Notice bibliographique
Résumé
The introduction of widely available generative AI tools has caused a frenzy of both positive and negative reactions. Between utopian visions and apocalyptic predictions of AI’s impact on education, there is a need to thoughtfully consider what education in the age of AI can and should look like. This volume focuses on the implications of AI technology for teachers in K–12 and university settings, providing a careful look at its affordances and drawbacks for social studies curriculum and teaching. Scholars specializing in the field of social studies education provide information and practical ideas for teaching with current technology, alongside frameworks for thinking about future iterations of AI. This book fills a critical need, especially among educators, to consider the current and potential future impacts of AI while avoiding the traps of alarmism or techno-utopianism. Whether skeptical or enthusiastic about AI, every social studies educator will find something useful to their practice in this book. Book Features: First-ever compilation of AI considerations and strategies in the context of social studies education Nontechnical explanations of what AI can do (and not do) in practical educational contexts to enable educators to approach its use with careful judgment Advice for educators to help them assess future iterations of AI technology Critical considerations of AI across multiple contexts (e.g., ethics, equity, multilingual learners, cybersecurity) Work from leaders in technology and social studies education across Canada and the United States Contributors: Erin C. Adams, Curby Alexander, Elizabeth Barrow, Daphanie Bibbs, Ariel Cornett, Matthew Cress, Kevin Donley, Leslie Smith Duss, Lindsay Gibson, Thomas C. Hammond, Marie Heath, Dawnavyn James, Patrick Kane, Dan Krutka, Liran Ma, Tim Monreal, Rachel Moylan, Julie Oltman, Zilong Pan, Michelle Reidel, Elizabeth C. Reynolds, Tina C. Soliday, Vi Trinh, Bretton A. Varga
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,002 | 0,005 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».