Τεχνητή Νοημοσύνη και Γλωσσική Διδασκαλία
| Τίτλος | Τεχνητή Νοημοσύνη και Γλωσσική Διδασκαλία / Artificial Intelligence and Language Teaching |
| Κωδικός | ΔΕΔΓ705 |
| Σχολή | Φιλοσοφική |
| Τμήμα | Φιλολογίας |
| Κύκλος / Επίπεδο | 2ος / Μεταπτυχιακό |
| Περίοδος Διδασκαλίας | Χειμερινή/Εαρινή |
| Κοινό | Ναι |
| Κατάσταση | Ενεργό |
| Course ID | 600025499 |
Πρόγραμμα Σπουδών: H ΕΛΛΗΝΙΚΗ ΩΣ ΔΕΥΤΕΡΗ/ΞΕΝΗ ΓΛΩΣΣΑ ΚΑΙ ΩΣ ΓΛΩΣΣΑ ΠΟΛΙΤΙΣΜΙΚΗΣ ΚΛΗΡΟΝΟΜΙΑΣ
Εγγεγραμμένοι φοιτητές: 0
| Κατεύθυνση | Τύπος Παρακολούθησης | Εξάμηνο | Έτος | ECTS |
|---|---|---|---|---|
| ΔΠΜΣ - H ΕΛΛΗΝΙΚΗ ΩΣ ΔΕΥΤΕΡΗ/ΞΕΝΗ ΓΛΩΣΣΑ ΚΑΙ ΩΣ ΓΛΩΣΣΑ ΠΟΛΙΤΙΣΜΙΚΗΣ ΚΛΗΡΟΝΟΜΙΑΣ: ΘΕΩΡΗΤΙΚΕΣ ΠΡΟΣΕΓΓΙΣΕΙΣ ΚΑΙ ΔΙΔΑΚΤΙΚΗ ΜΕΘΟΔΟΛΟΓΙΑ | Επιλογής | Χειμερινό/Εαρινό | - | 10 |
| Τίτλος | Τεχνητή Νοημοσύνη και Γλωσσική Διδασκαλία |
| Ακαδημαϊκό Έτος | 2025 – 2026 |
| Περίοδος Τάξης | Χειμερινή |
| Διδάσκοντες μέλη ΔΕΠ |
|
| Ώρες Εβδομαδιαία | 3 |
| Ώρες Συνολικά | 39 |
| Class ID | 600267461
|
Τύπος Μαθήματος
Γενικού Υποβάθρου
Τρόπος Παράδοσης
- Eξ απoστάσεως εκπαίδευση
Ηλεκτρονική Διάθεση Μαθήματος
- e-Οδηγός Σπουδών https://qa.auth.gr/el/class/1/600267461
Γλώσσα Διδασκαλίας
- Ελληνικά (Διδασκαλία, Εξέταση)
Προαπαιτήσεις
Γενικές Προαπαιτήσεις
ΚΑΜΙΑ
Μαθησιακά Αποτελέσματα
Με την ολοκλήρωση του μαθήματος οι φοιτητές/τριες θα μπορούν να:
- Εξηγούν με απλά λόγια τι είναι η Τεχνητή Νοημοσύνη και τα Μεγάλα Γλωσσικά Μοντέλα, πού βοηθούν και πού έχουν όρια στη γλωσσική διδασκαλία.
- Επιλέγουν κατάλληλα εργαλεία ΤΝ (χωρίς εγκατάσταση) για την επίτευξη συγκεκριμένων διδακτικών στόχων (π.χ. ως προς το λεξιλόγιο, τη γραμματική και την παραγωγή λόγου).
- Σχεδιάζουν δραστηριότητες με ΤΝ ευθυγραμμισμένες με μαθησιακούς στόχους και τα επίπεδα γλωσσομάθειας στη βάση του Κοινού Ευρωπαϊκού Πλαισίου Αναφοράς για τις Γλώσσες.
- Εφαρμόζουν αρχές υπεύθυνης χρήσης της ΤΝ στην εκπαιδευτική πράξη: εντοπίζουν και μετριάζουν μεροληψίες των ΜΓΜ, προστατεύουν προσωπικά δεδομένα, και τεκμηριώνουν ρητά τη χρήση ΤΝ.
- Αξιοποιούν και να αναλύουν ανώνυμα και με ασφάλεια μικρά δείγματα κειμένων μαθητών και Σώματα Κειμένων Μαθητών για διδακτικούς σκοπούς.
- Αξιολογούν την ποιότητα της ανατροφοδότησης των εργαλείων, με αναλυτικό πίνακα κριτηρίων αξιολόγησης, ως προς την ορθότητα, τη σαφήνεια, την παιδαγωγική συνάφεια και τη χρησιμότητα, και να τεκμηριώνουν αποφάσεις βελτίωσης ή απόρριψης.
- Δομούν “συνταγές προτροπών” (prompt recipes) για σταθερά αποτελέσματα, χωρίς τεχνικούς όρους.
- Συντάσσουν πολιτική χρήσης ΤΝ στην τάξη (τι επιτρέπεται/πότε/πώς δηλώνεται) και σχέδιο διαχείρισης ρίσκου.
Γενικές Ικανότητες
- Εφαρμογή της γνώσης στην πράξη
- Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών
- Προσαρμογή σε νέες καταστάσεις
- Λήψη αποφάσεων
- Αυτόνομη εργασία
- Ομαδική εργασία
- Εργασία σε διεθνές περιβάλλον
- Εργασία σε διεπιστημονικό περιβάλλον
- Σεβασμός στη διαφορετικότητα και στην πολυπολιτισμικότητα
- Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης
Περιεχόμενο Μαθήματος
Το μάθημα εισάγει με πρακτικό τρόπο την Τεχνητή Νοημοσύνη (ΤΝ) στη γλωσσική διδασκαλία, με έμφαση στα Μεγάλα Γλωσσικά Μοντέλα (ΜΓΜ) και στη διδακτική αξιοποίηση Σωμάτων Κειμένων Μαθητών (π.χ. ΕΣΚΕΙΜΑΘ). Οι συμμετέχοντες μαθαίνουν να εξηγούν με απλά λόγια τι είναι ΤΝ/ΜΓΜ και τα όριά τους, να επιλέγουν browser-based εργαλεία για συγκεκριμένους στόχους (π.χ. κατάκτηση λεξιλογίου, γραμματικής και βελτίωση παραγωγής λόγου) και να σχεδιάζουν δραστηριότητες ευθυγραμμισμένες με το Κοινό Ευρωπαϊκό Πλαίσιο Αναφοράς για τις Γλώσσες. Εξασκούνται στην ανώνυμη/ασφαλή αξιοποίηση μικρών παραγωγών μαθητών από το ΕΣΚΕΙΜΑΘ, στη διαμόρφωση «συνταγών προτροπών» για σταθερά αποτελέσματα, στην τεκμηριωμένη αξιολόγηση της ανατροφοδότησης που παράγεται από ΜΓΜ με αναλυτικό πίνακα κριτηρίων (π.χ. ορθότητα, σαφήνεια, παιδαγωγική συνάφεια, χρησιμότητα) και στη λήψη σαφών αποφάσεων αποδοχής/βελτίωσης/απόρριψής της. Παράλληλα, εφαρμόζουν αρχές υπεύθυνης χρήσης της ΤΝ στη γλωσσική διδασκαλία (μετριασμός μεροληψιών, προστασία δεδομένων, ρητή τεκμηρίωση).
Λέξεις Κλειδιά
Τεχνητή Νοημοσύνη, Μεγάλα Γλωσσικά Μοντέλα, Γλωσσική Διδασκαλία, Language Learning
Τύποι Εκπαιδευτικού Υλικού
- Σημειώσεις
- Διαφάνειες
- Βιντεοδιαλέξεις
- Διαδραστικές ασκήσεις
- Βιβλίο
Χρήση Τεχνολογιών Πληροφορίας και Επικοινωνιών
Χρήση Τ.Π.Ε.
- Χρήση Τ.Π.Ε. στη Διδασκαλία
- Χρήση Τ.Π.Ε. στην Εργαστηριακή Εκπαίδευση
- Χρήση Τ.Π.Ε. στην Επικοινωνία με τους φοιτητές
Οργάνωση Μαθήματος
| Δραστηριότητες | Φόρτος Εργασίας | ECTS | Ατομικά | Ομαδικά | Erasmus |
|---|---|---|---|---|---|
| Διαλέξεις | 39 | ✓ | |||
| Μελέτη και ανάλυση βιβλίων και άρθρων | 50 | ✓ | ✓ | ||
| Συγγραφή εργασίας / εργασιών | 30 | ✓ | ✓ | ||
| Εξετάσεις | 32 | ✓ | |||
| Σύνολο | 151 |
Αξιολόγηση Φοιτητών
Περιγραφή
α. Περιγραφή της διαδικασίας
Η αξιολόγηση των φοιτητών/τριών στο μάθημα γίνεται μέσω μιας συνδυαστικής διαδικασίας που περιλαμβάνει διαμορφωτική και συμπερασματική αξιολόγηση. Η γλώσσα αξιολόγησης είναι η ελληνική. Τα κριτήρια αξιολόγησης είναι ρητά καθορισμένα και περιλαμβάνουν μια ποικιλία μεθόδων, οι οποίες εστιάζουν τόσο στην κατανόηση των βασικών εννοιών, όσο και στην εφαρμογή των θεωρητικών γνώσεων. Οι μέθοδοι αυτές περιλαμβάνονται στον οδηγό σπουδών του μαθήματος.
Μέθοδοι Αξιολόγησης Φοιτητών
- Γραπτή Εξέταση με Ερωτήσεις Πολλαπλής Επιλογής (Διαμορφωτική, Συμπερασματική)
- Γραπτή Εξέταση με Ερωτήσεις Σύντομης Απάντησης (Διαμορφωτική, Συμπερασματική)
- Γραπτή Εξέταση με Ερωτήσεις Εκτεταμένης Απάντησης (Διαμορφωτική, Συμπερασματική)
- Γραπτή Εργασία (Διαμορφωτική, Συμπερασματική)
- Προφορική Εξέταση (Διαμορφωτική, Συμπερασματική)
- Γραπτή Εξέταση με Επίλυση Προβλημάτων (Διαμορφωτική, Συμπερασματική)
Βιβλιογραφία
Επιπρόσθετη βιβλιογραφία για μελέτη
Zhu, M. & Wang, C. (2025). A systematic review of research on AI in language education. Language Learning & Technology, 29(1).
Feng, H., Li, K., & Zhang, L. J. (2025). What does AI bring to second language writing? A systematic review (2014–2024). Language Learning & Technology, 29(1).
Jacobsen, L. J., & Weber, K. E. (2025). The Promises and Pitfalls of Large Language Models as Feedback Providers: A Study of Prompt Engineering and the Quality of AI-Driven Feedback. AI, 6(2), 35.
Warschauer, M. (2024). Generative AI for language learning: Entering a new era. Language Learning & Technology, 28(2)
Τελευταία Επικαιροποίηση
22-08-2025
