"I think most people feel a sense of curiosity, but that you might also feel a little insecure because you don't really know yourself" : A Study of Primary School Teachers' Experience of Digital Tools and Attitudes Towards AI, in Relation to the Development of One's and One's Pupils' Digital Competency
Bibliographic record
Abstract
Utan strikta etiska riktlinjer för hur AI-drivna verktyg och utbildningsprogram ska utvecklas växer implementeringen av dessa AI-artefakter i utbildningssystemet. Med detta växer också politiska och etiska frågor kring deras användning och påverkan på utbildningssystemets framtid. Syftet med vårt examensarbete är därför att utforska vilka erfarenheter lågstadielärare har av att använda olika digitala verktyg, speciellt AI, i undervisningen. Detta för att se hur deras digitala kompetens ser ut just nu, samt hur deras intention att utveckla denna digitala kompetens, utan eller i relation till AI, ser ut. Detta undersöks genom kvalitativa semistrukturerade intervjuer med 10 lågstadielärare från fyra olika svenska kommuner. Vårt resultat visar att alla lärare använder digitala verktyg i klassrummet, men att resursfördelningar påverkar elevernas möjligheter till utvecklandet av digital kompetens ju längre ner man är i årskurserna. Vidare uttrycker de flestalärare osäkerhet och beskriver sig ha ytliga kunskaper om AI. Det finns inga lärare med helt negativa eller positiva attityder till AI, dock finns det neutralitet gentemot AI. I diskussionen lyfts möjliga utmaningar för utvecklandet av digital kompetens hos lärare och elever samt vikten av att involvera lågstadielärares röster i frågan om implementeringen av AI i skolan.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.005 | 0.013 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.007 | 0.007 |
| Scholarly communication | 0.007 | 0.005 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.005 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".