GenAI-empowered teachers as active actors of change in developing (inter)national human capital in Singapore
Notice bibliographique
Résumé
The integration of Generative Artificial Intelligence (GenAI) within education technology (EDTech) aims to transform Singapore into a global hub for GenAI by 2030. This means that schools, including postsecondary and higher institutions, must support this shift, and teachers must become key facilitators in transferring these new experiences to their students. Using Bourdieu’s Capital Theory, this chapter article discusses how the shift towards GenAI-infused teaching will revolutionise the education landscape, particularly in the teaching and learning of English, and improve enhance Singapore’s human capital, including international students living in Singapore, at the macro level. However, given the varying levels of English-language competency among students from different socioeconomic backgrounds and countries, this shift could lead to more significant social inequalities and stratification, as GenAI could act as both a leveller and a limiter. This paper article highlights that while GenAI empowers the education landscape and becomes a ‘non-human’ actor in this transformative journey, AI-empowered teachers become critical for effective language acquisition, as traditional teaching ensures not only personalised learning and a contextualised understanding of English but also acts as a social leveller.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,005 | 0,007 |
| Communication savante | 0,006 | 0,003 |
| Science ouverte | 0,001 | 0,009 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».