《Frontiers in Public Health》：Effectiveness of intervention using artificial intelligence for students with disabilities: systematic review and meta-analysis
编辑推荐：
背景： 算法系统未能充分捕捉残障的语境细微差异，从而存在模型偏差风险并降低生态效度。因此，本综述旨在探讨人工智能（artificial intelligence，AI）融入特殊教育所引发的各类教育学与伦理学关切。
方法： 研究人员开展了一项系统综述与元分析，以
背景： 算法系统未能充分捕捉残障的语境细微差异，从而存在模型偏差风险并降低生态效度。因此，本综述旨在探讨人工智能（artificial intelligence，AI）融入特殊教育所引发的各类教育学与伦理学关切。
方法： 研究人员开展了一项系统综述与元分析，以考察AI干预对残障学生的效果。为此，从电子数据库中筛选出16篇论文，并提取了相关数据。
结果： 分析结果显示，AI干预的主要对象为学习障碍（learning disabilities）学生（占31.3%）。在方法学特征方面，仅有一项研究为随机临床试验。总体效应量（effect size，ES）显著偏大（Hedges' g = 1.263）。14项研究的ES具有统计学显著性（占87.5%），而两项研究的ES不显著（占12.5%）。亚组分析显示，基于结局指标、残障类型、年级及实施者的ES差异具有统计学显著性。在各亚组内部，认知结局、注意缺陷多动障碍（attention deficit hyperactivity disorder，ADHD）群体、大学生群体以及由研究者担任实施者的干预中观察到的ES最大。
结论： 本研究结果表明，针对残障学生的AI干预是有效的，且当AI作为协作支持工具而非取代教育情境中的教师时，其有效性更为显著。
论文主体内容总结
引言
自2016年世界经济论坛提出第四次工业革命以来，全球诸多教育系统经历了由数字化、自动化与智能技术驱动的系统性变革。教育范式已从信息通信技术（information and communication technology，ICT）的应用转向更广泛的数字素养，并近期进一步转向人工智能素养，强调学习者不仅能够使用数字工具，还能解读、协作并批判性评估算法系统。在此范式下，AI技术正从外围辅助工具演变为核心教学与干预机制，尤其在以适应性和个性化支持为核心原则的特殊教育领域。
针对残障学生的个性化响应式教学是基础性原则。AI驱动的干预通过数据驱动的个性化、持续学习者建模及实时自适应反馈，与该教学需求高度契合。其教育学相关性建立在多个互补的理论框架之上：第一，通用学习设计（Universal Design for Learning，UDL）为AI整合提供了基础性理据，强调以多种参与、表征和表达方式适应学习者差异；第二，AI干预与数据驱动决策（data-based decision-making，DBDM）高度一致，通过持续学习者建模、预测性分析和自适应反馈回路实现教学调整的自动化；第三，人机协作模型将AI视为增强而非替代教育者专业能力的决策支持与支架伙伴。
尽管存在上述优势，AI融入特殊教育仍引发诸多教育学与伦理学关切。算法系统可能无法充分捕捉残障的语境细微差异，存在模型偏差风险并降低生态效度。AI决策过程的有限透明度制约了教育者的监督，数字基础设施与AI素养的差距可能影响实施保真度。数据隐私、学习者自主性及对自动化系统的过度依赖等问题进一步凸显了开展稳健实证评估的必要性。
已有若干元分析与系统综述相继出现，但均存在概念与方法学局限。Alshahrani综合了22项关于ASD的AI介导治疗研究，聚焦临床情境中的治疗与行为结局，未纳入学业或学校教学干预。Feng等人对38项研究进行了元分析，考察生成式AI对自闭症儿童社交与情绪技能的影响，但范围限于生成式AI与社会情绪结局。Paglialunga和Melogno综述了11项针对学习障碍的AI干预研究，主要集中于读写与认知结局，未延伸至行为、社会情绪或治疗领域，也未进行跨残障类型比较。总体而言，既有综述存在以下局限：残障特定聚焦限制跨群体推广；综合结局常限于治疗或学业单一领域；对生成式AI的侧重反映技术狭窄性，忽视了自适应、可穿戴、增强现实（augmented reality，AR）整合及多模态AI系统；调节变量分析有限。
因此，研究人员旨在综合既往关于AI干预对残障学生效果的研究，具体回答以下研究问题：（a）纳入研究的特征是什么？（b）AI干预对残障学生的总体效果如何？（c）哪些变量（如残障类型、年级、结局和实施方式）与AI干预的总体有效性相关？
方法
数据库与检索策略
研究人员在八个电子数据库中进行了系统文献检索：ProQuest、IEEE Xplore、ACM Digital Library、Web of Science、MEDLINE、PubMed、PsycINFO和CINAHL。每个数据库均从建库检索至2025年10月13日，不限制起始出版年份，仅纳入英文发表的研究。此外，人工检索了相关系统综述与元分析的参考文献列表。检索策略采用布尔运算符组合两个概念模块：残障相关术语与人工智能相关术语。
纳入与排除标准
依据PICOS框架预先定义资格标准。纳入标准包括：参与者为从幼儿期至成年期被诊断患有残障并参与教育、行为、认知、社会情绪、发展或治疗干预的个体；干预中AI构成干预实施、适应、反馈、评估或学习者支持的明确组成部分；研究包含对照条件或组内前后比较；研究报告至少一项与学习/学业成就、认知、语言、行为、社会情绪功能、发展、心理健康或自我效能相关的定量结局；研究设计为随机对照试验（randomized controlled trial，RCT）或准实验设计。排除标准包括：参与者未经正式残障诊断、仅含"高危"人群、未评估AI干预、非原始实证研究、研究设计不符、未报告定量结局或足够统计信息、样本量不明、不符合参与者资格标准、无法获取全文或重复发表。
筛选流程
五名研究人员参与研究筛选。检索到的记录分配至各研究人员进行初步筛选。为评估筛选信度，每个筛选阶段30%的记录由未参与初始决定的额外评审员独立评估。分歧通过评审员间讨论解决，无法达成共识时由第三名评审员裁定。标题筛选一致性为98.8%，摘要筛选为97.1%，全文资格评估为100%。
方法学质量评估
采用What Works Clearinghouse（WWC）团体设计研究质量评估标准评估研究质量。WWC设计标准包含五项标准，但依据WWC指南，总体研究评级由前三项标准决定：随机分配、样本流失和基线等价性。评级分为三个等级：无例外符合WWC设计标准、有例外符合、不符合。
数据提取
使用标准化数据提取表提取纳入研究的数据，包括作者、样本量、参与者特征、研究设计、分配层级、情境及WWC设计标准等变量，以及AI干预特征和主要与次要结局。
数据分析
研究人员使用残差值进行离群值分析，结果显示无标准化残差值超过2.58。采用Rosenthal标准评估发表偏倚，本研究中16篇论文的判定值为90，稳健性指数超过该值表明不存在发表偏倚。缺失研究数为26，220，强烈提示无发表偏倚。Egger回归截距无统计学显著性（p = 0.346），再次表明无发表偏倚。异质性检验结果显著（Q = 171.212，df = 15，p < 0.05），故采用随机效应模型聚合效应量。效应量以Hedges' g 计算。采用单因素方差分析检验分类调节变量的效应量差异。使用Comprehensive Meta-Analysis Software v3计算效应量、进行元分析方差分析并绘制森林图。依据Cohen标准，效应量接近0.80为大效应，接近0.50为中等效应，低于0.20为小效应。
结果
纳入研究的一般特征
在残障类型方面，针对学习障碍（包括一般学习障碍、阅读障碍和数学学习障碍）的研究占比最高，共5项（31.3%）；其次为ASD，共4项（25.0%）；智力障碍（intellectual disabilities，IDs）3项（18.8%）；ADHD、情绪行为障碍、心理障碍和身体/运动障碍各1项（6.3%）。样本量从6至205不等。12项研究（75.0%）报告了参与者性别，总计706名参与者中男性393名（55.7%）、女性313名（44.3%）。12项研究（75.0%）提供了具体年龄或年龄范围，参与者年龄从2岁至19.3岁。研究设计方面，15项研究（93.8%）采用前后测设计，仅1项（6.3%）为RCT。12项研究（75.0%）包含独立对照条件，其余4项（25.0%）为单组前后测。干预情境方面，教育机构（教室、计算机实验室、学校和大学）最为常见（8项，50.0%），中心（诊所）3项（18.8%），学校与中心结合1项（6.3%），家庭情境1项（6.3%），3项（18.8%）未报告情境信息。实施者方面，研究者实施9项（56.3%），教师实施3项（18.8%），照护者实施2项（12.5%），2项（12.5%）未报告实施者信息。仅1项研究报告实施者接受过培训，仅1项报告了实施保真度检查。AI技术涵盖自适应学习、AI学习平台、生成式AI、AI聊天机器人、文本转语音（text-to-speech，TTS）、游戏化、可穿戴设备、视频与面部表情分析等。干预参数报告不均衡：11项研究（68.8%）报告了单次时长，从4分钟至60分钟；12项研究（75.0%）报告了干预总时长，从1周至48周；11项研究（68.8%）报告了频率，多为每周2至4次；9项研究（56.3%）可计算总剂量，从4分钟至2，880分钟。结局变量方面，学习与学业成就最为频繁（6项，37.5%），其次为社交技能（3项，18.8%），情绪、语言和发展各2项（12.5%），行为、认知、心理健康和自我效能各1项（6.3%）。
研究质量
16项研究经WWC设计标准评估，无一项无保留符合标准（评分=2）。6项研究有保留符合标准（评分=1），其余10项不符合标准（评分=0）。仅1项研究采用RCT设计，其余15项依赖无随机化的前后测设计。
总体效应
异质性检验结果显著（Q = 171.212，df = 15，p < 0.05），采用随机效应模型。AI干预的总体效应量较大（Hedges' g = 1.263，95% CI = 0.950–1.576），依据Cohen标准属大效应。16项研究中，14项（87.5%）的效应量具有统计学显著性，2项（12.5%）不显著。14项显著研究中，13项为大效应，1项为小效应。
亚组分析
元分析方差分析显示，结局领域间差异具有统计学显著性（Q = 49.16，p < 0.001）。学习结局（ES = 1.99）和认知结局（ES = 1.92）效应量最大，其次为情绪与心理健康（ES = 1.39）和语言（ES = 1.35），社交（ES = 0.43）和自我效能（ES = 0.75）相对较小。多数结局领域的预测区间较宽，表明研究间存在实质性变异。残障类型间差异显著（Q = 31.68，p < 0.001），IDs、学习障碍和ADHD学生的效应量较大，ASD学生效应量较小。年级水平间差异显著（Q = 9.40，p = 0.024），小学生和中学生效应量较大，大学生置信区间更宽。实施者间差异显著（Q = 63.39，p < 0.001），研究者和教师实施的干预效应量大于照护者或未指定实施者。
讨论
纳入研究的一般特征
参与者人口学分析揭示了当前AI干预应用的双重分化。略过半数的研究（n = 9，56.3%）针对学习障碍（n = 5，31.3%）、ADHD（n = 1，6.3%）、情绪行为障碍（n = 1，6.3%）、身体障碍（n = 1，6.3%）和心理障碍（n = 1，6.3%），这些群体通常具有平均智力功能水平并伴有特定功能需求。其余研究（n = 7，43.8%）聚焦于ASD（n = 4，25.0%）和ID（n = 3，18.8%）等发展性障碍，需要认知功能与社会适应性行为的全面支持。
学习障碍研究占比最高，两篇样本量最大的研究也针对该群体。学习障碍研究的样本量中位数为80，ASD和ID研究为24。该群体学业结局可通过标准化工具测量，且多数系统采用离散项目即时评分格式，更易映射到学业内容而非社会或适应性目标。对学习障碍研究的集中不应解读为AI干预对该群体具有差异性效果，但确实表明目前AI已在可发挥UDL和DBDM延伸作用的场景中被采用。相比之下，发展性障碍学生常需复杂多维支持以克服认知障碍，针对该群体的AI干预范围有限，多局限于初步验证研究，这与算法系统可能尚缺乏充分捕捉发展性障碍语境细微差异的能力有关。
方法学上，文献以前后测设计为主（93.8%），RCT仅占6.3%。这反映特殊教育研究的总体方法学趋势，也可能表明AI在特殊教育中的应用仍处于萌芽阶段，多由试点或可行性研究构成。为应对AI决策过程透明度有限及过度依赖自动化系统的风险，有必要向更稳健的实证评估转型。
实施情境方面，大部分干预在教育机构或临床情境中开展（75.0%），研究者和教师担任干预实施者（75.0%）。但仅1项研究报告实施者受过培训，仅1项报告保真度检查，实施质量几乎未获记录。教育者主导干预占主导地位与人机协作模型一致，AI不取代教育者专业能力，而是作为分析性和支架性伙伴。照护者实施仅占12.5%，凸显保真度监测方面的显著局限。
学业技能是最大的目标结局类别（37.5%），其次为社交技能（18.8%）。学业技能强调激-反应结构和客观评分系统，与AI辅导平台天然契合。社交技能则具有情境依赖性、多维性和难以标准化自动化的特征，可能需要人类调解者提供情境整合。
AI技术高度异质，涵盖自适应学习系统、AI学习平台、生成式AI、聊天机器人和TTS系统等。干预在时长和类型上差异也很大，单次时长从4分钟至1小时，总时长从1周至48周，仅9项研究可计算总剂量。因此，合并估计值概括了强度和技术上均有差异的干预集合。
设计质量
依据WWC设计标准，纳入研究的总体方法学质量有限。6项研究有保留符合标准，无一项无保留符合标准，多数未能满足随机分配、基线等价性和样本流失控制等关键标准。15项研究依赖非随机前后测设计，限制了对AI干预与观察结局间因果关系的建立能力。未来研究应优先采用更严格的研究设计。
总体效应与调节变量
结果显示AI干预的总体效应量较大，16项研究中14项呈现统计学显著改善。尽管研究间存在显著异质性，但积极发现的一致性表明AI干预可能在不同教育情境中为残障学生带来积极教育结局。然而，多个结局领域的宽预测区间提示应谨慎解读合并效应量。
学习与认知结局上观察到的更大效应可能归因于AI系统通过自适应教学内容、个性化节奏和及时反馈实施UDL原则的能力。IDs、学习障碍和ADHD学生的相对较强效应与数据驱动决策框架一致。ASD学生社交结局的较小效应可能反映社交沟通的情境依赖本质，往往需要超越全自动化教学方法的人类调解。与Feng等人报告的生成式AI对ASD儿童社会情绪技能的显著积极效应相比，本综述发现社交结局效应相对较小，可能反映AI模态和干预特征的差异。
年级水平间存在显著差异，但小学生和中学生效应量均较大，提示AI干预的自适应特征可能适用于不同发展阶段。研究者和教师实施干预的较大效应应谨慎解读，因照护者实施研究较少，且观察到的差异可能反映实施保真度、干预强度和教学情境的差异而非仅实施者类型。总体而言，AI干预的观察效应不仅取决于算法能力，还取决于其与学习者特征、目标结局领域和实施条件的匹配度。
局限
本研究存在若干局限。综述限于RCT和准实验团体设计以便合并效应量，但也缩小了证据基础。在一项涵盖33种特殊教育期刊12，669篇文章的调查中，团体实验设计占已发表文献的11.29%，单案例设计占14.22%。因设计标准被排除的研究体量大于纳入研究，研究结果应视为适用于AI干预的团体设计研究而非整个AI干预文献。纳入研究在目标人群、残障类型、AI技术类型及其教学目的、测量结局和实施特征方面差异显著，总体合并效应应解读为不同AI干预和人群的平均效应而非单一AI方法有效性的指标。调节分析中多个类别仅含少量研究甚至仅含一项研究，亚组发现应视为探索性。实施过程鲜有记录，仅1项研究报告实施者培训，仅1项报告保真度检查。5项研究未明确分配层级，3项研究分配完整班级或群体而非个体。当前AI系统在充分满足发展性障碍学生的复杂需求方面可能仍面临挑战。
