arXiv 研究：儿童如何设计与推理可信 AI 聊天机器人
arXiv 预印本发布了一项关于儿童设计可信 AI 聊天机器人的混合方法研究。研究团队开发了可调整信任相关特征（如自信、透明度）的聊天机器人构建环境，并招募了 115 名 8-18 岁的学习者制作了 119 个聊天机器人。
推荐理由：研究通过让儿童设计聊天机器人，揭示了不同年龄段对 AI 信任校准的认知差异与设计维度。
全部 AI 教育动态
arXiv cs.AI精选AI 评分6262 arXiv cs.AIAI 评分4242 青少年 AI 安全的人本视角：知识系统化 (SoK)
该研究系统回顾了 100 项涉及青少年与 AI 交互的实证 HCI 研究，利用 YAIR 和 MIT 分类法映射风险与对策。结果显示，大多数风险仅匹配了提议中的对策，实际实施和评估的对策极少，且现有评估多侧重技术性能而非实际保护效果。
arXiv cs.AIAI 评分4242 MASC：用于心理咨询中一致客户角色扮演的多智能体自校准框架
研究提出 MASC 多智能体自校准框架，通过闭环校准解决 LLM 模拟客户时的人格漂移与状态不一致问题。配套发布的 CRPC-Bench 基准包含 38 个动机性访谈客户档案，涵盖大五人格及情绪标注。实验表明 MASC 在档案、人格及回合级一致性上优于现有方法。
arXiv cs.AIAI 评分2828 LogiKEy 方法论：利用数学证明助手教授逻辑
LogiKEy 方法论以经典高阶逻辑（HOL）为通用元逻辑，通过语义嵌入在单一证明助手（如 Isabelle/HOL）中统一编码多种对象逻辑。该方法已用于计算机科学、数学及哲学混合课程逾十年，通过从命题逻辑到模态逻辑、动态认识论逻辑及义务逻辑的分级示例，帮助学生实验与比较不同逻辑系统。
arXiv cs.AI精选AI 评分7474 专家验证的AI学习材料对大学课程学习增益分布的影响研究
一项针对大学经济学课程的双重差分研究测试了专家验证的AI生成学习材料的效果。结果显示，使用AI材料的学生在50分制的考试部分中平均高出2.34分，低于二等上学位分界线的比例相对反事实下降24.7个百分点，且约四分之三的平均增益来自最低五分位数的学生。
推荐理由：研究通过双重差分法验证专家审核对缩小成绩差距的作用，提供了评估AI教育工具分布效应的实证框架。
Frontiers in EducationAI 评分4242 高等教育中负责任 AI 反馈的设计：教师准备度、学生判断力与元认知校准
该观点文章提出，高等教育中负责任的 AI 反馈设计核心在于教师的教学判断力与学生的评价判断力，而非单纯的技术准备。文章引入元认知校准概念，强调学生需将自我判断与独立评估的表现证据进行比对，以准确评估生成式 AI 反馈的质量与相关性。
Frontiers in EducationAI 评分4040 自闭症谱系障碍认知评估中 AI 技术接受度的结构方程建模研究
一项针对 77 名医疗与教育专业人员的研究表明，AI 认知评估在准确性、时间效率和易用性上优于传统评估，其中感知准确性显著预测 AI 接受度（β = 0.412）。PLS-SEM 分析显示模型具有强预测相关性（Q² = 0.48），fsQCA 识别出高准确性与低伦理担忧是促进 AI 接受的关键配置路径。
GitHub · AI in 教育AI 评分4242 MYaseenLiaqat/ai-learning-research：AI辅助学习对无辅助保留与迁移影响的研究工具
该仓库提供研究工具，探究AI辅助学习对后续无辅助保留与迁移的影响。实验以Python for循环解题为初始测试床，将学习者随机分配至无AI或受控AI组。当前实现为内部内容/可行性试点，旨在验证协议可复现性，而非确认AI提升学习效果。
arXiv cs.CLAI 评分4242 CodeInsight：用于建模迭代问题求解的数据集
研究团队构建了 CodeInsight 数据集，包含 2 个 C++ 课程中 3,286 名本科生提交的 300 多万份代码。基于该数据集建立的基准测试显示，适配的 Recurrent State Space Model (RSSM) 在四个课程中的三个取得了最强的预测准确率。代码和数据集已公开，以支持未来研究。
arXiv cs.CLAI 评分4242 Alice：用于评分标准驱动的多维度自动简答题评分的大规模德语基准
研究团队发布 Alice，一个大规模、基于评分标准的德语自动简答题评分（ASAS）数据集，包含学习表现、知识要素和技能三个子任务。实验表明，大语言模型在零样本设置下难以准确评分知识要素和技能，且评分标准文本对 Alice-KE 和 Alice-SK 任务尤为有用。
arXiv cs.CLAI 评分4242 RUSPAN：用于简答题自动评分的联合 LLM 编码框架
RUSPAN 提出一种将评分标准视为语义标签表示的简答题自动评分（ASAS）框架，通过单次 LM 推理对评分等级进行列表式打分。该框架在涵盖英语、德语和葡萄牙语的六个 ASAS 基准上，其单基准评分性能优于判别式和生成式基线模型。
Frontiers in EducationAI 评分3535 通过多学科专家咨询完善教师教育中后人类美学教学法
研究通过多学科专家咨询完善了教师教育中的后人类美学教学法（Posthuman Aesthetic Pedagogy）概念框架。专家确认了关系性、中介性等维度的价值，并质疑将技术视为中性工具的观点。该框架将专业判断定位为连接性教学能力，旨在帮助未来教师解读技术中介情境并承担教育责任。
Frontiers in EducationAI 评分4242 中国大学生 GenAI 素养与在线学习韧性：自我效能感的中介作用
基于新疆五所高校 306 名学生的调查，GenAI 素养显著提升中国大学生的在线学习韧性，且自我效能感在其中起部分中介作用。GenAI 素养的认知意识、使用能力、评估能力和伦理意识四个维度均通过增强自我效能感来促进在线学习韧性。
Frontiers in Education精选AI 评分6565 跨国生成式AI使用中的“接入-转化”差距：低收入国家学习者更难将AI用于学习
一项涵盖166个国家14,653名计算机科学学习者的研究发现，生成式AI的普及率在各收入水平国家间差异不大，但低收入国家的学习者将日常AI使用转化为学习用途的可能性显著更低（优势比0.49）。研究提出“接入-转化差距”概念，指出数字鸿沟已从物理接入转向使用转化，且缺乏经验是阻碍转化的主要条件，而非收入本身。
推荐理由：研究基于166国1.4万样本，指出低收入国家学习者AI使用转化为学习行为的概率显著更低，揭示了数字鸿沟的新维度。
Frontiers in EducationAI 评分4242 厄瓜多尔 A2 级 EFL 写作中混合反馈未优于教师单独反馈的证据
厄瓜多尔一项针对 A2 级 EFL 学生的六周准实验研究显示，ChatGPT 与教师结合的混合反馈在语法准确性上未显著优于教师单独反馈。两组学生后测分数均提升，但混合组与教师组的增益差异无统计学意义（p = 0.364）。
Frontiers in EducationAI 评分4242 OULAD 基准上基于前四周在线学习行为的学术风险预警研究
基于 OULAD 基准的研究表明，仅利用前四周的 VLE 活动与评估数据即可预测学术风险，全特征模型 ROC-AUC 达 0.7747。移除背景/行政数据后，AUC 降至 0.7504，但在前 5% 高风险学生中精准率从 0.938 降至 0.866。该研究证实了早期预警的可行性，但指出数据最小化本身并非公平性补救措施。
arXiv cs.CY精选AI 评分7070 arXiv 论文审计 LLM 生成数学应用题跨语言文化翻译的一致性
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。
arXiv cs.CYAI 评分4040 MOOC、智慧教学与 AI 辅助学习的统一量化模型
该研究构建了整合 MOOC 课前学习、智慧教学（ST）课堂适应及 AI 辅助课后个性化的数学模型。模拟显示，在固定预算下，最优 AI 资源分配策略比按比例分配带来超过 14% 的学习增益。
arXiv cs.CYAI 评分5050 双建议与单建议 AI 辅助放射影像判读对住院医师的影响：随机多读者研究
一项在中国三家医院进行的随机多读者研究显示，双建议 AI 支持能更有效地缓解错误 AI 建议的影响。放射科住院医师在双建议支持下的准确率提升显著高于单建议组，而非放射科住院医师无显著差异。当 GPT-5.4 建议错误时，双建议组（含 Kimi-K2.6 或 Gemini-3.6 Flash）的准确率显著高于单建议组。
arXiv cs.CY精选AI 评分7777 arXiv 研究：LLM 生成结构化评估在高等教育中的诊断质量分析
该研究基于 JorGPT 数据集分析了 LLM 在高等教育自动评分中的诊断质量，发现 LLM 生成的子维度分数高度相关，缺乏独立诊断信息。文本反馈检测学生误解的准确率仅为 5-7%，远低于教师的 15-31%，且反馈语气缺乏随答案质量变化的严重度调节。
推荐理由：研究揭示了 LLM 评分在诊断学生误解和反馈语气上的系统性偏差，为高校自动化评估的人机分工提供了实证依据。
Inside Higher Ed精选AI 评分7676 马里兰大学自建 AI 学习助手研究引发更多疑问
马里兰大学发布的关于其自建 AI 学习助手 VSA 的研究显示，该工具在随机对照试验中仅被 15% 的学生使用，且未得出明确的学习成果结论。研究发现，VSA 的接入略微降低了最终成绩和学习管理系统参与度，但学生更倾向于使用 ChatGPT 等私有工具，且多数教师未启用引导式教学模式。
推荐理由：马里兰大学对自建 AI 学习助手的随机对照试验显示使用率仅 15%，揭示了高校自研工具在复杂环境下的评估局限。
Frontiers in EducationAI 评分4242 ChatGPT 作为图书馆信息科学教育中 AI 评估方法的调查：信息研究系研究
该研究调查了 Sultan Qaboos University 信息研究系将 ChatGPT 作为 AI 评估工具的应用现状。分析显示，67% 的课程未检测到 AI 评估方法，20% 具有中等整合度，13% 直接指导使用 AI。研究据此提出了高等教育机构整合生成式 AI 的治理政策与战略指南。
Frontiers in EducationAI 评分3333 针对 Mapuche 人的网络仇恨言论：预备历史教师对教学情境的教育回应
一项针对智利南部大学 22 名预备历史教师的定性研究分析了他们应对针对 Mapuche 人网络仇恨言论的教学策略。结果显示，参与者主要识别仇恨言论的描述性成分，但较少涉及结构性种族主义或殖民性框架，且数字公民观偏向技术工具主义。此外，6 份回应中提及生成式人工智能的使用，为教师培训中的 AI 应用提供了假设性发现。
Frontiers in EducationAI 评分4242 生成式 AI 时代户外地球科学学习的重构：一种以人为中心的教学模型
该研究提出六阶段以人为中心模型，主张在直接观察和初步解释后引入 GenAI 以增强而非取代学习者的认知能动性。模型将 GenAI 定位为对话式挑战者，要求通过人类对野外证据的裁决来保留解释权。文章还提出了六个可检验命题，用于区分支持、中介与替代作用。
Frontiers in EducationAI 评分4242 语音研究作为 STEAM 跨学科教育的创新模式：从声学分析到教学实践
该研究提出将声学语音学融入 STEAM 教育的创新跨学科教学模型。在英语课堂试点中，30 名七年级学生利用 Praat 进行声学分析，并基于 Python 构建 Random Forest 分类器，通过 6 名学生的录音数据探究说话人声学特征差异。该模式结合物理模型与 AI 算法，旨在通过科学探究提升学生的数字素养与跨学科能力。
Frontiers in EducationAI 评分2626 Education 6.0 时代基于艺术的多教学法和平教育框架
文章提出“基于艺术的多教学法和平教育框架”，旨在 Education 6.0 时代整合 pedagogy、heutagogy、peeragogy 和 cybergogy 四种学习导向。该框架将和平意义建构置于核心，通过艺术、对话和数字实践，帮助学生在反思与协作中发展和平素养、同理心及数字公民意识。
Frontiers in EducationAI 评分3838 面向工程学生的技术数学素养量表（E-TmLS）开发与验证
研究开发并验证了面向工程学生的技术数学素养量表（E-TmLS）。基于土耳其 360 名工程学生的数据，该量表确立了包含数据素养、错误分析等 6 个维度的 20 题项结构。E-TmLS 表现出良好的信度与效度，为工程教育中评估技术辅助数学能力提供了标准化测量工具。
Frontiers in EducationAI 评分5252 基于 AI 分析与专家评估同步的编程知识多因子评估模型研究
该研究针对生成式 AI 普及带来的编程评估挑战，提出包含功能正确性、解释质量和 AI 使用水平的多因子评估模型。研究涉及哈萨克斯坦三所大学 187 名本科生，对比了 GPT-5.2、Claude Opus 4.5 和 Gemini 3 在基线（仅功能正确性）和多因子条件下的评估结果。
Frontiers in EducationAI 评分4242 特殊教育研究生 AI 素养发展：一项混合方法探索
一项针对 19 名特殊教育硕士研究生的混合方法研究显示，参与者对生成式 AI 的认知从行政效率工具转向适应性教学支架。研究强调在特殊教育环境中实施 AI 需重视人类监督、FERPA 合规及数据隐私。有意识的 AI 素养培养有助于未来特殊教育教师超越基础技术熟练度，具备负责任评估与实施生成式 AI 的批判性判断力。
Education and Information TechnologiesAI 评分2727 生成式 AI 时代协作学习中的模型偏好：一项混合方法研究
该研究采用混合方法探究生成式 AI 时代协作学习中的模型偏好。研究涉及 Claude 3.7、DeepSeek-R1 和 Gemini 2.0 等模型，分析其在协作环境中的应用情况。
arXiv cs.CY精选AI 评分6868 arXiv 研究：AI 数学学习中求助策略变化预测无辅助表现
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。
arXiv cs.CY精选AI 评分6262 arXiv 研究：活动形式、交互模态与语言如何影响学生与 AI 对话的学习效果
一项针对印度卡纳塔克邦 305 名本科生的实地研究比较了书面回答与基于文本或语音的 AI 对话活动。结果显示，完成对话式活动的学生花费时间更长、参与度更高且自我效能感更强，但整体完成率较低。所有条件下的知识增益无显著差异，但双语语音交互显著减少了表达困难并降低了对话放弃率。
推荐理由：研究对比了书面与对话式 AI 学习活动的效果，揭示了双语语音交互在降低表达困难方面的具体优势。
arXiv cs.CYAI 评分4242 面向未来工程师的 LLM 可扩展工作坊
一项面向工程硕士的可扩展游戏化工作坊，让 226 名学生在 10 次课程中通过移动 Web 界面为非推理和推理 LLM 编写提示词，解决网格导航任务。系统提供机器人可执行计划、轨迹可视化及自动评分，并在 Boston Dynamics Spot 机器人上进行现场演示。问卷显示 81.5% 的学生报告有显著学习收获，91.0% 报告高参与度。
arXiv cs.CYAI 评分5555 arXiv 论文：缓解纽约高中录取匹配中的不平等：不引发拥堵的个性化推荐
该研究针对纽约高中录取匹配中的推荐拥堵问题，提出了一种拥堵感知的双层优化与模拟方法。在 2025-26 录取周期的随机对照试验中，实验组申请人将推荐项目列入志愿的比例为 16.4%，对照组为 10.5%（相对增加 57%）；实验组匹配到此类项目的比例为 5.6%，对照组为 3.3%（相对增加 71%），且无实验组申请人被推荐项目拒绝。
arXiv cs.CYAI 评分1818 算法边缘化到 AI 中介再中心化：文化扎根的 AI 能否让客家语言文化回归主流社会？
该研究提出连接算法文化边缘化、文化扎根与 AI 中介文化再中心化的概念框架，以台湾客家语为案例。文章提出八项命题，主张评估 AI 普及时需兼顾语言多样性保留与社区权威，区分技术可用性与社会使用。
arXiv cs.CL精选AI 评分7070 Sherpa：通过多轮强化学习训练LLM自适应教学
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。
arXiv cs.CLAI 评分4040 FACTRIA：利用生成式 AI 支持高等教育机构分析中的偏见解读
研究团队提出 FACTRIA 框架，将机构分析中的潜在偏见因素划分为分析管道、机构背景、课程特征和人口统计四个领域。该框架作为生成式 AI 聊天机器人的输入，引导用户在分析高等教育机构数据时反思被忽视的因素。定性研究表明，结合结构化框架与 AI 指导能增强对机构数据的负责任解读。
arXiv cs.CLAI 评分4242 K-12 数学辅导中跨模型 LLM 共识不等于诊断学生失败模式的有效性
针对 K-12 数学辅导对话中五种学生失败模式的诊断，研究发现跨模型 LLM 共识（kappa = .755-.781）显著高于人机一致性（kappa = .524-.597）。这表明模型间的高一致性可能制造正确性的假象，不能替代对学习者解释有效性的独立证据。
arXiv cs.CLAI 评分4242 有界评分量表上的双重差分法可能制造虚假效应：基于预注册 LLM 评审审计的证据
研究证明，在评分有界时，双重差分法可能因量表边界衰减不均而制造虚假交互效应。一项包含 990 次调用的预注册 LLM 评审审计中，唯一显著次要交互（productive struggle，+0.378 分，p=0.002）被证实可由量表下限和严重度偏移复现 79% 至 85%。这表明观测到的交互效应无法识别潜在量表上的差异化偏好。
arXiv cs.CLAI 评分4242 教育方面级情感分析受控合成基准
研究提出包含 10,000 条合成课程评论的教育方面级情感分析（ABSA）受控合成基准，涵盖 20 个教学方面。在基准测试中，BERT 模型达到 0.2930 的 micro-F1，gpt-5.2 零样本推理为 0.2519。外部评估显示 BERT 在真实数据上取得 0.4593 的 micro-F1，验证了部分合成到真实的迁移能力。