From Intimidation to Innovation: Cross-Continental Multiple Case Studies on How to Harness AI to Elevate Engagement, Comprehension, and Retention
Notice bibliographique
Résumé
As generative AI tools become increasingly embedded in education, their role in supporting student learning remains both promising and contested. These cross-continental multiple case studies explore how integrating AI into classroom-based creative projects can move students from intimidation to meaningful engagement, comprehension, and retention of course content. Drawing on data from four international university classrooms—in the USA, UK, Canada, and Australia—this mixed-methods study examines students’ experiences as they collaboratively created comic books using generative AI. Each instructor embedded the assignment within their own pedagogical context, enabling cross-institutional comparison of AI’s educational potential. Findings highlight a shared trajectory: students initially approached AI with uncertainty or overconfidence, but developed nuanced understandings of its capabilities through experimentation, reflection, and collaboration. The process of creating narrative-driven visual outputs required students to synthesize theoretical material, communicate effectively in teams, and creatively solve problems—fostering both cognitive and interpersonal learning. Students reported deeper comprehension of academic content and greater confidence using AI tools critically and ethically. This study concludes that when framed as a collaborative partner rather than a replacement for human thinking, AI can support deeper learning experiences. It also suggests that creative, team-based projects can demystify AI and build essential future-facing skills.
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 | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».