ChatGPT and the Pedagogical Challenge: Unveiling the Impact on Early-Career Academics in Higher Education
Notice bibliographique
Résumé
Emerging Artificial Intelligence (AI) tools like ChatGPT offer considerable promise for enhancing professional development in higher education. This study focuses on the experiences of early-career lecturers who utilise ChatGPT for professional development. Central questions explore ChatGPT's influence on their overall professional experience and the challenges and benefits of its use. While research on AI in education has been growing, few studies have delved into the specific experiences of young academics using ChatGPT. This study employed qualitative methods to address this gap, pre-cisely 45- to 60-minute in-depth interviews with two purposively selected lecturers, followed by a thematic analysis using a grounded theory approach. Our findings reveal a multifaceted landscape: on the one hand, ChatGPT enhances the ability to construct intricate academic arguments, increases effi-ciency in research and teaching tasks, and heightens critical thinking capabilities. Conversely, chal-lenges such as initial technical hurdles, occasional incorrect outputs, and concerns about over-dependency were also highlighted. Through this investigation, the study contributes to the broader discourse on AI in education by illustrating both the promising opportunities and potential pitfalls of using ChatGPT in academia. The study underscores the need for a balanced approach to AI adoption. It offers insights into the role of AI tools like ChatGPT in shaping the future of professional development in higher education.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».