From Punch Cards to Prompt Engines: The Shared History of Artificial Intelligence and the Learning Sciences
Notice bibliographique
Résumé
Generative AI, in form of Large Language Models such as ChatGPT, has created a significant disruption in educational environments; however, the development of artificial intelligence and education as a field has a rich and storied history. This paper articulates the development of artificial intelligence in education with respect to several periods of development, as well as the two major modes of thought within, cognitivism and constructionism. The paper argues that these two modes of thought defined the landscape of artificial intelligence and that not only has education been a significant point of research in this field, but that learning was inextricably linked to the study of artificial intelligence: the early artificial intelligence researchers, such as Marvin Minsky, Seymour Papert, Herbert Simon, and Allen Newell, developed theories of thought and cognition and built these theories into applications of artificial intelligence and computing; these theories, with particular reference to the work of Minsky and Papert, would directly lead to the development of the learning sciences as a field of research. The paper also provides descriptions of several periods of bust-and-boom within the study of artificial intelligence, a brief review of the status of artificial intelligence in education as a field today, and an analysis of the use of artificial intelligence as a representation of human thought patterns in contemporary research.
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 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,004 | 0,030 |
| Communication savante | 0,013 | 0,025 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».