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。
#大模型
arXiv cs.AIAI 评分4242 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。
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 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）。
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 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。
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。
arXiv cs.CL精选AI 评分7878 K12-KGraph：面向教育大模型评测与训练的课标对齐知识图谱
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。
arXiv cs.CLAI 评分5555 arXiv 论文：通过多轮强化学习解决 LLM 教学中的协助困境
研究提出 Eduardo 多轮强化学习训练方案，引入掩码近迁移后测以抑制 LLM 导师直接告知答案的行为。Eduardo-27B 模型在 MathTutorBench 和 TutorMoments 上分别匹敌 Gemini-3.1-Pro 和 Claude Opus 4.8，且思考 token 消耗减少 2.4-6.2 倍。研究开源了训练环境、8671 题近迁移数据集及训练好的模型。
arXiv cs.CLAI 评分4242 CLARA：AI 能否评估儿童故事的发育适宜性？
研究提出 CLARA 框架及包含 1107 个中英双语儿童故事的基准资源，用于评估 AI 对儿童故事发育适宜性的判断能力。实验表明，基于认知、语言和社会情感维度的结构化标注方法，在匹配人类专家判断方面显著优于基于可读性的方法和直接提示基线。
Education and Information TechnologiesAI 评分2828 全球南方生成式 AI 学生感知与意图的 PLS-SEM 分析
该研究采用 PLS-SEM 方法分析全球南方学生对生成式 AI 的感知与使用意图。研究聚焦高等教育场景，探讨技术接受度模型在特定区域背景下的适用性。
arXiv cs.CYAI 评分4242 LLMersion：面向教育公平的本地优先低成本家庭语言学习 AI 智能体框架
论文提出 LLMersion 框架，一种完全在本地运行的 AI 智能体方案，旨在通过低成本家庭语言学习促进教育公平。该框架利用小型开源权重模型，使完整的听、说、读、写四项技能栈能运行在约 200 美元级别的笔记本电脑上，且每小时学习电费仅约 1 美分。作者已发布开源原型 LLMersion-1 及配套工具 LLMersion Narrator。
arXiv cs.CY精选AI 评分6868 基于 LLM 的对话式 TTS 课程生成系统教育潜力探索性研究
该研究提出一种结合 LLM 与 TTS 的半自动对话式课程生成系统，并通过 245 名高中生的准实验考察其教育潜力。结果显示，对话式 TTS 在理解（p=.006）和认知投入（p=.019）上显著优于单声 TTS，且 66.9% 的学员认为对话格式最有趣，但单声 TTS 在音频自然度上表现更好。
推荐理由：研究通过准实验验证了对话式 TTS 在理解与认知投入上的优势，为 AI 辅助课件生成提供了实证依据。
arXiv cs.CYAI 评分4242 生成式AI教育中的认知所有权：150组学生-AI对话分析
研究分析了150组学生与AI的对话，发现相似的评估成绩可能对应截然不同的认知参与模式。基于认知所有权框架，作业分数仅反映评估结果，无法还原学生与AI之间认知工作的具体分配。该研究为评估体系纳入认知过程证据提供了实证基础。
Frontiers in EducationAI 评分4242 AI 在 STEAM 教育中赋能学生主导的气候解决方案
一项针对 69 名本科生的混合方法研究显示，100% 的学生使用 AI 工具，86.9% 认为 AI 提升了创造力与学习独立性。研究提出 AI-Empowered STEAM Climate Action Model (AISC-AM) 框架，通过“AI-in-the-Loop”验证结构解决准确性与抄袭担忧，连接学生研究与区域气候政策。
ETR&D 教育技术研究与发展AI 评分1515 融合 AI、游戏化学习与 AR 的多模态平台提升中学语言学习阅读理解
该研究提出一种融合人工智能、游戏化学习和增强现实的多模态电子学习平台，旨在提升中学语言学习中的阅读理解能力。
GitHub · AI in 教育AI 评分3535 CLEAR-Mem v0.1.0 发布：LLM 辅导系统学习者状态记忆参考实现
CLEAR-Mem v0.1.0 作为首个私有发布候选版本，提供了 LLM 辅导系统中学习者状态记忆的参考实现。该工具将学习者判断表示为独立可审查的声明，控制其进入持久记忆的权限及后续证据对声明的确认或修正。配套基准 LSS-Bench 用于测试记忆是否导致教育上不合理的变更，项目采用 Apache License 2.0 许可。
Education and Information TechnologiesAI 评分3535 GenAI 零样本提示用于 EFL 完形填空文本生成：中国语言评估的混合方法评估
该研究采用混合方法评估 GenAI 零样本提示在中国 EFL 完形填空文本生成中的应用。研究聚焦于语言评估场景，旨在验证生成式 AI 在构建完形填空测试题时的可行性与效果。
EdSurge精选AI 评分7070 EdReports 报告：10 家 K-12 教育科技供应商中仅 1 家提供 AI 功能有效性的第三方证据
EdReports 发布新简报，审查了 10 家 K-12 课程及教育科技供应商。结果显示，仅有一家供应商包含证明其嵌入的 AI 功能能改善教育成果的第三方证据。
推荐理由：EdReports 对 10 家 K-12 教育科技供应商的审查显示，仅一家提供了嵌入 AI 功能提升教育成果的第三方证据。
电化教育研究AI 评分3535 数字化促进中国教育现代化：逻辑理路、模型构建及实践进路
华南师范大学团队基于生态系统理论，构建了数字化促进中国教育现代化的生态模型。该模型以公平、优质、全面、和谐、开放为价值追求，由时间系统贯穿微、中、外、宏系统，分别形成“学习—教学—评价”融合、“学校—家庭—社会”协同及“供给—教研—标准”耦合机制。研究进而提出以动态评估、文化融合、标准建设、场景创新和人才发展为保障的实践进路，旨在提供系统化的学理框架与行动路径。
Coursera BlogAI 评分4242 Coursera 发布 2026 全球技能报告及全球首个 AI-人类技能协同指数
Coursera 发布第八版《全球技能报告 2026》，推出全球首个 AI-人类技能协同指数，基于 3 亿多学习者数据揭示 98 国技能发展现状。报告显示，GenAI 课程注册速度达每分钟 45 次，批判性思维课程注册量同比增长 107%，AI 微证书注册量增长 122%。
ETR&D 教育技术研究与发展AI 评分4242 生成式 AI 支持协作学习中的协作模式探索：对知识构建与表现的影响
该研究探索了生成式 AI 支持协作学习中的协作模式，分析其对知识构建和学习表现的影响。研究发表于《教育技术研究与发展》（ETR&D），旨在揭示 AI 介入下学生协作互动的特征及其教育效果。
Education and Information TechnologiesAI 评分3535 探究 GenAI 依赖对大学生批判性思维倾向的影响：基于知识惯性的视角
该研究从知识惯性视角探究 GenAI 依赖对大学生批判性思维倾向的影响。文章发表于《Education and Information Technologies》，旨在分析生成式人工智能使用与学生思维习惯之间的关联。
ETR&D 教育技术研究与发展AI 评分4242 高等教育师生生成式人工智能准备度与感知量表（GenAI-RP）的开发与验证
研究开发了针对高等教育师生群体的生成式人工智能准备度与感知量表（GenAI-RP），并通过验证性因素分析（CFA）进行验证。该量表包含教育准备度、感知益处和感知挑战三个子量表，题目针对师生不同角色进行了定制。