Features, Components and Processes of Developing Policy for Artificial Intelligence in Education (AIED): Toward a Sustainable AIED Development and Adoption
Notice bibliographique
Résumé
Governments and private sectors are now putting in place the needed resources and infrastructure to harness the power of emerging technologies in education. One of these technologies is Artificial Intelligence (AI) which gained increasing attention due to its potential to enhance learning and teaching experiences, hence achieving better learning outcomes. However, AIED also comes with several concerns that raise continuous questions about its safe and effective adoption. The application of AIED needs to be planned and executed properly. One of the basic requirements for this to happen is that a comprehensive national policy on the use of AIED is put in place to guide its implementation and evaluate its effectiveness. Limited information exists in the literature on how to write an AIED policy. To address this research gap, this study therefore discusses the features, major components and processes that countries are advised to adopt for a comprehensive AIED policy development. Specifically, this study highlights four features for a good AIED policy, namely contextual, consultative, dynamic, and, implementable and measurable. It further proposes seven steps for an AIED policy development, namely (1) pre-drafting consultation, (2) stakeholder survey, (3) writing draft policy, (4) discussion on draft policy, (5) adoption and communication of policy document, (6) policy implementation plan, and (7) policy evaluation.
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 | 0,044 | 0,052 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,005 | 0,010 |
| Communication savante | 0,016 | 0,010 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,005 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».