Exploring EFL Teachers’ Insights Regarding Artificial Intelligence Driven Tools in Student-Centered Writing Instructions
Notice bibliographique
Résumé
The significance of technology integration including artificial intelligence (AI)-mediated tools has established a notable presence in the academic spectrum. Despite the abundance of studies available on AI-mediated technology integration in writing instructions in diverse settings, there remains an apparent gap in exploring teachers’ insights, particularly within the context of Arab universities. Therefore, the current study explores the employment of AI-driven tools in student-centered writing instructions from English as a Foreign Language (EFL) teachers’ perspectives. Using a qualitative research methodology, this study collected data through semi-structured interviews with a sample of (N = 16) teachers from four different universities. The content analysis indicates that teachers strongly perceive a positive impact of AI writing assistants on both student involvement and the role of teachers. Additionally, they underscore the significance of professional development and the role of AI in facilitating student-centered approach for effective writing instructions. While acknowledging the efficiency, customization, and time-saving aspects of AI tools, they also expressed reservations about potential issues such as overreliance, bias, digital divide, and concerns regarding accuracy. Furthermore, the participants observed the ways to address issues and concerns associated with the integration of AI-mediated tools include, but not limited to, clear communication, ethical considerations, academic integrity, teacher roles, ongoing and latest AI updates, student-centered learning, and professional development. Finally, the study offers limitations and recommendations for future research.
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 | 0,001 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».