Artificial Intelligence and Teachers’ New Ethical Obligations
Notice bibliographique
Résumé
Largely thought to be immune from automation, the teaching profession is now being challenged on multiple fronts by new digital infrastructures and smart software that automate pedagogical decision-making and supporting teaching practises. To better understand this emerging and ethically fraught intensification of technologies in today’s classrooms, we asked, “what new ethical obligations are teachers facing as a result of AI technology adoption in schools?” We began by defining AI, then turned to posthumanism to grapple with how networked, AI-enhanced digital technologies extend and intermesh with human beings cognitively, affectively, morally, corporeally, spatially, temporally, socially and politically. We catalogued Artificial Intelligence (AI) technologies that have been deployed in some of today’s K-12 classrooms (AIEDK-12)s and developed a topology of AIEDK-12 technologies based on (1) teachers’ professional activities being supported by AI, (2) AI being used by and for learners to facilitate their learning and development; (3) additions to K-12 curricula about AI; and (4) AI-based technologies being used by schools, districts and ministries of education to inform decisions that affect teachers. We then consider how a posthumanist investigative approach to disclosive ethics —”interviewing objects”— can shed new light on the implications of widespread deployment of AIEdK12 on teachers’ work. We interviewed three AI-based educational applications, recasting teachers and students as involved and evolving human-AI hybrids. In the process, we uncovered some of the new complications and ethical conundrums being introduced to teachers’ professional practises.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».