Conversations with students on self-regulated learning with GAI
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
How can learning developers foster AI literacy while helping students use AI ethically in their academic work? Recent research (Lin et al., 2024) shows students value generative artificial intelligence (GAI) for levelling the linguistic playing field, particularly for multilingual writers, while expressing concerns about unethical use, reduced critical engagement, and the flattening of linguistic diversity. As GAI literacy can support academic success (Seo et al., 2021; Hashim et al., 2022; Barrot, 2023), learning developers play a critical role in supporting students' self-regulated AI use to maximise learner benefits while avoiding pitfalls. In this workshop, we shared our framework for teaching AI literacy in academic writing, building on Winne and Hadwin's (1998) COPES model of SRL and recent work on AI literacy (Allen and Kendeou, 2024). Our five-phase model integrated skills in prompt formation, output evaluation, and ethical AI use (see: https://wordpress.kpu.ca/gaiwriting/, Vytasek and Page, 2025). Participants will explore implementing this framework across disciplines through educational scaffolding that addresses (a) defining the writing task; (b) planning and goal setting; (c) using learning strategies; and (d) applying metacognitive processes to evaluate, reflect, and improve on both task completion and broader skill development.
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.
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 | 0,002 | 0,000 |
| 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 | 0,000 | 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 découle