101 creative ideas to use AI in education, A crowdsourced collection
Notice bibliographique
Résumé
This open crowdsourced collection by #creativeHE presents a rich tapestry of our collective thinking in the first months of 2023 stitching together potential alternative uses and applications of Artificial Intelligence (AI) that could make a difference and create new learning, development, teaching and assessment opportunities. Experimentation is at the heart of learning, teaching and scholarship. Being open to diverse ideas will help us make novel connections that can lead to new discoveries and insights to make a positive contribution to our world. Ideas shared may be in its embryonic stage, but worth exploring further through active and creative inquiry. We would like to illuminate the importance of responsible, critical and ethical use of AI in education settings and more generally. We are grateful for all 101 contributions from 19 countries: Australia, Canada, China, Egypt, Germany, Greece, India, Israel, Italy, Ireland, Jordan, Liberia, Mexico, South Africa, Spain, Thailand, Turkey, United Kingdom and the US. A special thank you to Bushra Hashim for the beautiful design. Suggested citation: Nerantzi, C., Abegglen, S., Karatsiori, M. and Martinez-Arboleda, A. (Eds.) (2023). 101 Creative ideas to use AI in education. A collection curated by #creativeHE. Graphic Design by Bushra Hashim. CC-BY-NC-SA 4.0. As the collection is made available under the Creative Commons License CC-BY-NC-SA license, anybody can use the collection as open data to further interrogate the use of AI in Education. Please share any resulting outcomes with the editorial team and the wider community. The editors “This collection represents vision; it embodies creativity. The importance of perspective and community of practice comes to life here in the breadth of examples demonstrating creative ideas to use AI in education. As we explore how we design new experiences for our learners and differentiate opportunities to engage in new ways, we have an opportunity to push our own boundaries and explore. We can collaborate, radically. This is a collection that will only grow as we shift our own practice and as we allow ourselves to experiment and iterate for a transformational student experience.” Dr Margaret Korosec, Dean of Online and Digital Education, University of Leeds.
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 | 0,010 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,011 | 0,015 |
| Études des sciences et des technologies | 0,005 | 0,002 |
| Communication savante | 0,008 | 0,005 |
| Science ouverte | 0,002 | 0,010 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,066 | 0,037 |
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 ».