Exploring Learner-Action Timing in a Generative AI Supported EFL Ideathon: A KPT Study in Japan
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
As generative AI (GenAI) becomes ubiquitous in education, clarifying how learners and educators perceive, and co-design technology is a pressing challenge. This study involved a one-day participatory ideathon in Japan, with nine pre-service English teachers and six high school students co-creating English lesson ideas that integrate GenAI and textbook-based instruction. Using the Keep-Problem-Try framework, participants submitted one hundred sixty-one reflective sticky notes and fifty-five unique lesson proposals. Qualitative analysis was conducted using open and axial coding to identify thematic categories, while the quantitative analysis applied a rubric-based evaluation by GPT-4o across three dimensions: innovativeness, feasibility, and pedagogical alignment, followed by Mann-Whitney U tests for group comparison. The results showed a strong tendency toward experimental approaches, as indicated by the predominance of “Try” entries and a consistent emphasis on UI/UX usability across all categories. These patterns emphasize the foundational role of interface design and highlight the need to control for design-bias when conducting knowledge-based engineering (KBE)-oriented experiments. No statistically significant differences were found between finalist and non-finalist lesson ideas, indicating a convergence in participants’ design perspectives regardless of finalist status. Additionally, pre- and post-workshop surveys analyzed via Wilcoxon signed-rank tests revealed a significant increase in participants’ expectations for GenAI in education (p <.05), confirming the ideathon’s effectiveness in transforming perceptions. These findings offer design guidelines for future KBE experiments with GenAI, particularly regarding baseline conditions and interface specifications.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,005 |
| Science ouverte | 0,002 | 0,001 |
| 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