AI and the Future of Teaching: Preservice Teachers’ Reflections on the Use of Artificial Intelligence in Open and Distributed Learning
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
The rapid advancement of artificial intelligence (AI) in education underscores transformative prospects for open and distributed learning, encompassing distance, hybrid, and blended learning environments. This qualitative study, grounded in narrative inquiry, investigates the experiences and perceptions of 141 preservice teachers engaged with AI, mainly through ChatGPT, over a 3-week implementation on Zoom to understand its influence on their evolving professional identities and instructional methodologies. Employing Strauss and Corbin’s methodological approach of open, axial, and selective coding to analyze reflective narratives, the study unveils significant themes that underscore the dual nature of AI in education. Key findings reveal ChatGPT’s role in enhancing educational effectiveness and accessibility while raising ethical concerns regarding academic integrity and balanced usage. Specifically, ChatGPT was found to empower personalized learning and streamline procedures, yet challenges involving information accuracy and data security remained. The study significantly contributes to teacher education discourse by revealing AI’s complex educational impacts, highlighting an urgent need for comprehensive ethical AI literacy in teacher training curricula. However, critical ethical considerations and practical challenges involving academic integrity, information accuracy, and balanced AI use are also brought to light. The research also spotlights the need for responsible AI implementation in open and distributed learning to optimize educational outcomes while addressing potential risks. The study’s insights advocate for future-focused AI literacy frameworks that integrate technological adeptness with ethical considerations, preparing teacher candidates for an intelligent digital educational landscape.
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 | 0,010 | 0,004 |
| 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 | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 découle