論文の概要: Development and Validation of a Faculty Artificial Intelligence Literacy and Competency (FALCON-AI) Scale for Higher Education

• arxiv url: http://arxiv.org/abs/2603.20220v1
• Date: Tue, 03 Mar 2026 23:20:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 02:36:12.904172
• Title: Development and Validation of a Faculty Artificial Intelligence Literacy and Competency (FALCON-AI) Scale for Higher Education
• Title（参考訳）: 高等教育のための学部人工知能リテラシー・コンピテンシー(FALCON-AI)尺度の開発と検証
• Authors: Yukyeong Song, Hyunjoo Moon, Hyewon Yang, Chris Kilgore,
• Abstract要約: しかし、既存のAIリテラシー機器は主に一般市民、学生、K-12教師をターゲットにしている。 本研究は,FALCON-AI(Department Artificial Intelligence Literacy and competency)尺度の開発と評価を行う。
• 参考スコア（独自算出の注目度）: 0.27998963147546146
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The integration of artificial intelligence (AI) in higher education underscores the growing importance of faculty AI literacy and competency across teaching, research, and service. Existing AI literacy instruments, however, primarily target the general public, students, or K-12 teachers, and therefore lack the role-embedded indicators and psychometric validation needed for scalable assessment among university faculty. Grounded in the Critical Tech-resilient Literacies (CTRL) framework, this study develops and validates the Faculty Artificial Intelligence Literacy and Competency (FALCON-AI) Scale as a concise and practically deployable tool for higher education contexts. Using a theory-driven development process, we generated an initial pool of 43 items mapped to three literacies (functional, evaluative, and ethical literacy) and situated them across four faculty work domains (general, teaching, research, service/administration), creating a 3 x 4 framework. Content validation was conducted through structured interviews with four subject-matter experts, supplemented by a GPT-based reviewer to triangulate ratings of clarity, relevance, and necessity, yielding refined 39 items for pilot testing. Pilot testing involved 269 valid responses, which were analyzed using confirmatory factor analysis (CFA). CFA evaluated the theoretically specified structure, followed by item reduction to minimize respondent burden while preserving content coverage. The final 23-item FALCON-AI demonstrated good model fit for the AI Literacy x Faculty Work measurement and strong reliability. This study presents a validated FALCON-AI scale with good reliability and validity, offering a refined practical instrument for assessing faculty AI in higher education.
• Abstract（参考訳）: 高等教育における人工知能(AI)の統合は、教員のAIリテラシーと教育、研究、サービスにおける能力の重要性の高まりを浮き彫りにしている。 しかし、既存のAIリテラシー機器は、主に一般市民、学生、またはK-12教師をターゲットにしているため、大学内のスケーラブルな評価に必要な役割を組み込んだ指標や心理測定の検証が欠如している。 本研究は,CTRL(Critical Tech-Resilient Literacies)の枠組みを基礎として,高次教育文脈の簡潔かつ実践的に展開可能なツールとして,FALCON-AI(Department Artificial Intelligence Literacy and Competency)尺度を開発し,検証する。 理論駆動開発プロセスを用いて,3つのリテラシー(機能的,評価的,倫理的リテラシー)にマッピングされた43項目の初期プールを作成した。 内容検証は、4人の主観的専門家との構造化されたインタビューを通じて行われ、GPTベースのレビュアーは、明瞭さ、妥当性、必要性を三角測量し、パイロットテストのために洗練された39項目を得た。 パイロットテストでは269の有効反応がみられ,確認因子分析(CFA)を用いて分析した。 CFAは, コンテンツカバレッジを保ちながら, 応答負荷を最小限に抑えるため, 理論的に規定された構造を評価した。 最終23等級のFALCON-AIは、AIリテラシーx部作業測定と信頼性に適合する優れたモデルを示した。 本研究では,FALCON-AI尺度の信頼性と妥当性が向上し,高等教育における教員AI評価のための改良された実践的手段を提供する。

関連論文リスト

• Evaluating 21st-Century Competencies in Postsecondary Curricula with Large Language Models: Performance Benchmarking and Reasoning-Based Prompting Strategies [6.934935343001595]
  我々は、幅広いカリキュラム文書、能力フレームワーク、モデルを調べることで、以前のカリキュラム分析研究を拡張した。 カリキュラムのアライメントスコアを手動で7,600点を用いて評価した。 我々はLLMの教育的推論を強化するための推論に基づくプロンプト戦略であるCurricular CoTを導入する。
  論文  参考訳（メタデータ） (2026-01-16T04:07:23Z)
• How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures [6.943056322842481]
  K-12教育における人工知能(AI)の普及は、教師のAIリテラシーの心理測定による測定の必要性を浮き彫りにしている。 本研究では,概念,利用,評価,倫理の確立した枠組みの中で,教師AIリテラシーのSRおよびOB尺度を開発し,評価した。 後期プロファイル分析では,AIリテラシーを持たない教師の間で,過大評価 (SR > OB),過小評価 (SR OB),アライメント (SR OB) の6つの異なるプロファイルを同定した。
  論文  参考訳（メタデータ） (2026-01-03T00:10:41Z)
• The next question after Turing's question: Introducing the Grow-AI test [51.56484100374058]
  本研究は,GROW-AIと呼ばれる人工知能評価の枠組みを拡張することを目的としている。 GROW-AIは、チューリングテストの自然な後継者である"Can Machine grow up? この作品の独創性は、人間の世界から人工知能への「成長」過程の概念的な変換にある。
  論文  参考訳（メタデータ） (2025-08-22T10:19:42Z)
• Decoding Instructional Dialogue: Human-AI Collaborative Analysis of Teacher Use of AI Tool at Scale [9.092920230987684]
  大規模言語モデルの教育ツールへの統合は、教師の指導計画に大きな影響を与える可能性がある。 本稿では,140,000以上の教育者-AIメッセージの大規模定性分析のための人間-AI協調手法を提案する。
  論文  参考訳（メタデータ） (2025-07-23T23:23:38Z)
• The AI Imperative: Scaling High-Quality Peer Review in Machine Learning [49.87236114682497]
  AIによるピアレビューは、緊急の研究とインフラの優先事項になるべきだ、と私たちは主張する。 我々は、事実検証の強化、レビュアーのパフォーマンスの指導、品質改善における著者の支援、意思決定におけるAC支援におけるAIの具体的な役割を提案する。
  論文  参考訳（メタデータ） (2025-06-09T18:37:14Z)
• From G-Factor to A-Factor: Establishing a Psychometric Framework for AI Literacy [1.5031024722977635]
  我々は、AIリテラシーを、教育、労働開発、および社会的エクイティに重要な意味を持つ、一貫性のある測定可能な構造として確立する。 研究1では、AIのインタラクションタスク間で44.16%のばらつきがある、支配的な潜伏因子("A-factor"と呼ばれる)を明らかにした。 研究2は、AIリテラシーの4つの重要な側面を調べることで測定ツールを洗練させた。 回帰分析では、認知能力(IQ)、教育的背景、AI以前の経験、トレーニング履歴など、AIリテラシーのいくつかの重要な予測要因を特定した。
  論文  参考訳（メタデータ） (2025-03-16T14:51:48Z)
• STRICTA: Structured Reasoning in Critical Text Assessment for Peer Review and Beyond [68.47402386668846]
  本研究では,テキストアセスメントをステップワイド推論プロセスとしてモデル化するために,Structured Reasoning In Critical Text Assessment (STRICTA)を導入する。 STRICTAは、因果性理論に基づく相互接続推論ステップのグラフに評価を分解する。 約40人のバイオメディカル専門家が20以上の論文について4000以上の推論ステップのデータセットにSTRICTAを適用した。
  論文  参考訳（メタデータ） (2024-09-09T06:55:37Z)
• A Literature Review of Literature Reviews in Pattern Analysis and Machine Intelligence [51.26815896167173]
  本稿では,3つの相補的な側面からPAMIレビューを総合的に分析する。 我々の分析は、現在のレビューの実践において、独特の組織パターンと永続的なギャップを明らかにします。 最後に、最先端のAI生成レビューの評価は、コヒーレンスと組織の進歩を奨励していることを示している。
  論文  参考訳（メタデータ） (2024-02-20T11:28:50Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。