Supplementing AI “Curriculum” Using Teachers Pay Teachers Resources: What There Is and What There Isn’t
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
Artificial intelligence (AI) has had an increasing presence in K-12 education over the last 3 years and is entering the educational practices of both teachers and students. Schools and teachers feel the pressure to both adopt AI-related practices as well as teach their students about AI, but few formal curriculum resources exist for this topic. Teachers typically turn to other resources, such as online educational resource marketplaces (OERMs), to obtain supplemental curriculum materials. The website Teachers Pay Teachers (TPT) started in 2006 to allow teachers to share teaching resources with the goal of helping them teach their students better through learning from each other. Various sources suggest that, in general, many teachers (a) frequently use the TPT platform (up to 85% of U.S. K-12 teachers) and (b) acquire both paid and unpaid resources from TPT to use in their classrooms. In this study, we examine 48 AI-related resources (24 requiring payment and 24 that are free, all provided in a search on the TPT website) that are available to teachers, documenting and analyzing what information teachers are provided to make decisions, comparing free and paid resources, and evaluating the quality of the AI-related resources. We conclude that there is considerable room for improvement in the available resources from both a content and a pedagogical perspective, that professional development on how to effectively evaluate supplemental curriculum resources is needed, and that individuals with stronger backgrounds in computer technologies should be contributing more supplemental curriculum resources to TPT on AI.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,006 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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