de claude-education-skills211
Génère une carte au niveau des composants indiquant où l'assistance de l'IA soutient, est neutre ou compromet les objectifs d'apprentissage d'un devoir, et produit des composants défendables
AI Learning Boundary Mapper analyse un devoir de classe et ses objectifs d'apprentissage, puis produit une carte composant par composant identifiant où l'assistance de l'IA est bénéfique, neutre ou préjudiciable. La compétence génère un langage de politique clair que les enseignants peuvent insérer dans les descriptifs de devoirs, des justifications pour chaque restriction, des conseils de sélection d'outils (recherche vs IA) et des suggestions de reconception pratiques pour préserver le défi critique à l'apprentissage tout en permettant des utilisations utiles de l'IA. Elle s'appuie sur la conception inverse (backward design) et les preuves des sciences de l'apprentissage (Wiggins & McTighe ; Bjork et al. ; Kirschner et al.).
Utilisez cette compétence lors de la reconception de devoirs pour une classe utilisant l'IA, lors de la rédaction de directives défendables sur l'utilisation de l'IA pour un cours, ou lorsque vous devez transformer des règles vagues comme « IA autorisée » ou « pas d'IA » en politiques spécifiques par composant que les enseignants peuvent mettre en œuvre et expliquer aux étudiants. Utile pour les tâches formatives et sommatives dans toutes les matières.
Conçu pour les assistants conversationnels/capables de coder (type Claude et agents LLM généralistes) pouvant accepter des entrées structurées et renvoyer des sorties markdown. Fonctionne bien dans les flux de soutien aux enseignants et les pipelines de conception de programmes.
Cette compétence n'a pas encore été examinée par notre pipeline d'audit automatisé.
