Integrating Artificial Intelligence with NHEQF Descriptors for Pedagogical Excellence
Notice bibliographique
Résumé
This research investigates the critical need to integrate affective and psychomotor domains alongside cognitive development in educational systems to achieve the comprehensive ‘Exit Outcomes’ of Outcome-Based Education (OBE) and align with the National Higher Education Qualification Framework (NHEQF) descriptors. Traditional educational approaches are inadequate for these goals, prompting the introduction of the AI-Charya framework—a novel, artificial intelligence (AI)-driven pedagogical model. Utilizing a qualitative approach, this study explores the limitations of existing models and the transformative potential of generative AI. The AI-Charya framework provides adaptive, multimodal educational strategies that personalize learning and significantly enhance critical and creative thinking skills. Findings indicate that students engaged with AI-Charya show marked improvements in these areas, positioning them for success in an increasingly automated global workforce. However, the study’s generalizability is limited by its specific educational contexts, and further research is needed to assess long-term outcomes. Despite these limitations, the AI-Charya framework offers a pioneering blueprint for aligning educational practices with OBE and NHEQF standards, equipping students with the holistic competencies required for dynamic, future-oriented careers. This research has significant implications for policymakers, educators and curriculum developers aiming to enhance educational excellence through innovative methodologies.
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 | 0,012 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,009 |
| Communication savante | 0,009 | 0,007 |
| Science ouverte | 0,001 | 0,008 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».