xml:lang="en">Lesson study as an approach to facilitate the integration of Gen-AI into EFL curriculum design in higher education
Notice bibliographique
Résumé
Purpose This study investigates how English as a Foreign Language (EFL) teachers from higher education develop and refine their curriculum design with Generative Artificial Intelligence (Gen-AI) collaboration during the Lesson Study (LS). Design/methodology/approach Through a qualitative case study approach, we followed six English teachers in their collaborative work with a Gen-AI teaching assistant (Kimi) over a 6-month semester. Data were collected through the recordings of LS cycles, teacher interviews and reflections and documentation of teacher-AI interactions etc. Findings The findings revealed three key aspects of Gen-AI integration in designing EFL curriculum: First, teachers progressively discovered Kimi’s capabilities in lesson planning, material development, and activity design, showing value in generating differentiated learning resources. Second, the teachers developed sophisticated collaboration patterns with the Gen-AI, demonstrating iterative refinement approaches and strategic integration of Gen-AI suggestions throughout the LS cycles. Third, teachers' critical reflections showed evolution in their evaluation and application of Gen-AI contributions, maintaining professional agency while leveraging Gen-AI capabilities effectively. Research limitations/implications This study has several limitations that inform future research directions. Our investigation focused specifically on EFL higher education using a single Gen-AI tool (Kimi), which may limit the generalizability of the findings to other educational contexts and AI platforms. Practical implications These findings suggest that Gen-AI integration through LS can enhance teachers' professional practice while promoting critical engagement with Gen-AI tools. The study provides insights into how Gen-AI can be meaningfully integrated into teacher professional development through collaborative LS approaches. Originality/value The study demonstrates how the LS framework supports balanced AI integration while maintaining teacher agency. In addition, it reveals the process of AI capability discovery and strategic implementation in EFL teaching.
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 | 0,005 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,023 | 0,006 |
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 ».