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。
研究与方法
AI 教育实证研究 最新动态
针对 AI 在教育中效果的实证研究：干预实验、学习增益、认知负荷与依赖风险，以及大规模测评基准。
22 条精选近 30 天 17 条共收录 100 条
更新
AI 教育实证研究的精选
arXiv cs.AI精选AI 评分6262 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 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。
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.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。
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.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.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.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。
ETR&D 教育技术研究与发展精选AI 评分6565 学习分析个性化反馈对大型入门 STEM 课程学生行为影响的实验研究
一项针对 700 多名学生的随机对照实验表明，基于学习分析的个性化反馈能显著促进大学生更早开始作业并增加尝试练习题的比例，但未带来考试成绩或最终成绩的提升。实验组学生在干预阶段开始作业的时间平均比对照组早半天，且 91% 的学生尝试了练习题，高于对照组的 82%。尽管实验组的 D/F 率（2.5%）低于对照组（4.7%），但该差异未达统计显著性，且两组学生对反馈有用性和激励性的感知无显著差异。
推荐理由：研究通过随机对照实验量化了个性化反馈对行为启动与学业成绩的影响差异，为大规模课程中的反馈设计提供了实证依据。
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。
EdSurge · AI精选AI 评分7171 EdReports 研究：教育科技厂商在证明 AI 有效前匆忙整合
EdReports 发布简报指出，10 家 K-12 课程与教育科技供应商中仅 1 家提供了第三方证据，证明其嵌入的 AI 功能能改善教育成果。研究强调，后台 AI 更新使学校难以确保产品效力，且现有框架缺乏评估 AI 是否增强学习的一致方法。专家建议学校要求供应商提供具体数据，并关注 AI 更新的教学决策属性。
推荐理由：报告揭示了K-12教育科技产品中AI功能缺乏实证支持的现状，为采购决策提供了关键的质量评估视角。
UNESCO IITE精选AI 评分6363 UNESCO IITE 发布《教师 AI 能力框架》分析报告
UNESCO IITE 发布《教师 AI 能力框架》分析报告，系统分析了 36 个来自国家教育主管部门、国际政策组织和学术界的教师 AI 能力框架。报告探讨了 AI 素养、实施场景及评估方法，并基于证据提出了设计国家级教师 AI 能力框架的建议，旨在促进高质量、课程对齐的教师 AI 能力发展。
推荐理由：报告系统分析了 36 个教师 AI 能力框架，为各国设计高质量教师 AI 发展体系提供了实证依据。
欧盟委员会教育总司精选AI 评分7272 欧盟发布 PISA 2025 首份分析：三分之一学生阅读或数学未达标
欧盟委员会发布 PISA 2025 首份欧盟层面分析，显示 33.9% 的学生数学、31.3% 阅读和 25.9% 科学未达最低能力水平。报告指出数字干扰、AI 非批判性使用、家长参与度下降及教师短缺与成绩下滑相关，并强调需在 11 月发布的教育方案中应对这一趋势。
推荐理由：欧盟基于 PISA 2025 数据揭示基础技能下滑与教师短缺现状，为后续教育政策制定提供实证依据。
Hechinger Report · AI 专题精选AI 评分8585 多伦多大学研究：Khanmigo AI 导师未显著提升田纳西州中学生数学成绩
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。
Hechinger Report · AI 专题精选AI 评分7575 新研究显示 AI 导师结合重复练习可提升初中生数学成绩
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。
Hechinger Report · AI 专题精选AI 评分7373 WestEd 评估基于结果的合同：部分教育干预产生可测量学业增益
WestEd 对加州、佛罗里达、密西西比和德克萨斯州 8 个早期采用学区的辅导和教育技术项目进行了独立评估，发现 3 项干预产生了可测量的学业增益。研究指出，一项由人工智能驱动的阅读软件对二年级学生有效，但对高年级小学生无效，且评估无法确定增益是源于合同机制还是学区获得的约 8 万美元实施支持。
推荐理由：WestEd 对 8 个学区的独立评估显示，基于结果的合同在部分干预中产生了可测量的学业增益，但无法完全归因于合同本身。
Grammarly Blog · 教育精选AI 评分7272 佛罗里达大学教授重构AI写作作业：一项同行评审研究揭示学生使用模式
佛罗里达大学Brian Harfe教授在《TechTrends》发表研究，分析310篇学生论文中AI文本的使用情况。研究采用Grammarly Authorship工具追踪文本来源，发现学生平均保留76%的AI生成草稿，且学术表现较好的学生修改幅度更大。
推荐理由：研究通过词级溯源数据揭示学术表现与AI文本修改深度的关联，为高校制定AI写作政策提供实证依据。