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: 16337 →
Screen: 15407 →
Eligible: 2300 →
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 | 14577 | 2026-11-05 04:05 |
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 | 14577 | 2026-10-06 | 2026-11-05 |
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 | 7648 |
gemini-3.5-flash-lite | 7230 |
— | 595 |
| 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) | 15009 |
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): 13134 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 | 8492 | 2 (замало) | 0 | 0% |
| 2.0–4.0 | 3547 | 0 (замало) | 0 | — |
| 4.0–5.0 | 1095 | 2 (замало) | 0 | 0% |
| 5.0–6.0 ✓ | 1250 | 3 | 2 | 67% |
| 6.0–8.0 ✓ | 996 | 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 |
|---|---|---|---|---|
| 801 | scored |
AI-based career counsellor: A review of chatbot, psychometric and market-aware systems
World Journal of Advanced Research and Reviews (2025) · doi:10.5281/zenodo.17854783 · v1.0 |
0.0 (gemini-3.1-flash-lite) | — |
| 802 | scored |
AI-supported clinical decision systems optimizing multimodal PTSD treatment selection for veterans with co-occurring traumatic brain injury and depression
GSC Biological and Pharmaceutical Sciences (2025) · doi:10.5281/zenodo.17813908 · v1.0 |
0.0 (gemini-3.1-flash-lite) | — |
| 803 | Відсіяно |
Konsepsualisasi Perancangan dan Pembinaan Instrumen Penilaian Dalam Era Kecerdasan Buatan
Sains Insani (2025) · doi:10.33102/sainsinsani.vol10no2.827 · v1.0 |
2.0 (gemini-3.1-flash-lite) | — |
| 804 | scored |
Biomimetic Targeting and Autonomous Optimization in Nanomedicine
ChemRxiv (2025) · doi:10.26434/chemrxiv-2025-fxnmb · v1.0 |
0.0 (gemini-3.1-flash-lite) | — |
| 805 | scored |
Design of an AI-based Interactive Robot for Cognitive Rehabilitation Training
JOIV International Journal on Informatics Visualization (2025) · doi:10.62527/joiv.9.6.4974 · v1.0 |
0.0 (gemini-3.1-flash-lite) | — |
| 806 | scored |
Scoring Accuracy and Differential Rater Functioning of Large Language Models (LLMs) in Evaluating Short Student Essays under Different Conditions: A Simulation Study
University of Tabuk Journal for Humanities and Social Sciences (2025) · doi:10.68114/1658-8797.1049 · v1.0 |
5.6 (gemini-3.1-flash-lite) | — |
| 807 | scored |
Chatbot Personalisation for EFL Learning: Integrating BKT and Task Context
International Conference on Computers in Education (2025) · doi:10.58459/icce.2025.5999 · v1.0 |
0.0 (gemini-3.1-flash-lite) | — |
| 808 | scored |
Multimodal Trait Scoring for Video Interviews Using Neural Models with Handcrafted Features and Trait-Attention
International Conference on Computers in Education (2025) · doi:10.58459/icce.2025.5986 · v1.0 |
0.0 (gemini-3.1-flash-lite) | — |
| 809 | scored |
Development of an Academic Chatbot Based on Natural Language Processing for Student Information Services at Universitas Bina Darma
Recursive Journal of Informatics (2026) · doi:10.15294/rji.v4i2.62866 · v1.0 |
0.0 (gemini-3.1-flash-lite) | — |
| 810 | Відсіяно |
Reconceptualizing Academic Literacy and Exploring a Support Model for International Graduate Students in the Era of Generative AI
Journal of Multiculture and Education (2026) · doi:10.31041/jme.2026.11.3.123 · v1.0 |
1.4 (gemini-3.1-flash-lite) | — |
| 811 | scored |
Cost-Benefit Framework for Evaluation of Teacher Training for Pedagogical Digital Competence: Evidence from National Case Studies
Ubiquity Proceedings (2026) · doi:10.5334/uproc.290 · v1.0 |
0.0 (gemini-3.1-flash-lite) | — |
| 812 | scored |
The changing role of the teacher with AI: What Does Open Access Research Tell Us?
Ubiquity Proceedings (2026) · doi:10.5334/uproc.249 · v1.0 |
0.0 (gemini-3.1-flash-lite) | — |
| 813 | scored |
Forecasting the Future of Female Labor Force Participation in the Turkish Labor Market via Artificial Intelligence Modeling and the Strategic Role of Higher Education
KADEM Kadın Araştırmaları Dergisi (2026) · doi:10.21798/kadem.2026.224 · v1.0 |
0.0 (gemini-3.1-flash-lite) | — |
| 814 | scored |
Beyond Student Satisfaction: Relational Ethics and the Constitutive Obligations of Online Education Institutions
Ubiquity Proceedings (2026) · doi:10.5334/uproc.240 · v1.0 |
0.0 (gemini-3.1-flash-lite) | — |
| 815 | Відсіяно |
Enabling the ethical use of AI in higher education through blended learning: a case study
Ubiquity Proceedings (2026) · doi:10.5334/uproc.264 · v1.0 |
2.3 (gemini-3.1-flash-lite) | — |
| 816 | Відсіяно |
AI as Fifth Team Member: Differentiated Roles in Design Education
Ubiquity Proceedings (2026) · doi:10.5334/uproc.245 · v1.0 |
4.7 (gemini-3.1-flash-lite) | — |
| 817 | Відсіяно |
Educational Effects of a Generative AI-Based Japanese Self-Introduction Video Project
The Japanese Language Association Of Korea (2026) · doi:10.14817/jlak.2026.89.69 · v1.0 |
2.3 (gemini-3.1-flash-lite) | — |
| 818 | scored |
DIGITAL TOOLS FOR ENSURING THE ECONOMIC SECURITY OF ENTREPRENEURIAL ACTIVITY IN CONDITIONS OF SYSTEMIC CRISIS
Actual problems of improving of current legislation of Ukraine (2026) · doi:10.20998/2313-8890.2026.08.13 · v1.0 |
0.0 (gemini-3.1-flash-lite) | — |
| 819 | scored |
A Retrieval-augmented Generation Framework for Policy-grounded Course Advising in Higher Education
Asian Journal of Research in Computer Science (2026) · doi:10.9734/ajrcos/2026/v19i10917 · v1.0 |
0.0 (gemini-3.1-flash-lite) | — |
| 820 | scored |
From Given to Gathered Evidence: Agentic Learning for Longitudinal Medical Reasoning
arXiv (Cornell University) (2026) · doi:10.48550/arxiv.2609.39566 · v1.0 |
0.0 (gemini-3.1-flash-lite) | — |
| 821 | scored |
A Modular Business Intelligence Architecture for Predictive Student Admission Decision Support
International Journal of Cyber and IT Service Management (2026) · doi:10.34306/ijcitsm.v6i2.284 · v1.0 |
0.0 (gemini-3.1-flash-lite) | — |
| 822 | scored |
Training LLM Judges from Language Feedback via Position-Selective Self-Distillation
arXiv (Cornell University) (2026) · doi:10.48550/arxiv.2609.38792 · v1.0 |
5.3 (gemini-3.1-flash-lite) | — |
| 823 | scored |
Dental Treatments Patterns as Radiogrpahic Markers for Forensic Identification
PROMOTOR (2026) · doi:10.32832/pro.v9i5.3205 · v1.0 |
0.0 (gemini-3.1-flash-lite) | — |
| 824 | scored |
Fostering AI Literacy in Schools: An Analysis of Pre-service Teachers’ Perceptions of AI Literacy in Initial Training
Ubiquity Proceedings (2026) · doi:10.5334/uproc.296 · v1.0 |
0.0 (gemini-3.1-flash-lite) | — |
| 825 | Не стаття |
Respaldo de datos: Determinants of the Adoption of Generative Artificial Intelligence in Academic Research: A Structural Equation Model from Colombian Universities
Zenodo (CERN European Organization for Nuclear Research) (2026) · doi:10.5281/zenodo.23074082 · v1.0 |
- | — |
| 826 | scored |
Does the listener care? Emotional resonance and connection in the age of algorithmic music
E-Journal of Humanities Arts and Social Sciences (2026) · doi:10.38159/ehass.2026785 · v1.0 |
0.0 (gemini-3.1-flash-lite) | — |
| 827 | Відсіяно |
A Fairness-Enhanced Hybrid Model for Indonesian AI Text Detection with Component-Based Explainability
KSII Transactions on Internet and Information Systems (2026) · doi:10.3837/tiis.2026.09.008 · v1.0 |
4.6 (gemini-3.1-flash-lite) | — |
| 828 | scored |
Book Review | Interface Frictions: How Digital Debility Reshapes Our Bodies, by Neta Alexander (Duke University Press, 2025)
Catalyst Feminism Theory Technoscience (2026) · doi:10.28968/cftt.v12i2.46546 · v1.0 |
0.0 (gemini-3.1-flash-lite) | — |
| 829 | scored |
AI ethics in education: Integrating pedagogy, technology, and governance
Journal of Interdisciplinary Research in Artificial Intelligence and Society (2026) · doi:10.20897/jirais/19468 · v1.0 |
0.0 (gemini-3.1-flash-lite) | — |
| 830 | scored |
AI-Enabled Student Relationship Management: A Conceptual Framework for Digital Transformation in Higher Education
Ubiquity Proceedings (2026) · doi:10.5334/uproc.278 · v1.0 |
0.0 (gemini-3.1-flash-lite) | — |
| 831 | scored |
Dijital Çağda Kültürel Mirasın Dönüşümü: Z Kuşağının Yapay Zekâ Destekli Deneyimleri (The Transformation of Cultural Heritage in the Digital Age: Generation Z’s Artificial Intelligence–Supported Experiences)
Journal of Tourism and Gastronomy Studies (2026) · doi:10.63556/jotags.2026.1907 · v1.0 |
0.0 (gemini-3.1-flash-lite) | — |
| 832 | Відсіяно |
False Positive Risk in AI Detection of L2 Academic Writing: A Case Study
Discourses on Culture (2026) · doi:10.2478/doc-2026-0003 · v1.0 |
3.9 (gemini-3.5-flash-lite) | — |
| 833 | scored |
The Rise of AI in Higher Education: Implications for Teaching, Learning, and Equity
arXiv/Crossref (2026) · doi:10.7176/jep/17-6-14 · v1.0 |
0.0 (gemini-3.5-flash-lite) | — |
| 834 | Відсіяно |
Generative AI in the Academic Ecosystem: Transforming Pedagogies and Arabic Writing Productivity
Arabi Journal of Arabic Studies (2026) · doi:10.24865/ajas.v11i1.1110 · v1.0 |
1.8 (gemini-3.5-flash-lite) | — |
| 835 | scored |
INTEGRATION OF AI IN EDUCATION AND RESEARCH INNOVATION
Iterative International Publishers eBooks (2026) · doi:10.58532/nbennurira6 · v1.0 |
0.0 (gemini-3.5-flash-lite) | — |
| 836 | Відсіяно |
STUDENTS’ PERCEPTIONS ON THE USE OF ARTIFICIAL INTELLIGENCE IN THE EDUCATIONAL PROCESS: BENEFITS AND CHALLENGES
Revista de Pedagogie - Journal of Pedagogy (2026) · doi:10.26755/revped/2026.1/65 · v1.0 |
1.9 (gemini-3.1-flash-lite) | — |
| 837 | Відсіяно |
CLASSROOM MANAGEMENT STYLES AND MATHEMATICS TEACHERS' ATTITUDES TOWARD STUDENTS' USE OF GENERATIVE ARTIFICIAL INTELLIGENCE
arXiv/Crossref (2026) · doi:10.17613/e3cgj-mkb93 · v1.0 |
2.4 (gemini-3.1-flash-lite) | — |
| 838 | Відсіяно |
ETHICAL, LEGAL, AND SOCIAL IMPLICATIONS OF ARTIFICIAL INTELLIGENCE IN MODERN EDUCATIONAL SYSTEMS
Iterative International Publishers eBooks (2026) · doi:10.58532/nbennurngbdb1c8 · v1.0 |
1.4 (gemini-3.1-flash-lite) | — |
| 839 | Відсіяно |
STUDENTS' USES OF GENERATIVE ARTIFICIAL INTELLIGENCE IN HIGHER EDUCATION: PERCEPTIONS, BENEFITS, AND CHALLENGES
HAL (2026) · doi:10.5281/zenodo.21058558 · v1.0 |
1.4 (gemini-3.1-flash-lite) | — |
| 840 | Відсіяно |
AI Based Smart Proctoring System
INTERANTIONAL JOURNAL OF SCIENTIFIC RESEARCH IN ENGINEERING AND MANAGEMENT (2026) · doi:10.55041/ijsrem65700 · v1.0 |
3.3 (gemini-3.1-flash-lite) | — |
| 841 | Відсіяно |
The Influence of Leading Large Language Models on Future Education Landscape: Opportunities, Challenges, and Transformation Pathways for Indian Higher Education
International Journal of Versatile Research and Analysis (2026) · doi:10.56975/ijvra.v4i6.708547 · v1.0 |
1.4 (gemini-3.1-flash-lite) | — |
| 842 | Відсіяно |
Reflections on Using GenAI for Multilingual Writing Feedback: Implications for Practice
Feedback Research in Second Language (2026) · doi:10.32038/frsl.2026.04.03 · v1.0 |
1.4 (gemini-3.1-flash-lite) | — |
| 843 | Відсіяно |
Impact of AI Tutoring Systems on Student Learning Outcomes
International Journal of Versatile Research and Analysis (2026) · doi:10.56975/ijvra.v4i6.708452 · v1.0 |
1.4 (gemini-3.1-flash-lite) | — |
| 844 | Відсіяно |
Students' Psychology toward Artificial Intelligence in Education
Zenodo (CERN European Organization for Nuclear Research) (2026) · doi:10.5281/zenodo.20489460 · v1.0 |
1.4 (gemini-3.1-flash-lite) | — |
| 845 | Відсіяно |
BUILDING TRUST IN DIGITAL EDUCATION: TECHNICAL ARCHITECTURE AND STRATEGIC ADVANTAGES OF MFA IN MOBILE LEARNING PLATFORMS
Scientific Bulletin (2026) · doi:10.54414/fofb1380 · v1.0 |
2.2 (gemini-3.1-flash-lite) | — |
| 846 | Відсіяно |
The Use of Artificial Intelligence Tools by Students: Opportunities and Challenges
Journal of Education Society & Multiculturalism (2026) · doi:10.2478/jesm-2026-0003 · v1.0 |
2.1 (gemini-3.1-flash-lite) | — |
| 847 | scored |
Healing meets algorithms: Exploring the integration of artificial intelligence into homoeopathic practice, education, and research
International Journal of Homoeopathic Sciences (2026) · doi:10.33545/26164485.2026.v10.i6.e.2885 · v1.0 |
0.0 (gemini-3.1-flash-lite) | — |
| 848 | Відсіяно |
FUNDAMENTAL METHODS FOR IDENTIFYING AI-GENERATED DATA IN ACADEMIC AND ONLINE PUBLICATIONS USING MACHINE LEARNING AND NLP MODELS
Zenodo (CERN European Organization for Nuclear Research) (2026) · doi:10.5281/zenodo.20780988 · v1.0 |
2.8 (gemini-3.1-flash-lite) | — |
| 849 | Відсіяно |
DIGITAL PLATFORMS AND THE EFFICIENCY OF INCLUSIVE EDUCATION: EVIDENCE FROM UZBEKISTAN
arXiv/Crossref (2026) · doi:10.5281/zenodo.20777351 · v1.0 |
2.4 (gemini-3.1-flash-lite) | — |
| 850 | scored |
Is exposure to peer violence a precipitating factor for school bullying among students? Evidence from China
Asian Economic Journal (2026) · doi:10.1111/asej.70020 · v1.0 |
0.0 (gemini-3.1-flash-lite) | — |