The Power of Smart Classrooms and Enlightened Minds – A Review of Generative Artificial Intelligence in Education
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
Generative artificial intelligence represented by ChatGPT has attracted wide attention in the field of education because of its powerful generative ability, both personalized learning, understanding the learner's motivation, and providing personalized tutoring and feedback for education.With the advent of the Education 2.0 era, smart classroom has become a strategic choice for the construction of education modernization, and is widely used in higher education and vocational education.Generative AI enlightens students' engineering thinking, computational thinking, design thinking and systems thinking, which not only helps students to master their professional courses, understand what they have learned, and improve their academic performance, but also assists teachers in updating their course content, keeping abreast of students' learning trends, improving their teaching efficiency, and simplifying their work.However, generative AI is faced with expertise gaps and uncertainty about the existence of generated content in its application, as well as ethical issues, and this study proposes that the needs and values of education should be respected, with the aim of efficient and convenient services, and that data-driven and ethical ethics should be emphasized in future development.Smart classroom and enlightened thinking with the application of generative AI is a new way of thinking about educational change, which can help teachers and students to effectively carry out multiple interactions, enable teachers to better understand students, play the role of human beings in education, and truly allow technology to be used for teaching and promote classroom teaching reform.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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