Digital Deceit: Fake News, Artificial Intelligence, and Censorship in Educational Research
Notice bibliographique
Résumé
Never has it been more urgent for educators to be aware of the perils of research in education using digital searches in today’s world of disinformation, misinformation, artificial intelligence and censorship. As a result, we are more reliant on strong researchers than ever before. In the discipline of Education, students are often asked to research issues pertaining to curricula, pedagogy, educational information and theories. Pupils are using Internet and digital library searches to gain knowledge within public and private K-12 schools and within higher education. In this article, an Educational Librarian and an Education Professor outline their approach to educating all Faculty of Education students about using digital platforms in relation to unmasking fake news, artificial intelligence (AI) usage, and increasing Internet censorship. Using case study research, we examined 34 Bachelor of Education students in training at the high school level who created environmental digital art projects. Information/media literacy was taught in order to provide students with the necessary tools to identify credible, diverse, well-informed, strong, and robust research. In addition, they needed to be able to discern when artificial intelligence was utilized. Outlined are students’ projects. Our findings include “top ten” practical suggestions for educators at all levels when teaching students about effective researching in our current digital era.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,056 | 0,131 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,011 | 0,009 |
| Études des sciences et des technologies | 0,015 | 0,059 |
| Communication savante | 0,026 | 0,036 |
| Science ouverte | 0,002 | 0,011 |
| Intégrité de la recherche | 0,007 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».