Role of AI in Blended Learning: A Systematic Literature Review
Notice bibliographique
Résumé
As blended learning moved toward a new phase during the COVID-19 pandemic, advancements in artificial intelligence (AI) technology provided opportunities to develop more diverse and dynamic blended learning. This systematic review focused on publications related to the use of AI applications in blended learning. The original studies from January 2007 to October 2023 were extracted from the Google Scholar, ERIC, and Web of Science databases. Finally, 30 empirical studies under the inclusion criteria were reviewed based on two conceptual frameworks: four key challenges of blended learning and three roles of AI. We found that AI applications have been used mainly for the online asynchronous individual learning component in blended learning; little work has been conducted on AI applications that help connect online activities with classroom-based offline activities. Many studies have identified the role of AI as a direct mediator to help control flexibility and autonomy of students in blended learning. However, abundant studies have also identified AI as a supplementary assistant using advanced learning analytics technologies that promote effective interactions with students and facilitate the learning process. Finally, the fewest number of studies have explored the role of AI as a new subject such as use as pedagogical agents or robots. Considering the advancements of generative AI technologies, we expect more research on AI in blended learning. The findings of this study suggested that future studies should guide teachers and their smart AI partner to implement blended learning more effectively.
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 | 0,009 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».