חשיבה מחדש על אוריינות בבינה מלאכותית מנקודת מבטם של מכשירי מורים: המודל ההסתגלותי של בינה מלאכותית

Eyal, L. (2025). Rethinking artificial-intelligence literacy through the lens of teacher educators: The adaptive AI model. Computers and Education Open

עיקרי הדברים:

מגבלות המודלים הקיימים למדידת אוריינות AI:

1. גישה ליניארית, הנשענת על ההנחה השגויה שאוריינות בינה מלאכותית מתפתחת בשלבים רציפים מראש.
2. מתן עדיפות להיבטים קוגניטיביים וידע טכני על פני היבטים הקשריים, חברתיים ואתיים.
3. התאמה מוגבלת לסביבות חינוכיות מגוונות.
4. נטייה להעריך מצבים סטטיים במקום לפתח מיומנויות דינמיות ארוכות טווח, אף על פי שאוריינות בבינה מלאכותית היא רצף ולא מצב בינארי .
5. הגדרות מעורפלות של אוריינות בבינה מלאכותית הפוגעות בתוקף ההערכה.

יתרונות המודל המוצע במחקר:

1. התאמה להקשר: הכוללת הסתגלות לתשתיות זמינות, סביבות חברתיות־תרבותיות, סדרי עדיפויות מקומיים ושלב ההתפתחות של המורה;
2. צרכים מקצועיים: הכוללים דרישות הוראה ייחודיות לתחום הדעת, צרכים פדגוגיים, אחריות ניהולית והובלתית, ומנגנוני תמיכה.
3. התפתחות דינמית: הכוללת שינוי בתגובה להתפתחויות טכנולוגיות, לתפקידים משתנים, לצרכים מתהווים ולפיתוח מיומנויות.

מאמר זה מבקר את המודלים הקיימים להערכת אוריינות בבינה מלאכותית בחינוך, ומצביע על מגבלותיהם. תחת זאת, מציג המאמר מודל חדש ואדפטיבי לאוריינות בינה מלאכותית המבוסס על שלושה צירים מרכזיים מחוברים: התאמה הקשרית, צרכים מקצועיים, והתפתחות דינמית. בשיתוף עם מומחים להכשרת מורים פותח כלי רפלקטיבי להערכה עצמית, המאפשר למורים להעריך את אוריינותם בבינה מלאכותית בהתאם למודל המוצע.

למאמר באנגלית

לקריאה נוספת: כל סיכומי המאמרים בנושא בינה מלאכותית

 מודל חדש למדידת אוריינות AI לתלמידים ומורים
ככל שהבינה המלאכותית משתלבת יותר ויותר בהקשרים חינוכיים, מתפתחים במהירות מודלים למדידת אוריינות רלוונטית בקרב מורים ותלמידים כאחד. אולם למרות יתרונותיהם, רבים מהם כופים רמות קבועות של מיומנות או מתעלמים מגורמים הקשריים. באמצעות מחקר מבוסס-עיצוב ובשיתוף פעולה עם 22 אנשי סגל להוראה בהשכלה גבוהה, המחקר הנוכחי מבקר מודלים קיימים ומציג את מודל חדש המבוסס על ניתוחי מקרים:  Adaptive Artificial-Intelligence-Literacy Model (AALM).

המודל מציע הנחיות מעשיות למדיניות חינוכית ולהתפתחות מקצועית של מורים, ומדגיש את הצורך בגישות הערכה המתחשבות בהקשרים חברתיים ותרבותיים, בצרכים מקצועיים ובאופייה המתפתח של המיומנות בעידן של שינוי טכנולוגי מהיר.

רקע
שילוב הבינה המלאכותית (AI) בחינוך יצר הזדמנויות חדשות להוראה וללמידה, ומודלי ההערכה לאוריינות בבינה מלאכותית התפתחו מעבר למסגרת הבינארית הפשוטה של “יש/אין” לכדי מודלים מתוחכמים יותר [1]. מסגרות ההערכה בוחנות מיומנויות טכניות, פדגוגיות ואתיות (כגון [2]), ומקדמות תפיסה הוליסטית הכוללת היבטים קוגניטיביים, דיסציפלינריים, תרבותיים וטכנולוגיים [3]. אולם, במודלים הקיימים יש מגבלות בולטות. ראשית, הם מאמצים גישה ליניארית, בהנחה שאוריינות בינה מלאכותית מתפתחת בשלבים רציפים מראש (כגון [4]). בנוסף, הם נותנים עדיפות להיבטים קוגניטיביים על פני הקשריים (כגון [5]). לבסוף, הם נוטים להעריך מצבים סטטיים במקום לפתח מיומנויות דינמיות ארוכות טווח, אף על פי שאוריינות בבינה מלאכותית היא רצף ולא מצב בינארי [6].
שאלות המחקר

1. מהם העקרונות, החוזקות והמגבלות של מודלים קיימים להערכת אוריינות בינה מלאכותית בהקשרים חינוכיים שונים?
2. מהם רכיביו של מודל חדשני, רגיש-הקשר, העונה לצרכים המתפתחים של מורים טרום-שירות ובשירות, וכיצד עקרונותיו תומכים בניתוח מחודש של הקשרים חינוכיים מגוונים?
3. מהם המדדים המרכזיים לכלי להערכה עצמית של מורה בהקשרים חינוכיים שונים, על פי המודל המוצע?

דיון
מטרת המחקר הייתה לבחון באופן ביקורתי את המודלים להערכת אוריינות בבינה מלאכותית בחינוך, ולהציע מסגרת גמישה יותר המתחשבת גם בהקשרים חברתיים־תרבותיים. חלק מן המודלים מבוססים על מסגרות קיימות המגדירות רמות מורכבות בלמידה.

המודלים הקיימים מציבים אתגרים מרכזיים, ובהם הגדרות מעורפלות של אוריינות בבינה מלאכותית הפוגעות בתוקף ההערכה [21]. גישות ההערכה הראשונות, שהיוו את “הגל הראשון” (כגון [4]), נטו להדגיש יתר על המידה ידע טכני על חשבון שיקולים חברתיים ואתיים, והציעו מרחב מוגבל של גמישות להתאמה לסביבות חינוכיות מגוונות [42]. קשיים נוספים נובעים מן ההתפתחות המהירה של הבינה המלאכותית, השינוי במיומנויות הנדרשות ממורים, והצורך לאזן בין טווח רחב של כישורים תוך התייחסות לתפקיד, לניסיון ולציפיות של המחנך. מציאות זו מדגישה את הצורך בגישה דינמית ורגישה־הקשר.

המודל המוצע – AALM – מציג פרדיגמה חדשנית להבנה ולהערכה של אוריינות בינה מלאכותית בחינוך, המבוססת על שלושה צירים מקושרים:

1. התאמה להקשר: הכוללת הסתגלות לתשתיות זמינות, סביבות חברתיות־תרבותיות, סדרי עדיפויות מקומיים ושלב ההתפתחות של המורה;
2. צרכים מקצועיים: הכוללים דרישות הוראה ייחודיות לתחום הדעת, צרכים פדגוגיים, אחריות ניהולית והובלתית, ומנגנוני תמיכה;
3. התפתחות דינמית: הכוללת שינוי בתגובה להתפתחויות טכנולוגיות, לתפקידים משתנים, לצרכים מתהווים ולפיתוח מיומנויות.

חפיפה בין ציר ההתאמה להקשר וציר הצרכים המקצועיים

נקודת המפגש בין שני צירים אלה משקפת אינטראקציה דינמית בין גורמים סביבתיים־חברתיים־תרבותיים לבין דרישות המקצוע החינוכי. במרחב זה מתאימים מחנכים את הידע שלהם בבינה מלאכותית להקשר הפעילות הספציפי שלהם.
ניתוח השדה מגלה ביטויים שונים לכך בפועל: מורים בפריפריה מפתחים אסטרטגיות לשילוב כלים של בינה מלאכותית בתנאי תשתית מוגבלים, ובכך ממחישים כיצד הדחף לחדשנות מעוצב בידי מגבלות ההקשר. באותו אופן, מנהיגים חינוכיים הפועלים בקרב אוכלוסיות שונות נדרשים לגבש מדיניות שימוש בבינה מלאכותית התואמת את ערכי הקהילה, ובו בזמן לקדם חדשנות פדגוגית.

החפיפה בין ההתאמה להקשר ולצרכים המקצועיים ממחישה כי אוריינות בבינה מלאכותית אינה מתפתחת בבידוד, אלא מושפעת מהקשר הפעולה של המחנך. תפיסה זו עולה בקנה אחד עם הגישות החברתיות־תרבותיות ללמידה ולהתפתחות מקצועית [7,35], הרואות בידע ובמיומנויות תוצר של אינטראקציה מתמשכת בין הפרט לסביבה.
החפיפה גם מערערת על המודלים המסורתיים המדגישים סטנדרטיזציה וסט כישורים אחיד, ומציעה גישה מבדילה המעריכה את הייחודיות של כל הקשר חינוכי.
נקודת המפגש בין הקשר לצורך אינה רק אזור של התאמה, אלא גם מרחב ליצירתיות פדגוגית ולשימוש חדשני בבינה מלאכותית. לבסוף, היא מדגישה את הצורך בגישה רב־ממדית ומורכבת יותר להערכת אוריינות בבינה מלאכותית – כזו המתחשבת במציאות הסבוכה שבה פועלים מחנכים, מעבר לידע טכני או פדגוגי גרידא [39,44].
תפיסה זו מהווה צעד חשוב לעבר פיתוח מקצועי ממוקד ומותאם הקשר.

חפיפה בין ציר הצרכים המקצועיים וציר ההתפתחות הדינמית

החפיפה בין שני צירים אלה ממחישה כיצד הצרכים המקצועיים של מחנכים בבינה מלאכותית מתפתחים לאורך זמן. הדבר מבטא את ההבנה שאוריינות בבינה מלאכותית היא תהליך מתמשך המושפע מחדשנות טכנולוגית, מתפקידים משתנים ומצמיחה מקצועית.
דפוס זה בא לידי ביטוי בניתוחי המקרים שתוארו לעיל: המורה למתמטיקה, למשל, השתמשה בתחילה בכלי בינה מלאכותית בסיסיים לבדיקת תרגילים, ובהמשך אימצה טכנולוגיות מתקדמות יותר להמחשה חזותית של מושגים – מעבר המשקף גם שיפור טכני וגם הרחבת תפיסה לגבי תרומת הטכנולוגיה להוראה.

מבחינה תאורטית, החפיפה בין שני הצירים מצביעה על תפיסת אוריינות בבינה מלאכותית כתהליך של למידה מתמשכת והתאמה לסביבה משתנה. גישה זו נשענת על תאוריות של פיתוח מקצועי [45] ולמידה לאורך החיים [46], המדגישות את הגמישות והרכישת מיומנויות כמרכיבים חיוניים לאוריינות יעילה בבינה מלאכותית.

יתרה מזו, החפיפה מדגישה את הצורך בכלי הערכה גמישים המשקפים את אופייה המתפתח של האוריינות, במקום מדדים הנקשרים לנקודות זמן קבועות. ניתוחי המקרים מלמדים כי התפתחות האוריינות של מחנכים משתנה במידה רבה בהתאם לשינויים בתפקיד, להתקדמות טכנולוגית ולתהליכי למידה פורמליים ובלתי פורמליים.
הדבר מדגיש את החשיבות של תוכניות פיתוח מקצועי ארוכות טווח, המותאמות לשלבי התפתחות שונים, ומאפשרות צמיחה הדרגתית לאורך זמן. תוכניות אלה צריכות לשלב התנסות מעשית, רפלקציה מתמדת וקהילות למידה מקצועיות, התומכות בהתפתחות מתמשכת של כישורים וידע הקשורים לבינה מלאכותית.

חפיפה בין ציר ההתפתחות הדינמית וציר ההתאמה להקשר

חפיפה זו מייצגת מרחב מורכב שבו ההקשרים החברתיים, התרבותיים, הטכנולוגיים והמוסדיים מצויים בתנועה מתמדת, ומציבים בפני המחנכים אתגר כפול: להתפתח מקצועית תוך הסתגלות מתמדת לתנאים משתנים.
ניתוחי המקרים מצביעים על כמה דינמיקות הקשריות מרכזיות המשפיעות על אוריינות בבינה מלאכותית בחינוך – בהן שונות בתשתיות טכנולוגיות, המשפיעה על ההקשר ומגבילה או מרחיבה את האפשרויות הפדגוגיות.
ממד נוסף הוא שינוי התפיסות החברתיות והתרבותיות כלפי בינה מלאכותית בקהילות שונות. אחת המשתתפות במחקר תיארה כיצד האוריינות שלה בבינה מלאכותית הושפעה מהעובדה שההקשר הדתי בקהילה התיר שימוש במחוללי טקסט אך לא במחוללי תמונה – דבר שהשפיע עמוקות על שילובה הטכנולוגי. ממצא זה מדגיש את חשיבות המודעות המתמדת לגורמים חברתיים־תרבותיים בעת שילוב טכנולוגיות.
ממד שלישי נוגע לצרכים חדשים המתעוררים עקב יכולות מתקדמות של בינה מלאכותית, כגון סביבות למידה אדפטיביות, היוצרות דרישות חינוכיות חדשות.

לבסוף, חפיפה זו מדגישה את הצורך ב"זריזות אוריינית" – כלומר ביכולת להסתגל באופן מתמיד להקשרים משתנים. מבחינה מעשית, הדבר מחייב טיפוח יכולות מטה־קוגניטיביות וחשיבה רפלקטיבית של מחנכים, כדי לאפשר תגובה אדפטיבית במצבי הוראה משתנים.

אזור הליבה של אוריינות בינה מלאכותית

במרכז המודל – שם נפגשים ההסתגלות להקשר, הצרכים המקצועיים וההתפתחות הדינמית – מצויה ליבת האוריינות בבינה מלאכותית. אזור זה מייצג את רמת האוריינות האופטימלית בסביבות חינוכיות, המאופיינת באינטגרציה מלאה ובאינטראקציה מאוזנת בין שלושת ממדי המודל.

הבנת אזור זה מספקת תובנות חשובות על שימוש אפקטיבי וטרנספורמטיבי בבינה מלאכותית בחינוך.
אחת מתכונות המודל החדש היא שילוב הרמוני של הקשר, צרכים והתפתחות: המורה מבין את סביבתו החברתית־תרבותית, מזהה במדויק את צרכיו המקצועיים ומודע לתהליכי הצמיחה שלו.
מאפיין נוסף הוא שהשימוש בבינה מלאכותית הופך לאותנטי ומשולב לעומק בהוראה, כך שהאוריינות מגיעה להשפעה המרבית שלה. ניתוחי המקרים מראים כי מחנכים הפועלים באזור זה מפתחים פרקטיקות הוראה עשירות ובעלות משמעות המקדמות למידה.
יכולת הסתגלות גבוהה היא מאפיין נוסף: מורים באזור זה מגיבים ביעילות ובמהירות לשינויים טכנולוגיים, הקשריים ומקצועיים. גמישות זו נובעת ממומחיות, מתודעה מערכתית וממיומנויות מטה־קוגניטיביות, המאפשרות להם לנוע בקלות בין שלושת הצירים – יכולת חיונית בעידן טכנולוגי משתנה במהירות.

אזור הליבה משקף גם את מורכבותה המהותית של האוריינות בבינה מלאכותית בחינוך. בניגוד למסגרות בינאריות (“יודע / לא יודע”), הוא לוכד את אופייה הרב־ממדי של התופעה ואת האינטראקציה המתמדת בין מרכיביה – בהתאם לתפיסות מערכתיות מורכבות בחינוך [49].
מאפיין ייחודי נוסף של המודל הוא היכולת לנוע בין הממדים: מחנכים באזור זה עוברים בגמישות בין ההיבטים ההקשריים, הצרכים המקצועיים ותהליכי ההתפתחות, ומשתמשים בכל ציר כדי להתמודד באופן מושכל עם אתגרים.

המודל מדגיש את המשחק הדינמי בין הממדים, ומעודד הבנה הוליסטית המשקפת את מציאות החינוך בפועל. כוחו טמון ביכולתו להעריך אוריינות בינה מלאכותית בהקשרים חינוכיים שונים, תוך התייחסות למאפיינים תרבותיים, חברתיים ופדגוגיים. ניתוחי המקרים מראים כי בסביבות פריפריאליות דלות משאבים המודל מצליח לזהות היבטים של אוריינות שבמודלים מסורתיים נעלמים, ומכיר בכך שאין “פרופיל מושלם” – כל מחנך מפתח את המיומנויות הרלוונטיות ביותר להקשרו בזמן נתון.

תרומה לתחום החינוך

המחקר תורם תרומה רב־ממדית ומשמעותית לחינוך בשלושה תחומים עיקריים:
ראשית, מודל AALM מציג מסגרת תאורטית חדשנית להבנת אוריינות בינה מלאכותית כתופעה תלוית הקשר, הלוכדת את המורכבות של סביבות חינוכיות ואת המשאבים, ההזדמנויות והמגבלות שבהן – מציאות שעל קובעי מדיניות להביא בחשבון.
שנית, נקודת המבט האינטגרטיבית של המודל נושאת השלכות חשובות על פיתוח מקצועי והכשרת מורים בתחום הבינה המלאכותית. במקום להתמקד באופן צר במיומנויות טכניות, יש לקדם הכשרה המפתחת יכולת לשלב בין ממדים שונים ומעודדת מודעות מערכתית ורפלקטיבית.
הממצאים מצביעים על כך שפיתוח מקצועי אפקטיבי מחייב תרגול אותנטי, רפלקציה מתמדת וקהילות למידה תומכות – המאפשרות למורים להגיע בהדרגה לאוריינות מקיפה ויעילה.

לבסוף, כלי ההערכה העצמית המוצע עשוי לאפשר למחנכים להעריך את רמת האוריינות שלהם בבינה מלאכותית דרך עדשה דינמית ותלוית הקשר. הוא מתייחס להתאמה לתנאים מקומיים (כגון תשתיות וערכים תרבותיים), לצרכים מקצועיים (כגון פדגוגיה ייחודית לתחום הדעת), ולפיתוח מתמשך של מיומנויות.
השאלון המוצע כולל, למשל, פריטים כמו “אני מתאים את השימוש בבינה מלאכותית למאפיינים התרבותיים של תלמידיי "או “אני בוחר כלים מבוססי בינה מלאכותית המתאימים לתחום שאני מלמד". פריטים אלה מעודדים רפלקציה ביקורתית ותומכים ישירות בהתפתחות האוריינות שאותה הם מבקשים למדוד.

מקורות

1. [1]
2. Long, B. Magerko

What is AI literacy? Competencies and design considerations

Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems (2020), pp. 1-16, 10.1145/3313831.3376727

View at publisherView in ScopusGoogle Scholar

2. [2]

T.K.F. Chiu

A holistic approach to the design of artificial intelligence (AI) education for K-12 schools

TechTrends, 65 (5) (2021), pp. 796-807, 10.1007/s11528-021-00637-1

View at publisherView in ScopusGoogle Scholar

3. [3]
4. Miao, K. Shiohira

K-12 AI curricula: a mapping of government-endorsed AI curricula

UNESCO (2022)

https://unesdoc.unesco.org/ark:/48223/pf0000380602

Google Scholar

4. [4]

D.T.K. Ng, J.K.L. Leung, S.K.W. Chu, M.S. Qiao

Conceptualizing AI literacy: an exploratory review

Comput Educ: Artif Intell, 2 (2021), Article 100041, 10.1016/j.caeai.2021.100041

View PDFView articleView in ScopusGoogle Scholar

5. [5]

I.H.Y. Yim

A critical review of teaching and learning artificial intelligence (AI) literacy: developing an intelligence-based AI literacy framework for primary school education

Comput Educ: Artif Intell, 7 (2024), Article 100319, 10.1016/j.caeai.2024.100319

View at publisher

Google Scholar

6. [6]
7. Belshaw, S. Higgins

Digital literacy, digital natives, and the continuum of ambiguity

(2011)

Retrieved December 15, 2024 from

https://dougbelshaw.com/ambiguity/Bloom

Google Scholar

7. [7]

L.S. Vygotsky

Mind in society: the development of higher psychological processes

Harvard University Press (1978)

Google Scholar

8. [8]
9. Lave, E. Wenger

Situated learning: legitimate peripheral participation

Cambridge University Press (1991)

Google Scholar

9. [9]
10. Bronfenbrenner

The ecology of human development: experiments by nature and design

Harvard University Press (1979)

Google Scholar

10. [10]
11. Thelen, L.B. Smith

A dynamic systems approach to the development of cognition and action

MIT Press (1994)

Google Scholar

11. [11]
12. van Geert

The dynamic systems approach in the study of L1 and L2 acquisition: an introduction

Mod Lang J, 92 (2) (2008), pp. 179-199, 10.1111/j.1540-4781.2008.00713.x

View in ScopusGoogle Scholar

12. [12]
13. Druga, S.T. Vu, E. Likhith, T. Qiu

Inclusive AI literacy for kids around the world

Proceedings of the 2022 CHI Conference on Human Factors in Computing Systems (2022), pp. 1-14, 10.1145/3311890.3311904

Google Scholar

13. [13]
14. B, M.D. Engelhart, E.J. Furst, W.H. Hill, D.R. Krathwohl

Taxonomy of educational objectives: the classification of educational goals

David McKay (1956)

Google Scholar

14. [14]
15. Casal-Otero, B. Cebreiro, C. Fernández-Morante, S. García-Sastre

AI literacy in K-12: a systematic literature review

Int J STEM Educ, 10 (1) (2023), p. 29, 10.1186/s40594-023-00418-7

View in ScopusGoogle Scholar

15. [15]

E.L. Deci, R.M. Ryan

Self-determination theory

editors

P.A.M. Van Lange, A.W. Kruglanski, E.T. Higgins (Eds.), Handbook of theories of social psychology, Handbook of theories of social psychology, 1, Sage (2012), pp. 416-437

CrossrefView in ScopusGoogle Scholar

16. [16]

T.K.F. Chiu, Z. Ahmad, M. Ismailov, I.T. Sanusi

What are artificial intelligence literacy and competency? A comprehensive framework to support them

Comput Educ Open, 6 (2024), Article 100171, 10.1016/j.caeo.2024.100171

View PDFView articleView in ScopusGoogle Scholar

17. [17]
18. Koehler, P. Mishra

What is technological pedagogical content knowledge (TPACK)?

Contemp Issues Technol Teach Educ, 9 (1) (2009), pp. 60-70

Google Scholar

18. [18]
19. Celik

Towards Intelligent-TPACK: an empirical study on teachers’ professional knowledge to ethically integrate artificial intelligence (AI)-based tools into education

Comput Hum Behav, 138 (2023), Article 107468, 10.1016/j.chb.2022.107468

View PDFView articleView in ScopusGoogle Scholar

19. [19]
20. Hava, Ö. Babayiğit

Exploring the relationship between teachers' competencies in AI-TPACK and digital proficiency

Educ Inf Technol, 30 (2025), pp. 3491-3508, 10.1007/s10639-024-12939-x

View in ScopusGoogle Scholar

20. [20]
21. Miao, K. Shiohira

Artificial intelligence competency framework for students

UNESCO (2024), 10.54675/JKJB9835

Google Scholar

21. [21]
22. Filo, E. Rabin, Y. Mor

An artificial intelligence competency framework for teachers and students: co-created with teachers

Eur J Open Distance E-Learn, 26 (S1) (2024), pp. 93-106, 10.2478/eurodl-2024-0012

Google Scholar

22. [22]
23. Falloon

From digital literacy to digital competence: the teacher digital competency (TDC) framework

Edu Technol Res Dev, 68 (5) (2020), pp. 2449-2472

CrossrefView in ScopusGoogle Scholar

23. [23]

A.C.E. Ding, L. Shi, H. Yang, I. Choi

Enhancing teacher AI literacy and integration through different types of cases in teacher professional development

Comput Educ Open, 6 (2024), Article 100178, 10.1016/j.caeo.2024.100178

View PDFView articleView in ScopusGoogle Scholar

24. [24]
25. Heung, Y. Yim

A critical review of teaching and learning artificial intelligence (AI) literacy: developing an intelligence-based AI literacy framework for primary school education

Comput Educ: Artif Intell, 7 (2024), Article 100319, 10.1016/j.caeai.2024.100319

Google Scholar

25. [25]
26. Stolpe, J. Hallström

Artificial intelligence literacy for technology education

Comput Educ Open, 6 (2024), Article 100159, 10.1016/j.caeo.2024.100159

View PDFView articleView in ScopusGoogle Scholar

26. [26]
27. Wang, J. Lester

K-12 education in the age of AI: a call to action for K-12 AI Literacy

Int J Artif Intell Educ, 33 (2) (2023), pp. 228-232, 10.1007/s40593-023-00358-x

View in ScopusGoogle Scholar

27. [27]

D.T.K. Ng, J. Su, J.K.L. Leung, S.K.W. Chu

Artificial intelligence (AI) literacy education in secondary schools: a review

Interact Learn Environ (2023), 10.1080/10494820.2023.2255228

Google Scholar

28. [28]
29. Chan

Holistic competencies and AI in education: a synergistic pathway

Australas J Educ Technol, 40 (5) (2024), pp. 1-12, 10.14742/ajet.10191

Google Scholar

29. [29]
30. Anderson, J. Shattuck

Design-based research: a decade of progress in education research?

Educ Res, 41 (1) (2012), pp. 16-25, 10.3102/0013189X11428813

View in ScopusGoogle Scholar

30. [30]
31. Charmaz

Constructing grounded theory

(2nd ed.), Sage (2014)

Google Scholar

31. [31]
32. Heath, S. Cowley

Developing a grounded theory approach: a comparison of Glaser and Strauss

Int J Nurs Stud, 41 (2) (2004), pp. 141-150, 10.1016/S0020-7489(03)00113-5

View PDFView articleView in ScopusGoogle Scholar

32. [32]

S.A. Barab, M.K. Thomas, T. Dodge, K. Squire, M. Newell

Critical design ethnography: designing for change

Anthr Educ Q, 35 (2) (2004), pp. 254-268, 10.1525/aeq.2004.35.2.254

View in ScopusGoogle Scholar

33. [33]

B.C. Holtom, Y. Baruch, H. Aguinis, G.A. Ballinger

Survey response rates: trends and a validity assessment framework

J Manage, 48 (2) (2022), pp. 341-374, 10.1177/00187267211070769

Google Scholar

34. [34]

H.A. Linstone, M. Turoff

The delphi method

Addison-Wesley (1975)

Google Scholar

35. [35]
36. Wenger

Communities of practice: learning, meaning, and identity

Cambridge University Press (1998)

Google Scholar

36. [36]

A.J. Fletcher, G.P. Marchildon

Using the Delphi method for qualitative, participatory action research in health leadership

Int J Qual Methods, 13 (1) (2014), pp. 1-18, 10.1177/160940691401300101

View in ScopusGoogle Scholar

37. [37]

S.R. Brady

Utilizing and adapting the Delphi method for use in qualitative research

Int J Qual Methods, 14 (5) (2015), pp. 1-6, 10.1177/1609406915621381

View in ScopusGoogle Scholar

38. [38]

D.A. Schön

Design as a reflective conversation with the situation

Reflective Pract.: How Prof Think Action (1983), pp. 76-104

Google Scholar

39. [39]
40. Mishra, M.J. Koehler

Technological Pedagogical Content Knowledge: a framework for teacher knowledge

Teach Coll Rec, 108 (6) (2006), pp. 1017-1054, 10.1111/j.1467-9620.2006.00684.x

View in ScopusGoogle Scholar

40. [40]
41. Bazeley

Analyzing qualitative data: more than 'identifying themes'

Malays J Qual Res, 2 (2) (2009), pp. 6-22

Google Scholar

41. [41]
42. Braun, V. Clarke

Using thematic analysis in psychology

Qual Res Psychol, 3 (2) (2006), pp. 77-101, 10.1191/1478088706qp063oa

View in ScopusGoogle Scholar

42. [42]
43. Touretzky, C. Gardner-McCune, D. Seehorn

Machine learning and the five big ideas in AI

Int J Artif Intell Educ, 33 (2) (2023), pp. 233-266, 10.1007/s40593-022-00314-1

View in ScopusGoogle Scholar

43. [43]
44. Mott, A. Gupta, K. Glazewski, A. Ottenbreit-Leftwich, C. Hmelo-Silver, A. Scribner, J. Lester, et al.

Fostering upper elementary AI education: iteratively refining a use-modify-create scaffolding progression for AI planning

Proceedings of the 2023 Conference on Innovation and Technology in Computer Science Education, 2 (2023), p. 647, 10.1145/3587103.3594170

View in ScopusGoogle Scholar

44. [44]
45. Zhao, K. Pugh, S. Sheldon, J.L. Byers

Conditions for classroom technology innovations

Teach Coll Rec: Voice Scholarsh Educ, 104 (3) (2002), pp. 482-515, 10.1111/1467-9620.00170

View in ScopusGoogle Scholar

45. [45]
46. Darling-Hammond, M.E. Hyler, M. Gardner

Effective teacher professional development

Learning Policy Institute (2017)

Google Scholar

46. [46]

W.P. Thwe, A. Kalman

Lifelong learning in the educational setting: a systematic literature review

Asia-Pac Educ Res, 33 (2) (2024), pp. 407-417, 10.1007/s40299-023-00738-w

View at publisher

View in ScopusGoogle Scholar

47. [47]
48. Davis, D. Sumara

Complexity and education: inquiries into learning, teaching, and research

Lawrence Erlbaum Associates (2006), 10.4324/9780203764015

View at publisherGoogle Scholar

48. [48]
49. Kress

Literacy in the new media age

Routledge (2003)

Google Scholar

49. [49]
50. Priestley, G. Biesta, S. Robinson

Teacher agency: an ecological approach

Bloomsbury Academic (2015)

Google Scholar

50. [50]

T.J. Kopcha, A. Ottenbreit-Leftwich, J. Jung, D. Baser

Examining the TPACK framework through the convergent and discriminant validity of two measures

Comput Educ, 78 (2014), pp. 87-96, 10.1016/j.compedu.2014.05.003