Conceptualizing Writing in the Digital Age: A Systematic Review of Research on AI-mediated EFL Analytical Writing
Notice bibliographique
Résumé
This systematic review examines how writing is conceptualized in studies on AI-mediated English as a Foreign Language (EFL) analytical writing and how these conceptualizations are enacted in pedagogical practice. Drawing on Ivanič’s (2004) Discourses of Writing and Engeström’s (1987) Activity Theory, 20 peer-reviewed studies published between 2021 and 2024 across four main academic databases are systematically analyzed. The review examines dominant writing discourses, patterns of AI use across pre-, during, and post-writing stages, and the components of the activity system that mediate these practices. Findings show both stability and change in AI-mediated writing research. Skills and process discourses remain predominant, with 8 studies each. These studies frame writing as linguistic accuracy and procedural mastery, supported by automated evaluation tools. Meanwhile, discourses of creativity, social practices, and sociopolitical perspectives are emerging, which suggests a shift towards dialogic, collaborative, and ethically aware conceptions of writing. AI use was most common in the post-writing stage, with 18 studies, in which tools serve either as revision assistants or automated assessors. These patterns reveal tensions between accuracy and agency, and efficiency and authorship. From an Activity Theory perspective, AI acts as a dual mediating artifact that stabilizes traditional instructional routines while reconfiguring feedback structures, classroom roles, and learner agency. The review concludes that AI-mediated writing should not be seen solely as a technological enhancement but as a site for cultivating critical awareness, reflective engagement, and ethical authorship in EFL writing pedagogy.
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 | 0,020 | 0,688 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| 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 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 ».