The rise of generative AI and enculturating AI writing in postsecondary education
Notice bibliographique
Résumé
OpenAI'S release of ChatGPT shocked the public not only because so many people adopted it so quickly, but also because generative AI challenges the reverence society has for the act of writing. The rise of AI writing tools instigates a cultural moment that is difficult to measure. Universities are compelled to adapt to generative AI as a phenomenon before there is agreement upon how AI writing should be used or even valued by society, causing policymaking to be reactive. While higher education faculty members and professionals in teaching and learning are largely concentrating on whether the technology is factually correct or not in the writing it produces, or whether a student might be cheating, few concentrate on its threat to 'writing culture' as an aspect of society at large. This opinion piece argues that the hype surrounding generative AI writing is a response to its cultural disruption. It suggests that higher education will need to decide if using AI writing will be valued as an aesthetic or professional practice and a means to garner what social theorist Pierre Bourdieu calls "cultural capital" (Bourdieu, 1986). In sum, will we start to recognize AI writing as good writing, or those use it as good writers demonstrating a shift in cultural attitudes and shared values?This is a provisional file, not the final article
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 | 0,008 | 0,063 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,008 | 0,008 |
| Communication savante | 0,012 | 0,011 |
| Science ouverte | 0,001 | 0,009 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,037 | 0,004 |
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 ».