MARC

 008260126s2025        us                              c    eng  d
■001000017358680
■00520260202104736
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798290649078
■035    ▼a(MiAaPQ)AAI32149651
■035    ▼a(MiAaPQ)Stanfordfw238df2941
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a302.2
■1001  ▼aMah,  Christopher  Lung  Kuen.
■24510▼aCo-Constructing  AI  Literacy  with  Writing  Teachers  at  the  Dawn  of  Generative  AI
■260    ▼a[Sl]▼bStanford  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a147  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-03,  Section:  B.
■500    ▼aAdvisor:  Lemons,  Chris;Levine,  Sarah.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2025.
■520    ▼aThe  growing  presence  of  artificial  intelligence  (AI)  in  everyday  life  highlights  an  urgent  need  for  greater  AI  literacy  in  schools.  Students'  digital  experiences  are  increasingly  shaped  by  algorithmic  recommendations,  exposure  to  AI-generated  media,  and  interactions  with  AI  agents.  They  are  also  increasingly  using  AI  tools  to  create  content  in  and  out  of  school.  In  order  for  educators  to  teach  students  the  skills  they  need  to  navigate  and  succeed  in  the  age  of  AI,  teachers  themselves  must  first  develop  core  AI  literacy,  the  ability  to  understand,  evaluate,  and  use  AI  (Mills  et  al.,  2024).  Additionally,  as  generative  AI  impacts  not  only  computer  science  and  mathematics,  but  also  natural  sciences,  humanities,  art,  and  civics,  it  is  crucial  that  teachers  in  all  subject  areas  integrate  disciplinary  AI  literacy  into  their  practice.This  work  aims  to  advance  the  study  of  AI  literacy  by  elevating  the  perspectives  and  practices  of  English  Language  Arts  (ELA)  and  writing  teachers  negotiating  the  potential  and  the  perils  of  AI  for  teaching  and  learning.  It  builds  on  research  that  cuts  across  professional  learning  (PL),  writing  development,  and  AI  literacy,  and  it  was  conducted  in  partnership  with  ELA  teachers  in  unique  PL  communities.  In  particular,  I  collaborated  with  staff  and  teachers  from  the  Bay  Area  Writing  Project  (BAWP),  a  local  chapter  of  the  National  Writing  Project,  to  analyze  teachers'  beliefs,  attitudes,  and  practices  related  to  AI.  I  also  collaborated  with  BAWP  leadership  to  distill  our  findings  into  practical  applications  for  educators  and  writing  teachers.This  dissertation  is  composed  of  three  studies  conducted  with  the  support  of  multiple  collaborators;  when  I  write  from  the  first  person  plural  perspective,  it  is  to  reflect  their  contributions.  The  first  paper  analyzes  tensions  in  teachers'  and  students'  perceptions  of  cheating  and  learning  with  ChatGPT.  We  presented  one  group  of  teachers  (n  =  16)  and  one  group  of  students  (n  =  12)  with  four  possible  ways  a  student  might  use  ChatGPT  to  help  them  write.  Participants  ranked  the  examples  in  order  of  how  much  they  thought  each  student  learned  and  cheated,  then  discussed  their  reasoning.  Using  qualitative  analysis  methods,  we  found  divergent  views  both  within  and  between  groups  and  probed  four  recurring  tensions  that  accounted  for  many  of  the  differences.  These  tensions  were:  (1)  using  ChatGPT  as  a  shortcut  versus  as  a  scaffold;  (2)  using  ChatGPT  to  generate  ideas  versus  language;  (3)  getting  support  from  ChatGPT  versus  analogous  support  from  other  sources;  and  (4)  learning  from  ChatGPT  versus  learning  without.  This  paper  concludes  with  recommendations  for  how  teachers  and  students  might  co-construct  norms  around  responsible  use  of  AI  for  learning.The  second  paper  applies  a  comparative  case  study  approach  to  analyze  two  teachers'  contrasting  enactments  of  AI  literacy  and  the  factors  that  influenced  their  practice.  I  conducted  in-depth  interviews  and  classroom  observations  and  applied  Davis'  (1989)  Technology  Acceptance  Model  to  analyze  teachers'  beliefs  and  attitudes  about  AI,  how  they  formed  those  beliefs,  and  how  they  ultimately  designed  and  enacted  AI  literacy  curriculum  in  their  high  school  English  classrooms.  One  teacher,  Fiona,  viewed  AI  negatively,  was  primarily  concerned  with  preventing  cheating,  and  taught  a  standalone  lesson  to  teach  students  about  responsible  AI  use.  The  other  teacher,  Margot,  viewed  AI  as  having  potential  to  both  help  and  to  harm  students,  had  conflicting  attitudes  toward  AI,  and  taught  a  two-week  unit  on  the  societal  impacts  of  AI.  Our  findings  suggest  that  educators  and  professional  learning  designers  should  take  concerns  about  cheating  seriously,  but  also  adopt  a  broader,  dialectical  orientation  that  prepares  students  to  understand,  critically  evaluate,  and  use  AI.The  final  paper  qualitatively  compares  expert  teachers'  writing  feedback  and  LLM-generated  feedback  on  student  work.  We  recruited  twelve  experienced  English  teachers  to  provide  in-line  feedback  on  a  set  of  student  essays,  and  we  prompted  four  leading  LLMs  to  provide  feedback  on  the  same  essays.  We  used  qualitative  coding  methods  and  applied  Yang  and  Carless'  (2013)  framework  of  dialogic  feedback  to  identify  key  differences  across  three  dimensions:  cognitive,  social,  and  structural.  We  observed  that  LLMs  primarily  enacted  corrective  feedback  at  the  sentence  level  and  positioned  students  as  novices  requiring  remediation.  By  contrast,  we  observed  that  teachers  enacted  more  dialogic  feedback,  offering  feedback  at  multiple  levels  and  employing  tactics  that  positioned  students  as  agentic  writers.  Our  study  contributes  to  a  greater  understanding  of  specific  feedback  practices  unique  to  highly  skilled  teachers  that  LLMs  do  not  exhibit.  These  findings  provide  direction  for  both  teachers  and  LLM  developers  to  adopt  more  dialogic  feedback  practices  that  support  students'  agency  and  ownership  of  their  writing  in  the  age  of  generative  AI.Collectively,  these  studies  offer  models  for  designing  components  of  AI  literacy  pedagogy  related  to  academic  integrity,  writing,  and  feedback.  In  doing  so,  they  aim  to  promote  practices  that  expand  all  students'  access  to  AI  literacy  education.
■590    ▼aSchool  code:  0212.
■650  4▼aAttitudes
■650  4▼aChatbots
■650  4▼aStudent  writing
■650  4▼aComputer  science
■653    ▼aProfessional  learning
■653    ▼aEnglish  Language  Arts
■690    ▼a0984
■690    ▼a0800
■71020▼aStanford  University.
■7730  ▼tDissertations  Abstracts  International▼g87-03B.
■790    ▼a0212
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17358680▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서