Utafiti huu ni uchoraji ramani wa maelezo wa zana unaochunguza zana za akili bandia, uhalisia pepe na zana mseto za AI-VR zinazounganisha vyote viwili zinazotumika katika elimu ya juu: hutekeleza kazi zipi za kielimu, zinaweza kutumika chini ya masharti gani ya kiufundi na kiuchumi, na zinakabiliwa na mipaka ipi ya kimaadili. Katika utafiti huu, zana ya AIni jukwaa linalotekeleza kazi yake kuu ya kielimu kwa kutumia mbinu za akili bandia kama ujifunzaji wa mashine au uchakataji wa lugha asilia ili kutoa mrejesho, mapendekezo, otomatiki au uzalishaji wa maudhui; zana ya VRni mfumo unaounga mkono ujifunzaji wa kimwili na wa uzoefu katika mazingira pepe shirikishi ya pande tatu; zana mseto za AI-VR huunganisha kazi za akili bandia zinazobadilika kulingana na mtumiaji na mazingira pepe ya kuzamisha. Watafiti walifanya ukaguzi wa miezi miwili mwaka 2025 na kutathmini zana 67 katika seti ya mwisho ya data kwa sifa 13. Taswira iliyojitokeza inaonyesha kuwa kuna fursa muhimu katika ubinafsishaji, mrejesho wa kiotomatiki, maabara pepe na ujifunzaji wa uzoefu, lakini changamoto za gharama, miundombinu ya kiufundi, utegemezi wa vifaa, utawala wa data, ufikivu na usanifu wa ufundishaji zinazuia matumizi ya kuenea. Kikomo muhimu zaidi cha tafsiri ni kwamba zana kuwa ya hali ya juu kiteknolojia au kuvutia wanafunzi hakuthibitishi, kwa yenyewe, matokeo bora ya ujifunzaji.

Katika mkabala wa Elimu 5.0 unaolengwa na utafiti, teknolojia haichukuliwi kama mhusika huru anayechukua nafasi ya mwalimu wa binadamu, bali kama sehemu ya elimu inayomweka binadamu katikati na kuimarisha ubinafsishaji, ujifunzaji wa uzoefu, ushirikiano na mrejesho. Kwa hiyo utafiti unajaribu kutathmini si tu swali la “zana ipi hufanya nini?” bali pia “zana hii inaweza kutumika kwa lengo gani la kipedagogia, kwa miundombinu gani, kwa gharama gani na chini ya utawala gani wa kimaadili?”

Tatizo kuu la utafiti

Kadiri idadi ya matumizi ya akili bandia na uhalisia pepe katika elimu ya juu inavyoongezeka kwa kasi, taasisi zinakabiliwa na matatizo mawili tofauti. Tatizo la kwanza ni utofauti wa kiteknolojia: mifumo ya masomo inayobadilika kulingana na mwanafunzi, tathmini ya kiotomatiki, wasaidizi wa ufundishaji wa mazungumzo, uchanganuzi wa ujifunzaji, maabara pepe, uigaji wa upasuaji, mazingira ya usanifu wa pande tatu na kampasi za kidijitali vinaweza kukusanywa chini ya kichwa kimoja cha “teknolojia ya elimu”. Tatizo la pili ni uwezo wa kiteknolojia kuchanganywa kwa urahisi na thamani ya kipedagogia. Jukwaa kuwa na vipengele vingi, kuwa rahisi kutumia au kuvutia umakini wa wanafunzi hakuthibitishi, kwa yenyewe, kwamba ujifunzaji umeboreshwa kweli.

Kwa hiyo utafiti chanzo hauorodheshi zana kama orodha ya bidhaa tu, bali unazichunguza pamoja na vipimo kama aina ya teknolojia, kazi ya kielimu, mahitaji ya kiufundi, uwezo wa ujumuishaji, gharama na mfano wa ufikiaji. Ulinganifu wa kipedagogia, kwa upande mwingine, si kipengele tofauti cha bidhaa bali ni lenzi ya usanisi inayotathmini jinsi vipengele hivi vyote vinavyohusishwa na lengo la kielimu.

Nafasi ya akili bandia katika elimu

Zana za AI zilizochunguzwa katika utafiti zimekusanywa hasa katika kazi nne: ujifunzaji uliobinafsishwa, mrejesho na tathmini ya kiotomatiki, mifumo ya usaidizi wa wanafunzi, na uchanganuzi wa ujifunzaji wa taasisi. Majukwaa yanayobadilika kulingana na mwanafunzi yanaweza kutumia majibu ya awali au data ya maendeleo ya mwanafunzi kubadilisha maudhui yanayofuata au ugumu wa kazi. Mifumo ya mazungumzo inaweza kumpa mwanafunzi jibu la papo hapo kupitia uchakataji wa lugha asilia. Mifumo ya tathmini inaweza kuongeza kiwango cha uzalishaji wa mrejesho kwa makundi makubwa ya wanafunzi. Mifumo ya uchanganuzi inaweza kujaribu kutambua wanafunzi wanaohitaji msaada kutokana na mifumo ya tabia za ujifunzaji.

Kwa mtazamo wa nadharia ya elimu iliyowasilishwa na chanzo, matumizi ya AI hayategemei mfano mmoja. Katika fasihi, mbinu za ujifunzaji unaoongozwa na AI, unaosaidiwa na AI na unaoimarishwa na AI hutofautishwa. Mifumo iliyo na muundo zaidi na inayotegemea kanuni na uimarishaji inakaribia mantiki ya ujifunzaji wa kitabia, wakati mifumo inayompa mwanafunzi nafasi zaidi ya kujenga maarifa kwa vitendo na kufanya maamuzi kwa kujitegemea inahusishwa na mikabala ya ujenzi wa maarifa na uunganishaji.

Nafasi ya uhalisia pepe katika elimu

Uhalisia pepe una thamani tofauti ya kielimu hasa kwa sababu unawezesha kurudia kwa udhibiti uzoefu ambao katika mazingira halisi ni wa gharama kubwa, hatari, nadra au mgumu kurudiwa. Mafunzo ya anatomia au taratibu katika sayansi za afya, uzoefu wa maabara na karakana pepe katika uhandisi, na uchoraji wa awali na uundaji wa miundo ya pande tatu katika nyanja za usanifu ni mifano ya matumizi haya.

Thamani hii inaweza kuelezwa kwa nadharia ya ujifunzaji wa uzoefu. Katika mkabala wa Kolb, kujifunza si tu kukumbana na uzoefu; ni mchakato unaosonga kati ya uzoefu halisi, uchunguzi wa kutafakari, uundaji wa dhana dhahania na majaribio ya vitendo. Katika usanisi wa utafiti chanzo, VR inaweza hasa kuunda uzoefu halisi na mazingira salama ya mazoezi, huku mrejesho unaotegemea AI, uchanganuzi na mifumo ya usaidizi wa mazungumzo ikisaidia mwanafunzi kutafakari uzoefu na kuimarisha dhana. Muunganiko huu unaeleza kwa nini AI na VR zinaweza kutathminiwa si kama mbadala bali kama vinavyokamilishana.

Akili bandia na uhalisia pepe kwa pamoja hutoa nini katika elimu ya juu?

Ujumuishaji wa AI-VR unaunganisha uwezo wa akili bandia wa kubinafsisha na kutoa mrejesho na uzoefu shirikishi wa uhalisia pepe uliowekwa katika muktadha ndani ya mazingira yale yale ya ujifunzaji. Katika chanzo, mifano kama Axon Park, ENGAGE XR na VictoryXR Metaversity inaonyesha kuwa uchanganuzi, msaada wa mazungumzo, usaidizi unaobadilika au kazi za kampasi pepe zinaweza kuunganishwa na mazingira ya kuzamisha. Hata hivyo, muunganiko huu pia huleta hitaji la utaalamu wa juu zaidi wa kiufundi, ugumu wa ujumuishaji na gharama; kwa hiyo jukwaa mseto kuonekana la hali ya juu zaidi hakumaanishi moja kwa moja mafanikio makubwa zaidi ya ujifunzaji.

Zana mseto na mkabala wa kampasi pacha ya kidijitali

Katika utafiti, baadhi ya mifumo mseto inaonekana kuelekea katika miundo inayounda sawa ya pepe ya kampasi ya chuo kikuu na ambayo watengenezaji huiita “digital twin”. Katika mazingira hayo mwanafunzi anaweza kutembea katika kampasi pepe, kuhudhuria vipindi vya kufundishia au kuingiliana na waongozaji na mawakala wa ufundishaji wanaosaidiwa na AI. Ili mkabala huu uwe muhimu kielimu, zaidi ya kuiga kampasi halisi kwa mwonekano kunahitajika: shughuli katika mazingira pepe zinahitaji kuhusishwa na malengo ya somo, mwingiliano wa wanafunzi, tathmini na mifumo ya mrejesho.

Namna za matumizi kulingana na taaluma

Uainishaji huu hauonyeshi kuwa zana ni za idara fulani pekee. Katika seti ya jumla ya data ya utafiti, takribani %70 ya majukwaa yaliainishwa kama mifumo ya matumizi ya jumla inayoweza kutumika katika nyanja zote za kitaaluma. Takribani %30 yalielekezwa katika maeneo mahususi zaidi kama afya, STEM au sanaa na usanifu. Zana za matumizi ya jumla zinaweza kutoa faida ya kupanuka katika taasisi nzima; zana mahususi kwa eneo zinaweza kutoa usahihi mkubwa zaidi wa mada na uhalisia wa matumizi, lakini pia zinaweza kuhitaji gharama na mafunzo zaidi.

Faida za ujifunzaji za zana za AI na VR zinategemea ushahidi wenye nguvu kiasi gani?

Kwa mujibu wa utafiti chanzo, msingi wa ushahidi si sawa: ingawa baadhi ya matumizi ya AI na VR yametathminiwa kwa tafiti zilizodhibitiwa, madai kuhusu athari za ujifunzaji kwa sehemu kubwa ya zana yanategemea ripoti za watengenezaji, matumizi ya muda mfupi au vipimo vya urahisi wa matumizi na ushiriki. Kwa hiyo kauli “inafanya kazi kiufundi”, “inaongeza hamu ya mwanafunzi” na “inaboresha matokeo ya ujifunzaji” hazipaswi kutathminiwa kama kiwango kilekile cha ushahidi. Katika uchaguzi wa taasisi, utafiti huru, usanifu wa kulinganisha, muktadha halisi wa somo na matokeo ya ujifunzaji ya muda mrefu hutoa ushahidi wenye nguvu zaidi.

Kwa nini mfano katika elimu ya afya ni muhimu?

Fasihi ya sayansi za afya iliyowasilishwa na chanzo inaonyesha matokeo yenye matumaini pamoja na sababu ya ushahidi kuhitaji kutafsiriwa kwa uangalifu. Katika utafiti mmoja wa nasibu uliodhibitiwa, ongezeko la wastani la maarifa ya vitendo baada ya siku 30 liliripotiwa kuwa +%17,8 kwa wanafunzi waliokamilisha hali ya dharura ya kitabibu inayotegemea uhalisia pepe, huku +%11,9 ikiripotiwa katika kundi la semina ya video lililolinganishwa. Kila hali ilidumu dakika 35 na ilijumuisha mrejesho wa kiotomatiki.

Kinyume chake, katika mapitio mengine ya kimfumo yaliyotajwa na chanzo, iliripotiwa kuwa katika %62 ya tafiti 13 zilizotathmini ujuzi wa taratibu, VR ya kuzamisha na mbinu nyingine za ufundishaji zilitoa maboresho yanayofanana, huku katika %38 kundi la VR likitoa matokeo bora kwa kiwango chenye maana. Hata hivyo, katika tathmini ya pamoja ya tafiti iliyofanywa kwa kuhesabu kura, jaribio la binomial halikuonyesha tofauti ya jumla yenye maana. Tofauti hii ni somo muhimu: kuona matokeo chanya katika jaribio fulani hakuthibitishi kuwa VR ni bora kwa kila somo na kila ujuzi.

Mwingiliano na matokeo ya ujifunzaji si kitu kimoja

Katika tafiti za VR, mwanafunzi kuona mazingira kuwa ya kuvutia, kushiriki kwa muda mrefu zaidi au kuhisi sana “kuwa pale” ni viashiria vya thamani; lakini si vipimo sawa na ufaulu wa mtihani, kuhifadhi maarifa kwa muda mrefu au kuhamisha ujuzi kwenda katika ulimwengu halisi. Vivyo hivyo, mfumo wa AI kutoa mrejesho wa haraka au kupendekeza maudhui yaliyobinafsishwa hakumaanishi kwamba mapendekezo hayo ni sahihi kipedagogia au yanaendeleza fikra makini za mwanafunzi.

Kwa hiyo moja ya mapendekezo makuu ya utafiti ni kuchunguza jinsi zana zinavyolingana na malengo ya ujifunzaji badala ya kuangalia orodha za vipengele. Chuo kikuu kinapofanya uamuzi wa ununuzi kwa vigezo tu vya “ina AI”, “inaunga mkono VR” au “inatoa uchanganuzi”, kuna hatari ya kuchanganya teknolojia na pedagogia.

Kwa nini kipengele cha maadili hakiwezi kutenganishwa na vipengele vya kiteknolojia?

Mifumo ya AI ya elimu inaweza kuchakata data kama tabia ya mwanafunzi, utendaji, majibu yaliyoandikwa au mifumo ya matumizi. Kwa hiyo utawala wa data, faragha na udhibiti wa mwanafunzi juu ya data yake si masuala ya pembeni yaliyo nje ya utekelezaji wa kiufundi. Utafiti chanzo unasisitiza umuhimu wa mifumo ya ulinzi wa data kama GDPR pamoja na kanuni za uwazi na uwezo wa kuelezeka, hasa katika mifumo inayoathiri maendeleo ya mwanafunzi au michakato ya kufanya maamuzi.

Upendeleo wa kialgorithimu ni tatizo kuu la pili. Ikiwa modeli ya AI inajifunza mifumo kutoka data yenye uwakilishi mdogo au isiyo na uwiano, mifumo ya tathmini na utabiri inaweza kuonyesha usahihi mdogo kwa makundi fulani ya wanafunzi. Hatari hii ni muhimu hasa katika matumizi kama tathmini ya kiotomatiki, utabiri wa hatari ya mwanafunzi au usaidizi wa maamuzi ya kitaaluma ambapo matokeo yanaweza kumgusa mtu moja kwa moja.

Eneo la tatu ni uadilifu wa kitaaluma. AI zalishi inaweza kusaidia michakato ya uandishi na utafiti ya mwanafunzi; lakini chanzo kinaeleza kuwa mkabala unaotegemea mifumo ya kugundua pekee hautoshi. Usanifu wa tathmini unapaswa kufanya ujifunzaji halisi wa mwanafunzi uonekane, ujuzi wa AI uendelezwe, na wanafunzi wajifunze kutathmini kwa umakini matokeo ya kiotomatiki.

Hatimaye, nafasi ya mwalimu wa binadamu inabaki kuwa ya msingi. Mkabala mkuu wa utafiti chanzo katika mfumo wa Elimu 5.0 si kuifanya teknolojia kuwa mfumo huru unaochukua nafasi ya mwalimu wa binadamu, bali kutumia usaidizi wa kiteknolojia huku ukidumisha kufanya maamuzi ya kipedagogia, tafsiri, uelekezaji na uwajibikaji wa kimaadili wa binadamu.

Mbinu na Matokeo ya Utafiti

AI, VR na zana mseto zilitathminiwaje katika utafiti huu?

Watafiti walifanya uchoraji ramani wa maelezo wa miezi miwili mwaka 2025; walikusanya taarifa kutoka machapisho yaliyopitiwa na wenzao, ripoti za sera na sekta, miongozo ya kiufundi na nyaraka rasmi za bidhaa, na walipowezekana walikagua moja kwa moja matoleo ya zana yanayopatikana kwa umma au demo. Zana iliingizwa katika seti ya data ikiwa tu ilikuwa na hali wazi ya matumizi katika elimu ya juu, ilikuwa hai katika kipindi cha ukusanyaji wa data na ilikuwa na nyaraka za umma za kutosha kuwezesha usimbaji wa vigezo vya tathmini. Seti ya mwisho ya data ilikuwa na zana 67 na kila zana ilisimbwa kwa sifa 13. Pale nyaraka zilipokuwa pungufu au zenye kutofautiana, vyanzo vingi vililinganishwa; thamani ambazo hazikuweza kuthibitishwa hazikukadiriwa.

Uchaguzi wa fasihi na zana

Katika uchaguzi wa fasihi, kipaumbele kilitolewa kwa vyanzo vilivyozingatia matumizi ya AI au VR katika elimu ya juu, hasa vilivyochapishwa katika kipindi cha 2019-2025 na vilivyotoa matokeo ya majaribio, mapitio ya kimfumo au mwongozo wa sera kuhusu utekelezaji. Tafiti zinazohusu elimu ya shule pekee, maoni ya kubashiri kabisa na ripoti zisizofikika zisizotoa maelezo yanayoweza kuthibitishwa ziliachwa nje ya upeo.

Kanuni hiyo hiyo ya uthibitishwaji ilitumika katika uchaguzi wa zana. Zana zilizositishwa, mifumo isiyo na uhusiano wazi na elimu ya juu, na majukwaa yasiyotoa nyaraka za kutosha kwa tathmini yaliondolewa. Hivyo, jitihada zilifanywa kugeuza seti ya data isiwe orodha tu ya bidhaa maarufu, bali iwe orodha ya zana inayoweza kusimbwa kwa kulinganisha.

Sifa kumi na tatu za tathmini

Ulinganifu wa kipedagogia haukusimbwa kama safu huru kati ya nyuga hizi 13 za data; ulitathminiwa katika kiwango cha usanisi kutokana na lengo la zana, muktadha wa matumizi na vikwazo vya kupitishwa. Tofauti hii ni muhimu kwa sababu “ulinganifu na nadharia ya ujifunzaji” wa jukwaa si kigezo cha jozi ambacho kinaweza kutiwa alama kama kipengele rahisi cha bidhaa.

Mielekeo mikuu ya kiasi iliyojitokeza katika ukaguzi

Dokezo la tafsiri: Asilimia hizi zinahusu vipimo tofauti vya uainishaji na si sehemu za jumla moja. Kwa mfano, kujumlisha uwiano wa mifano ya gharama na uwiano wa utegemezi wa vifaa hakuna maana ya kisayansi. Aidha, takwimu zinaonyesha taswira ya wakati mmoja ya ukaguzi wa zana uliofanywa mwaka 2025; bei, ujumuishaji na vipengele vya majukwaa ya kibiashara vinaweza kubadilika baadaye.

Vikwazo gani vinaamua zaidi kupitishwa kwa kiwango cha taasisi?

Kwa mujibu wa utafiti, vikwazo vikuu vinavyoamua kupanuliwa kwa AI na VR katika elimu ya juu si vipengele vya programu pekee; miundombinu ya mtandao na uchakataji, vifaa vya VR, uwezo wa kufanya kazi pamoja na LMS na mifumo iliyopo ya data, gharama endelevu za leseni, uwezo wa wafanyakazi wa kiufundi, mafunzo ya wahadhiri, faragha ya data, haki ya kialgorithimu, ufikivu na usanifu wa kipedagogia lazima vitathminiwe pamoja. Kimoja cha vigezo hivi kikisahauliwa, jukwaa lenye mafanikio ya kiufundi huenda lisigeuke kuwa utekelezaji endelevu au wa haki katika mazingira ya elimu.

Muundo wa gharama na leseni

Katika ukaguzi, takribani %91 ya zana kuwa chini ya leseni ya kulipia kunafanya ufikiaji usiwe tu suala la uchaguzi wa teknolojia bali pia tatizo la ugawaji wa rasilimali. Mfano wa usajili unaweza kurahisisha kuweka programu kuwa ya kisasa na kutoa huduma ya usaidizi; lakini badala ya uwekezaji wa mara moja huleta gharama endelevu ya uendeshaji. Katika taasisi ambazo bajeti hubadilika kwa vipindi, hali hii inaweza kuathiri uendelevu wa matumizi ya muda mrefu.

Ujumuishaji na uwezo wa kufanya kazi pamoja

Zana kuweza kuunganishwa na LMS hakumaanishi uwezo kamili wa kufanya kazi pamoja. Muunganisho wa API unaweza kurahisisha kuingia mara moja, uhamishaji wa alama na ubadilishanaji endelevu wa data; wakati huo huo unaweza kuongeza mahitaji ya usalama, faragha na utawala kwa sababu data nyingi zaidi za kibinafsi zinasafiri kati ya mifumo. Taasisi zinapaswa kutathmini si tu swali “kuna ujumuishaji?” bali pia “data gani inasafiri kati ya mifumo gani, nani anaweza kuifikia, na mzunguko wa maisha wa data unasimamiwaje?”

Vifaa na usawa wa kidijitali

Uwezo wa zana za AI zinazotegemea kivinjari au wingu kufanya kazi kwenye vifaa vya kawaida vya watumiaji hupunguza kizuizi cha kuingia, huku matumizi ya VR ya kuzamisha yakihitaji kifaa cha kichwani, kompyuta inayooana, ufuatiliaji wa mwendo au maabara maalum. Ingawa kupungua kwa gharama ya vifaa ni muhimu, kuhakikisha wanafunzi wote wanapata vifaa hivyo kwa usawa, marekebisho ya ufikivu, kushiriki vifaa, matengenezo na usaidizi wa kiufundi ni changamoto tofauti.

Uwezo wa wahadhiri

Hata kama miundombinu ya kiufundi na bajeti ya leseni vinatosha, zana zinaweza kuvuruga ikiwa usanifu wa ufundishaji ni dhaifu. Utafiti chanzo unasisitiza kwamba wahadhiri wanapaswa kuweza kutathmini si tu namna ya kutumia kifaa au programu, bali pia kiwango gani cha kuzamisha, otomatiki au usaidizi wa AI kinahitajika kwa lengo gani la ujifunzaji. Hii hufanya maendeleo ya kitaaluma na usanifu wa mtaala kuwa sehemu isiyotenganishwa na ununuzi wa teknolojia.

Mahitaji ya utafiti wa baadaye

Waandishi wanapendekeza kwamba katika siku zijazo uingiliaji wa AI na VR utathminiwe kwa tafiti za muda mrefu zaidi na za kulinganisha katika mazingira halisi ya darasani. Si kuridhika kwa mwanafunzi au ushiriki wa muda mfupi pekee, bali pia matokeo ya ujifunzaji na athari kwa usawa zinapaswa kuripotiwa kwa pamoja. Tafiti zinazotumia ujifunzaji wa uzoefu hazipaswi kuishia kuonyesha tu kwamba zimeunda “uzoefu wa kuzamisha”; zinapaswa pia kueleza jinsi zinavyounga mkono hatua za kutafakari, mrejesho na uimarishaji wa dhana.

Matokeo yanayoungwa mkono na utafiti

• AI na VR hutoa zana nyingi zinazoweza kutumika kwa ubinafsishaji, mrejesho, uigaji na ujifunzaji wa uzoefu katika elimu ya juu.
• Katika seti ya data ya zana 67, miundo ya kulipia na ya miliki ndiyo inayotawala.
• Ugumu wa kiufundi kwa kawaida ni wa chini au wa kati; hata hivyo, vifaa vya VR na uhalisia mseto vinaendelea kuwa kizuizi muhimu katika baadhi ya matumizi.
• Majukwaa ya matumizi ya jumla yameenea zaidi kuliko zana mahususi za taaluma.
• Mifumo mseto ya AI-VR ipo, lakini inaunda sehemu ndogo ya seti ya data.
• Ulinganifu wa kipedagogia, utawala wa data, ufikivu na uwezo wa taasisi ni muhimu kama vipengele vya bidhaa.
• Nguvu ya ushahidi kuhusu faida za ujifunzaji si sawa kati ya zana na taaluma.

Matokeo yasiyoungwa mkono na utafiti

• Hauungi mkono hitimisho kwamba kila somo linalotumia AI au VR ni bora kuliko ufundishaji wa jadi.
• Hauonyeshi kwamba zana zote 67 zimethibitishwa kwa majaribio huru yaliyodhibitiwa.
• Haulinganishi kiotomatiki ongezeko la ushiriki wa wanafunzi na mafanikio ya ujifunzaji ya muda mrefu.
• Haithibitishi kwamba jukwaa mseto la AI-VR lina ufanisi zaidi kwa sababu tu ya ugumu wake wa kiteknolojia.
• Hauhakikishi kwamba zana iliyofanikiwa katika chuo kikuu fulani itatoa matokeo yale yale katika taasisi nyingine.
• Hauassumii kwamba hali za gharama za kibiashara, ujumuishaji au vipengele zilizorekodiwa mwaka 2025 zitabaki bila kubadilika katika siku zijazo.

Maelezo ya Chanzo na Mbinu

Utafiti asilia: Intelligent Immersion: AI and VR Tools for Next-Generation Higher Education

Waandishi: Konstantinos Liakopoulos; Anastasios Liapakis.

Mwandishi anayewajibika: Konstantinos Liakopoulos.

Taasisi: School of Computing, Athens Campus, New York College, Athens, Greece; School of Economics, Department of International and European Economic Studies, Athens University of Economics & Business, Athens, Greece.

Jarida: AI in Education.

Mchapishaji: MDPI.

Rekodi ya kibibliografia: AI Educ. 2026, juzuu 2, makala 13; katika rekodi rasmi ya mchapishaji, juzuu 2, toleo 2, makala 13.

DOI: 10.3390/aieduc2020013.

Tarehe ya uchapishaji: 1 May 2026. Makala ilipokelewa 13 Januari 2026, ikarekebishwa 6 Machi 2026 na ikakubaliwa 24 Machi 2026.

Aina ya chanzo: Review iliyochapishwa katika jarida lililopitiwa na wenzao. Utafiti huu si uchanganuzi-meta wala jaribio la msingi lililojaribu zana 67 katika usanifu mmoja wa majaribio; ni uchoraji ramani wa maelezo na ukaguzi wa zana.

Mbinu: Katika kipindi cha miezi miwili cha ukusanyaji wa data mwaka 2025, fasihi iliyopitiwa na wenzao, ripoti za sera na sekta, miongozo ya kiufundi na nyaraka rasmi za zana zilipitiwa. Pale ilipowezekana, matoleo yanayopatikana kwa umma na demo zilitathminiwa moja kwa moja. Seti ya mwisho ya data ina zana 67 za AI, VR na AI-VR mseto. Sifa 13 za usimbaji zilitumika kwa kila zana; thamani zisizo na uhakika hazikukadiriwa.

Data ya ziada: Seti ya data iliyosimbwa yenye zana zote 67 imetolewa katika nyenzo za ziada za utafiti chanzo kwa jina Supplementary S1 — Supplementary_S1_AI-VR_Tools_Dataset.xlsx.

Leseni: PDF chanzo inaeleza kwamba utafiti ulichapishwa kwa ufikiaji huria chini ya leseni ya Creative Commons Attribution (CC BY). Hata hivyo, maandishi ya Verianla yanaeleza ukweli wa kisayansi katika muundo huru wa kufundisha badala ya kuchapisha upya sentensi za chanzo au muundo wa jedwali.

Ufadhili: Utafiti haukupokea ufadhili wa nje.

Kamati ya maadili: Iliripotiwa kuwa haitumiki.

Ridhaa yenye taarifa: Iliripotiwa kuwa haitumiki.

Upatikanaji wa data: Michango asilia ya utafiti imetolewa katika nyenzo za ziada; imeelezwa kuwa maswali ya ziada yanaweza kuelekezwa kwa mwandishi anayewajibika.

Mgongano wa maslahi: Waandishi wametangaza kuwa hakuna mgongano wa maslahi.

Michango ya waandishi: Katika PDF chanzo, taarifa tofauti ya CRediT/Michango ya Waandishi haionekani kuripotiwa wazi; majukumu ya michango hayajakisiwa.

Kizuizi kikuu cha kimbinu: Kwa baadhi ya zana, taarifa zinategemea nyaraka za watengenezaji, na kuna hali ambapo taarifa za ziada hazikuweza kupatikana kutoka kwa watengenezaji. Utafiti wenyewe unasisitiza pia kwamba msingi wa ushahidi kuhusu athari za ujifunzaji ni wa aina tofauti na ni mdogo kwa zana nyingi. Aidha, kwa kuwa teknolojia za elimu za kibiashara hubadilika kwa kasi, hali za bei, vipengele, ujumuishaji na ufikivu katika ukaguzi wa 2025 zinaweza kubadilika kadiri muda unavyopita.

Kikomo cha matumizi ya kisayansi: Makala hii ya Verianla inaeleza matokeo ya utafiti chanzo katika muundo huru na wa kufundisha; haichukui nafasi ya utafiti asilia. Kwa marejeo ya kitaaluma, uthibitishaji wa kina wa mbinu na uchunguzi wa seti ya ziada ya data, rekodi asilia ya DOI inapaswa kutumika.