Msaidizi wa elimu wa akili bandia ni darasa la jumla la mifumo inayotegemea akili bandia inayosaidia mchakato wa kujifunza kwa kuwasiliana na wanaojifunza kupitia maswali na majibu, mrejesho, uelekezaji, kazi, mapendekezo, uonyeshaji wa kuona, sauti au aina nyingine za mwingiliano. Mapitio ya kimfumo ya Fatmah Alqarni na wenzake yanachunguza jinsi ujifunzaji unavyotokea katika mifumo hii kupitia mbinu mbili kuu: ujifunzaji dhahiri na ujifunzaji fiche.

Katika ujifunzaji dhahiri, mtumiaji huingia katika mchakato wa kujifunza kwa makusudi, kama vile kusikiliza maelezo, kuuliza swali, kupata mrejesho, kukamilisha kazi au kufuata mwongozo wa hatua kwa hatua. Katika ujifunzaji fiche, maarifa au ujuzi hukua wakati wa mwingiliano ambao mtumiaji hana lengo la moja kwa moja la “ninajifunza sasa”; kupitia kujaribu, kuchunguza mrejesho, kuzungumza na mfumo au kutekeleza kazi.

Watafiti walipitia kwa utaratibu tafiti 38 zilizochapishwa kati ya 2000–2024. %79 ya tafiti zilionyesha mbinu zinazounga mkono zaidi ujifunzaji dhahiri, huku %21 zikionyesha mbinu zinazounga mkono ujifunzaji fiche. Mwingiliano wa maandishi ndio aina ya mawasiliano inayotumika zaidi kwa %45; ukifuatiwa na uonyeshaji wa kuona kwa %34, mwingiliano unaotegemea vitendo kwa %12 na sauti kwa %9.

Mapitio pia yanaonyesha mageuzi ya kiufundi ya mifumo ya elimu ya AI. Kuna mabadiliko kutoka chatbot zinazotegemea kanuni kwenda mifumo ya ujifunzaji wa mashine, kutoka hifadhidata za maarifa kwenda ontolojia, na katika kipindi cha karibuni kwenda modeli kubwa za lugha na mifumo generative ya AI. Hata hivyo, ukweli kwamba ni tafiti nne tu kati ya 38 zilizojumuisha LLM au AI generative unaonyesha kwamba matokeo ya sasa kwa kiasi kikubwa yanawakilisha fasihi ya kabla ya kuenea kwa LLM.

Tofauti ya msingi kati ya ujifunzaji dhahiri na ujifunzaji fiche ni ipi?

Katika ujifunzaji dhahiri, mtu huelekezwa kwa makusudi kupata maarifa na huingiliana na mbinu za moja kwa moja za kujifunza kama maelezo, ufundishaji, maswali, mwongozo au mrejesho. Katika ujifunzaji fiche, maarifa na ujuzi hukua bila mtu kuwa na lengo la moja kwa moja la kujifunza, wakati wa kufanya kazi, kuchunguza mfumo, kuangalia matokeo au kupata uzoefu ndani ya mazungumzo. Uainishaji katika utafiti hautegemei tu kipengele cha kiolesura kilichotumiwa, bali kazi ya ujifunzaji ambayo kipengele hicho hicho kinatimiza kwa mtumiaji.

Vipengele kumi na moja vya mwingiliano katika ujifunzaji dhahiri

Mapitio yanabainisha vipengele kumi na moja vya msingi vya mwingiliano kwa ujifunzaji dhahiri:

1. Kuuliza maswali: Mwanafunzi kuomba taarifa au maelezo moja kwa moja.
2. Maswali ya ndiyo/hapana: Majibu yenye muundo yanayopunguza mzigo wa kiakili, hasa katika umri mdogo au mwingiliano wenye ugumu mdogo.
3. Maswali ya chaguo nyingi: Muundo unaomwelekeza mwanafunzi kufanya tathmini kati ya chaguo maalum.
4. Kujibu maswali: Michakato ya kutoa majibu yenye muundo kama quiz, sarufi, msamiati au tathmini za mada.
5. Mwongozo: Ufundishaji wa hatua kwa hatua, hasa kwa watumiaji wanaoanza.
6. Ujumbe wa onyo: Kutoa taarifa kuhusu makosa au hatua hatarishi kwa wakati halisi.
7. Kutengeneza au kutatua kazi: Mwanafunzi kujifunza kwa vitendo kwa kutatua tatizo au kuunda bidhaa.
8. Mapendekezo: AI kutoa dokezo, pendekezo au nyenzo husika.
9. Kukumbusha / kuonya: Kumjulisha mtumiaji kuhusu kazi au mahitaji yanayokaribia.
10. Mrejesho: Kutathmini utendaji wa mtumiaji na kumwelekeza katika hatua inayofuata.
11. Mrejesho unaoweza kuhaririwa: Mtumiaji kuweza kuhariri na kuboresha tena matokeo yake baada ya mrejesho wa AI.

Kielelezo 5 kwenye ukurasa wa 10 wa chanzo kinaunganisha mbinu hizi kumi na moja chini ya taksonomia moja ya ujifunzaji dhahiri. Jambo muhimu hapa ni kwamba mbinu hazitathminiwi tu kama “kipengele cha kiolesura”, bali kama tabia za ujifunzaji zinazohudumia upataji wa maarifa kwa makusudi wa mtumiaji.

Kwa nini kuuliza swali si kutafuta taarifa pekee?

Katika mifumo iliyochunguzwa, kuuliza swali hakutumiki tu kupata jibu. Baadhi ya wasaidizi wa elimu wa AI hawajibu tu maswali ya mwanafunzi; kulingana na jibu lililotolewa, wanaweza kupendekeza kazi ngumu zaidi, maudhui ya kurekebisha au hatua mpya za ujifunzaji. Kwa hiyo, mbinu ya maswali na majibu inaweza kuwa na kazi inayopanuka kutoka ufikiaji wa taarifa hadi uelekezaji wa nguvu wa njia ya kujifunza.

Mwongozo unaweza kuwa tatizo lini?

Mwongozo wa hatua kwa hatua unaweza kupunguza kiwango cha makosa na kufanya kazi za kiufundi zipatikane kwa urahisi zaidi, hasa kwa wanafunzi wanaoanza. Hata hivyo, waandishi pia wanajadili kwamba mwongozo wenye muundo uliopitiliza unaweza kupunguza uwezo wa hoja huru. Kwa hiyo, muhimu si tu kwamba msaidizi wa elimu wa AI aonyeshe njia sahihi, bali pia ni kwa kiwango gani anahifadhi uwezo wa mwanafunzi kuunda suluhisho lake mwenyewe.

Kwa nini mrejesho ni mbinu ya kati?

Mrejesho ni mbinu inayojirudia katika fasihi iliyochunguzwa katika nyanja mbalimbali, kutoka programu hadi elimu ya lugha, kutoka utatuzi wa matatizo ya uhandisi hadi elimu ya ubunifu. AI inaweza kuonyesha makosa ya sintaksia, kubainisha ikiwa hatua ya suluhisho ni sahihi, kumwelekeza mwanafunzi kwenye maudhui magumu zaidi au kumsaidia mtumiaji kutathmini upya muundo wake. Mojawapo ya hitimisho muhimu la mapitio ni kwamba mrejesho si hatua ya mwisho tu inayotoa uamuzi wa “sahihi/si sahihi”, bali ni mbinu ya mwingiliano inayoelekeza mchakato wa ujifunzaji kwa kuendelea.

Mbinu nne za msingi za ujifunzaji fiche

Utafiti unaainisha ujifunzaji fiche chini ya vipengele vinne vikuu:

• kuuliza maswali,
• kujibu maswali,
• kutekeleza shughuli au kazi,
• mrejesho.

Kwa mtazamo wa kwanza, baadhi ya vipengele hivi vinaonekana pia katika kategoria ya ujifunzaji dhahiri. Hii si kosa la uainishaji. Kigezo cha waandishi si mwonekano wa mwingiliano, bali jukumu lake la kiutendaji. Ikiwa mtumiaji anauliza swali kwa lengo la “kujifunza mada”, huo ni ujifunzaji dhahiri; ikiwa anapata ujuzi wa kutatua matatizo bila kutambua wakati wa mazungumzo ya kawaida, aina hiyo hiyo ya swali na jibu inaweza kutumikia ujifunzaji fiche.

Mfumo wa AI unaweza kuunga mkono ujifunzaji dhahiri na fiche kwa mwingiliano uleule vipi?

Kipengele kilekile cha kiolesura kinaweza kuchukua kazi tofauti za ujifunzaji kulingana na lengo la mtumiaji na muktadha wa mwingiliano. Kwa mfano, AI inapofafanua kosa na hivyo kuunga mkono ujifunzaji wa dhana kwa makusudi, huo ni ujifunzaji dhahiri; mtumiaji anapojaribu ingizo tofauti na kujifunza muundo kwa njia ya angavu kwa kutazama matokeo ya mfumo, huo ni ujifunzaji fiche. Kwa hiyo, utafiti hauchukulii lebo ya “chatbot”, “feedback” au “question answering” pekee kuwa kiashiria cha aina ya ujifunzaji.

Ujifunzaji fiche kupitia shughuli

Katika ujifunzaji fiche, kazi za vitendo ni muhimu hasa. Katika mifumo iliyochunguzwa, wanafunzi wamegundua tabia za kialgorithimu kwa kutumia zana za programu za kuona, wamefundisha modeli za ujifunzaji wa mashine na kuchunguza matokeo yao, au wamefundisha mfumo wa AI taarifa mpya na kuchunguza majibu yake ya baadaye. Hapa mtumiaji anaweza kukuza muundo wa dhana kwa kutazama uhusiano kati ya jaribio na matokeo bila kusoma maelezo ya nadharia moja kwa moja.

Mrejesho fiche

Katika mrejesho fiche, mfumo hujibu tabia ya mtumiaji, lakini jibu hilo si lazima liwe katika mfumo wa “maelezo ya ufundishaji”. Kwa mfano, mtumiaji anaweza kutoa ingizo tofauti za muundo na kutazama mabadiliko katika matokeo ya AI, au mfumo wa mazungumzo unaweza kuitikia matamshi na kusababisha mtumiaji kurekebisha utendaji wake. Hapa ujifunzaji hutokea zaidi katika mzunguko wa kujaribu, kutazama na kurekebisha kuliko kupitia utoaji wa moja kwa moja wa maelezo.

Kwa nini ujifunzaji dhahiri umetawala katika fasihi?

Katika uchanganuzi ambapo tafiti 34 ziliainishwa kikamilifu, tafiti 27 ziliwekwa katika kundi ambalo ujifunzaji dhahiri ulitawala na tafiti 7 katika kundi ambalo ujifunzaji fiche ulitawala. Hii inalingana na mgawanyo wa %79 na %21 mtawalia. Tafiti za awali zilijikita hasa katika maswali na majibu yenye muundo na mrejesho; karibu 2019–2020, mwonekano wa mbinu fiche uliongezeka pamoja na mifumo ya sauti na mbinu za kujifunza kupitia uzoefu.

Katika kipindi cha 2021–2024, mpaka unakuwa unaopenyeka zaidi na kuanza kwa ujumuishaji wa LLM. Hii ni kwa sababu mifumo generative inaweza kutoa maelezo na ufundishaji wa moja kwa moja kwa upande mmoja, na kwa upande mwingine kuruhusu watumiaji kufanya majaribio kwa maswali, ingizo na matokeo tofauti.

Njia nne za utekelezaji wa wasaidizi wa elimu wa AI

Utafiti unaainisha utekelezaji wa kiufundi katika makundi manne makuu:

Tofauti kati ya chatbot inayotegemea kanuni na chatbot ya AI

Katika mapitio, chatbot zinazotegemea kanuni zinalinganishwa kama mifumo inayofanya kazi kwa kanuni zilizowekwa awali, yenye unyumbufu mdogo lakini inayoweza kudhibitiwa; chatbot za AI nazo zinaelezwa kama mifumo inayoweza kujifunza kutokana na maarifa na muktadha na kuzoea hali ngumu zaidi, lakini tabia yake haitabiriki kwa kiwango sawa. Mifumo inayotegemea kanuni hutoa udhibiti mkubwa katika hali rahisi, lakini uwezo wake wa kujibu maswali ya wazi ya wanaojifunza ni mdogo.

Maarifa yanahifadhiwa wapi na yanasasishwaje?

Katika mifumo iliyochunguzwa, maarifa huhifadhiwa katika hifadhidata, hifadhidata za maarifa, seti za data, ontolojia au hifadhi nyingine zenye muundo. Baadhi ya mifumo hutumia hifadhidata tuli za maarifa, huku mingine ikisasishwa kwa nguvu kupitia mrejesho wa watumiaji au data mpya.

Kwa mfano, katika baadhi ya mifumo ya mapendekezo, ontolojia hutumiwa kuwakilisha mahusiano kati ya wanafunzi, chaguo za elimu ya juu na taaluma. Katika baadhi ya chatbot, hifadhidata tofauti huhifadhi kwa kutengana utendaji wa mwanafunzi, maudhui ya somo na majibu ya mazungumzo ya kila siku. Tofauti hizi za usanifu huathiri moja kwa moja kiwango ambacho mfumo unaweza kuzoea maarifa ya sasa.

Mbinu za AI zilizotumiwa zimebadilikaje?

Uchanganuzi wa muda wa mapitio unaonyesha wazi mabadiliko ya usanifu wa kiufundi wa mifumo ya elimu ya AI. Katika tafiti nyingi za kipindi cha 2000–2015, mbinu za kuhifadhi na kusasisha maarifa hazikuripotiwa kwa undani, na mwingiliano uliendelea kuwa hasa wa maandishi au wa kuona.

Katika kipindi cha 2016–2020, miundo inayoungwa mkono na hifadhidata ilianza kuenea, usasishaji wa maarifa kwa nguvu ukaonekana, na mbinu mbalimbali zaidi kama mitandao ya neva ya kina, cooperative contextual bandits na ujifunzaji wa mashine unaosimamiwa zikaanza kutumiwa.

Katika kipindi cha 2021–2024, mifumo inayotegemea GPT, modeli kubwa za lugha, API za AI generative na mwingiliano wa njia nyingi huonekana pamoja. Mifumo kama COFFEE, AutoSpark, DesignPrompt na Q-Module-Bot ni miongoni mwa mifano ya mabadiliko haya iliyochunguzwa katika chanzo.

Mbinu na Matokeo ya Utafiti

Mapitio ya kimfumo yaliendeshwaje?

Utafiti uliendeshwa kwa kufuata kanuni za PRISMA 2020 na kupanuliwa kwa mbinu ya snowballing. Itifaki ya mapitio ilisajiliwa kwa njia ya retrospektivu kwenye Open Science Framework.

Utafutaji wa awali ulifanywa kati ya Juni–Septemba 2022, ukasasishwa Novemba 2023, na utafutaji wa ziada ukafanywa kati ya Septemba–Desemba 2024 ili kunasa maendeleo ya haraka katika wasaidizi wa elimu wanaotegemea LLM.

Vyanzo vya utafutaji ni:

• Google Scholar,
• ACM Digital Library,
• IEEE Xplore,
• MDPI,
• Springer,
• Taylor & Francis.

Tafiti 38 zilipatikana vipi kutoka rekodi 16.335?

Hapo mwanzo, jumla ya rekodi 16.335 zilitambuliwa. Kati ya hizo, 15.900 zilitoka katika utafutaji wa kiotomatiki wa Google Scholar; zilizobaki zilitoka katika utafutaji wa mikono uliofanywa kwenye ACM, IEEE, MDPI, Springer na Taylor & Francis.

Kabla ya uchujaji, rekodi 5.685 zilizojirudia na rekodi 2.500 kupitia vichujio vya tarehe ziliondolewa; rekodi 8.150 zilibaki kwa uchujaji wa vichwa. Baada ya 8.030 kati ya hizo kuondolewa, tafiti 120 zilibaki, na rekodi 11 zilizopatikana kupitia snowballing ya mbele na nyuma zilipoongezwa, ripoti 131 zilichukuliwa kwa tathmini.

Katika uchujaji wa muhtasari na hitimisho, tafiti 73 ziliondolewa; tafiti 58 zikaendelea kwenye tathmini ya ustahiki wa maandishi kamili. Baada ya vigezo vya kujumuisha na kuondoa kutumika, tafiti nyingine 20 ziliondolewa na tafiti 38 zikajumuishwa katika mapitio ya mwisho ya kimfumo. Mchoro wa mtiririko wa PRISMA 2020 kwenye ukurasa wa 4 wa chanzo unaonyesha mchakato huu kwa undani. :chatgpt-content-reference{index="6"}

Ni vigezo gani vilitumika katika uchimbaji wa data?

Uchimbaji kamili wa data ulifanywa katika tafiti 34 kati ya 38. Tafiti nne zilitumika tu katika mfano wa kuhamasisha utafiti. Katika uchimbaji kamili, vigezo 15 vifuatavyo vilichunguzwa:

1. mwaka wa kuchapishwa,
2. aina ya uchapishaji,
3. mchapishaji,
4. eneo,
5. aina ya ujifunzaji dhahiri au fiche,
6. vipengele vya mwingiliano,
7. njia ya utekelezaji,
8. mbinu ya uwakilishi na usasishaji wa maarifa,
9. kundi lengwa la watumiaji,
10. algoriti na mbinu,
11. mwingiliano wa maandishi, sauti, kuona au unaotegemea vitendo,
12. njia ya tathmini,
13. mbinu ya ukusanyaji wa data,
14. idadi ya washiriki,
15. vipimo.

Tafiti zilijikita zaidi katika vipindi gani?

Katika mgawanyo wa machapisho kati ya 2000–2024, idadi ndogo ya tafiti huonekana katika miaka ya mwanzo, ongezeko huanza katika miaka ya 2010, na kilele kinachoonekana hutokea katika kipindi cha 2019–2020. %50 ya vyanzo vilivyochunguzwa ni makala za majarida, %43 ni machapisho ya mikutano na %7 ni vyanzo vya wavuti. Kielelezo 3 kwenye ukurasa wa 5 wa chanzo kinaonyesha mgawanyo huu kulingana na mwaka na aina ya uchapishaji. :chatgpt-content-reference{index="7"}

Matokeo muhimu ya kiasi

Kuna jambo muhimu la kimetodolojia katika kutafsiri viwango vya mwingiliano: kwa sababu utafiti mmoja unaweza kuwa na zaidi ya aina moja ya mwingiliano, asilimia si makundi ya tafiti yanayotengana. Mwingiliano wa maandishi ulionekana katika tafiti 25, uonyeshaji wa kuona katika tafiti 19, vitendo katika tafiti 7 na sauti katika tafiti 5; asilimia zilikokotolewa kwa kuhalalisha jumla ya mifano ya mwingiliano.

Kwa nini mwingiliano wa sauti bado ni mdogo katika wasaidizi wa elimu wa AI?

Katika mapitio, mwingiliano unaotegemea sauti unawakilisha tu %9 ya jumla ya mifano ya mwingiliano na uko nyuma kwa kiasi kikubwa ya mawasiliano ya maandishi na uonyeshaji wa kuona. Ingawa Alexa na wasaidizi wa sauti wanaofanana hutumiwa katika baadhi ya hali za ujifunzaji katika mifumo iliyochunguzwa, sehemu kubwa ya fasihi ya utafiti bado imejengwa juu ya violesura vya maandishi na kuona. Utafiti hautafsiri hali hii kama ushahidi kwamba mwingiliano wa sauti haufanyi kazi katika elimu; badala yake, unaonyesha kwamba sauti haijawakilishwa vya kutosha katika fasihi.

Mwingiliano wa maandishi: %45

Mwingiliano unaotegemea maandishi ndio aina inayotumika zaidi. Mtumiaji anaweza kuuliza mfumo maswali, kuomba taarifa, kutuma mrejesho au kutoa majibu ya kazi. Urahisi wa kiasi wa kutekeleza mifumo ya maandishi kitaalamu na uoanifu wake wa moja kwa moja na usanifu wa chatbot ni mojawapo ya miktadha ya ueneaji huu iliyoonekana katika chanzo.

Uonyeshaji wa kuona: %34

Uonyeshaji wa kuona ni aina ya pili inayotumika zaidi ya mwingiliano, unaosaidia kuelewa haraka zaidi michakato changamano ya AI au ya kiufundi. Chanzo kinajumuisha mifano ya mrejesho wa kuona hasa katika maeneo kama dhana za ujifunzaji wa mashine, usalama wa kompyuta, programu, miundo ya data na ubunifu.

Mwingiliano unaotegemea vitendo: %12

Katika mifumo inayotegemea vitendo, mtumiaji hasomi maandishi tu; huunda saketi, hubadilisha algoriti, huhariri picha au kufanya kitendo kingine kisha kuchunguza matokeo yanayotokea. Mifumo hii ni muhimu hasa kwa ujifunzaji wa vitendo na ujifunzaji fiche.

Mwingiliano wa sauti: %9

Sauti inaweza kuwa muhimu hasa kwa watoto wadogo, wanaojifunza lugha au katika miktadha ambapo matumizi ya kibodi hufanya mchakato wa kujifunza kuwa mgumu. Katika tafiti zilizochunguzwa, kuna mifano ya mifumo kama Alexa na Amazon Echo Dot inayobadilisha ingizo la sauti kuwa maandishi na kulitumia katika mwingiliano wa kielimu.

LLM na AI generative zinabadilishaje picha hii?

Modeli kubwa za lugha na AI generative zinawezesha mabadiliko kutoka muundo wa mwingiliano uliowekwa awali wa mifumo inayotegemea kanuni kwenda modeli inayonyumbulika zaidi na inayotambua muktadha. Katika mifumo mipya iliyochunguzwa katika chanzo, teknolojia kama ChatGPT, GPT-3.5, GPT-4/GPT-4V, API za OpenAI na CLIP zinatumika.

Mifumo inayotegemea LLM inaweza kuunga mkono ujifunzaji dhahiri kupitia maelezo ya dhana, maswali na majibu ya nguvu, uulizaji unaoongozwa na mrejesho uliobinafsishwa. Ujifunzaji fiche unaweza kutokea kwa mtumiaji kubadilisha maswali, kujaribu ingizo jipya na kutazama tofauti katika matokeo ya AI.

Kwa hiyo, LLM zinafanya mpaka kati ya ujifunzaji dhahiri na fiche uwe unaopenyeka zaidi. Mtumiaji anaweza kupata maelezo ya moja kwa moja ndani ya mazungumzo yale yale huku pia akijifunza mahusiano mapya ya dhana bila kutambua kupitia majaribio na mfumo.

Hatari mpya ya AI generative katika elimu ni ipi?

Unyumbufu huleta pia matatizo mapya ya tathmini. Katika mifumo ya kawaida, vipimo kama usahihi, kukamilisha kazi au urahisi wa kutumia vinaweza kutosha, lakini katika mifumo generative, uaminifu na usahihi wa jibu linalozalishwa lazima vitathminiwe kando. Chanzo kinaangazia hasa hatari ya hallucination: maelezo yasiyo sahihi lakini yanayoshawishi yakikubaliwa na mwanafunzi bila kuhojiwa, yanaweza kuathiri vibaya mchakato wa kujifunza.

Hatari hii ni muhimu zaidi katika maeneo kama afya, usalama na faragha, ambapo mwongozo usio sahihi unaweza kusababisha madhara makubwa. Kwa hiyo, waandishi wanasema wasaidizi wa elimu wanaotegemea LLM wanahitaji guardrail imara na michakato ya tathmini iliyo pana zaidi.

Kwa nini RAG inaonyeshwa kama mojawapo ya mwelekeo wa baadaye?

Mapitio yanabainisha kuwa mifumo mingi ya zamani ilitegemea hifadhidata tuli za maarifa na haikuweza kuzoea kwa haraka vya kutosha maeneo yanayobadilika. Waandishi wanapendekeza matumizi ya usanifu unaoweza kusasishwa ambao uwakilishi wa maarifa umetenganishwa na mantiki ya mwingiliano. Retrieval-Augmented Generation (RAG) ni mojawapo ya njia zinazopendekezwa za kuunganisha majibu generative na vyanzo vya maarifa vilivyothibitishwa.

Tatizo kuu katika mbinu za tathmini

Tathmini ya majaribio ilitumika katika tafiti nyingi zilizochunguzwa na tafiti nyingi zilitumia mbinu za kiasi na ubora kwa pamoja. Hata hivyo, kuna tofauti kubwa katika ukubwa wa sampuli, muda wa tafiti na vipimo vilivyotumika.

Baadhi ya tafiti zilitathminiwa kwa warsha ya muda mfupi au kikao kimoja tu. Sampuli ndogo, utofauti mdogo wa washiriki na kutopimwa kwa matokeo ya ujifunzaji wa muda mrefu hufanya uwekaji wa hitimisho kwa jumla kuwa mgumu.

Tathmini thabiti zaidi inapaswa kufanywaje?

Waandishi wanasisitiza hitaji la tafiti za muda mrefu zaidi. Kufuatilia maendeleo ya maarifa, tabia na ujuzi wa mwanafunzi, kwa mfano katika kipindi cha muhula mmoja wa masomo, kunaweza kutoa ushahidi wenye nguvu zaidi kuliko majaribio ya muda mfupi ya urahisi wa kutumia.

Tathmini haipaswi kuishia kwenye kuridhika au urahisi wa kutumia; inapaswa pia kupima matokeo mahususi ya ujifunzaji kama kupata maarifa, kuibuka kwa dhana potofu na kudumu kwa maarifa. Katika mifumo inayotegemea LLM, tathmini ya wataalamu, uthibitishaji wa kiotomatiki dhidi ya vyanzo vya kuaminika na uchambuzi wa usahihi wa majibu ya AI pia vinapaswa kuongezwa.

Mapengo manne makuu ya utafiti

1. Ubadilikaji unaotegemea mazungumzo: Mifumo mingi haiwezi kuzoea vya kutosha maswali ya wazi, mrejesho uliobinafsishwa na mazungumzo ya kurudiarudia.
2. Uwakilishi wa maarifa na usanifu: Tafiti nyingi haziripoti vya kutosha maarifa yanahifadhiwa wapi au yanasasishwaje.
3. Ujumuishaji wa njia mbalimbali za AI: Mifumo kwa kawaida hutegemea mbinu moja kuu; siku zijazo huenda zikahitaji usanifu mseto unaotumia kwa pamoja ML, LLM, hifadhidata za maarifa na mbinu nyingine.
4. Mifumo thabiti ya tathmini: Mbinu za muda mfupi, sampuli ndogo na vipimo visivyo sawa hufanya iwe vigumu kubainisha athari za ujifunzaji wa muda mrefu.

Vikwazo vikuu vya utafiti

Kwa sababu mapitio yanajumuisha tafiti zilizochapishwa kwa Kiingereza pekee, kuna hatari ya upendeleo wa lugha. Ingawa uainishaji wa ujifunzaji dhahiri na fiche unategemea ufafanuzi wa kinadharia katika fasihi ya sayansi ya elimu, unaweza kuwa wa kibinafsi kwa kiwango fulani kwa sababu unajumuisha tafsiri ya watafiti.

La muhimu zaidi, ni tafiti nne tu kati ya 38 zinazojumuisha LLM au AI generative. Kwa hiyo, sehemu kubwa ya taksonomia inaakisi kipindi cha kiteknolojia kabla ya kuenea kwa kasi kwa ChatGPT na mifumo mingine generative katika elimu. Waandishi wanaeleza kuwa siku zijazo kutahitajika mapitio tofauti ya kimfumo yanayochunguza wasaidizi wa elimu wanaotegemea LLM pekee. :chatgpt-content-reference{index="8"}

Hitimisho zinazoungwa mkono na zisizoungwa mkono na utafiti

Hitimisho zinazoungwa mkono na utafiti: Mbinu za ujifunzaji katika wasaidizi wa elimu wa AI zinaweza kuainishwa katika aina dhahiri na fiche; ujifunzaji dhahiri ni wa kawaida zaidi katika fasihi iliyochunguzwa; maandishi na uonyeshaji wa kuona ndio aina za mwingiliano zinazotumiwa zaidi; usanifu wa kiufundi umebadilika kwa muda kutoka mifumo inayotegemea kanuni kwenda miundo inayotegemea ML na LLM; mbinu za sasa za tathmini zina utofauti mkubwa.

Hitimisho zisizoungwa mkono na utafiti: Uwiano wa %79 wa ujifunzaji dhahiri hauonyeshi kwamba ujifunzaji dhahiri ni “bora” kuliko ujifunzaji fiche. Matumizi ya sauti ya %9 hayathibitishi kwamba mifumo ya sauti ina ufanisi mdogo. Utafiti pia hauonyeshi kwamba wasaidizi wa elimu wanaotegemea LLM ni bora zaidi kwa uhakika kuliko mifumo ya kawaida. Kwa kuwa utafiti huu si meta-analysis, haukokotoi ukubwa mmoja wa athari ya ujifunzaji uliounganishwa.

Maelezo ya Chanzo na Mbinu

Utafiti asili: Alqarni, F.; Alhirabi, N.; Rana, O.; Perera, C. Explicit and Implicit Learning Mechanisms in AI Educational Assistants: A Systematic Review.

Jarida:AI, 2026, Volume 7, Article 160.

DOI:10.3390/ai7050160

Aina ya makala: Mapitio ya kimfumo.

Kuwasilishwa: 26 Februari 2026. Marekebisho: 6 Aprili 2026. Kukubaliwa: 16 Aprili 2026. Kuchapishwa: 1 Mei 2026.

Taasisi: Cardiff University, Uingereza; King Saud University, Saudi Arabia.

Mbinu: Mwongozo wa PRISMA 2020 na njia ya snowballing ya mbele/nyuma zilitumika. Tafiti 38 zilijumuishwa katika mapitio ya kimfumo na uchimbaji kamili wa data ulifanywa kwa tafiti 34. Machapisho yaliyokaguliwa yanahusu kipindi cha 2000–2024.

Ufadhili: Utafiti uliungwa mkono kwa sehemu na EPSRC PETRAS, EP/S035362/1. :chatgpt-content-reference{index="9"}

Upatikanaji wa data: Data zilizotolewa na kuwekwa msimbo kutoka kwenye tafiti; ikiwa ni pamoja na orodha ya tafiti zilizojumuishwa, aina za ujifunzaji, njia za utekelezaji na vipengele vya tathmini, zimewasilishwa katika nyenzo za ziada. :chatgpt-content-reference{index="10"}

Mgongano wa maslahi: Waandishi hawakuripoti mgongano wa maslahi.

Leseni: Creative Commons Attribution (CC BY). :chatgpt-content-reference{index="11"}

Kikomo cha kimetodolojia: Utafiti si meta-analysis na haukokotoi ukubwa mmoja wa athari uliounganishwa wa wasaidizi wa elimu wa AI juu ya ujifunzaji. Waandishi hawakufanya tathmini rasmi ya risk-of-bias katika kiwango cha utafiti; kwa hiyo walipendekeza asilimia za kiasi zitafsiriwe zaidi kama mielekeo ya jumla ya ubora katika fasihi kuliko kama vipimo sahihi vya athari. :chatgpt-content-reference{index="12"}

Dokezo la mbinu la Verianla: Maandishi haya ya Kiswahili yanapanga upya maudhui ya kisayansi ya mapitio ya kimfumo ya chanzo katika muundo unaoweza kufundishika. Uwasilishaji wa sentensi na aya wa maandishi ya chanzo haujanakiliwa; mchakato wa PRISMA, taksonomia, migawanyo ya kiasi, aina za utekelezaji wa kiufundi, mapengo ya utafiti na vikwazo vimepangwa katika maelezo huru ya Kiswahili huku maana ya chanzo ikihifadhiwa.