English Language Learners’ Perspectives On Implementing Gpts For Learning Purposes In The Context Of Ai Literacy-focused Pedagogical And Assessment Approach
Notice bibliographique
Résumé
As AI-powered chatbots become prevalent in academia, there is a need for research practitioners working with English language learners (ELLs) to examine how students use generative AI (GenAI) for learning purposes. Teachers and researchers express concern with the potential detrimental impact of GenAI on ELLs’ intellectual engagement with learning (e.g., Barrot, 2023; Cardon et al., 2023; Cong-Lem et al., 2024). Meanwhile, emerging research highlights that for language educators, it is essential to evolve with technological advancements and - instead of attempting to avoid the unavoidable use of GenAI - apply such tools to promote sustained learning (Bui & Tong, 2025; Warschauer et al., 2023; Yeo, 2023).This article reports on a study in an English for Academic Purposes (EAP) course that incorporated ChatGPT into scaffolded assessment practices. The study explored students’ experiences using ChatGPT to brainstorm and revise their writing while immersed in AI literacy-focused instruction. Its post-instruction survey findings demonstrate that although students perceive GenAI as a tool to adapt to their learning needs, thereby enhancing language skills, they also recognize GenAI limitations (e.g., inaccurate output) and share concerns that are common among educators (e.g., overdependency on AI tools and breaching academic integrity). The implications suggest that when used responsibly, GenAI can supplement rather than replace students’ work. Educators might benefit from adopting a pedagogical and assessment framework focused on critical thinking, creativity, and digital literacy skills. Such approach fosters active learning through scaffolded formative assessments targeted at deconstructing, evaluating, and consciously incorporating GenAI-generated text into one’s writing.
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 | 0,006 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,004 | 0,004 |
| Communication savante | 0,008 | 0,004 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».