Workshop: Strategic Development of AI in Teaching and Learning
Notice bibliographique
Résumé
The workshop session will allow participants to take a strategic view of the development of artificial intelligence (AI) in learning and teaching (T&L). No prior knowledge of artificial intelligence will be required, and a range of experience and knowledge will enhance the experience of participants. The workshop design is based on a new ‘lens’ tool which aligns to the Jisc Beyond Blended strategic pillars (Beetham, MacNeill & McGill, 2024). The tool includes prompt questions which will be used to stimulate discussions about AI in blended learning and teaching. The AI in T&L Strategic Lens is a new adaptation of the existing Jisc Beyond Blended strategic lenses. The lenses are a tool which provide perspectives on designing blended learning and they are positioned within the organisational digital culture and knowledge development components of the Jisc Digital Transformation Framework (McGill, 2023). The lenses were developed by the Jisc Beyond Blended authors (Beetham, MacNeill & McGill, 2024) and include 6 perspectives: holistic strategic issues; learning space design; learning platform design and implementation; teaching time and workload; equality, diversity and inclusion; data collection and analysis. The new AI in T&L Strategic Lens has been created by the workshop facilitator, Alison Purvis, to supplement and complement the existing Jisc Beyond Blended lenses. The development is being shared with the original Beyond Blended authors. The lens been designed to explore strategic aspects of AI in blended learning and teaching. Participants will be able to contextualise their thinking and contributions to discussions based on their role and the strategic projects that they are involved with.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 ».