Leveraging generative AI in science lesson study: transforming density concept instruction through ChatGPT integration
Notice bibliographique
Résumé
Purpose This study investigates the integration of generative AI within the Lesson Study framework in secondary science education, examining its potential to enhance pedagogical development and professional learning outcomes. Design/methodology/approach A case study was conducted in a high school in Hong Kong, following four science teachers implementing a ChatGPT-supported Lesson Study while teaching density concepts to 30 Grade 7 students. Data collection included pre-post test, pre-lesson planning meetings, classroom observations, semi-structured interviews, focus groups, and artefact analysis, with thematic analysis following Braun and Clarke’s approach. Findings The pre-post test results suggest improvements across all density concepts. The integration of ChatGPT in the Lesson Study enhanced collaborative planning efficiency and pedagogical discussions while maintaining critical thinking. Teachers demonstrated growth in technological pedagogical content knowledge, while students showed increased engagement and autonomy in conceptual exploration. Success factors included clear AI usage guidelines, collaborative implementation, and effective scaffolding of student AI use. Research limitations/implications Limitations include the single case study context, specific subject focus, and potential novelty effect of technology use. Future research should explore long-term impacts across diverse educational contexts and subjects. Practical implications The findings provide actionable guidelines for educators implementing AI-supported Lesson Study, emphasising the importance of clear protocols, collaborative planning, and balanced integration of AI tools while maintaining pedagogical integrity. Social implications The study demonstrates how AI integration in educational practices can support both teacher professional development and student learning while preserving critical thinking and autonomous learning capabilities, contributing to broader discussions about AI’s role in education. Originality/value This study provides novel insights into the systematic integration of generative AI within Lesson Study, demonstrating practical approaches for balancing technological capabilities with pedagogical objectives in science 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 | 0,003 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».