Development and Validation of a Faculty Artificial Intelligence Literacy and Competency (FALCON-AI) Scale for Higher Education
Deze studie presenteert de ontwikkeling en validatie van de FALCON-AI-schaal, een betrouwbaar en geldig meetinstrument dat specifiek is ontworpen om de AI-geletterdheid en competentie van docenten in het hoger onderwijs te beoordelen binnen de context van hun onderwijs-, onderzoek- en administratieve taken.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat kunstmatige intelligentie (AI) een enorme, nieuwe gereedschapskist is die de hele universiteit binnen is gesluisd. Voor docenten is dit zowel spannend als verwarrend. Sommige gereedschappen zijn geweldig om tijd te besparen, maar andere kunnen gevaarlijk zijn als je ze niet goed begrijpt.
De vraag is: Hebben de docenten wel de juiste vaardigheden om met deze gereedschapskist om te gaan?
Dit is precies wat het onderzoek van Yukyeong Song en haar collega's wil weten. Ze hebben een nieuwe meetlat ontwikkeld, genaamd FALCON-AI. Laten we uitleggen wat dit precies is, zonder de moeilijke academische taal.
1. Het Probleem: Een gereedschapskist zonder handleiding
Vroeger hadden we meetinstrumenten voor AI, maar die waren als gereedschapskisten voor kinderen of voor mensen die net beginnen. Er was geen specifieke "handleiding" of test voor universiteitsdocenten.
Docenten hebben immers een heel andere baan dan een schooljuf of een student. Ze moeten:
- Leren geven (lesmateriaal maken, toetsen).
- Onderzoek doen (nieuwe wetenschap ontdekken).
- Beheren (commissies, administratie).
De auteurs dachten: "We moeten een meetlat maken die specifiek past bij deze drie taken."
2. De Oplossing: De FALCON-AI Meetlat
Ze hebben een nieuwe test ontworpen, de FALCON-AI. Je kunt je dit voorstellen als een drie-laags cake die ze over de vier taken van een docent hebben gelegd.
De drie lagen van de cake (De vaardigheden):
- De Bodemlaag (Functioneel): Kun je de machine aan de praat krijgen? Kun je de knoppen indrukken? (Bijvoorbeeld: "Ik kan een prompt schrijven om een tekst te genereren.")
- De Vulling (Evaluatief): Kun je zien of de machine goed werkt? Kun je zeggen: "Dit antwoord is slordig" of "Die tool is beter dan die andere"? (Bijvoorbeeld: "Ik kan controleren of de AI feiten verzonnen heeft.")
- De Glazuurlaag (Ethisch): Is het wel eerlijk en veilig? (Bijvoorbeeld: "Mag ik dit gebruiken voor mijn studenten? Wat als iedereen dit doet?")
De vier taken (De lagen waar de cake op staat):
Deze drie vaardigheden testen ze voor:
- Algemeen (Algemene kennis).
- Onderwijs (Lesgeven).
- Onderzoek (Wetenschappelijk werk).
- Service (Bestuurlijke taken).
Dit maakt een 3 x 4 rooster. Het is als een sudoku voor docenten: ze moeten op elk vakje van het rooster kunnen laten zien dat ze de juiste vaardigheid hebben.
3. Hoe hebben ze dit gemaakt? (De bouw van de meetlat)
Ze zijn niet zomaar gaan gokken. Ze hebben een zeer zorgvuldig proces gevolgd:
- Stap 1: De Schets. Ze begonnen met 43 vragen, gebaseerd op bestaande theorieën.
- Stap 2: De Expert-Check. Ze vroegen vier echte experts (docenten en AI-specialisten) om de vragen te beoordelen. Ze zeiden: "Is deze vraag duidelijk? Is hij relevant? Is hij nodig?"
- Leuk detail: Ze hebben ook een AI-chatbot (een soort digitale expert) ingeschakeld om mee te kijken! De menselijke experts en de AI waren het bijna volledig over eens. Dit is als het hebben van twee timmermannen die samen controleren of de meetlat recht is.
- Stap 3: De Proef. Ze stuurden de test naar 269 mensen (docenten, promovendi en stafleden) in de VS en Zuid-Korea.
- Stap 4: De Scherpslijper. Na de proef zagen ze dat sommige vragen niet goed werkten of te veel tijd kostten. Ze hebben de test ingekort tot 23 scherpe, krachtige vragen.
4. Wat zeggen de resultaten?
De test werkt! De statistieken laten zien dat de vragen precies meten wat ze moeten meten.
- Docenten kunnen nu zelf zien: "Ah, ik ben goed in het gebruiken van AI (de bodemlaag), maar ik ben nog niet zo zeker in het ethisch beoordelen (de glazuurlaag) voor mijn onderzoek."
- Universiteiten kunnen de test gebruiken om te zien waar ze trainingen nodig hebben.
5. Waarom is dit belangrijk?
Stel je voor dat je een auto huurt. Je wilt niet dat de bestuurder alleen maar weet hoe hij het gaspedaal indrukken moet (functioneel), maar ook dat hij weet hoe hij moet remmen als er een kind de weg op loopt (ethisch) en of de auto wel veilig is voor die specifieke weg (evaluatief).
De FALCON-AI meetlat helpt universiteiten om te zorgen dat hun docenten niet alleen de "gaspedaal-knuffelaars" zijn, maar veilige, kritische en ethische bestuurders van de AI-revolutie.
Kortom:
Dit onderzoek heeft een nieuwe, betrouwbare "rijbewijstest" ontwikkeld voor universiteitsdocenten. Het helpt hen om te ontdekken waar ze sterk zijn en waar ze nog een beetje extra training nodig hebben, zodat ze AI kunnen gebruiken als een krachtige partner in plaats van als een gevaarlijke onbekende.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.