Звіт про систематичний відбір (PRISMA 2020 Flow)
Прозорий звіт про всі етапи воронки відбору статей: виявлення академічними реєстрами, скринінг префільтром LLM, повнотекстова оцінка придатності та включення до синтезу з експертною валідацією.
✓ Математичний баланс воронки PRISMA збережено (100% замикання стадій)
Повна відсутність витоку даних: n_вхід = n_вихід + ∑n_вилучено + n_очікує на кожному етапі виявлення, скринінгу, придатності та синтезу.
ID: 16114 →
Screen: 15131 →
Eligible: 2267 →
Included: 75
Експертна валідація та верифікація (Петля смаку / Expert Taste Loop)
Окремо від воронки формальних правил відбору PRISMA: редакційні вердикти автора дайджесту для калібрування якості та активного навчання префільтру.
👍 10
Схвалено у випусках
(14 всього у корпусі)
👎 29
Відхилено з фіксацією причини
(1 до / 18 після аналізу)
Розподіл причин відхилення експертом:
not_novel: 4
not_for_educators: 3
off_topic: 13
too_narrow: 2
duplicate: 5
other: 1
weak_method: 1
📋 Структуроване резюме огляду (PRISMA 2020: пункт 2 — Structured Summary)
Фон (Background): Живий систематичний огляд застосування великих мовних моделей (LLM) та автономних агентів у вищій освіті. Досліджуються інженерні контрзаходи академічної недоброчесності та переосмислення дизайну оцінювання.
Цілі (Objectives): Систематичне виявлення, скринінг та синтез емпіричних доказів щодо надійності, методологічної строгості та викликів усталеному консенсусу в інтеграції GenAI в університетські курси.
Критерії придатності (Eligibility): Статті з наявним повнотекстовим Open Access (PDF/HTML); тематична релевантність R ≥ 4.0; зважений підсумковий бал Score ≥ 5.0.
Джерела інформації (Information Sources): Мультиреєстровий моніторинг: arXiv, Crossref, OpenAlex, Semantic Scholar, ERIC, а також ланцюжки цитувань (forward/backward citation depth 1–2).
Оцінка ризику упередженості (Risk of Bias): Комплексна метрика методологічної строгості (M, 0–10). Валідація відбору на базі подвійної оцінки: Gwet's AC1, стратифікована повнота та ROC AUC.
Синтез та включення (Synthesis): Включено n = 75 верифікованих робіт до постійного огляду із синтезом висновків, обмежень та емпіричних доказів.
🎯 Специфікація пошуку за схемою PICO / PECO (PRISMA 2020: пункти 4–5)
| Компонент | Визначення в протоколі | Критерії включення / виключення |
|---|---|---|
| P (Population) | Вища освіта: університети, коледжі, студенти бакалаврату/магістратури, викладачі та екзаменатори. | Включено: вища та професійна освіта. Виключено: виключно K-12 початкова школа без переносу методології на HE. |
| I / E (Intervention / Exposure) | Застосування сучасних LLM (GPT-4, Claude, Gemini, Llama) та агентських систем для генерації, вирішення тестів, підказок або оцінювання. | Включено: емпіричне тестування та інтеграція LLM. Виключено: загальне символьне AI або застарілий ML без зв'язку з GenAI. |
| C (Comparator) | Традиційні формати оцінювання без ШІ, людська продуктивність або порівняння різних інженерних захистів (guardrails, multi-agent validation). | Включено: наявність бейзлайну, порівняльних когорт або контрзаходів. Виключено: абстрактні оглядові есе без порівняльної бази. |
| O (Outcomes) | Ефективність завдань, проникність екзаменів ШІ, надійність інженерних контрзаходів, зміна критеріїв оцінювання, когнітивні ефекти. | Включено: емпіричні метрики точності, стійкості, складності або психометрії. Виключено: декларативні твердження без верифікації. |
| S (Study Design) | Емпіричні дослідження: контрольовані експерименти (RCT), квазі-експерименти, кейс-стаді, психометричний аналіз, бенчмарки. | Включено: наукові статті з емпіричними даними. Виключено: публіцистичні блоги, прес-релізи, посібники користувача. |
* Зноска: Математична модель префільтрації, показники та формула оцінювання (рубрика v2.3)
Показники та параметри рубрики
| Символ | Критерій оцінювання | Вага / Значення |
|---|---|---|
| M | Методологічна строгість (Methodological Rigor) | wM = 0.32 |
| E | Інженерні контрзаходи (Engineering Countermeasures) | wE = 0.25 |
| C | Виклик консенсусу (Consensus Challenge) | wC = 0.43 |
| N | Новизна (Novelty) | wN = 0.00 |
| R | Тематична релевантність (Topic Relevance, 0–10) | Rmin = 4.0, Rfull = 7.0 |
| Gate | Тематичний бар'єр (Binary Scope Gate) | PASS / FAIL |
| Поріг | Поріг допуску до повнотекстового аналізу | Score ≥ 5.0 |
Релевантність R є мультиплікатором, а не доданком: робота з R < R_min негайно обнуляється, а відмінна робота поза темою не може обійти профільне дослідження.
Математичні формули оцінки (MathML Core)
1. Підсумковий бал префільтрації (Score):
2. Зважена якість за критеріями рубрики (Q):
3. Логічний критерій відсіювання на скринінгу:
Методологія та звітність (PRISMA 2020: пункти 1–15, 23–27)
Тип огляду, мета, критерії (1, 3–5)
Living systematic review: щоденно поповнюваний огляд за автоматизованим відбором. Це інструмент відбору літератури, а не опублікований огляд з мета-аналізом.
Тема (запит до моделі): Validity of educational assessment under generative AI and how to keep it (AI-resistant / AI-resilient assessment). Core: how generative AI changes what grades and test scores mean (validity arguments in the sense of Kane and Messick), assessment redesign, and quantitative methods that detect or model the distortion in assessment and learning data: item response theory, differential item functioning between humans and LLMs, item parameter drift, rater drift, item compromise and preknowledge, score shifts under unsupervised or online conditions (proctored vs unproctored exams, cheating, grade inflation), change-point and concept-drift detection, LLMs as test takers or raters, computerized adaptive testing and automated test assembly. Computational, statistical and engineering work is preferred, but a solid conceptual or empirical education study of assessment under generative AI belongs here too. Detectors of AI-generated text and watermarking are only adjacent to the topic. The audience is university educators and researchers: work about primary and secondary school (K-12) is off topic unless its findings or methods clearly transfer to higher education.
- Включення: наукова стаття з тематичним балом R ≥ 4.0, підсумковий бал ≥ 5.0; доступний легальний повний текст (open access), який прочитано.
- Виключення: не-статті (датасети, код, errata), дублікати й препринти опублікованих робіт, відкликані роботи, K-12 без переносу на вищу освіту, роботи без повного тексту (paywall, помилки завантаження), відхилені експертом (👎, причина фіксується).
- Ручні додавання (origin = manual) обходять бальний скринінг, але проходять оцінку придатності.
Джерела та дата останнього звернення (6)
| Канал | Записів | Останній запис |
|---|---|---|
search — arXiv, OpenAlex, Semantic Scholar, ERIC | 14354 | 2026-11-04 14:23 |
ref — список літератури прочитаних робіт | 1733 | 2026-11-04 10:23 |
manual — додано вручну | 27 | 2026-10-07 12:05 |
Метадані кандидатів із цитувань беруться з OpenAlex; Crossref/Unpaywall — для DOI, версій і відкритих PDF.
Пошукова стратегія (7)
Поточна версія пошуку: v1.0. Робота збігається, якщо в назві чи абстракті є термін з УСІХ груп хоча б одного запиту (АБО всередині групи; без урахування регістру, межі слів).
Запити (групи):
education × ai; psychometrics × ai; integrity × education; drift × education; drift × psychometrics
education: education, educational, student, learner, teacher, lecturer, classroom, university, higher education, school, curriculum, assessment, exam, examination, examinee, test taker, test score, grading, homework, coursework, online course, essay, academic integrity, academic misconduct, plagiarism, cheating, e-learning, MOOC
ai: generative AI, GenAI, large language model, LLM, ChatGPT, GPT-4, chatbot, AI-generated, AI-assisted, AI-resistant, AI-resilient, AI tool, artificial intelligence
integrity: proctoring, proctored, unproctored, non-proctored, remote proctoring, online exam, online test, online testing, exam integrity, testing integrity, academic integrity, academic dishonesty, cheating, contract cheating, grade inflation
psychometrics: item response theory, IRT, Rasch, psychometric, educational measurement, educational testing, differential item functioning, computerized adaptive testing, adaptive testing, automated test assembly, knowledge tracing, automated scoring, automated essay scoring, validity argument, construct validity, assessment validity, predictive validity
drift: parameter drift, dynamic item response, item parameter drift, rater drift, severity drift, concept drift, change point, change-point detection, item compromise, preknowledge, item exposure, test security, aberrant response, person-fit, differential item functioning
Фрази Semantic Scholar: assessment validity generative AI; AI-resilient assessment higher education; AI-resistant assessment design; generative AI exam performance natural experiment; differential item functioning large language models humans; LLM as test taker item response theory; proctored versus unproctored online exam scores; generative AI grade inflation; item parameter drift detection; item compromise preknowledge detection; concept drift knowledge tracing; change point detection educational testing
arXiv: cs.CY, cs.CL, cs.HC, cs.AI, cs.LG, stat.AP, stat.ME. Ліміти результатів на запит: OpenAlex 50, Semantic Scholar 25, ERIC 25. Цитування: глибина 1 від прочитаних і 👍, глибина 2 лише від 👍; сусіди 👍-робіт оминають лексичний фільтр.
| Версія пошуку | Записів (search) | Перший | Останній |
|---|---|---|---|
v1.0 | 14354 | 2026-10-06 | 2026-11-04 |
Процес відбору та автоматизація (8, 9, 11)
- Скринінг анотацій: один автоматичний «рецензент» — LLM (gemini-3.1-flash-lite, gemini-3.5-flash-lite), пачки по 20, моделі чергуються; кожна оцінка зберігається (prefilter_evaluations) з моделлю й версією рубрики.
- Повнотекстовий аналіз і збір даних: gemini-3.8-flash, gemini-3.7-flash, gemini-3.6-flash, prompt
v2.1. Тільки після конвертації PDF у Markdown; без тексту модель не викликається. - Перевірка: кожну цитату код звіряє з текстом (точний збіг після нормалізації); непідтверджені твердження відкидаються.
- Людина: незалежної другої оцінки немає. Власник виносить вердикти 👍/👎 на вибірці кандидатів (50% біля порога, 30% найвищі, 20% випадкові); вони впливають на чергу й few-shot, але не змінюють бал.
- Дані, що збираються (10): суть, метод/дані/вибірка, твердження, обмеження, тип дизайну (assessment_design, psychometric_modeling, natural_experiment, detector_evaluation, survey, rct, quasi_experiment, qualitative, theoretical, review, other), теги, критерії рубрики.
- Ризик упередженості (11): не оцінювався формально (RoB, GRADE не застосовуються); критерій M «методологічна строгість» (0–10) — ранжувальна оцінка, а не інструмент RoB. Ефектів і мета-аналізу (12, 13d–f, 15) не обчислюється: синтез — якісний, у вигляді розборів статей і тегів.
| Модель скринінгу | Оцінено |
|---|---|
gemini-3.1-flash-lite | 7492 |
gemini-3.5-flash-lite | 7118 |
— | 587 |
| Модель аналізу | prompt | Розборів |
|---|---|---|
gemini-3.1-flash-lite | v2.1 | 275 |
gemini-3.6-flash | v2.1 | 150 |
gemini-3.8-flash | v2.1 | 101 |
gemini-3.7-flash | v2.1 | 94 |
Рубрика оцінювання v2.3 (якорі 0–10)
Модель ставить оцінку 0–10 за кожним критерієм; якорі нижче вбудовані в промпт. Формула й ваги — у зносці вище. Зміна якорів чи ваг без нової версії блокується хешем.
| Критерій | Вага | 2 | 5 | 8 |
|---|---|---|---|---|
| Тематична релевантність (R) | × min(1, R/7.0) | No link to education or assessment: image, audio or model watermarking, model IP protection, general NLP benchmarks, AI in industry. | Adjacent: generative AI in education without an assessment focus; academic integrity with no evidence on assessment outcomes; detectors of AI-generated text or of student AI use; general psychometrics (adaptive testing, test assembly, IRT) with no drift, validity or AI angle. | Core: validity of assessment under generative AI (what grades and scores mean when AI is available); how grades shift under unsupervised conditions or cheating (proctored vs unproctored exams, grade inflation); AI-resistant or AI-resilient assessment design; quantitative methods that detect or model distorted assessment or learning data (DIF between humans and LLMs, item parameter or rater drift, item compromise/preknowledge, change-point or concept-drift detection, LLMs as test takers or raters). |
| Методологічна строгість (M) | 0.32 | Vague evaluation, convenience sample of a few dozen, self-report only, no control group or baseline. | Clear dataset or sample (hundreds), standard metrics or validated instruments, comparison with baselines or a control group. | Randomized/controlled or preregistered, large or multi-site/multilingual data, adversarial or robustness checks, effect sizes with uncertainty. |
| Інженерні контрзаходи (E) | 0.25 | No method or countermeasure: describes impact, attitudes or policy only. | A concrete method or countermeasure with an evaluation: statistical test or model, detector, scoring procedure, or an assessment design tried on real cohorts. | A rigorous, reusable method: formal model with guarantees or error control, open code, validated on both real and simulated data. |
| Виклик консенсусу (C) | 0.43 | Reconfirms standard wisdom. | Nuances the consensus (e.g. detectors fail under mild paraphrasing; AI use does not harm an outcome it is assumed to harm). | Directly refutes high-profile claims with rigorous evidence. |
| Новизна (N) | 0.00 | Replicates well-known findings (another survey of student attitudes to ChatGPT, another test of one detector on a handful of prompts). | New dataset, benchmark, population or setting, or a previously untried technique. | Fundamentally new attack or defence, a theoretical/impossibility result, or a finding that changes how the field frames the problem. |
Оцінки між якорями інтерполюються моделлю. Бал глибокого аналізу рахує код за тією ж формулою з criteria_breakdown.
| Версія рубрики | Оцінено робіт |
|---|---|
v2.0 | 261 |
v2.1 | 183 |
v2.2 | 20 |
v2.3 (поточна) | 14733 |
Валідація скринінгу: вимірювання надійності та згоди
Еталон — вердикти 👍/👎 експерта. Обчислюються повні метрики систематичних оглядів PRISMA: повнота, специфічність, NPV, F₁, F₂, ROC AUC, DOR, парадокс-імунна Gwet's AC₁ та згода балів.
| Показник | Значення | Що це означає |
|---|---|---|
| Повнота на seed-наборі | 50% (1/2), 95% CI 9–91% | Частка 👍-робіт, доданих вручну (в обхід скринінгу), чий бал ≥ порога 5.0. Незміщена оцінка чутливості на цьому наборі. |
| Оцінена повнота корпусу | 100% (100–100%) | Постстратифікація за смугами балу з оціночних вердиктів; консервативний інтервал. Пропущено релевантних ≈ 0 (0–0). Не оцінено (мало вердиктів у смузі): 12891 відсіяних робіт. |
| Чутливість (Sensitivity / Recall) | 100% (12/12), 95% CI 76–100% | Частка релевантних (👍), успішно пропущених скринінгом: TP / (TP + FN). |
| Специфічність (Specificity) | 20% (4/20), 95% CI 8–42% | Частка нерелевантних (👎), успішно відсіяних скринінгом: TN / (TN + FP). |
| Точність (Precision / PPV) | 43% (12/28), 95% CI 27–61% | Частка схвалених експертом серед тих, що пройшли скринінг: TP / (TP + FP). |
| Негативна прогностична цінність (NPV) | 100% (4/4), 95% CI 51–100% | Частка справді нерелевантних серед робіт, відсіяних скринінгом: TN / (TN + FN). Мінімізує ризик втрати цінних робіт. |
| F-міри (F₁ та F₂) | F₁: 0.60 · F₂: 0.79 | F₂ надає ваги повноті (чутливості) вдвічі більше за точність — ключова метрика безпеки відсіювання для PRISMA. |
| Збалансована точність | 60.0% | Середнє арифметичне чутливості та специфічності ((Sens + Spec) / 2), нечутливе до дисбалансу класів. |
| Діагностичне відношення шансів (DOR) | 6.82 | DOR = (TP · TN) / (FP · FN) із поправкою Haldane-Anscombe. Міра загальної дискримінаційної спроможності скринінгу. |
| ROC AUC | 0.65 (95% CI 0.43–0.84) | Імовірність, що 👍-робота отримала вищий бал, ніж 👎 (0,5 = випадково). Довірчий інтервал обчислено DeLong / Bootstrap. |
| Надійність згоди (Gwet's AC₁ та Cohen's κ) | — | Gwet's AC₁ є парадокс-імунною мірою згоди між моделями на спільних статтях, що не занижується при сильному дисбалансі класів (коли 80–90% відсіюється). |
| Неперервна згода балів моделей |
MAD: — r Пірсона: — |
MAD (середня абсолютна різниця балів) та кореляція Пірсона r між оцінками моделей скринінгу на спільній вибірці. |
| Смуга балу | Робіт | З вердиктом | 👍 | Частка 👍 |
|---|---|---|---|---|
| 0.0–2.0 | 8334 | 2 (замало) | 0 | 0% |
| 2.0–4.0 | 3485 | 0 (замало) | 0 | — |
| 4.0–5.0 | 1072 | 2 (замало) | 0 | 0% |
| 5.0–6.0 ✓ | 1236 | 3 | 2 | 67% |
| 6.0–8.0 ✓ | 977 | 23 | 8 | 35% |
| 8.0–10.0 ✓ | 30 | 2 (замало) | 2 | 100% |
| Модель скринінгу | Seed-повнота | AUC | Sens / Spec | Prec / NPV | F₁ / AC₁ | 👍 / 👎 (TP/FP/FN/TN) |
|---|---|---|---|---|---|---|
gemini-3.1-flash-lite |
50% (1/2), 95% CI 9–91% | 0.63 | 100% (12/12), 95% CI 76–100% / 16% (3/19), 95% CI 6–38% | 43% (12/28), 95% CI 27–61% / 100% (3/3), 95% CI 44–100% | 0.60 / 0.05 | 12 / 19 (12/16/0/3) |
gemini-3.5-flash-lite |
— | — | — / 100% (1/1), 95% CI 21–100% | — / 100% (1/1), 95% CI 21–100% | — / 1.00 | 0 / 1 (0/0/0/1) |
— |
— | — | — / — | — / — | — / — | 0 / 0 (0/0/0/0) |
Щоб звузити інтервали, оцінюйте роботи з нижніх смуг: вибірка кандидатів у /admin/taste бере 20% випадкових робіт. Оцінки оновлюються автоматично з кожним вердиктом.
Оцінка методологічної строгості та розподіл дизайнів (11, 18)
Критерій строгості M (0–10) оцінюється під час повнотекстового аналізу. Розподіл дизайнів базується на верифікованій класифікації емпіричних робіт.
Середня строгість (M)
6.60 / 10
Проаналізовано робіт: 610
Розподіл рівнів строгості
🟢 Висока строгість (M ≥ 7.0): 316
🟡 Помірна строгість (4.0 ≤ M < 7.0): 277
🔴 Низька строгість (M < 4.0): 17
| Дизайн дослідження (Study Design) | Кількість робіт |
|---|---|
psychometric_modeling | 236 |
other | 42 |
theoretical | 27 |
rct | 13 |
assessment_design | 157 |
natural_experiment | 4 |
quasi_experiment | 54 |
detector_evaluation | 41 |
survey | 7 |
review | 17 |
experimental | 1 |
qualitative | 11 |
Чек-лист відповідності PRISMA 2020 (усі 27 пунктів)
Повний аудит відповідності огляду чек-листу PRISMA 2020 (Page et al., 2021) для автоматизованих систематичних оглядів.
| № | Розділ / Пункт | Вимога чек-листа | Статус | Реалізація в системі |
|---|---|---|---|---|
| 1 | Title | Ідентифікація як живий систематичний огляд | ✓ Впроваджено | Заголовок сторінки, метадані звіту |
| 2 | Abstract | Структуроване резюме (фон, цілі, методи, результати) | ✓ Впроваджено | Блок #prisma-abstract (пункт 2 вище) |
| 3 | Rationale | Обґрунтування огляду в контексті існуючих знань | ✓ Впроваджено | Опис теми, цілей та потреби в контрзаходах |
| 4 | Objectives | Чітке формулювання питань за схемою PICO / PECO | ✓ Впроваджено | Блок #pico-framework (таблиця PICO вище) |
| 5 | Eligibility criteria | Критерії включення та виключення, мова, дати | ✓ Впроваджено | Пороги R ≥ 4.0, Score ≥ 5.0, Open Access |
| 6 | Information sources | Бази даних, реєстри, дати останнього запиту | ✓ Впроваджено | arXiv, Crossref, OpenAlex, Semantic Scholar, ERIC, цитування |
| 7 | Search strategy | Повна стратегія пошуку, булеві оператори, версії | ✓ Впроваджено | search_version, повні групи термінів, API limits |
| 8 | Selection process | Процес скринінгу, автоматизація, дублювання оцінок | ✓ Впроваджено | LLM скринінг з ротацією моделей + редакційна петля смаку |
| 9 | Data collection | Методи отримання даних з повнотекстових звітів | ✓ Впроваджено | PDF → Markdown парсинг, deep analysis prompt v2.1 |
| 10a-b | Data items | Перелік змінних, результатів та характеристик | ✓ Впроваджено | Суть, вибірка, дизайн, емпіричні твердження, контрзаходи |
| 11 | Study risk of bias | Оцінка методологічної якості досліджень | ✓ Впроваджено | Критерій строгості M (0–10), розподіл рівнів якості |
| 12 | Effect measures | Міри величини ефекту (RR, OR, MD) | — Обґрунтовано N/A | Якісний синтез та живий дайджест без мета-аналізу ефектів |
| 13a-f | Synthesis methods | Критерії об'єднання та методи синтезу | ✓ Впроваджено | Тематична кластеризація за тегами, порівняльні картки |
| 14 | Reporting bias | Оцінка зміщення звітності (публікаційне зміщення) | ✓ Впроваджено | Аналіз Paywall-виключень та відкритого доступу |
| 15 | Certainty assessment | Оцінка впевненості у доказах | ✓ Впроваджено | Автоматична верифікація цитат із тексту робіт |
| 16 | Study selection | Результати відбору (PRISMA воронка, числа) | ✓ Впроваджено | 100% замикання стадій: n_вхід = n_вихід + ∑n_вилучено |
| 17 | Study characteristics | Характеристики включених робіт у таблиці | ✓ Впроваджено | Інтерактивна таблиця з DOI, журналами, роками та тегами |
| 18 | Risk of bias in studies | Результати оцінки ризику упередженості | ✓ Впроваджено | Таблиця розподілу строгості M та дизайнів досліджень |
| 19 | Results of individual studies | Результати для кожної окремої статті | ✓ Впроваджено | Публічні сторінки /doi/{doi} з повними розборами |
| 20a-d | Results of syntheses | Результати тематичного синтезу | ✓ Впроваджено | Щоденні випуски дайджесту, RSS-канал, тегові вибірки |
| 21 | Reporting biases | Фактичні дані щодо виявлених зміщень | ✓ Впроваджено | Paywall n=320, відкликані n=0 |
| 22 | Certainty of evidence | Підсумкова надійність масиву доказів | ✓ Впроваджено | Gwet's AC₁, Cohen's κ, стратифікована повнота та ROC AUC |
| 23a-d | Discussion | Обговорення, обмеження методів та висновки | ✓ Впроваджено | Блок обмежень (пункти 23b, 23c) у методології |
| 24a-c | Registration & protocol | Реєстрація, доступ до протоколу, зміни | ✓ Впроваджено | Відкритий репозиторій, журнал версій search_ver та рубрик |
| 25 | Support | Джерела фінансування огляду | ✓ Впроваджено | Безкоштовні відкриті рівні API (Gemini/OpenAlex) |
| 26 | Competing interests | Заява про конфлікт інтересів | ✓ Впроваджено | Конфлікти відсутні, зафіксовано в методології |
| 27 | Data & code availability | Доступність даних аналізів, коду та матеріалів | ✓ Впроваджено | Експорт у CSV / JSON (кнопки нижче), відкритий код |
Обмеження (23b, 23c)
- Лише open access: платні статті не потрапляють до синтезу, тож вибірка зміщена в бік відкритих і препринтів.
- Скринінг ранжує за якістю й новизною, а не лише за придатністю, тож вибірка зміщена до робіт, що оскаржують консенсус. Валідність виміряно щодо одного експерта (див. вище); один LLM-рецензент, упередження моделей і різниця між версіями лишаються.
- Лексичний фільтр і ліміти результатів можуть пропускати роботи з іншою термінологією; англомовне зміщення джерел.
- Записи, оцінені давнішою версією рубрики, не перераховуються автоматично (див. таблицю версій).
- Безкоштовна квота Gemini: денні ліміти уповільнюють аналіз, частина відібраних робіт чекає в черзі.
Реєстрація, протокол, зміни, підтримка, дані (24–27)
- Реєстрація: огляд не реєструвався. Протокол — це конфігурація (тема, запити, рубрика, пороги) у репозиторії проєкту; вона відтворюється з цього блоку.
- Зміни протоколу: версії пошуку (search_version) і рубрики (rubric_version), таблиці вище.
- Фінансування: окремого не заявлено, використовуються безкоштовні рівні API. Конфлікти інтересів: не заявлено.
- Дані: аналізи й метадані — на сторінках статей, RSS і sitemap; повні тексти приватні (авторське право) і не публікуються.
Фільтрація за тегами
Виберіть один або декілька тегів для деталізації звіту та перегляду списку статей.
#psychometrics (99)
#Psychometrics (56)
#Item Response Theory (46)
#academic integrity (46)
#item response theory (37)
#Assessment Validity (34)
#assessment validity (34)
#higher education (34)
#Automated Essay Scoring (27)
#Generative AI (27)
#automated essay scoring (25)
#construct validity (25)
#IRT (24)
#Construct Validity (23)
#Academic Integrity (19)
#LLM as rater (19)
#generative AI (19)
#Automated Scoring (17)
#Large Language Models (17)
#Higher Education (16)
#assessment redesign (16)
#assessment_design (16)
#LLM Evaluation (15)
#large language models (14)
#AI-resilient assessment (13)
#LLM as Rater (13)
#assessment design (13)
#automated assessment (13)
#automated scoring (13)
#validity (13)
#academic_integrity (12)
#Assessment Redesign (11)
#ChatGPT (11)
#Prompt Engineering (11)
#assessment-validity (11)
#assessment_validity (11)
#benchmarking (11)
#differential item functioning (11)
#prompt engineering (11)
#GPT-4 (10)
#LLM-as-a-judge (10)
#LLMs as raters (10)
#item_response_theory (10)
#Automated Item Generation (9)
#Computerized Adaptive Testing (9)
#DIF (9)
#Inter-Rater Reliability (9)
#LLM evaluation (9)
#LLMs as Test Takers (9)
#concept drift (9)
#rater drift (9)
#AI-resistant assessment (8)
#Assessment Design (8)
#Differential Item Functioning (8)
#Knowledge Tracing (8)
#Validity (8)
#automated_essay_scoring (8)
#computerized adaptive testing (8)
#construct_validity (8)
#higher_education (8)
| # | Статус / Етап | Стаття | LLM Оцінка | Оцінка експерта |
|---|---|---|---|---|
| 501 | scored |
Measuring Unity: A KPI-Governed Performance Architecture (UCTA-PA) for Civilizational Rapprochement and Governance-Grade Benchmarking
Zenodo (CERN European Organization for Nuclear Research) (2025) · doi:10.5281/zenodo.18092781 · v1.0 |
0.0 (gemini-3.5-flash-lite) | — |
| 502 | Відсіяно |
Psychometric properties of the Arabic version of the Unified Theory of Acceptance and Use of Technology (UTAUT-2012) Among Nursing Students
The International Review of Research in Open and Distributed Learning (2025) · doi:10.19173/irrodl.v26i4.8827 · v1.0 |
1.9 (gemini-3.5-flash-lite) | — |
| 503 | scored |
SoK: Self-Efficacy in Human-Centered Security and Privacy Research - A Psychometric View
arXiv/Crossref (2025) · doi:10.31234/osf.io/u76pd_v1 · v1.0 |
0.0 (gemini-3.5-flash-lite) | — |
| 504 | Відсіяно |
Designing School Policy and Practice for Academic Integrity in the Age of GenAI: A Design-Based Research Project in a Regional School
International Journal of Changes in Education (2025) · doi:10.47852/bonviewijce52026912 · v1.0 |
1.9 (gemini-3.5-flash-lite) | — |
| 505 | scored |
Medical exam question difficulty prediction: An analysis of embedding representations, machine-learning approaches, and input feature impact
Medical Teacher (2025) · doi:10.1080/0142159x.2025.2586619 · v1.0 |
5.0 (gemini-3.5-flash-lite) | — |
| 506 | Відсіяно |
Development and validation of the Nursing Process Evaluation Tool (NPET): a multidimensional instrument for assessing the quality of AI-generated nursing documentation
BMC Nursing (2025) · doi:10.1186/s12912-025-04068-8 · v1.0 |
3.2 (gemini-3.5-flash-lite) | — |
| 507 | У буфері |
Evaluating Small BERT Based Models on Automated Essay Scoring Task
Information Research Communications (2025) · doi:10.5530/irc.2.2.14 · v1.0 |
2.1 (gemini-3.6-flash) | — |
| 508 | scored |
Editorial: Digital transformations and the changing nature of work
Frontiers in Sociology (2025) · doi:10.3389/fsoc.2025.1741944 · v1.0 |
0.0 (gemini-3.1-flash-lite) | — |
| 509 | Відсіяно |
Personality traits measured by the HEXACO personality inventory and the dark triad predict university students’ attitudes and misconduct behaviors related to generative artificial intelligence
Scientific Reports (2025) · doi:10.1038/s41598-025-25744-4 · v1.0 |
3.7 (gemini-3.1-flash-lite) | — |
| 510 | scored |
Modeling AI-Driven Business Intelligence and Firm Performance: A Mediated-Moderated Approach
International Conference on Data Science and Geoinformatics (ICDSG) (2025) · doi:10.1109/icdsg67714.2025.11381365 · v1.0 |
0.0 (gemini-3.1-flash-lite) | — |
| 511 | scored |
Out of Range: The Psychometric Mismatch Between Human IQ Tests and AI Evaluation
Zenodo (CERN European Organization for Nuclear Research) (2025) · doi:10.5281/zenodo.17718516 · v1.0 |
5.0 (gemini-3.1-flash-lite) | — |
| 512 | scored |
Infrared Thermography in Maritime Systems: A Systematic Review
Applied Sciences (2025) · doi:10.3390/app152312551 · v1.0 |
0.0 (gemini-3.1-flash-lite) | — |
| 513 | У буфері |
Leveraging prompt-based LLMs for automated scoring and feedback generation in higher education
Computers & Education (2025) · doi:10.1016/j.compedu.2025.105511 · v1.0 |
5.0 (gemini-3.6-flash) | — |
| 514 | Відсіяно |
Doorway Diagnostics, Not Glory Badges: Why IQ Scores for AI Misuse a Human Tool for Support Allocation
Zenodo (CERN European Organization for Nuclear Research) (2025) · doi:10.5281/zenodo.17735918 · v1.0 |
4.1 (gemini-3.1-flash-lite) | — |
| 515 | scored |
Aircraft Pilot Workload Assessment Based on Non-contact Sensors: A Review
Academic Journal of Science and Technology (2025) · doi:10.54097/hhzrf702 · v1.0 |
0.0 (gemini-3.1-flash-lite) | — |
| 516 | scored |
Designing AI-Enabled Engineering Courses: E-AIP Framework for Learning Outcomes, Process Evidence, and Integrity
International Journal of Engineering Pedagogy (iJEP) (2025) · doi:10.3991/ijep.v15i7.59045 · v1.0 |
5.8 (gemini-3.1-flash-lite) | — |
| 517 | Відсіяно |
Artificial intelligence for educational measurement: Where is the value for education?
Frontiers in Education (2025) · doi:10.3389/feduc.2025.1677255 · v1.0 |
4.2 (gemini-3.1-flash-lite) | — |
| 518 | Відсіяно |
Artificial intelligence teacher self-efficacy: a scale development and validation study
Interactive Learning Environments (2025) · doi:10.1080/10494820.2025.2589402 · v1.0 |
2.1 (gemini-3.1-flash-lite) | — |
| 519 | scored |
Building Information Modeling (BIM) for Sustainable Construction Management: Applications, Benefits and Challenges
Zenodo (CERN European Organization for Nuclear Research) (2026) · doi:10.5281/zenodo.22961713 · v1.0 |
0.0 (gemini-3.1-flash-lite) | — |
| 520 | Відсіяно |
Designing AI-Assisted Visual English Reading Instruction for Deaf Learners: Breaking Phonocentric Deadlock
International Journal of Learning Teaching and Educational Research (2026) · doi:10.26803/ijlter.25.9.43 · v1.0 |
2.6 (gemini-3.1-flash-lite) | — |
| 521 | Відсіяно |
Personalized Instruction in Mathematics at Institutions of Higher Education in the Context of the Digital Transformation of the Educational Process
Academic Visions (2026) · doi:10.66556/2786-586x.59.semenyshyna-i · v1.0 |
2.1 (gemini-3.1-flash-lite) | — |
| 522 | Не стаття |
MANAGING PRIMARY EDUCATION IN THE CONTEXT OF DIGITAL TRANSFORMATION
Zenodo (CERN European Organization for Nuclear Research) (2026) · doi:10.5281/zenodo.23088740 · v1.0 |
- | — |
| 523 | Відсіяно |
Beyond AI detectors and self-declared labels: a process-based certification for human creators
Zenodo (CERN European Organization for Nuclear Research) (2026) · doi:10.5281/zenodo.23049396 · v1.0 |
3.6 (gemini-3.1-flash-lite) | — |
| 524 | scored |
The Health-Preserving Function of Parents in the Context of New Risk Factors for Children’s Health
DEMIS Demographic research (2026) · doi:10.19181/demis.2026.6.3.6 · v1.0 |
0.0 (gemini-3.1-flash-lite) | — |
| 525 | Відсіяно |
Professional learning for the online/blended facilitator in an AI era
Ubiquity Proceedings (2026) · doi:10.5334/uproc.241 · v1.0 |
1.4 (gemini-3.1-flash-lite) | — |
| 526 | Відсіяно |
Reconfiguring to Teach: Pedagogical Responses to the Integration of Artificial Intelligence in Teacher Professional Development
Ubiquity Proceedings (2026) · doi:10.5334/uproc.276 · v1.0 |
1.4 (gemini-3.1-flash-lite) | — |
| 527 | scored |
The Emerging Law of Artificial Intelligence in Azerbaijan: Between National Strategy and European Regulatory Frameworks
Law and World (2026) · doi:10.36475/12.3.1 · v1.0 |
0.0 (gemini-3.1-flash-lite) | — |
| 528 | Відсіяно |
The Use of AI-Powered Grammarly in Enhancing EFL Prepositions Usage
International Journal of Learning Teaching and Educational Research (2026) · doi:10.26803/ijlter.25.9.33 · v1.0 |
3.9 (gemini-3.5-flash-lite) | — |
| 529 | scored |
ARCHITECTURE AND THE CITY: NEW PARADIGMS OF CO-CREATION WITH ARTIFICIAL INTELLIGENCE
INTERNATIONAL REVIEW FOR HUMAN AND NATURAL SCIENCES (2026) · doi:10.59505/irhns.22352007.2026.03.04 · v1.0 |
0.0 (gemini-3.5-flash-lite) | — |
| 530 | scored |
AI-Driven Disinformation, Information Integrity, and Global Governance
Global Governance A Review of Multilateralism and International Organizations (2026) · doi:10.1163/19426720-03203007 · v1.0 |
0.0 (gemini-3.5-flash-lite) | — |
| 531 | Відсіяно |
A Study on the Factors Influencing Chinese University Students’ Adoption of DeepSeek: A Hybrid Approach Based on SEM-ANN-fsQCA
KSII Transactions on Internet and Information Systems (2026) · doi:10.3837/tiis.2026.09.001 · v1.0 |
2.4 (gemini-3.5-flash-lite) | — |
| 532 | scored |
TRANSFORMATION OF MODERN MANAGEMENT SCHOOLS IN ENTERPRISE MANAGEMENT UNDER THE CONDITIONS OF ECONOMIC DIGITALIZATION
Scientific notes of the UniversityKROK (2026) · doi:10.31732/2663-2209-2026-83-266-273 · v1.0 |
0.0 (gemini-3.5-flash-lite) | — |
| 533 | Відсіяно |
Forging LLM Authorship Fingerprints with Targeted Rewriting
arXiv (Cornell University) (2026) · doi:10.48550/arxiv.2609.38831 · v1.0 |
3.4 (gemini-3.5-flash-lite) | — |
| 534 | Відсіяно |
Building AI Literacy in Higher Education: A Multi-Timepoint Study
Ubiquity Proceedings (2026) · doi:10.5334/uproc.261 · v1.0 |
2.1 (gemini-3.5-flash-lite) | — |
| 535 | scored |
Women's Safety in the Digital Age: A Sociological Study
Zenodo (CERN European Organization for Nuclear Research) (2026) · doi:10.5281/zenodo.23076629 · v1.0 |
0.0 (gemini-3.5-flash-lite) | — |
| 536 | scored |
Psychological Predictors of AI-Assisted Learning Adoption among University Students in India and Uzbekistan: A Conceptual Framework of Psychological AI Readiness
Education & Pedagogy Journal (2026) · doi:10.23951/2782-2575-2026-3-34-56 · v1.0 |
0.0 (gemini-3.5-flash-lite) | — |
| 537 | Відсіяно |
Rethinking Mathematics Classrooms in Higher Education
Ubiquity Proceedings (2026) · doi:10.5334/uproc.280 · v1.0 |
1.4 (gemini-3.5-flash-lite) | — |
| 538 | scored |
IntelliCart – AI-Powered E-Commerce Cart Optimizer
International Conference on Innovations in Computational Intelligence (ICICI) (2026) · doi:10.1109/icici68867.2026.11564978 · v1.0 |
0.0 (gemini-3.5-flash-lite) | — |
| 539 | Відсіяно |
Density-Aware Clustering for Sentiment Analysis of Generative AI using X (Twitter) data
International Conference on Artificial Intelligence, Big Data and Algorithms (CAIBDA) (2026) · doi:10.1109/caibda70336.2026.11621616 · v1.0 |
2.3 (gemini-3.5-flash-lite) | — |
| 540 | Відсіяно |
Attention-Driven Multimodal Biometric Authentication Framework for Secure and Scalable Online Examination Systems
International Conference on Computer Networks, Big Data and IoT (ICCBI) (2026) · doi:10.1109/iccbi68589.2026.11619827 · v1.0 |
3.9 (gemini-3.5-flash-lite) | — |
| 541 | Відсіяно |
INTEGRATING ARTIFICIAL INTELLIGENCE TO SUPPORT STUDENT PROJECTS USING VENSIM IN THE ENVIRONMENTAL INTEGRATION OF PROJECTS COURSE
EDULEARN proceedings (2026) · doi:10.21125/edulearn.2026.0910 · v1.0 |
3.2 (gemini-3.5-flash-lite) | — |
| 542 | scored |
EFFECTIVENESS OF A STAGED, FEEDBACK-BASED MODEL FOR DEVELOPING RESEARCH COMPETENCIES, AUTONOMY, AND ACADEMIC INTEGRITY AMONG UNDERGRADUATE BUSINESS STUDENTS
EDULEARN proceedings (2026) · doi:10.21125/edulearn.2026.2794 · v1.0 |
0.0 (Flash Lite) | — |
| 543 | scored |
THE ROLE OF GENDER IN UNDERSTANDING ACADEMIC INTEGRITY AND PLAGIARISM
EDULEARN proceedings (2026) · doi:10.21125/edulearn.2026.0705 · v1.0 |
0.0 (Flash Lite) | — |
| 544 | scored |
DEVELOPING A MULTIDIMENSIONAL SCALE OF STUDENT EXPERIENCES WITH ONLINE PROCTORED EXAMS
EDULEARN proceedings (2026) · doi:10.21125/edulearn.2026.0047 · v1.0 |
0.0 (Flash Lite) | — |
| 545 | scored |
CREATING A CULTURE OF ACADEMIC INTEGRITY AT A SCHOOL OF BUSINESS
EDULEARN proceedings (2026) · doi:10.21125/edulearn.2026.2217 · v1.0 |
0.0 (Flash Lite) | — |
| 546 | Відсіяно |
SECURE AND SCALABLE DIGITAL ASSESSMENT: AN INSTITUTIONAL MODEL FOR LIFELONG LEARNING AND FACULTY DEVELOPMENT AT THE UNIVERSITY OF TURIN, ITALY
EDULEARN proceedings (2026) · doi:10.21125/edulearn.2026.1339 · v1.0 |
4.4 (gemini-3.5-flash-lite) | — |
| 547 | Відсіяно |
RESPONSIBLE AI ADOPTION IN VIRTUAL LEARNING ENVIRONMENTS: A QUALITATIVE PILOT STUDY USING GENERATIVE TOOLS
EDULEARN proceedings (2026) · doi:10.21125/edulearn.2026.1592 · v1.0 |
1.2 (gemini-3.5-flash-lite) | — |
| 548 | Відсіяно |
KAJIAN AWAL SOROTAN LITERATUR SISTEMATIK PENGGUNAAN KECERDASAN BUATAN GENERATIF DALAM PENDIDIKAN TINGGI
Jurnal Komunikasi Borneo (JKoB) (2026) · doi:10.51200/jkob.v14i1.8056 · v1.0 |
3.4 (gemini-3.5-flash-lite) | — |
| 549 | scored |
The Learning Sentinel: AI-Based Detection of Unauthorized Mobile Usage in Educational Institutions
International Conference on Cognitive Computing and Networking Systems (ICC-CNS) (2026) · doi:10.1109/icc-cns70518.2026.11606139 · v1.0 |
5.7 (gemini-3.5-flash-lite) | — |
| 550 | Відсіяно |
AI POWER SMART EXAM INVIGILATION USING ESP-32 CAM
arXiv/Crossref (2026) · doi:10.5281/zenodo.21407267 · v1.0 |
3.5 (gemini-3.5-flash-lite) | — |