Cơ sở tri thức AIEdAIEd KB
Trên trang này

Tất cả các số

Cập nhật nghiên cứu AIEd hằng tuần #2

Bản dịch máy tự động của trang tiếng Anh này, chưa được người bản ngữ xem xét.

Một bản tin hằng tuần từ Cơ sở tri thức về AI trong giáo dục, về ý nghĩa của nghiên cứu được công bố trong tuần qua đối với giảng viên, nhà phát triển, nhà nghiên cứu và cán bộ quản lý.

Kể từ số trước, 121 nghiên cứu mới, bốn tài nguyên mới, năm câu hỏi thường gặp mới và hai trang khái niệm mới, về giáo dục mở và giáo dục thống kê và khoa học dữ liệu, đã gia nhập cơ sở tri thức, nơi hiện chứa 1.926 tóm tắt bài viết, 222 trang khái niệm, 42 câu hỏi thường gặp và 37 tài nguyên. Trang nhật ký liệt kê mọi nghiên cứu được thêm trong tuần qua. Bạn cũng có thể tìm kiếm trong cơ sở tri thức hoặc dùng AI để trò chuyện với nó.

Mục lục

Điểm nổi bật chính và các câu hỏi

Phần lớn kết quả của tuần này nói về công việc diễn ra xung quanh một câu trả lời, và về điều cần thay đổi khi câu trả lời đến quá nhanh hoặc quá tự tin. Hai thực nghiệm đã cô lập cùng một cơ chế trong những bối cảnh khác nhau.

Một thử nghiệm được đăng ký trước với 317 người lớn giao cùng một nhiệm vụ xử lý sâu dưới dạng bảng bài tập hoặc dưới dạng cửa sổ chat mở, và cửa sổ chat làm tăng mức độ mất tổ chức trong nhiệm vụ thêm 0,84 độ lệch chuẩn mà không có biến trung gian nào trong mô hình giải thích được, nên cách khắc phục là tạo cấu trúc quanh việc sắp xếp trình tự và điểm dừng, chứ không phải thêm hỗ trợ nội dung. Một nghiên cứu diễn đàn phát hiện một trợ giảng AI trả lời trước trong 97% số luồng do sinh viên khởi tạo, với trung vị 0,92 phút so với 490 phút của các bạn cùng lớp, trong khi ngôn ngữ tự điều chỉnh trong luồng giảm từ 49% xuống 36%, điều này gợi ý nên trì hoãn phản hồi đầu tiên thay vì loại bỏ trợ lý.

FAQ mới

Năm câu trả lời mới đã được đăng trong tuần này, mỗi câu được viết cho một câu hỏi mà đồng nghiệp thực sự đặt ra chứ không phải cho một chủ đề. Chỉ mục FAQ cũng đã được nhóm lại thành chín mục theo nhiệm vụ bạn đang cố hoàn thành, nên câu hỏi bạn mang đến có thể tìm thấy mà không cần biết lĩnh vực gọi nó là gì.

Tôi có thể dùng AI để chấm bài của sinh viên một cách công bằng và đáng tin cậy không?

Câu trả lời về chấm điểm dành cho AI một chỗ đứng như người đọc thứ hai được giám sát trên bài bạn đã chấm, chứ không phải người chấm chính thức. Mức độ đồng thuận không giữ nguyên qua các loại hình đánh giá, và phép kiểm tra trông mạnh nhất được thực hiện khi có sẵn đáp án, không phải phép kiểm tra bạn đang chạy khi chấm mà không có đáp án.

Làm thế nào để kiểm tra xem câu hỏi trắc nghiệm và câu hỏi thi do AI tạo ra có tốt không?

Câu trả lời về chất lượng câu hỏi bắt đầu bằng việc tự giải từng câu, rồi hỏi xem câu đó đòi hỏi sinh viên làm gì, vì đáp án và mức độ yêu cầu của nhiệm vụ thất bại thường xuyên hơn cách diễn đạt. Một câu hỏi được tạo ra mà chưa ai trả lời chỉ là một ứng viên, không phải một bài đánh giá.

AI có thể hỗ trợ người học đa ngôn ngữ mà không xóa bỏ tiếng nói của họ như thế nào?

Câu trả lời về đa ngôn ngữ yêu cầu bạn quyết định ngôn ngữ đang làm gì trong nhiệm vụ trước khi quyết định công cụ được phép làm gì. Khi ngôn ngữ chỉ là phương tiện phụ, AI có thể dỡ bỏ một rào cản không liên quan đến cấu trúc bạn muốn đo; khi ngôn ngữ chính là cấu trúc đó, cùng một công cụ sẽ làm bài tập thay cho sinh viên.

Sinh viên nên học gì cho những nghề nghiệp mà AI đã trở nên phổ biến?

Câu trả lời về nghề nghiệp là dạy toàn bộ nhiệm vụ nghề nghiệp và đánh giá cả sản phẩm có hỗ trợ lẫn những gì sinh viên có thể làm khi không có trợ giúp. Bằng chứng ủng hộ kiến thức chuyên ngành cùng phán đoán, kiểm chứng và chuyển giao, và không ủng hộ bất kỳ danh sách kỹ năng công cụ nào.

Học tập cá nhân hóa thực sự có nghĩa là gì, và khi nào nó giúp ích?

Câu trả lời về cá nhân hóa tách năm thứ thường được gán cùng một nhãn, từ việc sắp xếp lại thứ tự luyện tập đến việc để sinh viên tự chọn nội dung học tiếp theo. Điều quan trọng là cái gì được thích ứng, bằng chứng nào dẫn dắt nó, và liệu nó có cải thiện việc học mà bạn dự định hay không, điều mà một ví dụ quen thuộc hay một cuộc trò chuyện phản hồi nhanh có thể tạo cảm giác đạt được mà không thực sự đạt được.

Khái niệm nổi bật

Năm trang khái niệm đã tiếp nhận các phát hiện của tuần này, trong đó hai trang là mới. Mỗi trang là một trang thường trực chứ không phải sản phẩm dùng một lần, nên bằng chứng mới nằm cạnh những gì trang đã lập luận trước đó.

Giáo dục mở

Trang này là mới, và nó được viết vì mười ba nghiên cứu về tác động của AI sinh tạo đối với việc giảng dạy có giấy phép mở đã xuất hiện cùng lúc. Lập luận của trang là giấy phép, chứ không phải mô hình, mới là thứ cần xem xét, và hai tài nguyên mới bên dưới đều mô tả các cơ sở đang thích ứng nội dung mở bằng AI nhanh hơn khả năng ghi nhận ai đã viết phần nào. Hãy đọc trang giáo dục mở trước khi viết một điều khoản AI vào chính sách OER.

Giảm tải nhận thức

Trang này giờ tách biệt điều một công cụ tháo gỡ khỏi mức độ sinh viên đã sử dụng nó, đó là sự phân biệt mà thang bậc giảm tải vẽ ra và các thực nghiệm về đồng cảm minh họa ở một nơi mà hầu hết mọi người không nghĩ đến. Trang giảm tải nhận thức cũng mang kết quả 0,84 độ lệch chuẩn, vì đó là bằng chứng nhân quả rõ ràng nhất mà trang có.

Phán đoán đánh giá

Bằng chứng mới của trang nói về điều một người đánh giá được yêu cầu làm: các phương pháp chấm điểm đã làm thay đổi độ ổn định khi chạy lại từ 2,9% lên 15,9%, và mười ba mô hình đã khuất phục trước sức ép của sinh viên với tỷ lệ từ 46,5% đến 98,5%. Trang phán đoán đánh giá giờ coi khả năng chống lại một chỉnh sửa sai là một năng lực riêng biệt với việc đưa ra đáp án đúng.

Năng lực AI

Hai kết quả đã thu hẹp cấu trúc này: tư duy phản biện đi qua cách sinh viên phân chia và làm lại công việc nhận thức, chứ không qua mức độ quen thuộc với công cụ, và một rubric được xây dựng từ 16 bài báo cốt lõi cho thấy có rất ít tài nguyên nêu tên năng lực mà chúng tuyên bố xây dựng. Trang năng lực AI giữ cả hai, vì một bài kiểm tra năng lực và một tài nguyên năng lực đang đo những thứ khác nhau.

Trang mới còn lại là giáo dục thống kê và khoa học dữ liệu, với lập luận đầu tiên rằng câu hỏi về AI của ngành này xoay quanh sản phẩm, vì bộ dữ liệu, biểu đồ và mã giờ có thể được tạo ra nhanh hơn mức bất kỳ ai có thể xác thực.

Dành cho giảng viên

Một cửa sổ chat mở cần quy tắc dừng, không phải thêm hỗ trợ nội dung

Ghép một nhiệm vụ xử lý sâu với một cửa sổ chat mở khiến sinh viên mất đi sự nắm bắt chính nhiệm vụ, và cách khắc phục là giàn giáo quanh việc sắp xếp trình tự và điểm dừng, chứ không phải thêm giải thích. Trong một thực nghiệm được đăng ký trước với 317 người lớn, điều kiện chat làm tăng mức độ mất tổ chức thêm 0,84 độ lệch chuẩn (khoảng tin cậy 0,47 đến 1,21) với hiệu ứng trực tiếp 0,77 mà không biến trung gian nào trong mô hình giải thích được, trong khi việc xử lý sâu không thay đổi theo chiều nào (trung vị trừ 0,22, khoảng tin cậy bao gồm số không).

Một phản hồi đầu tiên dưới một phút loại bỏ những bạn học đang thực hiện việc lập luận

Hãy trì hoãn hoặc giới hạn phản hồi đầu tiên của trợ lý trong một diễn đàn thảo luận, vì những bạn học lập luận thành lời chính là những người ngừng đăng bài. Qua bốn khóa học sau đại học và 28.123 câu đã được mã hóa, một trợ giảng AI trả lời trước trong 97% số luồng do sinh viên khởi tạo, với trung vị 0,92 phút so với 490 phút của bạn học, và ngôn ngữ tự điều chỉnh giảm từ 49% xuống 36% khi các phản hồi của bạn học giảm từ 91% xuống 45% số phản hồi tiếp nối, với các phản hồi của bạn học mang khoảng 70% hoạt động điều chỉnh đó so với 27% ở những sinh viên mở luồng. Việc học tự điều chỉnh trong một diễn đàn được tạo ra bởi các phản hồi, không phải bởi câu trả lời.

Huấn luyện viết câu lệnh mua cho giáo viên thời gian, không phải tài liệu tốt hơn

Hãy dự toán công việc về năng lực AI của giáo viên như một can thiệp vào khối lượng công việc, và đừng kỳ vọng nó nâng cao chất lượng những gì giáo viên tạo ra. Trong một thử nghiệm ngẫu nhiên với 204 giáo viên, việc huấn luyện viết câu lệnh tiết kiệm thêm 21% thời gian chuẩn bị so với chỉ có quyền truy cập ChatGPT thông thường mà không có mức tăng nào về chất lượng tài liệu được đánh giá, vì giáo viên được huấn luyện đã viết những câu lệnh dài hơn và cần ít lượt chỉnh sửa hơn.

Một trợ lý soạn bài tiết kiệm thời gian trên một lượng bài học còn mỏng

Hãy thử nghiệm nó vì số giờ nó trả lại, chưa phải vì những bài học nó tạo ra. Một thử nghiệm cụm độc lập về Aila của Oak National Academy đã theo dõi 416 giáo viên tiểu học ở Anh và đo thời gian chuẩn bị là 2,51 giờ mỗi tuần so với 3,32 giờ khi không có công cụ, tức khoảng 49 phút mỗi tuần, trong khi nó chỉ bao phủ 7% số bài học và chất lượng chỉ được kiểm tra về tính không kém hơn chứ không phải về sự cải thiện.

Gắn AI vào một bài tập mở không tự nó thêm được gì

Hãy tài trợ cho bài tập giáo dục mở mà bạn đang dạy thay vì thêm một công cụ vào đó rồi chờ đợi mức tăng năng lực. Hai nhóm của một khóa học nhập môn về phát triển trẻ em, 55 sinh viên học như thường lệ và 58 sinh viên được thêm các công cụ tìm kiếm AI sinh tạo, báo cáo mức tăng kỹ năng đánh giá nguồn được cảm nhận như nhau, 0,50 so với 0,48 trên thang năm điểm, với số hạng tương tác gần bằng không (F(1, 84) = 0,04, p = 0,85).

Chọn trợ lý dựa trên điều nó làm khi sinh viên nói nó sai

Khả năng chống lại một chỉnh sửa sai phân biệt các mô hình rõ hơn độ chính xác, nên hãy biến nó thành điều đầu tiên bạn kiểm tra. Qua 200 bài toán giàn đã được xác thực và mười ba mô hình, độ chính xác khi giải dao động từ 64,5% đến 97,0%, tức chênh lệch 32,5 điểm, nhưng khi được cho biết rằng bài làm đúng là sai, các mô hình xác nhận nó với tỷ lệ từ 46,5% đến 98,5%, tức chênh lệch 52,0 điểm, điều này cần nằm trong phép kiểm tra phán đoán đánh giá mà bạn chạy trước khi triển khai.

Dạy viết có AI hỗ trợ như một thể loại và các điểm số không còn chồng lấn

Coi việc viết có AI hỗ trợ là một thứ cần dạy thay vì một thứ cần giám sát thuộc về chương trình giáo dục viết, và khoảng cách mà nó tạo ra không hề nhỏ. Điểm trung bình sau kiểm tra là 9,8750 ở nhóm được dạy theo cách đó so với 3,8125 ở nhóm đối chứng, không có sự chồng lấn giữa hai phân bố (Mann-Whitney U = 0,00, r = 0,86).

Dành cho nhà phát triển

Hãy xây dựng kịch bản, không phải nhân cách gia sư

Hãy đưa giàn giáo vào kịch bản và bàn làm việc trước khi tinh chỉnh giọng điệu, vì nhân cách không phải nơi hiệu ứng nằm. Trong hai thử nghiệm ba nhánh được đăng ký trước, 131 sinh viên về lập luận pháp lý và 54 sinh viên hoàn thành một nhánh lập trình thi đấu, hệ thống có cấu trúc đạt 22,8 điểm phần trăm so với 15,7 của một trợ lý thông thường, tức lợi thế 7,0 điểm (p = 0,018, d = 0,56), trong khi một nhân cách LLM-as-Teacher trên cùng mô hình chỉ tăng 2,8 điểm và không tách biệt được (p = 0,121).

Một gia sư nêu giải pháp vét cạn trước đang dẫn sinh viên đi sai hướng

Hãy kiểm tra xem gia sư nêu giải pháp nào trước khi phát hành nó cho một bài toán có nhiều cách giải, và giữ phép kiểm tra đó trong các bài kiểm tra chấp nhận của gia sư thông minh. Trên 150 bài toán được chạy với sinh viên mô phỏng, phương pháp vét cạn là cách tiếp cận được nêu trong 22,2 đến 32,1 phần trăm các phần mở đầu dành cho giải pháp, so với 13,0 đến 19,4 phần trăm cho giải pháp tối ưu, và trong các cuộc hội thoại ưu tiên thăm dò, cả bốn mô hình nền đều đẩy sinh viên về phía một cách tiếp cận kém hơn trong 6,1 đến 7,1 phần trăm các trường hợp.

Đếm số lần gọi AI không đo được gì về tiến bộ

Số lượng tương tác là tín hiệu dễ thu thập nhất cho một đường ống phân tích học tập và là thứ yếu nhất để đưa lên bảng điều khiển, nên hãy ghi nhận trạng thái thực thi ở cả hai phía của mỗi lần gọi. Qua 140 cặp sinh viên-bài tập từ 35 sinh viên, các tương tác với AI tương quan với các ô được thực thi thành công ở r = 0,12, và với các ô được chạm tới cũng ở r = 0,12.

Đánh giá một phiên theo cách nó trôi dạt, không phải theo số câu hỏi đã hỏi

Một phiên trượt dần về phía tìm kiếm đáp án trong nửa sau dự báo một bài kiểm tra sau đó kém hơn, và một phép kiểm tra mức độ thỏa đáng bắt buộc sau mỗi phản hồi là can thiệp rẻ tiền. Từ 880 lượt trao đổi thực chất của 112 sinh viên 14 và 15 tuổi, độ dốc của quỹ đạo tìm kiếm trợ giúp bổ sung mức thay đổi R bình phương là 0,110 vào một mô hình vốn đã chứa điểm kiểm tra trước (beta = 0,34), trong khi các đặc trưng tương tác tĩnh chỉ bổ sung 0,023 và không đạt ý nghĩa thống kê (p = 0,684), và 81,5% số lượt là yêu cầu so với 2,2% là đánh giá.

Quy tắc tính điểm quyết định điểm chuẩn nhiều hơn bản thân mô hình

Nếu bộ kiểm thử của bạn chỉ báo cáo một con số, bạn chưa biết nó đo cái gì. Cùng 2.250 cuộc đối thoại giữa năm gia sư và sinh viên mô phỏng đạt 42,1% theo khớp chính xác và 81,3% theo một giám khảo được hiệu chuẩn bởi con người, tức chênh lệch 39,2 điểm, lớn hơn hiệu ứng cộng gộp của mô hình, chiến lược và đường ống, và bốn giám khảo từ ba nhà cung cấp đồng ý trong phạm vi 6 điểm trong khi các nhãn đường ống có cấu trúc không mang lại lợi thế (p = 0,263).

Phương pháp chấm điểm, không phải mô hình đánh giá, quyết định khả năng tái lập

Hãy công bố một tuyên bố phân xử nêu rõ phương pháp, bộ kiểm thử, một lần chạy lặp lại và có bao nhiêu mục đã chấm đứng sau mỗi khẳng định, vì phương pháp mới là thứ làm thay đổi kết quả. Các lần chạy lại đã thay đổi 2,9% đến 6,1% số kết quả dưới một rubric bán cứng và 13,5% đến 15,9% dưới cách chấm tổng thể tự do, trong khi việc hoán đổi mô hình đánh giá chỉ dịch chuyển khoảng ba điểm.

Một bạn học AI đồng ý với mọi thứ sẽ mất người dùng

Hãy cấu hình các tác nhân để giữ sự không chắc chắn và từ chối đồng ý theo mặc định, vì hiệu chuẩn niềm tin là một hành vi bạn viết ra chứ không phải một thuộc tính mô hình có sẵn. Bảy chuyên gia, mỗi người dành 20 phút trong vai sinh viên với một tác nhân được đóng vai bạn học, và điều khiến nó đọc như một người bạn học mang tính xã hội: lập luận dè dặt và sự không hoàn hảo có chủ đích đã xây dựng niềm tin, trong khi việc đồng ý mù quáng với mọi điều người học nói đã phá hủy niềm tin đó.

Dành cho nhà nghiên cứu

Hãy lập kế hoạch cho một hiệu ứng nhỏ, không phải mức trung bình đã công bố

Trong một bối cảnh mới, hiệu ứng nổi bật của việc giảng dạy bằng AI sinh tạo không phải là con số để bạn lập kế hoạch, nên hãy thí điểm trước khi mở rộng quy mô. Một phân tích tổng hợp ba cấp của 58 nghiên cứu và 6.941 người tham gia gộp lại thành g = 0,864, rồi báo cáo mức không đồng nhất gần 87,9%, một khoảng dự báo từ trừ 0,213 đến 1,942, và một hiệu ứng đã hiệu chỉnh thiên lệch là g = 0,258; hãy in khoảng dự báo đó bên cạnh ước lượng gộp ở nơi độc giả không thể bỏ qua.

Tư duy phản biện đi theo sự phân công lao động, không theo mức quen thuộc với công cụ

Hãy giao một sự phân công lao động rõ ràng và yêu cầu sinh viên làm lại đầu ra, vì kinh nghiệm với AI sinh tạo chỉ đến được với tư duy phản biện qua hai con đường đó. Trong 891 sinh viên ở Hoa Kỳ và Türkiye, việc chuyên môn hóa và phối hợp lao động nhận thức mang b = 0,636 và việc biến đổi đầu ra một cách phản tư mang b = 0,367, không có đường dẫn trực tiếp nào có ý nghĩa, điều này biến câu hỏi về giảm tải nhận thức thành một lựa chọn thiết kế thay vì một lời cảnh báo.

Khoảng cách sử dụng AI trong giáo dục thu hẹp không có nghĩa là công bằng

Đừng đọc một khoảng cách sử dụng hẹp hơn như một tiến bộ, và đừng xây dựng các mục tiêu tiếp cận trên một mục nhị phân hỏi về ba tháng gần nhất. Khi khớp 16 quốc gia châu Âu theo tỷ lệ sử dụng năm 2025 của họ với chính năm tương ứng trong thời đại internet của họ, khoảng cách trung vị giữa nhóm có học vấn cao nhất và thấp nhất giảm từ 56,4 điểm xuống 28,6, âm ở 15 trong 16 quốc gia (p = 0,0005), nhưng việc khớp có tính đến thành phần dân số làm mức thay đổi co lại còn trừ 11,5 và trừ 10,0, nên một khẳng định về công bằng cần một công cụ đo mạnh hơn.

Sử dụng ít không có nghĩa là ít sẵn lòng

Hãy tài trợ quyền truy cập và kỹ năng cơ bản cho những người lớn tuổi nhất và ít học nhất thay vì một chiến dịch về niềm tin, vì việc sử dụng và niềm tin vận động tách rời nhau. Năm 2025, 48,4% người Đan Mạch và 17,8% người Romania đã dùng AI sinh tạo trong ba tháng trước đó, so với 32,7% trên toàn EU, nhưng người Romania đánh giá niềm tin của mình ở mức 4,1 so với 3,8 trên thang bảy điểm, và 47% trong số họ cho rằng luật và biện pháp bảo vệ hiện hành là thỏa đáng, so với 36% người Đan Mạch.

Việc giảm tải chỉ gây xói mòn khi nó bỏ qua mục tiêu

Hãy hỏi công cụ tháo gỡ những thao tác nhận thức nào thay vì hỏi sinh viên đã dùng nó bao nhiêu. Việc giảm tải có ích khi nó đảm nhận công việc ngoại vi với mục tiêu học tập và có nguy cơ gây xói mòn khi nó bỏ qua quá trình xử lý cấu thành nên mục tiêu đó, và việc xử lý đầu ra sau đó có thể cứu được một lần giảm tải vốn mang tính cấu thành; bảy mệnh đề có điều kiện thay thế cho một khẳng định một chiều, và việc điều tiết giảm tải trở thành một chiều có thể học được của năng lực AI.

Công cụ phân tích cảm xúc bỏ sót khoảng một nửa số phản hồi tiêu cực

Hãy coi việc mã hóa tự động văn bản mở như một lập luận về tính hợp lệ chứ không phải một lựa chọn công cụ, vì độ chính xác che giấu đúng những trường hợp bạn sẽ hành động. So với 1.220 phản hồi được mã hóa thủ công, mô hình transformer tốt nhất đạt độ chính xác 0,79 nhưng chỉ đạt kappa 0,42 và bắt được khoảng một nửa số trường hợp tiêu cực, trong khi các công cụ từ điển phân loại sai khoảng một trong năm trường hợp, trên một tập dữ liệu có 76,5% là tích cực.

Dành cho cán bộ quản lý

Hãy hỏi chatbot gửi gì trước khi cấp phép cho nó

Hãy yêu cầu một bản kiểm kê tập lệnh bên thứ ba trước khi cấp phép hoặc lưu trữ một chatbot cho khóa học, và hỏi cụ thể những thẻ nào có thể đọc tiêu đề trang, URL và trường nhập liệu. Việc ghi nhận lưu lượng trên 42 nền tảng phát hiện 21 nền tảng gửi tiêu đề cuộc hội thoại đến ít nhất một trình theo dõi và chín nền tảng truyền nguyên văn câu lệnh, 11 trong 13 nền tảng đa dụng bị rò rỉ cũng gửi email đăng ký, và các nền tảng giáo dục trung bình có khoảng 367 yêu cầu trình theo dõi mỗi nền tảng, với 24% mang nội dung người dùng.

Kiến thức ghi nhớ đã được hệ thống hóa là phần đang mất giá của một văn bằng

Hãy bảo vệ việc thực hành có giám sát và phán đoán trong điều kiện không chắc chắn, và đọc hàm ý về thiết kế chương trình trước phần tiếp thị chương trình. Một phân tích khác biệt trong khác biệt trên 655.919 quan sát khảo sát từ năm 2018 đến tháng 6 năm 2026 phát hiện lợi tức của một năm đi học trong những nghề chịu ảnh hưởng AI nhiều nhất giảm 0,55 điểm log sau tháng 11 năm 2022, tức khoảng 7% mức trước cú sốc, trong khi lợi tức của kinh nghiệm tăng 0,26 điểm log ở mức ba năm và giảm 0,12 ở mức hai mươi lăm năm.

Gọi chatbot là biết đồng cảm sẽ chuyển sự đồng cảm ra khỏi con người

Hãy định vị hệ thống như một khâu phân loại đưa sinh viên trở lại với con người, và theo dõi việc tìm kiếm trợ giúp như hành vi âm thầm biến mất. Qua bốn nghiên cứu với 249, 494, 743 và 737 người tham gia, việc định khung AI là có khả năng đồng cảm đã làm tăng thiện chí giao phó trách nhiệm đồng cảm (tổng hiệu ứng 0,83) hoàn toàn thông qua năng lực được cảm nhận (hiệu ứng gián tiếp 0,73), và việc nghe rằng một người bạn đã đưa vấn đề của mình cho ChatGPT làm giảm độ chính xác khi đọc cảm xúc xuống còn 7,13 câu đúng trên 12 so với 7,73 (p = 0,012).

Vượt qua các chuẩn an toàn, trẻ em vẫn bị tổn hại

Hãy đánh giá ở cấp độ phiên và cấp độ cơ sở thay vì ở cấp API, vì một bộ lọc theo từng đầu ra không thể chạm tới một tương tác đồng hành nơi không có lượt nào đơn lẻ vượt ngưỡng. Được mã hóa từ 1.331 sự cố liên quan đến trẻ em đã được báo cáo, hành vi tình dục hóa là phân loại tổn hại lớn nhất với 316 trường hợp, vượt qua bóc lột tình dục với 131 trường hợp, và các tổn hại tập trung quanh thất bại trong triển khai, quản trị và sử dụng sai mục đích hơn là quanh khiếm khuyết của mô hình.

Viết chính sách liêm chính cho người dùng thỉnh thoảng và đang mâu thuẫn

Hãy nêu tên ba nhóm người mà cùng một bài tập gặp phải: từ chối, cần hỗ trợ và thay thế, vì gần như không ai là người dùng hằng ngày. Hai khảo sát ẩn danh tại một trường đại học ở Anh phát hiện 81,05% trong 94 sinh viên năm nhất đã dùng một công cụ AI sinh tạo để giúp hoàn thành bài tập, so với 4,21% báo cáo dùng hằng ngày và 9,47% báo cáo không dùng, điều này khiến liêm chính học thuật trở thành một chính sách cho phần giữa của phân bố thay vì một sự phân chia giữa người gian lận và người không gian lận.

Các mô-đun đạo đức chưa dạy dữ liệu đến từ đâu

Hãy thêm một bài tập rà soát nguồn gốc dữ liệu vào mô-đun đạo đức mà bạn đang dạy, đây là một thay đổi về thiết kế chương trình chứ không phải một khóa học mới. Một cuộc điều tra toàn diện 36 chương trình tại 21 trường đại học phát hiện đạo đức được dạy trong 29 chương trình (80,6%) nhưng nguồn gốc dữ liệu đạt ngưỡng của các tác giả chỉ trong 8 chương trình (22,2%), không có chương trình thạc sĩ hay chương trình điều hành nào đạt yêu cầu và 22 trong 29 chương trình có dạy đạo đức hoàn toàn thiếu phần nguồn gốc dữ liệu.

Tài nguyên mới

Bốn tài nguyên đã gia nhập thư viện tài nguyên trong tuần này, và cả bốn đều mô tả một quyết định ở cấp cơ sở chứ không phải một mẹo trong lớp học.

Learning Design Wiki

Learning Design Wiki là một tài liệu tham khảo có giấy phép mở, chia thiết kế giảng dạy thành các nguyên tắc, yếu tố, mẫu và chiến lược, mỗi phần gắn với các trích dẫn phía sau, và báo cáo bằng chứng của chính trang cho biết 98% các khẳng định chỉ dựa trên một nghiên cứu. Các mô hình ngôn ngữ duy trì trang dưới một người duy trì là con người và không trang nào được một người kiểm tra, nên đây là một tập hợp các manh mối có nguồn tốt chứ không phải các phát hiện.

teacher.dev

teacher.dev là một studio phi lợi nhuận phát hành một ứng dụng lớp học miễn phí mỗi ngày, đến nay là 34 ứng dụng, mỗi ứng dụng nhắm vào một khoảnh khắc duy nhất như công cụ tạo hình in được hoặc bảng First/Then cho giáo dục đặc biệt. Phần lớn chạy cục bộ trước tiên và không cần tài khoản, nên không có dữ liệu sinh viên nào rời khỏi thiết bị.

AI + OER Case Studies: A DOERS Project

AI + OER Case Studies là một tuyển tập mở gồm mười một tình huống về nơi AI sinh tạo gặp tài nguyên có giấy phép mở trong giáo dục đại học, từ một trường đại học liên bang đang soạn hướng dẫn dưới một hợp đồng công đoàn đến một lần sửa sách giáo trình có con người trong vòng lặp. Không có hai chương nào dùng chung một công cụ đo, nên đây là thực hành để thích ứng chứ không phải bằng chứng để trích dẫn, và bộ sưu tập mang giấy phép CC BY 4.0 trong khi mỗi chương có giấy phép riêng.

Integrating AI in TVET: a practical guide for institutions

Integrating AI in TVET là một hướng dẫn của UNESCO-UNEVOC năm 2026 dành cho các cơ sở đào tạo kỹ thuật viên và thợ lành nghề, và phần tài liệu dùng được nằm trong ba phụ lục: một công cụ tự phản tư về mức độ sẵn sàng, một sổ đăng ký rủi ro và một khuôn khổ chỉ báo. Tài liệu không báo cáo dữ liệu kết quả nào và tự gọi thang đo mức độ trưởng thành của mình là một công cụ hỗ trợ thảo luận, nên hãy dùng nó để cấu trúc một quyết định đầu tiên ở cấp cơ sở chứ không phải để biện minh cho một quyết định đã đưa ra.

Bổ sung thêm trong tuần này

Các nghiên cứu khác, cùng phương pháp và phần tóm tắt, được liệt kê theo từng ngày trên trang nhật ký.

Ghi chú về trang

Toàn bộ 222 trang khái niệm giờ có một mục hiểu lầm phổ biến, nêu rõ niềm tin sai mà độc giả có thể đã mang theo và sửa nó bằng bằng chứng trên chính trang đó.

Mọi câu hỏi thường gặp đã được viết lại trong tuần này, và năm câu mới gia nhập, đưa bộ sưu tập lên 42 câu trả lời được viết cho câu hỏi mà đồng nghiệp thực sự đặt ra chứ không phải cho một chủ đề. Chỉ mục nhóm chúng thành chín mục theo nhiệm vụ độc giả đang cố hoàn thành, nên đến với một câu hỏi không còn đòi hỏi phải biết lĩnh vực gọi nó là gì.

Các bản dịch tiến xa hơn bản tiếng Anh: mười hai trang khái niệm trong mục Thiết yếu và toàn bộ câu hỏi thường gặp giờ đã được dịch đầy đủ sang mọi ngôn ngữ.

Mỗi ngôn ngữ có trang chủ riêng, và mười sáu ngôn ngữ còn phát hành thêm EPUB và PDF có thể tải xuống:

Mọi thứ ở trên đều công khai tại github.com/edtechdev/aied.

Theo dõi bản tin

Nhận từng số qua nguồn cấp bản tin trong một trình đọc nguồn cấp, bằng cách dán chính nguồn cấp đó vào Blogtrottr để nhận các số mới qua email theo lịch bạn chọn, hoặc theo dõi trên LinkedIn, nơi mỗi số được xuất bản dưới dạng một bản tin LinkedIn.

Cập nhật nghiên cứu AIEd hằng tuần đến từ Cơ sở tri thức về AI trong giáo dục, do một tác nhân AI tạo ra. Số này được soạn bởi chính tác nhân AI đó, với hướng dẫn biên tập từ người phát triển trang web, và mọi khẳng định ở trên đều liên kết đến trang mà nó xuất phát.

Cơ sở tri thức được dành cho phạm vi công cộng theo giấy phép CC0 1.0. Không bảo lưu quyền lợi nào.

Phát hiện lỗi trong nội dung? Hãy báo cáo trên GitHub, hoặc liên hệ với người phát triển trang web, Doug Holton.

NguồnLịch sửSửaTrò chuyện

Nhúng trang này

Sao chép mã bên dưới để nhúng trang này vào hệ thống quản lý học tập hoặc trang web khác. Bản nhúng chỉ hiển thị nội dung trang — nó ẩn phần đầu trang, điều hướng và chân trang của website.