Artificial intelligence literacy: a proposed faceted taxonomy
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose The purpose of this paper is to propose a taxonomy of artificial intelligence (AI) literacy to support AI literacy education and research. Design/methodology/approach This study makes use of the facet analysis technique and draws upon various sources of data and information to develop a taxonomy of AI literacy. The research consists of the following key steps: a comprehensive review of the literature published on AI literacy research, an examination of well-known AI classification schemes and taxonomies, a review of prior research on data/information/digital literacy research and a qualitative and quantitative analysis of 1,031 metadata records on AI literacy publications. The KH Coder 3 software application was used to analyse metadata records from the Scopus multidisciplinary database. Findings A new taxonomy of AI literacy is proposed with 13 high-level facets and a list of specific subjects for each facet. Research limitations/implications The proposed taxonomy may serve as a conceptual AI literacy framework to support the critical understanding, use, application and examination of AI-enhanced tools and technologies in various educational and organizational contexts. Practical implications The proposed taxonomy provides a knowledge organization and knowledge mapping structure to support curriculum development and the organization of digital information. Social implications The proposed taxonomy provides a cross-disciplinary perspective of AI literacy. It can be used, adapted, modified or enhanced to accommodate education and learning opportunities and curricula in different domains, disciplines and subject areas. Originality/value The proposed AI literacy taxonomy offers a new and original conceptual framework that builds on a variety of different sources of data and integrates literature from various disciplines, including computing, information science, education and literacy 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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,004 | 0,006 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle