该研究分析了 Claude Opus 4、GPT-4.1 和 Gemini 2.5 Pro 将 60 道英语数学应用题适配为孟加拉语、印地语等 7 种语言的过程。研究标注了 6,489 个实体转换，发现模型在转换类型上的一致率为 62.5%，在具体替换上仅为 33.5%。所有语言-模型组合均出现熵坍缩，导致文化多样性压缩而非扩展，且存在将孟加拉塔卡误用于印度学生等区域误配现象。
推荐理由：研究通过语料级分析揭示了大模型在数学题文化适配中存在的多样性坍缩与区域误配问题，为评估AI教育内容的文化准确性提供了实证依据。
一项针对 112 名九年级学生的实证研究发现，在基于生成式 AI 的数学建模练习中，学生求助策略（Help-Seeking）在会话内的动态发展比静态使用摘要更能预测其后续的无辅助测试表现。
推荐理由：研究揭示了九年级学生在数学建模中求助策略的动态变化如何预测其脱离AI后的独立表现，为理解AI辅助学习中的认知投入提供了实证依据。
研究提出Sherpa框架，利用多轮强化学习训练LLM教师，使其能根据模拟学生的不同学习偏好自适应调整教学策略。实验显示，Sherpa训练的教师模型使所有类型模拟学生的平均成绩提升20.5个百分点，在MathTutorBench评估中教学法得分从52.5%提升至79.2%，且在人类偏好测试中79.6%的情况下优于基础模型。
推荐理由：提出Sherpa框架，通过多轮强化学习让LLM教师适应不同学习偏好的模拟学生，显著提升教学效果。
研究团队提出 K12-KGraph，一个从人教版数学、物理、化学、生物教材中提取的课程对齐知识图谱，涵盖 9 种节点和 14 种关系。基于该图谱构建了包含 23,640 道多选题的 K12-Bench 基准和 7,335 个样本的 K12-Train 微调数据集。
推荐理由：该研究构建了基于人教版教材的知识图谱与评测基准，揭示了当前大模型在课程认知上的短板及微调改进路径。
多伦多大学研究人员对田纳西州 18 所中学进行为期两年的随机对照试验，发现使用 Khanmigo 的干预组数学成绩虽优于常规补救班，但提升幅度与无 AI 辅助的 Khan Academy 练习相当，未体现额外价值。
推荐理由：研究揭示了AI导师在提升数学成绩上未显著优于传统练习，且学生因抗拒提问而低参与度，为教育AI落地提供关键实证参考。
多伦多大学与宾夕法尼亚大学沃顿商学院的研究人员开展了一项涉及 6000 多名田纳西州初中生的实验，测试 AI 导师在数学分数练习中的作用。结果显示，采用 AI 导师讲解错误并要求连续三次答对同一技能的“掌握式学习”组合，比传统计算机教学高出约 3 个百分点。该优势主要体现在较简单的分数题目上，未延伸至更具挑战性的问题，且实验仅持续 50 分钟，长期效果尚不明确。
推荐理由：研究通过 6000 名初中生实验发现，AI 导师结合重复练习能带来约 3 个百分点的分数提升，为 AI 辅助学习提供了实证参考。