ปลดล็อก AI ทางคณิตศาสตร์: คู่มือฉบับสมบูรณ์

เครื่องมือคำนวณและ AI เชิงสร้างสรรค์: สองกระบวนทัศน์

ภูมิทัศน์ปัจจุบันถูกกำหนดโดยการแบ่งแยกระหว่างระบบการคำนวณและระบบการสร้างสรรค์ เราจะสำรวจแต่ละระบบในรายละเอียดเพิ่มเติม:

เครื่องมือคำนวณ (ระบบเชิงกำหนด)

เครื่องมือคำนวณแสดงถึงวิธีการคลาสสิกในการใช้เครื่องจักรช่วยคณิตศาสตร์ ระบบเหล่านี้ ซึ่งเป็นตัวแทนจากแพลตฟอร์มเช่น Wolfram Alpha และเครื่องมือซอฟต์แวร์ที่อยู่เบื้องหลัง Maple และ Mathematica ทำงานบนฐานความรู้ขนาดใหญ่ที่ได้รับการดูแลจัดการอย่างพิถีพิถันเกี่ยวกับข้อมูลทางคณิตศาสตร์ กฎ และอัลกอริทึม พวกเขาเป็นเชิงกำหนด ซึ่งหมายความว่าพวกเขาไม่ได้ทำการคาดเดาหรือทำนาย พวกเขาคำนวณคำตอบผ่านตรรกะที่เป็นทางการและขั้นตอนที่จัดตั้งขึ้น เมื่อได้รับแจ้ง เครื่องมือเหล่านี้จะดำเนินการคำนวณแบบไดนามิก แทนที่จะค้นหาคำตอบที่มีอยู่บนอินเทอร์เน็ต

ข้อได้เปรียบหลักของกระบวนทัศน์นี้คือความแม่นยำและความน่าเชื่อถือที่ไม่มีใครเทียบได้ ผลลัพธ์มีความสอดคล้อง ตรวจสอบได้ และมีพื้นฐานมาจากความจริงทางคณิตศาสตร์ ระบบเหล่านี้เก่งในการคำนวณที่มีความแม่นยำสูง การวิเคราะห์ข้อมูลขั้นสูง การดำเนินการทางสถิติ และการสร้างภาพที่ซับซ้อน อย่างไรก็ตาม จุดอ่อนในอดีตคือส่วนต่อประสานผู้ใช้ ผู้ใช้หลายคนพบว่าสิ่งเหล่านี้ “เทอะทะ” หรือใช้งานยาก โดยมักจะต้องมีความเข้าใจเกี่ยวกับไวยากรณ์เฉพาะเพื่อให้สามารถกำหนดคำค้นหาได้อย่างถูกต้อง ตามเนื้อผ้า พวกเขาไม่เก่งในการตีความคำขอภาษาธรรมชาติที่คลุมเครือ หรือแก้ไขปัญหาคำศัพท์หลายขั้นตอนที่ต้องใช้ความเข้าใจตามบริบทมากกว่าการคำนวณล้วนๆ

AI เชิงสร้างสรรค์ (ระบบเชิงความน่าจะเป็น - LLM)

AI เชิงสร้างสรรค์ ขับเคลื่อนโดยแบบจำลองภาษาขนาดใหญ่ เช่น GPT ของ OpenAI และ Gemini ของ Google แสดงถึงวิธีการที่แตกต่างกันอย่างสิ้นเชิง ระบบเชิงความน่าจะเป็นเหล่านี้ได้รับการฝึกฝนบนชุดข้อมูลขนาดใหญ่ของข้อความและโค้ดเพื่อทำนายคำหรือโทเค็นที่เป็นไปได้มากที่สุดถัดไปในลำดับ พวกเขาไม่มีแบบจำลองตรรกะทางคณิตศาสตร์ที่แท้จริงและภายใน ในทางกลับกัน พวกเขาเป็นผู้เชี่ยวชาญในการจดจำลวดลาย สามารถเลียนแบบโครงสร้าง ภาษา และขั้นตอนของโซลูชันทางคณิตศาสตร์ได้อย่างคล่องแคล่วอย่างน่าทึ่ง

ข้อได้เปรียบหลักของพวกเขาคือส่วนต่อประสานที่ใช้งานง่ายและการสนทนา พวกเขาสามารถมีส่วนร่วมในการสนทนาด้วยภาษาธรรมชาติ แยกแนวคิดที่ซับซ้อนออกเป็นหลากหลายวิธี และสามารถทำหน้าที่เป็นผู้สอนแบบโต้ตอบตามความต้องการได้ สิ่งนี้ทำให้พวกเขามีประสิทธิภาพอย่างยิ่งในการตอบคำถามเชิงแนวคิด ระดมความคิดเกี่ยวกับแนวทางแก้ไขปัญหา หรือแม้แต่ช่วยสร้างโค้ดเพื่อแก้ไขงานทางคณิตศาสตร์

อย่างไรก็ตาม ธรรมชาติเชิงความน่าจะเป็นของพวกเขาก็เป็นจุดอ่อนที่ยิ่งใหญ่ที่สุดในขอบเขตที่ต้องการความแม่นยำ LLM เป็นที่ทราบกันดีว่ามีแนวโน้มที่จะ “ภาพหลอน” - สร้างคำตอบที่ฟังดูสมเหตุสมผล แต่ไม่ถูกต้องในความเป็นจริง และส่งมอบด้วยความมั่นใจอย่างแน่วแน่ พวกเขาไม่น่าเชื่อถือในการคำนวณทางคณิตศาสตร์ขั้นพื้นฐาน และแสดงความเปราะบางในการให้เหตุผลแบบหลายขั้นตอนที่ข้อผิดพลาดเดียวในขั้นตอนก่อนหน้าอาจทำให้โซลูชันทั้งหมดล้มเหลวโดยไม่ได้รับการตรวจจับ เนื่องจากพวกเขาสร้างการตอบสนองตามความน่าจะเป็น พวกเขาสามารถให้คำตอบที่แตกต่างกันสำหรับคำถามเดียวกันทุกประการที่ถามในเวลาที่ต่างกัน ซึ่งบ่อนทำลายความไว้วางใจในตัวพวกเขา

การเพิ่มขึ้นของระบบไฮบริดและตัวแทนชนิดใช้เครื่องมือ

ข้อจำกัดโดยธรรมชาติของแต่ละกระบวนทัศน์ได้สร้างแรงจูงใจทางการตลาดที่แข็งแกร่งสำหรับการผสมผสาน ความไม่น่าเชื่อถือของ LLM ล้วนๆ ในการคำนวณที่แม่นยำได้สร้างความต้องการความแม่นยำของเครื่องมือคำนวณ ในทางกลับกัน ประสบการณ์ผู้ใช้ที่มักจะเทอะทะของเครื่องมือคำนวณได้สร้างความต้องการความสะดวกในการสนทนาของ LLM สิ่งนี้นำไปสู่การเกิดขึ้นของระบบไฮบริด ซึ่งแสดงถึงวิวัฒนาการทางสถาปัตยกรรมที่สำคัญ

การพัฒนานี้ไม่ได้เป็นเพียงการรวมผลิตภัณฑ์สองอย่างเข้าด้วยกัน มันเป็นการส่งสัญญาณถึงการเปลี่ยนแปลงไปสู่รูปแบบ AI ใหม่ ซึ่ง LLM ทั่วไปทำหน้าที่เป็น “ผู้ประสานงาน” หรือส่วนหน้าของภาษาธรรมชาติ ซึ่งมอบหมายงานอย่างชาญฉลาดให้กับชุดเครื่องมือแบ็กเอนด์ที่น่าเชื่อถือและมีความเชี่ยวชาญมากกว่า โครงสร้างนี้ยอมรับจุดอ่อนหลักของ LLM และใช้ประโยชน์จากจุดแข็งของพวกเขาในฐานะอินเทอร์เฟซมากกว่าเครื่องคำนวณ แนวโน้มนี้ชี้ให้เห็นว่าอนาคตของ AI ไม่ได้อยู่ที่แบบจำลองเดียวที่ทรงพลัง แต่เป็นระบบนิเวศที่ซับซ้อนของเอเจนต์ที่เชื่อมต่อถึงกันและมีความเชี่ยวชาญ ดังนั้น คำถาม “AI ที่ดีที่สุดสำหรับคณิตศาสตร์” กำลังเปลี่ยนจากการเลือกเครื่องมือเดียวเป็นการประเมิน สแต็ก ของเทคโนโลยีแบบบูรณาการที่มีประสิทธิภาพสูงสุด

รูปแบบการใช้งานหลายอย่างของระบบไฮบริดเหล่านี้ได้กลายเป็นเรื่องธรรมดา:

• การผสานรวมปลั๊กอิน/API: แบบจำลองนี้อนุญาตให้ LLM เรียกเครื่องมือภายนอก ตัวอย่างที่โดดเด่นที่สุดคือปลั๊กอิน Wolfram Alpha ของ ChatGPT ซึ่งช่วยให้ LLM สามารถถ่ายงานการคำนวณที่ซับซ้อนไปยังเครื่องมือคำนวณของ Wolfram รับผลลัพธ์ที่ถูกต้อง จากนั้นนำเสนอผลลัพธ์กลับไปยังผู้ใช้ผ่านคำอธิบายเชิงสนทนา

• แบ็กเอนด์การสร้างโค้ด: เครื่องมือคณิตศาสตร์ AI ใหม่ๆ จำนวนมากขึ้น เช่น Julius AI และ Mathos AI ทำงานตามหลักการนี้ พวกเขาใช้ LLM เพื่อตีความคำค้นหาของผู้ใช้ (มักจะเป็นปัญหาคำศัพท์) และแปลเป็นโค้ดที่ปฏิบัติการได้ในภาษาเช่น Python โดยใช้ประโยชน์จากไลบรารีทางคณิตศาสตร์ที่ทรงพลังเช่น SymPy สำหรับการคำนวณจริง สิ่งนี้ใช้ประโยชน์จากความสามารถทางภาษาธรรมชาติและการให้เหตุผลของ LLM ในขณะที่วางรากฐานคำตอบสุดท้ายในสภาพแวดล้อมการเขียนโปรแกรมเชิงกำหนดที่ตรวจสอบได้ ซึ่งช่วยลดความเสี่ยงของภาพหลอนทางคณิตศาสตร์ลงอย่างมาก

• แบบจำลองการผสานรวมที่เป็นกรรมสิทธิ์: บริษัทต่างๆ ยังพัฒนาแบบจำลองเฉพาะทางที่ได้รับการปรับแต่งอย่างละเอียดบนข้อมูลทางคณิตศาสตร์และกระบวนการให้เหตุผลที่กว้างขวาง เครื่องมือเช่น MathGPT และ Math AI อ้างว่าได้สร้างฟังก์ชันทางคณิตศาสตร์ที่ทรงพลังและเป็นธรรมชาติมากขึ้นลงในแบบจำลองของตนโดยตรง โดยมุ่งหวังที่จะให้ความช่วยเหลือเชิงสนทนาและความแม่นยำสูงโดยไม่จำเป็นต้องพึ่งพาปลั๊กอินภายนอก

เครื่องมือทางคณิตศาสตร์ AI สำหรับการเรียนรู้และการศึกษา (K-12 และระดับปริญญาตรี)

ตลาดเครื่องมือทางคณิตศาสตร์ AI สำหรับการศึกษา กำลังแตกต่างกัน ซึ่งสะท้อนให้เห็นถึงความตึงเครียดในวงกว้างในอุตสาหกรรม EdTech สาขาหนึ่งประกอบด้วยแอปพลิเคชันที่มุ่งเน้นผู้บริโภคโดยตรง ซึ่งออกแบบมาเพื่อให้ความช่วยเหลือด้านการบ้านทันทีแก่นักเรียน อีกสาขาหนึ่งประกอบด้วยเครื่องมือที่สร้างขึ้นสำหรับนักการศึกษาและสถาบัน โดยมุ่งเน้นที่การปรับปรุงการสอนในห้องเรียนและประหยัดเวลาของครู การแบ่งแยกนี้เกิดขึ้นจากความต้องการและความท้าทายที่แตกต่างกันของนักเรียนและครู ในขณะที่นักเรียนแสวงหาโซลูชันที่รวดเร็วและเข้าใจง่าย นักการศึกษากลับต้องดิ้นรนเพื่อพิจารณาว่าจะใช้เครื่องมือเหล่านี้เพื่อส่งเสริมการเรียนรู้ที่แท้จริงได้อย่างไร โดยไม่ส่งเสริมการทุจริตทางวิชาการ สิ่งนี้นำไปสู่ผู้ช่วย AI ใหม่ที่ออกแบบมาเพื่อเพิ่มขีดความสามารถให้กับครูที่เป็นมนุษย์ แทนที่จะหลีกเลี่ยงพวกเขา ซึ่งบ่งชี้ว่าอนาคตที่ยั่งยืนที่สุดของ AI ในการศึกษาอยู่ที่การปรับปรุงมากกว่าการแทนที่การสอนแบบดั้งเดิม

ลองสำรวจทั้งสองประเภทนี้ โดยเริ่มจากความช่วยเหลือโดยตรงสำหรับการบ้านของนักเรียน:

ตัวช่วยทำการบ้าน: ตัวแก้ปัญหาทันทีและติวเตอร์

นี่คือส่วนตลาดที่มีผู้คนหนาแน่นและมีการแข่งขันสูงที่สุด ซึ่งมุ่งเป้าไปที่นักเรียนตั้งแต่ระดับ K-12 จนถึงระดับปริญญาตรี ข้อเสนอคุณค่าหลักไม่ได้เป็นเพียงการให้คำตอบสุดท้าย แต่เป็นการให้คำอธิบายที่ชัดเจนทีละขั้นตอนเพื่อส่งเสริมการเรียนรู้

• Photomath: Photomath ซึ่งปัจจุบันเป็นของ Google เป็นผู้นำตลาดที่ได้รับการยอมรับอย่างกว้างขวางสำหรับอินพุตที่ใช้กล้องที่เหนือกว่า ซึ่งใช้การรู้จำอักขระด้วยแสง (OCR) เพื่อสแกนปัญหาที่พิมพ์และเขียนด้วยลายมือได้อย่างแม่นยำ คุณลักษณะที่กำหนดและข้อได้เปรียบในการแข่งขันที่สำคัญเหนือคู่แข่งเช่น Mathway คือการให้คำอธิบายทีละขั้นตอนที่ครอบคลุมได้ฟรี แอปนี้มีจุดมุ่งหมายเพื่ออธิบาย “อะไร ทำไม และอย่างไร” ที่อยู่เบื้องหลังโซลูชัน ทำให้เป็นเครื่องมือที่แนะนำอย่างยิ่งสำหรับนักเรียน แม้ว่าฟังก์ชันหลักจะฟรี แต่แผนพรีเมียม (ประมาณ 69.99 ดอลลาร์/ปี) มีบทช่วยสอนแบบเคลื่อนไหวและสื่อช่วยภาพเชิงลึกยิ่งขึ้น

• Mathway: Mathway ได้รับการซื้อโดยบริษัทเทคโนโลยีการศึกษา Chegg มีขอบเขตที่กว้างขวางมาก ครอบคลุมหัวข้อต่างๆ ตั้งแต่เลขคณิตพื้นฐานไปจนถึงแคลคูลัส สถิติ พีชคณิตเชิงเส้นขั้นสูง และแม้แต่วิชาต่างๆ เช่น เคมีและฟิสิกส์ อย่างไรก็ตาม รูปแบบธุรกิจของมันก่อให้เกิดข้อเสียเปรียบอย่างมากสำหรับผู้เรียน แม้ว่าจะให้คำตอบสุดท้ายได้ฟรี แต่คำอธิบายทีละขั้นตอนที่สำคัญจะถูกล็อกไว้เบื้องหลังการสมัครสมาชิกแบบพรีเมียม ซึ่งอยู่ที่ประมาณ 39.99 ดอลลาร์ต่อปี เมื่อเทียบกับ Photomath ทำให้ผลิตภัณฑ์ฟรีมีประสิทธิภาพน้อยกว่าในฐานะเครื่องมือการเรียนรู้ นอกจากนี้ยังได้รับการพิสูจน์แล้วว่ามีปัญหาในการตีความปัญหาที่ต้องใช้แผนภาพ

• Symbolab: Symbolab ซึ่งเป็นเจ้าของโดย Course Hero ได้รับการยกย่องอย่างสูงสำหรับเครื่องมือแก้ปัญหาที่แข็งแกร่งและเน้นที่การสอนเพื่อช่วยให้ผู้ใช้เข้าใจ กระบวนการ ในการได้มาซึ่งโซลูชัน ประกอบด้วยอินเทอร์เฟซที่สะอาดตาและชุดเครื่องมือการเรียนรู้ รวมถึงคำถามฝึกหัดหลายพันข้อ แบบทดสอบที่ปรับแต่งได้ และคุณสมบัติ “Chat with Symbo” แบบโต้ตอบเพื่อชี้แจงขั้นตอนที่สับสน เป็นเครื่องมือที่ใช้งานได้หลากหลาย ครอบคลุมสาขาวิชาต่างๆ ตั้งแต่พีชคณิตไปจนถึงแคลคูลัสและฟิสิกส์ เช่นเดียวกับคู่แข่ง ใช้วิธีการฟรีเมียม ซึ่งฟังก์ชันขั้นสูงและการเข้าถึงขั้นตอนแบบไม่จำกัดต้องมีการสมัครสมาชิก Pro

• Socratic ของ Google: Socratic เป็นแอปการเรียนรู้แบบสหวิทยาการฟรี ซึ่งทำงานได้มากกว่าตัวแก้ปัญหาโดยตรง เช่นเดียวกับเครื่องมือค้นหาทางการศึกษาที่คัดสรรมาอย่างดี เมื่อนักเรียนป้อนคำถาม (ผ่านทางรูปภาพ เสียง หรือข้อความ) Socratic จะใช้ AI ของ Google เพื่อค้นหาและนำเสนอแหล่งข้อมูลออนไลน์ที่ดีที่สุดที่มีอยู่ เช่น คำอธิบายโดยละเอียด วิดีโอที่เกี่ยวข้อง และฟอรัมถามตอบ เก่งในวิชาเบื้องต้น เช่น พีชคณิต 1 แต่มักประสบปัญหาในวิชาคณิตศาสตร์ระดับสูง ซึ่งอาจเพียงแค่เปลี่ยนเส้นทางผู้ใช้ไปยังเว็บไซต์อื่นๆ ข้อได้เปรียบหลักคือความสามารถรอบด้านในวิชาต่างๆ ของโรงเรียนหลายวิชาและความสามารถในการจัดหาวัสดุการเรียนรู้ที่หลากหลายเพื่อให้เหมาะกับรูปแบบการเรียนรู้ที่แตกต่างกัน

• New Wave (ติวเตอร์แบบ LLM): คลื่นลูกใหม่ของแอปพลิเคชันได้เกิดขึ้น โดยสร้างขึ้นตั้งแต่เริ่มต้นโดยใช้ LLM และมักจะใช้แบ็กเอนด์การสร้างโค้ดเพื่อปรับปรุงความถูกต้อง เครื่องมือเช่น Julius AI, Mathos AI (MathGPTPro) และ MathGPT วางตำแหน่งตัวเองเป็นทางเลือกขั้นสูงกว่าตัวแก้ปัญหาเก่าและแชทบอททั่วไป พวกเขาอ้างสิทธิ์ในความถูกต้องที่กล้าหาญ ตัวอย่างเช่น Julius “ถูกต้อง 31%” มากกว่า GPT-4o และ Mathos “ถูกต้อง 20%” มากกว่า GPT-4 พวกเขาแยกความแตกต่างด้วยการนำเสนอวิธีการป้อนข้อมูลที่หลากหลายมากขึ้น (รวมถึงข้อความ รูปภาพ เสียง ภาพวาด และแม้แต่การอัปโหลด PDF) และโดยการมอบประสบการณ์การสอนที่โต้ตอบได้และเป็นส่วนตัวมากขึ้น ซึ่งสามารถปรับให้เข้ากับรูปแบบการเรียนรู้ของนักเรียนได้

ตารางด้านล่างให้การวิเคราะห์เปรียบเทียบของตัวแก้ปัญหาทางคณิตศาสตร์ AI ชั้นนำเหล่านี้

ต่อไปเราจะหันความสนใจไปที่เครื่องมือที่ส่งเสริมความเข้าใจในแนวคิด:

นักสำรวจเชิงโต้ตอบ: การแสดงภาพและความเข้าใจในแนวคิด

หมวดหมู่นี้แตกต่างจากเครื่องมืออื่นๆ ที่ออกแบบมาเพื่อให้คำตอบเท่านั้น โดยมุ่งเน้นที่การส่งเสริมความเข้าใจในแนวคิดผ่านการสำรวจและการแสดงภาพแบบโต้ตอบ

• Desmos: Desmos ส่วนใหญ่เป็นที่รู้จักในนามเครื่องคิดเลขกราฟออนไลน์ชั้นนำ สร้างขึ้นเพื่อการเรียนรู้ตามการค้นพบ คุณสมบัติที่ได้รับความนิยมมากที่สุดคือการใช้แถบเลื่อนแบบโต้ตอบ ซึ่งช่วยให้ผู้ใช้สามารถเปลี่ยนตัวแปรในสมการแบบไดนามิก และดูผลกระทบต่อกราฟได้ทันที ซึ่งสร้างความเข้าใจที่แข็งแกร่งและใช้งานง่ายเกี่ยวกับแนวคิดต่างๆ เช่น การแปลงฟังก์ชัน แพลตฟอร์มนี้ฟรีอย่างสมบูรณ์ ทำงานแบบออฟไลน์ และผสานรวมเข้ากับระบบการจัดการการเรียนรู้ในห้องเรียนอย่างกว้างขวาง ทำให้เป็นที่ชื่นชอบของนักเรียนและนักการศึกษา

• GeoGebra: เครื่องมือฟรีและทรงพลังนี้สร้างลิงก์แบบไดนามิกระหว่างสาขาคณิตศาสตร์ที่แตกต่างกัน โดยผสมผสานเรขาคณิต พีชคณิต แคลคูลัส และสถิติเข้าด้วยกันอย่างราบรื่น จุดแข็งหลักอยู่ที่ความสามารถในการเชื่อมโยงนิพจน์พีชคณิตกับสิ่งที่เทียบเท่าทางเรขาคณิตด้วยสายตา ทำให้ผู้เรียนสามารถสำรวจความสัมพันธ์เหล่านี้ในสภาพแวดล้อมแบบโต้ตอบที่สนับสนุนการเรียนรู้จากคำถาม

การปฏิวัติในห้องเรียน: AI สำหรับนักการศึกษา

เครื่องมือ AI ประเภทใหม่ได้เกิดขึ้น ซึ่งไม่ได้ออกแบบมาสำหรับนักเรียน แต่สำหรับครู แพลตฟอร์มเหล่านี้มีจุดมุ่งหมายเพื่อลดภาระด้านการบริหาร ประหยัดเวลา และช่วยให้นักการศึกษาสร้างสภาพแวดล้อมการเรียนรู้ที่เป็นส่วนตัวและมีประสิทธิภาพมากขึ้น

• Brisk Teaching: ส่วนขยาย Chrome ที่ขับเคลื่อนด้วย AI นี้เป็นผู้ช่วยอเนกประสงค์สำหรับครูคณิตศาสตร์ สามารถสร้างแผนการสอนที่ครอบคลุมได้ทันที สร้างปัญหาเกี่ยวกับข้อความที่น่าสนใจและสอดคล้องตามมาตรฐานซึ่งปรับให้เหมาะกับทุกหัวข้อ และแม้แต่สร้างแบบทดสอบจากแหล่งข้อมูลที่มีอยู่ เช่น วิดีโอ YouTube นักการศึกษายกย่องว่าช่วยประหยัดเวลาในการสร้างเนื้อหาได้หลายชั่วโมง

• SchoolAI: แพลตฟอร์มนี้มุ่งเน้นที่การให้คำปรึกษา AI แบบตัวต่อตัวแก่นักเรียน ในขณะเดียวกันก็มอบแดชบอร์ดการจัดการที่ทรงพลังสำหรับครู แดชบอร์ดนี้ช่วยให้นักการศึกษาสามารถตรวจสอบความคืบหน้าของนักเรียนได้แบบเรียลไทม์ ระบุช่องว่างการเรียนรู้อย่างรวดเร็ว และให้การสนับสนุนที่ตรงเป้าหมาย สามารถผสานรวมได้โดยตรงกับเครื่องมือในห้องเรียนทั่วไป เช่น Canvas และ Google Classroom

• Khanmigo: ติวเตอร์ AI จาก Khan Academy ได้รับการออกแบบมาเพื่อแนะนำนักเรียนในการแก้ปัญหา แทนที่จะให้คำตอบเพียงอย่างเดียว ซึ่งช่วยเพิ่มความคิดเชิงวิจารณญาณ สำหรับครู Khanmigo สามารถวิเคราะห์ข้อมูลประสิทธิภาพของนักเรียนและให้คำแนะนำเกี่ยวกับวิธีจัดกลุ่มนักเรียนเพื่อรับคำแนะนำที่ตรงเป้าหมาย ซึ่งเป็นงานที่อาจต้องใช้เวลาหลายชั่วโมงหากทำด้วยตนเอง อย่างไรก็ตาม มีรายงานว่าเครื่องมือนี้อาจมีปัญหาในการคำนวณพื้นฐานในบางครั้ง ซึ่งต้องให้ครูตรวจสอบ

• SALT-Math: โครงการวิจัยของมหาวิทยาลัยฟลอริดาแห่งนี้แสดงถึงแนวทางที่เน้นการทดลองมากขึ้นในการสอน โดยพลิกกลับรูปแบบการเรียนรู้แบบดั้งเดิม ใช