Generative or Degenerative?! Implications of AI Tools in Pre-Service Teacher Education and Reflections on Instructors’ Professional Development
Notice bibliographique
Résumé
Despite existing research on AI applications in education (AIEd), the release of ChatGPT has disrupted the status quo in the educational landscape. Although this technology can personalize learning, decrease teacher workload, and offer access to a wealth of information, concerns around generative AI (GenAI) tools have emerged, including academic integrity, data accuracy, and bias in information. Given research highlights and acknowledging educators’ varied levels of awareness and conflicting views toward AIEd, two teacher educators (also authors of this paper) in the Faculty of Education at Brock University facilitated three workshops among different groups of teacher educators. The workshops focused on the emerging nature of GenAI tools, their affordances, and their implications for educators’ practices. Adopting a narrative inquiry approach, the authors describe the details of these workshops and present their reflections on the process of preparing for and facilitating them. Implications for teacher education research and practice are also presented and discussed.Keywords: artificial intelligence (AI), artificial intelligence in education (AIEd), teacher education, professional development, generative AI (GenAI)
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 | 0,019 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,014 | 0,036 |
| Communication savante | 0,011 | 0,010 |
| Science ouverte | 0,002 | 0,010 |
| Intégrité de la recherche | 0,004 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».