Towards Adaptive Resilience: Generative AI Integration in English Departments in Canada and Beyond
Notice bibliographique
Résumé
This study examines how English departments can navigate the integration of generative AI technologies while preserving their core educational mission of developing authentic student voices and critical thinking. Through intentional case analysis of departmental characteristics and policy frameworks, we identify fundamental tensions between Maton’s knower code dynamics that define humanities education and the horizontal knowledge structures necessary for technological adaptation. Drawing on Bernstein’s discourse theory and contemporary educational research, we argue that current responses to AI, ranging from uncritical embrace to rigid resistance, fail to address the deeper identity challenges these technologies pose for humanities disciplines. Our interpretive policy analysis reveals that English departments, seen as exemplars for humanities departments world-wide, exist as complex institutional environments where preconditions for both AI resistance and acceptance coexist simultaneously. The study maps the acceptance of AI technology on a continuum from AI resistance to AI acceptance. The study introduces adaptive resilience as a framework that honors authentic voices while accommodating pedagogical diversity required for technological adaptation. The findings of our case study and policy analysis suggest that successful AI integration requires moving beyond polarized positions toward relational stances that embrace both traditional expertise based and contemporary multidisciplinary approaches that preserve our commitment to both culturally responsive critical analysis while adapting to evolving technological contexts.
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 | 0,004 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,020 | 0,013 |
| Communication savante | 0,011 | 0,004 |
| Science ouverte | 0,002 | 0,009 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 ».