A Novel Learning Maturity Model: Using Generative AI Technology
Notice bibliographique
Résumé
The rapid integration of Generative Artificial Intelligence Technologies (GAIT) across sectors places education at a critical juncture, demanding a paradigm shift in teaching and assessment.This paper introduces the GAIT-based Learning Maturity Model (GAIT-LMM), a conceptual framework designed to strategically leverage GAIT to enhance learning experiences and reimagine pedagogical practices.The GAIT-LMM advances beyond mere technology adoption, offering a structured, multitiered approach to cultivating higher-order thinking, creativity, and ethical AI use.The model comprises three progressive levels of learning maturity.The first, Opportunity to Know (O2K), emphasizes structured inquiry using curated prompts to support foundational understanding and analytical skills.The second, Opportunity to Think (O2T), integrates the Socratic method, encouraging iterative prompt refinement and collaborative dialogue to build critical thinking and questioning skills.The third, Opportunity to Create (O2C), fosters autonomous, project-based learning, enabling learners to construct original knowledge and develop creative problem-solving and strategic thinking abilities.A central innovation of GAIT-LMM is its shift from summative, product-focused assessments to formative, process-oriented evaluations.It promotes assessing Question Intelligence (QI) -the depth and quality of learner-generated questions -over traditional Answer Intelligence (AI).This rubricbased approach, aligned with the CRAFT framework, aims to cultivate metacognitive skills and deeper engagement with learning content.GAIT-LMM represents a transformative pedagogical model that reframes AI as a collaborative partner rather than a threat.By guiding learners from passive knowledge consumption to active knowledge creation, it lays the groundwork for future empirical studies and the continued evolution of AI-enhanced education.
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 | 0,004 | 0,001 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».