A Multidisciplinary Research Agenda for Artificial Intelligence, Education, Learning, and Instruction
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
Abstract Artificial Intelligence (AI) is reshaping education, learning, and instruction, yet current research in this area is fragmented, often tool-specific, and dominated by short-term perspectives. This article develops a broader research agenda for AI and Education (AI&ED), bringing together Artificial Intelligence in Education (AIED) and AI literacy within an educational ecology framing. Using a collective writing methodology, an expert panel of eleven internationally recognised scholars from various disciplines within computer and learning sciences contributed ten standalone reflections on the challenges, opportunities, and transformations of AI&ED. Two additional leading scholars provided critical commentaries to strengthen the analysis. A thematic analysis of the contributions identifies five main challenges (learning and instructional practices and curricula, access and ethics, assessment and evaluation, research capacity, and stakeholder readiness), five areas of opportunity (enhanced pedagogies, innovation in design and research, support for learning processes, critical skills, and hybrid knowledge), and four transformational themes (AI technologies and the design of education, human-AI interplay, lifelong learning, and organisation of AI&ED research). The article proposes an educational ecology research agenda across macro (policy, research ecosystem, society), meso (curricula, institutions, leadership), and micro (instructors, learners, learning processes) levels. We argue for a future-oriented, critical, and inter- or multidisciplinary approach that recognises AI as a socio-technical assemblage and sustains educational values such as equity, democracy, and human dignity in postdigital societies.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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