Exploring the Teacher–Student–AI Triad in College EFL Teaching: A Perspective of HITL Theory
Notice bibliographique
Résumé
The rapid rise of generative artificial intelligence (GenAI) presents both opportunities and challenges for English as a Foreign Language (EFL) education. While AI can support efficiency and personalization, concerns about student over-reliance, academic integrity, and diminished critical thinking remain pressing. This study explores these issues through the lens of Human-in-the-Loop (HITL) theory, which emphasizes the centrality of human oversight and intervention in automated systems. Building on HITL, the study develops a three-level framework for the teacher–student–AI triad: basic assistance, where AI functions as a background tool; collaborative innovation, where students engage with AI under teacher guidance; and reflective optimization, where AI evolves into a co-teacher through iterative feedback. To operationalize the framework, three case scenarios are designed for college EFL contexts: argumentative writing, impromptu speaking, and exploratory learning in literature. The study contributes theoretically by extending HITL into language education, providing a structured model for balancing AI assistance with human agency. Practically, the proposed scenarios offer educators concrete strategies to integrate AI in ways that are designed to enhance efficiency, creativity, and engagement while safeguarding academic rigor. The findings underscore the need to view AI not as a replacement but as a partner—one that enriches EFL pedagogy when guided by human-centered design.
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 | 0,009 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,005 |
| 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 ».