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。
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。
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。
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。
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。
一项针对 45 名摩洛哥英语作为外语（EFL）职前教师的准实验研究显示，接受 UDL 结合 AI 工具培训组的课后教案评分显著高于对照组及仅接受 UDL 培训组。该研究指出，AI 工具有助于教师设计更具包容性的教学，但现有证据无法单独隔离 AI 的贡献，且结果受限于单一机构及评分标准。
华盛顿大学团队对科罗拉多州奥罗拉公立学校22名教师进行访谈，研究教师对课堂 AI 的看法。结果显示教师态度矛盾，认可 AI 能减轻重复性任务的工作量，但担忧其会侵蚀教学的社交属性。
基于 PRISMA 2020 和 Kitchenham 方法论对 40 项实证研究的系统综述表明，ChatGPT 和 GitHub Copilot 等生成式 AI 工具在编程教育中的成功整合依赖于有意的教学策略和结构化流程。
该研究在卡内基梅隆大学的一门社会科学入门课程中，让 154 名大学生在学期内五次完成“写作-LLM 批判-修改”的协作任务。结果显示，学生的论证写作、提示词工程及回应反馈能力均显著提升，且对 LLM 协作持积极态度。
推荐理由：研究展示了 LLM 协作写作对大学生论证能力的提升效果，为课堂设计提供了可参考的实证依据。