Research-based teacher education can be understood in different ways: as a call to understand teacher education institutions as research institutions, as the ambition to educate student teachers to have an inquiring attitude, as the basing of teacher education curricula on the latest research, or as a combination of all three.In this chapter we reflect on a method of connecting research, curriculum development and practice in teacher education, presenting a case study of a conversational community of teacher educators and researchers. The aim of the conversational community was to understand the process of curriculum design in teacher education as an inspiring and practical combination of design research, self-study, collaborative action research and curriculum study by teacher educators. This process was supported by a conversational framework in which curriculum development was understood as an ongoing dialogue between vision, intentions, design and practice in the teacher education curriculum. Using the conversational framework in this single case study of a conversational community, we have tried to connect teacher education research, curriculum development and practice in a meaningful way.
DOCUMENT
Our study introduces an open general-purpose platform for the embodiment of conversational AI systems. Conversational User-interface Based Embodiment (CUBE) is designed to streamline the integration of embodied solutions into text-based dialog managers, providing flexibility for customization depending on the specific use case and application. CUBE is responsible for naturally interacting with users by listening, observing, and responding to them. A detailed account of the design and implementation of the solution is provided, as well as a thorough examination of how it can be integrated by developers and AI dialogue manager integrators. Through interviews with developers, insight was gained into the advantages of such systems. Additionally, key areas that require further research were identified in the current challenges in achieving natural interaction between the user and the embodiments. CUBE bridges some of the gaps by providing controls to further develop natural non-verbal communication.
LINK
In de afgelopen jaren hebben technologische ontwikkelingen de aard van dienstverlening ingrijpend veranderd (Huang & Rust, 2018). Technologie wordt steeds vaker ingezet om menselijke servicemedewerkers te vervangen of te ondersteunen (Larivière et al., 2017; Wirtz et al., 2018). Dit stelt dienstverleners in staat om meer klanten te bedienen met minder werknemers, waardoor de operationele efficiëntie toeneemt (Beatson et al., 2007). Deze operationele efficiëntie leidt weer tot lagere kosten en een groter concurrentievermogen. Ook voor klanten kan de inzet van technologie voordelen hebben, zoals betere toegankelijkheid en consistentie, tijd- en kostenbesparing en (de perceptie van) meer controle over het serviceproces (Curran & Meuter, 2005). Mede vanwege deze beoogde voordelen is de inzet van technologie in service-interacties de afgelopen twee decennia exponentieel gegroeid. De inzet van zogenaamde conversational agents is een van de belangrijkste manieren waarop dienstverleners technologie kunnen inzetten om menselijke servicemedewerkers te ondersteunen of vervangen (Gartner, 2021). Conversational agents zijn geautomatiseerde gesprekspartners die menselijk communicatief gedrag nabootsen (Laranjo et al., 2018; Schuetzler et al., 2018). Er bestaan grofweg drie soorten conversational agents: chatbots, avatars, en robots. Chatbots zijn applicaties die geen virtuele of fysieke belichaming hebben en voornamelijk communiceren via gesproken of geschreven verbale communicatie (Araujo, 2018;Dale, 2016). Avatars hebben een virtuele belichaming, waardoor ze ook non-verbale signalen kunnen gebruiken om te communiceren, zoals glimlachen en knikken (Cassell, 2000). Robots, ten slotte, hebben een fysieke belichaming, waardoor ze ook fysiek contact kunnen hebben met gebruikers (Fink, 2012). Conversational agents onderscheiden zich door hun vermogen om menselijk gedrag te vertonen in service-interacties, maar op de vraag ‘hoe menselijk is wenselijk?’ bestaat nog geen eenduidig antwoord. Conversational agents als sociale actoren Om succesvol te zijn als dienstverlener, is kwalitatief hoogwaardige interactie tussen servicemedewerkers en klanten van cruciaal belang (Palmatier et al., 2006). Dit komt omdat klanten hun percepties van een servicemedewerker (bijv. vriendelijkheid, bekwaamheid) ontlenen aan diens uiterlijk en verbale en non verbale gedrag (Nickson et al., 2005; Specht et al., 2007; Sundaram & Webster, 2000). Deze klantpercepties beïnvloeden belangrijke aspecten van de relatie tussen klanten en dienstverleners, zoals vertrouwen en betrokkenheid, die op hun beurt intentie tot gebruik, mond-tot-mondreclame, loyaliteit en samenwerking beïnvloeden (Hennig-Thurau, 2004; Palmatier et al., 2006).Er is groeiend bewijs dat de uiterlijke kenmerken en communicatieve gedragingen (hierna: menselijke communicatieve gedragingen) die percepties van klanten positief beïnvloeden, ook effectief zijn wanneer ze worden toegepast door conversational agents (B.R. Duffy, 2003; Holtgraves et al., 2007). Het zogenaamde ‘Computers Als Sociale Actoren’ (CASA paradigma vertrekt vanuit de aanname dat mensen de neiging hebben om onbewust sociale regels en gedragingen toe te passen in interacties met computers, ondanks het feit dat ze weten dat deze computers levenloos zijn (Nass et al., 1994). Dit kan verder worden verklaard door het fenomeen antropomorfisme (Epley et al., 2007; Novak & Hoffman, 2019). Antropomorfisme houdt in dat de aanwezigheid van mensachtige kenmerken of gedragingen in niet-menselijke agenten, onbewust cognitieve schema's voor menselijke interactie activeert (Aggarwal & McGill, 2007; M.K. Lee et al., 2010). Door computers te antropomorfiseren komen mensen tegemoet aan hun eigen behoefte aan sociale verbinding en begrip van de sociale omgeving (Epley et al., 2007; Waytz et al., 2010). Dit heeft echter ook tot gevolg dat mensen cognitieve schema’s voor sociale perceptie toepassen op conversational agents.
DOCUMENT
The hospitality industry in the Netherlands has been slow to adopt artificial intelligence (AI), despite its potential to improve service efficiency and address workforce challenges. While some industries have embraced AI agents—automated systems interacting with users—for customer service, hospitality adoption remains limited. Many hotels struggle to integrate AI in ways that enhance guest experiences while ensuring workforce sustainability, a paradox. Workforce sustainability means keeping employees skilled and adaptable. This research addresses this paradox observed in professional practice, focusing on three key gaps in AI integration: • Hotel employees lack the skills and knowledge to adapt to AI-enhanced workplaces. • Hotel managers lack clear AI strategies that maintain service quality and employee well-being, ensuring AI complements rather than replaces human service. • AI developers often lack a clear understanding of the hospitality industry’s specific needs, hindering the development of effective solutions. This leads to the central question: How can AI agents be co-developed by hotel professionals and technical experts to enhance service efficiency while supporting a sustainable hospitality workforce? A one-year KIEM project provides the ideal framework for an agile, practice-based investigation in real hospitality environments. The project will unfold in four phases: (1) co-developing conversational AI chatbots with hotel businesses and technology providers, (2) testing the chatbot integration in hotels, (3) evaluating the impact on service efficiency and workforce sustainability, and (4) initiating a community of AI agent practice in service industry. Conducted in collaboration with industry partners, the research ensures findings are directly applicable to real-world hospitality challenges. By bridging academic research and industry needs, this project will generate insights into AI-driven service innovations that benefit hotel operations, employees, and AI developers. Beyond hospitality, its findings will offer scalable strategies for responsible AI adoption in sectors like healthcare, banking, and retail, fostering a more sustainable future of work.
