Teaching Writing Skills Using Generative AI: The Paradox of Adoption and Resistance Among Language Educators
Notice bibliographique
Résumé
The professional identity of language educators has been significantly influenced by the integration of generative AI tools in teaching writing skills and processes. These tools have, to some extent, assumed roles traditionally held by teachers. This study explores the paradox of adoption and resistance among language educators regarding the use of generative AI in writing instruction. Adopting a quantitative, descriptive-analytical approach, the study utilized a tripartite rubric (adoption, neutrality, resistance) to examine teachers’ attitudes across four AI-mediated writing stages: pre-writing, drafting/ initial writing, revising/editing, and publishing/feedback reception. In order to explore language educators' alignment with the dynamics of adoption, neutrality, and resistance, a total of 340 Arabic and English language teachers from secondary schools in Saudi Arabia participated in the study. Findings indicate that language educators demonstrated a neutral stance toward AI integration in the pre-writing and publishing/feedback reception stages, where AI serves as a supportive rather than a generative tool. This suggests that educators perceive AI as a facilitator in organizing ideas and refining final drafts without undermining their instructional role. Conversely, strong resistance emerged in the drafting/ initial writing and revising/editing stages, where AI directly engages in text production and modification. This reflects educators' concerns about diminished student engagement in writing development and the potential erosion of their professional role. Additionally, these findings reveal teachers’ concerns about how AI might alter their role in teaching writing and their doubts about students’ ability to use these tools responsibly. While adoption was present across all writing stages, it remained marginal, consistently overshadowed by neutrality or resistance. This suggests that, despite some recognition of AI’s potential, most educators remain hesitant to fully embrace it.
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 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 | 0,001 | 0,001 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».