Special Issue: Artificial Intelligence in Open and Distributed Learning: Does It Facilitate or Hinder Teaching and Learning?
Notice bibliographique
Résumé
Artificial intelligence (AI) is a rapidly evolving field with the potential to revolutionize various aspects of education, especially in open and distributed learning, including distance education, hybrid learning, and blended learning.AI can transform curriculum design, content delivery, assessment, feedback, learner support, and learning analytics (Chen et al., 2020).AI offers personalized and adaptive learning paths based on learners' preferences, needs, goals, and performance, enhancing their educational experience (Holmes et al., 2023).It also provides timely feedback and guidance, fostering engagement and motivation.AI creates interactive and immersive learning environments, such as games, simulations, and virtual reality, sparking learners' interest and involvement.It promotes social and collaborative learning by facilitating communication and cooperation among learners, instructors, and resources (Holmes et al., 2023).Additionally, AI optimizes various tasks like content creation, grading, assessment, and learning analytics, improving the quality and efficiency of education processes.However, AI in education also raises significant challenges and risks.Ethical, legal, social, pedagogical, and technical issues need consideration (Chen et al., 2022;Ouyang & Jiao, 2021).For example, maintaining AI applications' quality, validity, reliability, and fairness remains crucial.Protecting learners' and instructors' privacy, security, and autonomy in AImediated learning contexts is also vital (Holmes et al., 2023).Moreover, fostering critical thinking, creativity, and human values in AI-enhanced learning experiences is crucial.Lastly, addressing the digital divide and potential marginalization of learners and instructors without access to or skills in AI technologies is paramount (Holmes et al., 2023).Overall, AI has immense potential in education, but its responsible and informed implementation is necessary to ensure its benefits are maximized while mitigating potential risks.Given the above points, this special issue aims to explore the opportunities and challenges of AI in open and distributed learning, including distance education, hybrid learning, and blended learning, from multiple perspectives.We invited
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 | 0,004 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,005 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,012 | 0,008 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,013 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,108 | 0,032 |
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 ».