Secondary school teachers’ perspectives on GenAI proliferation: generating advanced insights
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 proliferation of generative artificial intelligence (GenAI) technologies has significantly impacted the educational sector, prompting a re-evaluation of teaching, learning, and assessment practices. This study explores the perceptions of Ontario secondary school teachers regarding the challenges and opportunities presented by GenAI. Using a qualitative research method, 17 high school teachers were interviewed to understand their views on GenAI integration and its implications for academic integrity. The findings reveal three critical areas for integrating GenAI in education: generating people through professional development and ethical training for educators, generating programs by designing transparent and purpose-driven initiatives, and generating policies through the creation of clear, adaptable governance frameworks. Together, these pillars highlight the collaborative work needed to harness GenAI’s potential while ensuring ethical and equitable practices in secondary education. These themes are a subset of invitational education and highlight the need for comprehensive training for teachers, the development of transparent guidelines and ethical practices, and the establishment of robust policies to support the integration of GenAI in education. The study emphasizes the importance of collaboration among educators, administrators, and other stakeholders to effectively navigate the evolving landscape of GenAI-driven educational environments effectively. By addressing these pillars, academic institutions can harness the transformative potential of GenAI while maintaining the integrity and quality of education. This research provides valuable insights into the evolving role of teachers and the necessity for strategic planning, professional development, and policy frameworks to optimize the benefits of GenAI in secondary 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.
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 | 0,000 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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