Prompting Teacher Identities: A Model for Teacher Subjectivities Constituted Through Artificial Intelligence
Notice bibliographique
Résumé
Artificial intelligence (AI) transforms the ethical and moral subjectivity of teachers, positioning them to navigate the complex convergence of technological advancement, intellectual autonomy, and teacher identity. The purpose of this paper is to offer a conceptual model for how teachers’ identities are constituted through AI prompt engineering. Poststructuralist theories are used to examine how the integration of AI in education reshapes the constitution of teachers' identities, drawing from Michel Foucaut’s concepts of discourse theory, power/knowledge, governmentality, subjectivities, and technologies of the self. Focusing on three of Foucault’s specific technologies of the self—the confessional, the panopticon, and the examination—the paper examines how AI prompt engineering can be considered as a site of governmentality. A conceptual model, “teacher subjectivities constituted through artificial intelligence” (TSCAI) is suggested to illustrate the relationships among the theoretical concepts in a visual format. Reflective questions are posed for teachers to investigate how the model applies to their AI prompt engineering. Implications for practice and research of the TSCAI model are discussed, followed by a recognition of the limitations of the model. The paper concludes with suggestions for using the model in teacher-education contexts and encourages teachers to acknowledge their own identities while working with AI.
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».