Use of AI in teaching mathematics to persons living with disabilities: The Context of the United States
Notice bibliographique
Résumé
This narrative literature review investigates the integration of Artificial Intelligence (AI) in mathematics education for students with learning disabilities (SLDs) in the United States. Employing a narrative literature review methodology, the study synthesises peer-reviewed articles, policy documents, and grey literature published between 2020 and 2025, sourced from academic databases such as Google Scholar, Science Direct, Emerald, ERIC, and JSTOR. The review is grounded in Universal Design for Learning (UDL) and Constructivist Learning Theory, providing a theoretical framework for evaluating the role of AI in inclusive education. The selection criteria prioritised studies focusing on AI applications that enhance accessibility, personalisation, and early detection of learning difficulties, with special attention to tools like Photomath, Mathway, Socratic, Century, and the MACS Curriculum. The findings highlight AI’s capacity to support differentiated instruction, automate feedback, and facilitate early screening for conditions such as dyscalculia and dysgraphia. The review also identifies persistent challenges, including inconsistent classroom adoption, infrastructural and policy limitations, ethical concerns, and gaps in accessibility for some AI platforms. Comparative insights from international contexts, notably China, further underscore the importance of supportive policy frameworks and teacher training. The study concludes that while AI holds significant promise for transforming mathematics instruction for students with disabilities, realising its full potential requires sustained investment in accessible technologies, ongoing research, and collaborative policy development. The review advocates for responsible, equitable, and pedagogically sound AI integration to ensure all learners benefit from technological advancements in education.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,005 | 0,007 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».