論文の概要: Artificial Intelligence in Elementary STEM Education: A Systematic Review of Current Applications and Future Challenges

• arxiv url: http://arxiv.org/abs/2511.00105v1
• Date: Thu, 30 Oct 2025 18:35:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:26.600599
• Title: Artificial Intelligence in Elementary STEM Education: A Systematic Review of Current Applications and Future Challenges
• Title（参考訳）: 初等STEM教育における人工知能の現状と課題
• Authors: Majid Memari, Krista Ruggles,
• Abstract要約: 本研究は,小学校STEM教育におけるAI応用に関する258つの研究を総合的にまとめたものである。 ほとんどの研究では、上級小学生(65%)と数学(38%)に焦点が当てられ、学際的なSTEM統合は限られている。 フラグメンテーションされたエコシステム、発達上の不適切さ、インフラ障壁、プライバシーフレームワークの欠如、弱いSTEM統合、株式格差、教師の限界化、狭い評価範囲である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artificial intelligence (AI) is transforming elementary STEM education, yet evidence remains fragmented. This systematic review synthesizes 258 studies (2020-2025) examining AI applications across eight categories: intelligent tutoring systems (45% of studies), learning analytics (18%), automated assessment (12%), computer vision (8%), educational robotics (7%), multimodal sensing (6%), AI-enhanced extended reality (XR) (4%), and adaptive content generation. The analysis shows that most studies focus on upper elementary grades (65%) and mathematics (38%), with limited cross-disciplinary STEM integration (15%). While conversational AI demonstrates moderate effectiveness (d = 0.45-0.70 where reported), only 34% of studies include standardized effect sizes. Eight major gaps limit real-world impact: fragmented ecosystems, developmental inappropriateness, infrastructure barriers, lack of privacy frameworks, weak STEM integration, equity disparities, teacher marginalization, and narrow assessment scopes. Geographic distribution is also uneven, with 90% of studies originating from North America, East Asia, and Europe. Future directions call for interoperable architectures that support authentic STEM integration, grade-appropriate design, privacy-preserving analytics, and teacher-centered implementations that enhance rather than replace human expertise.
• Abstract（参考訳）: 人工知能(AI)は初等STEM教育を変えつつあるが、証拠は断片化されている。 この体系的なレビューは、知的学習システム(研究の45%)、学習分析(18%)、自動評価(12%)、コンピュータビジョン(8%)、教育ロボティクス(7%)、マルチモーダルセンシング(6%)、AI強化拡張現実(XR)(4%)、適応コンテンツ生成という8つのカテゴリにわたるAI応用を調べる258の研究(2020-2025)を合成する。 この分析によると、ほとんどの研究は上等教育(65%)と数学(38%)に焦点をあてており、学際的なSTEM統合(15%)は限定的である。 会話型AIは適度な効果(報告されているd = 0.45-0.70)を示すが、標準的な効果サイズを含む研究はわずか34%である。 フラグメンテーションされたエコシステム、発達上の不適切さ、インフラ障壁、プライバシーフレームワークの欠如、弱いSTEM統合、株式格差、教師の限界化、狭い評価範囲である。 地理的分布も不均一であり、研究の90%は北アメリカ、東アジア、ヨーロッパから来ている。 今後の方向性としては、真正なSTEM統合、グレードに適した設計、プライバシ保護分析、人間の専門知識を置き換えるのではなく、強化された教師中心の実装をサポートする、相互運用可能なアーキテクチャが求められている。

関連論文リスト

• A Multi-level Analysis of Factors Associated with Student Performance: A Machine Learning Approach to the SAEB Microdata [0.07161783472741748]
  本研究では,9年生・高校生の習熟度を分類する多段階機械学習手法を提案する。 本モデルでは,学生の社会経済特性,教師の専門的プロファイル,学校の指標,監督管理プロファイルの4つのデータソースを統合した。
  論文  参考訳（メタデータ） (2025-10-25T12:15:30Z)
• Mapping the AI Divide in Undergraduate Education: Community Detection in Disciplinary Networks and Survey Evidence [5.522479128869082]
  我々は,ネットワーク科学と南京大学による調査証拠を組み合わせることで,学部教育におけるAI格差を図示する。 我々は、科学、科学周辺、社会科学と科学、人文科学と社会科学の4つの異なる学生コミュニティを識別する。 本研究は,カリキュラム構造と学際的統合が技術流布の重要な要因であることを示す。
  論文  参考訳（メタデータ） (2025-10-22T06:46:12Z)
• Integration of AI in STEM Education, Addressing Ethical Challenges in K-12 Settings [0.0]
  人工知能のK-12 STEM教育への迅速な統合は、重要な倫理的課題と共に変革的な機会をもたらす。 本稿では、STEM教室におけるAIの両端的な影響を分析し、その利点(適応学習、リアルタイムフィードバックなど)と欠点(監視リスク、教育的制約など)を倫理的レンズを通して分析する。
  論文  参考訳（メタデータ） (2025-10-22T03:07:26Z)
• Advancing Education through Tutoring Systems: A Systematic Literature Review [3.276010440333338]
  本研究は,知能学習システム (ITS) とロボット学習システム (RTS) を包含した学習システムの変革的役割を体系的にレビューする。 この発見は、適応性、エンゲージメント、学習結果を向上するAI技術の著しい進歩を示している。 この研究は、ITSとRTSの相補的な強みを強調し、教育効果を最大化するために統合されたハイブリッドソリューションを提案する。
  論文  参考訳（メタデータ） (2025-03-12T18:47:07Z)
• SuperGPQA: Scaling LLM Evaluation across 285 Graduate Disciplines [118.8024915014751]
  大規模言語モデル(LLM)は、数学、物理学、計算機科学などの学問分野において顕著な熟練性を示している。 しかしながら、人間の知識は200以上の専門分野を含み、既存のベンチマークの範囲をはるかに超えている。 285分野にわたる大学院レベルの知識と推論能力を評価するベンチマークであるSuperGPQAを提案する。
  論文  参考訳（メタデータ） (2025-02-20T17:05:58Z)
• Could ChatGPT get an Engineering Degree? Evaluating Higher Education Vulnerability to AI Assistants [176.39275404745098]
  我々は,2つのAIアシスタントであるGPT-3.5とGPT-4が適切な回答を得られるかどうかを評価する。 GPT-4は65.8%の質問を正解し、85.1%の質問に対して少なくとも1つの手順で正しい答えを出すことができる。 この結果から,AIの進歩を踏まえて,高等教育におけるプログラムレベルの評価設計の見直しが求められた。
  論文  参考訳（メタデータ） (2024-08-07T12:11:49Z)
• OlympicArena: Benchmarking Multi-discipline Cognitive Reasoning for Superintelligent AI [73.75520820608232]
  我々は,11,163のバイリンガル問題を含む,テキストのみとインターリーブされたテキストイメージのモダリティを紹介する。 これらの課題には、7つのフィールドと62の国際オリンピック大会にわたる幅広い規律が含まれており、データ漏洩について厳格に調査されている。 我々の評価によると、GPT-4oのような先進モデルでさえ、複雑な推論とマルチモーダル統合における現在のAI制限を反映して、全体的な精度は39.97%しか達成していない。
  論文  参考訳（メタデータ） (2024-06-18T16:20:53Z)
• Catalyzing Equity in STEM Teams: Harnessing Generative AI for Inclusion and Diversity [0.0]
  本稿では、STEM-チーム間の多様性と包摂性を促進するために、計算モデルと生成AIの変換可能性について述べる。 公式なコラボレーションスキルアセスメント、包括的分析、社会認知研究のための資金、包括的トレーニングのための人間-AIチーム。 このロードマップはAIによって強化されたコラボレーションを推進し、様々な声が積極的に奨励され、協力的な科学的努力の中で耳を傾けるSTEMの未来に対するビジョンを提供する。
  論文  参考訳（メタデータ） (2024-01-08T21:10:18Z)
• Distributed and Democratized Learning: Philosophy and Research Challenges [80.39805582015133]
  民主化学習(Dem-AI)という新しいデザイン哲学を提案する。 ヒトの社会的グループに触発され、提案されたDem-AIシステムの学習エージェントの専門グループは階層構造で自己組織化され、より効率的に学習タスクを遂行する。 本稿では,様々な学際分野に触発された未来のDem-AIシステムを実現するためのガイドラインとして,参照設計を提案する。
  論文  参考訳（メタデータ） (2020-03-18T08:45:10Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。