Teaching and learning at the intersection of artificial intelligence, academic integrity, and assessment innovation: A rapid scoping review protocol
Notice bibliographique
Résumé
For three years, teachers and teacher educators have been struggling to respond to the advent of generative artificial intelligence (GenAI) and its implications for teaching and learning. Building on DeLuca et al.’s (2025) AI3 framework, this paper is situated at the intersections of artificial intelligence, academic integrity, and assessment innovation: three critical ‘AIs’ for the current moment. Owing to a dearth of literature reviews at this intersection, this paper presents a rapid scoping review protocol for AI3 in preservice teacher education. The protocol follows the Joanna Briggs Institute’s updated manual for scoping reviews and the Preferred Reporting Itemsfor Systematic Reviews Meta-Analysis (PRISMA) reporting standards (Aromataris & Munn, 2020). The studies included in the review will be analyzed for insights on these topics, particularly the innovative practices possible in an age of GenAI. Our findings will be relevant to teacher educators in particular and more broadly to educational researchers and practitioners interested in integrity, innovation, and defensible practice in ever-shifting GenAI spaces.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,202 | 0,233 |
| Méta-épidémiologie (sens strict) | 0,005 | 0,007 |
| Méta-épidémiologie (sens large) | 0,010 | 0,011 |
| Bibliométrie | 0,020 | 0,017 |
| Études des sciences et des technologies | 0,007 | 0,007 |
| Communication savante | 0,010 | 0,012 |
| Science ouverte | 0,006 | 0,009 |
| Intégrité de la recherche | 0,012 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,085 | 0,024 |
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 source (Gemma direct ou Codex distillé), 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 ».