AI Assistant Framework on Competency-Based Learning for Digital Competency Development
Notice bibliographique
Résumé
The accelerating adoption of AI in education highlights the need for an assistant that is explicitly grounded in competency-based learning to develop learners’ digital competencies. This study proposes the AI Assistant Framework on Competency-Based Learning for Digital Competency Development (AICoLED) and evaluates its appropriateness through expert judgment. We synthesized contemporary literature to derive a framework that integrates four inputs (AI technology infrastructure, competency framework, educational content, user interface design), five processes (competency assessment, personalized learning, interactive assistance, competency development, feedback/evaluation), and four outputs (digital competency enhancement, learning achievement, behavioural change, system performance). A structured instrument comprising 44 items across eight domains was rated by eight experts (n = 8) on a 5-point scale. We summarized item- and domain-level means and SDs and mapped means to appropriateness levels. The overall mean across items was 4.69 (SD = 0.49), corresponding to the rating of “Most appropriate.” The section means ranged from 4.63 to 4.75. The highest-rated domain was Innovation and Creativity (Mean = 4.75, SD = 0.44); the lowest was Output Components (Mean = 4.63, SD = 0.62). Top-rated items included content competency alignment (1.1.3), systematic linkage of inputs (1.1.5), accuracy and coverage of competency assessment (1.2.1), framework novelty (4.1), and currency of NLP use (6.1.1) (all Means = 4.88, SD = 0.35). Items with greater dispersion concerned system indicators and competency standards (1.3.2-1.3.4; 6.3.2-6.3.3), with SD up to 0.76. Expert appraisal indicates that AICoLED is conceptually straightforward, pedagogically coherent, and technically feasible; however, the measurement components (output indicators and competency standards) require tighter operationalization before pilot deployment. Future work should pilot the framework in authentic contexts, validate measurement models, and assess effectiveness and scalability.
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 | 0,015 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,006 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,009 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».