Investigating L2 writers' critical AI literacy in AI-assisted writing: An APSE model
Notice bibliographique
Résumé
While the need to foster critical AI literacy (CAIL) among L2 writers has gained increasing recognition, research offering empirically grounded models for integrating CAIL into L2 writing remains limited. To contribute to the ongoing research in AI-assisted L2 writing and CAIL, we designed the current study to understand how students used ChatGPT, a popular generative AI technology, to support their writing and to uncover their CAIL in their writing practices in two first-year writing classes in the US. Adopting a qualitative case study design, we analyzed students’ interview data, written reflections, AI logs, and screencasts of students’ interactions with AI. Findings show that students utilized AI in various ways, including topic selection and brainstorming, outlining, revising, editing, and sourcing. We propose an APSE model based on four dimensions identified in students' CAIL while using ChatGPT: (1) critical awareness of AI (A), (2) critical positionality (P), (3) critical strategies for interacting with AI (S), and (4) critical evaluation of AI affordances (E). The model highlights the distinct yet overlapping components of CAIL and addresses specific concerns that L2 writers face to leverage generative AI’s linguistic and rhetorical resources critically. Pedagogical implications include explicit instruction on CAIL, developing students’ AI feedback literacy, fostering meta-skills in communication and evaluation, and enhancing their AI-assisted self-directed learning skills.
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 | 0,006 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,011 |
| Communication savante | 0,008 | 0,008 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 ».