Artificial Intelligence and English as a Foreign Language (EFL) Teachers’ Competencies: A Systematic Review
Notice bibliographique
Résumé
The integration of Artificial Intelligence (AI) into English as a Foreign Language (EFL) education has transformed teaching practices, necessitating a re-evaluation of teacher competencies in the digital age. This systematic review examines the intersection of AI technologies and EFL teachers' competencies, exploring how AI tools influence pedagogical skills, technological proficiency, and professional development. Through an analysis of recent literature, the study identifies key competencies required for EFL teachers to effectively leverage AI, including adaptive teaching strategies, data literacy, and ethical considerations in AI usage. The review also highlights challenges such as resistance to technological adoption, the digital divide, and the need for continuous upskilling. Findings suggest that while AI offers significant opportunities for personalized learning and efficiency, EFL teachers must develop a balanced skill set that integrates traditional teaching expertise with emerging technological demands. The results of the research showed that 1) EFL teachers’ competencies in artificial intelligence field consist of 10 competencies, namely: 1) AI-Assisted Lesson Planning, 2) AI-Powered Language Practice & Feedback, 3) Speech Recognition & Pronunciation Tools, 4) AI for Differentiated Instruction, 5) Automated Assessment & Grading, 6) Data-Driven Student Insights, 7) Ethical & Critical Use of AI, 8) AI for Content Creation & Gamification, 9) AI-Powered Translation & Comprehension Support, and 10) AI and Virtual/Augmented Reality in EFL. The paper concludes with recommendations for teacher training programs and policy frameworks to support the evolving role of EFL educators in an AI-driven educational landscape.
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) | 0,002 | 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 | 0,000 |
| 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 ».