Opportunities, challenges and school strategies for integrating generative AI in education
Notice bibliographique
Résumé
The increasing accessibility of Generative Artificial Intelligence (GenAI) tools has led to their exploration and adoption in education. This qualitative study investigates the opportunities and challenges associated with integrating GenAI in education, and the strategies that encourage teachers and students to embrace GenAI in school settings. We recruited 76 educators in Canada to participate in a professional training seminar about GenAI and expressed their views through online surveys. Through written reflections, an optimistic outlook on GenAI's role in education was identified among the teachers, and some discipline-specific ideas were proposed. Thematic analysis reveals three key practices of AI implementation: teaching/learning, administration and assessments. However, three major challenges are also identified: school's readiness, teachers' AI competencies, and students' AI literacy and ethics. Teachers suggest several strategies to motivate GenAI integration, including professional development, clear guidelines, and access to AI software and technical support. Finally, Singh's Teach AI Global Initiative Guidance and Socio-ecological Model are adapted and proposed to support schools in becoming AI-ready by addressing teachers' and students' needs, facilitating organizational learning, and promoting improvement and transformation to foster their literacy development. Recommendations were provided for developing effective strategies to embrace GenAI in education.
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 | 0,015 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,011 | 0,014 |
| Communication savante | 0,011 | 0,010 |
| Science ouverte | 0,002 | 0,012 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».