Academic writing and ChatGPT: Students transitioning into college in the shadow of the COVID-19 pandemic
Notice bibliographique
Résumé
Abstract This paper reflects on an educator's perceived experiences and observations on the complex process of ‘passage’ when students transitioning from high school into their first-year of post-secondary education often struggle to adapt to academic writing standards. It relies on literature to further explore such a process. Written communication has become increasingly popular in formal academic and professional settings, stressing the need for effective formal writing skills. The development of online tools for aiding writing is not a new concept, but a new software development known as ChatGPT, may add to the many challenges academic writing has faced over the years. This paper reflects on the students' struggles as they navigate different courses seeking to adapt their writing skills to formal and structured written academic requirements. The COVID-19 pandemic forced many recent high school students into virtual education, uncertain of its effectiveness in developing the writing skills high school graduates require in academia. Many unknowns exist in using ChatGPT in academic contexts, especially in writing. ChatGPT can generate texts independently, raising concerns about plagiarism and its impact on students' critical thinking and writing skills. This paper hopes to contribute to pedagogical discussions on the current challenges surrounding the use of artificial intelligence technology and how better to support beginner writers in academia.
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 | 0,006 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,013 | 0,006 |
| Communication savante | 0,011 | 0,004 |
| Science ouverte | 0,002 | 0,009 |
| Intégrité de la recherche | 0,003 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».