本文探讨人工智能在教育领域的复杂性及对学习的个性化、伦理、学科价值与学习体验的潜在影响，旨在通过教育研究和综合实证最佳实践，明确了解如何将人工智能技术与学与教的基本原则相协调，以及为未来真正提升学习体验和结果而可能需要优先考虑的具体行动。

Feb, 2024

本文提供了一套以数字素养和社会视角为重点的 AI 学习目标，旨在帮助补充现有的计算机科学课程，并提供有关 AI 的核心概念和相应的能力的见解。

May, 2023

本论文讨论了 AI 对医学、生物学、交通、娱乐等领域产生深远影响的同时，为应对未来 AI 驱动的社会挑战，将 AI 教育纳入 K-12 教育的必要性并提出了基于模块化的教学方法以促进学生的动机和创造性思维。

May, 2022

这篇论文提出了人工智能在学习和教育中的多维视角，强调了人工智能、分析技术和学习过程之间错综复杂的相互作用。论文挑战了将人工智能仅视为随机工具的狭隘概念，并主张重要的替代概念。作者在文中突出了人类智能与人工信息处理的差异，AI 算法中固有的认知多样性，并指出 AI 也可以作为理解人类学习的一种工具。借鉴早期的学习科学和教育中的 AI 研究，本文提出了三种独特的人工智能在教育中的概念：人类认知的外部化、通过内化 AI 模型来影响人类思维过程，以及通过紧密结合的人工智能系统扩展人类认知。文中通过当前研究和实践的例子阐述了这三种概念的潜在价值和局限性，强调了过分强调将人类认知外部化的危害，如当今围绕生成性 AI 工具的炒作。最后，本文呼吁采用更广泛的教育方法，包括教育人们关于人工智能的知识，并创新教育体系以适应 AI 为基础的世界。

Mar, 2024

提供一种加速学习方法来教授 AI，以便让学生更好地理解和利用 AI 在科学、技术、工程和数学等领域中的伦理用途和风险，并深入了解学生对 AI 的认知和其在社会和未来职业道路中的重要性。

May, 2024

本文探讨了人工智能、机器学习和深度学习等技术如何全面地应用于教育中，摘要了近二十年来相关研究的研究方向，包括如何应对 COVID-19 疫情所带来的挑战，同时也指出了应用人工智能于教育中存在的局限性及未来发展的方向。

Jan, 2023

通过讨论生成式人工智能和适应性学习概念的交叉研究，本文旨在阐明这两种方法的益处、挑战和潜力，并认为这种结合将为教育领域的下一阶段学习方式的发展做出显著贡献。

Feb, 2024

这篇文章通过 Madeline Grumet 的课程探究三重模型，研究了生成性人工智能和 Elliot Eisner 的显性、隐性和空白课程概念之间的多维关系，探讨了教育者在将这一新兴技术融入现有课程结构时所面临的物流和伦理挑战，同时阐述了教育者在 Ted Aoki 的 “中间区域” 理论指导下在教室中调和规范性课程目标与流动性现实之间面临的困境，并鉴于 Grumet 的课程理论构成部分，为今后研究生成性人工智能对教育实践的变革影响提供了进一步学术调查的途径。

Sep, 2023

在大数据人工智能与其不断增长的能力引领下，人工智能应用已成为我们日常生活的一部分。然而，对于其能力、限制以及相关优缺点的误解广泛存在。因此，在大学环境中，有必要向计算机科学专业学生和其他学科的学生普及人工智能知识。在这篇经验报告中，我们介绍了我们为来自不同专业的学生开设的一门入门课程的概述。此外，我们讨论了课程的作业和测验，让学生第一手了解了人工智能的过程，并洞察到了他们的学习模式。另外，我们还提供了课程评价和学生表现的总结。最后，我们介绍了从教授这门课程中获得的见解，并阐述了我们的未来计划。

Apr, 2024

该研究旨在通过研究文本生成 AI 技术的认知和影响，为高等教育制定一个 AI 教育政策，并从三个维度（教学、管理和运营）出发，提出 AI 生态教育政策框架，以解决在大学教学和学习中集成 AI 所涉及的多维问题，从而确保利益相关者了解其责任，并采取适当的行动。

Apr, 2023