ефекти знань викладача щодо ШІ (TAIK, TPAIK) на навчання студентів у середній освіті зі ШІ (Shen та співавтори 2026)

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

• AI Tutoring is Not a Monolith: What We Actually Know — AI Tutoring is Not a Monolith: What We Actually Know (бриф Stanford SCALE/NSSA)

• AI-Supported Problem-Based Learning for Enhancing Computational Thinking — Навчання на основі проєктів із підтримкою ШІ та обчислювальне мислення

• Virtual Tutoring with Computer-Assisted Learning: An Experiment in Take-Up and Learning — Virtual tutoring with CAL: експеримент у впровадженні та навчанні

• Making AI Tutoring Productive: Evidence from a Mastery-Based Math Practice Experiment — Зроблення тьюторингу із ШІ продуктивним: практика математики на основі оволодіння

• One Click Away: AI Tutoring with Khanmigo in a Two-Year School Experiment — One Click Away: Khanmigo у двохрічному шкільному експерименті

• EduZone: A Framework for Evaluating LLM Safety for K-12 Students and Teachers — EduZone: безпечна для дітей платформа взаємодії з LLM для K-12

• EduGuard: A Safe RAG-Based LLM Tutor for Programming Education — EduGuard: забезпечення запобіжниками безпечного LLM-тьютора на основі RAG

• SafeTutors: Benchmarking Pedagogical Safety in AI Tutoring Systems — Дослідження шкоди від незахищених ШІ-тьюторів для дітей

• Learning to Use AI for Learning: Teaching Responsible Use of AI Chatbot to K-12 Students Through an AI Literacy Module — Модулі ШІ-грамотності K-12 з підказок

• The Evidence Base on AI in K-12: A 2026 Review — База свідчень щодо ШІ в K-12, зведена в масштабі

• ECNUClaw: A Learner-Profiled Intelligent Study Companion Framework for K-12 Personalized Education — Персоналізовані компаньйони ШІ для K-12

• A Guiding Framework for K-12 Teachers in Creating AI-powered Learning Technologies through Vibe Coding — Рамка vibe coding, що дає викладачам змогу будувати інструменти ШІ

• Rethinking Elementary Education's Writing Instruction in The Age of Generative AI: A Systematic Review — Систематичний огляд: GenAI і письмо в початковій школі

• Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education — Швидкий огляд: GenAI і здобувачі PreK-12 (271 папер)

• Faster Completion, Less Learning: Generative AI Reduced Study Time on Math Problems and the Knowledge They Build — Когнітивна капітуляція найсильніша для старшокласників, відсутня для 5-го класу

• The Generative AI Learning Penalty: Evidence from Chinese Secondary Education — Навчальний штраф генеративного ШІ: перекладання домашніх робіт шкодить навчанню

• Marked Pedagogies: Examining Linguistic Biases in Personalized Automated Writing Feedback — Marked Pedagogies: упередженість в автоматизованому зворотному зв’язку для письма в середній школі

• Code to Learn with Generative AI: A Theoretically Grounded Framework for Artifact Construction in Upper-Secondary Education — CtL-GenAI: конструктивістська рамка для конструювання артефактів

• Beyond “painting in pink”: A critical case study of all-girls generative AI workshops in a European makerspace — Семінари-мейкерспейси GenAI лише для дівчат і гендерна справедливість в обчислюваннях

• Transforming clicks into critical thinking: An AI-based media literacy program for children — Програма критичної медійної грамотності на основі ШІ для дітей

• What differentiates educational literature? A multimodal fusion approach of transformers and computational linguistics — Мультимодальне поєднання для класифікації освітньої літератури

• Estimating Item Difficulty Using Large Language Models and Tree-Based Machine Learning Algorithms — Оцінювання складності завдань засобами LLM та ML на основі дерев

• A Feasibility and Implementation Integrity Study of the Community Builder (CoBi): An AI-based Collaboration Support System in K-12 Classrooms

• Ask Me Anything: Exploring Children's Attitudes Toward an Age-tailored AI-powered Chatbot

• Teacher intervention in K-12 AI-based instruction: a systematic review of processes, strategies, and effects — Втручання викладача в інструкцій на основі ШІ в K-12: систематичний огляд

• A Benchmark for LLM's Understanding of Middle School and High School Science Topics — A Benchmark for LLM's Understanding of Middle School and High School Science Topics

• Effects of generative artificial intelligence on students' learning motivation: evidence from a meta-analysis — Мета-аналіз ефекту GenAI на мотивацію, найменший у шкільних умовах (середня школа g = 0,360, початкова g = 0,311)