Student Use of Artificial Intelligence to Write Technical Engineering Papers – Cheating or a Tool to Augment Learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Considerable concern has emerged over the potential use of AI tools by students for completing assignments in their classes. Reactions in academia have been mixed, with some describing such use of AI tools as "cheating" while others compare it to the use of calculators and see it as the impetus for enabling deeper learning by students. To analyze some of these issues, the recently released AI tool ChatGPT was used to respond to actual Discussion Board questions in our online cybersecurity classes. ChatGPT was also asked to write a Python program to develop a backpropagation Neural Network for XOR. The results were excellent, both for answering the Discussion Board Questions and for writing code. Four findings emerged from this effort: 1) ChatGPT does an exceptional job of answering questions and generating code, 2) it is not clear how student submissions generated with AI should be graded, 3) along with the AI tools themselves, tools have been developed that can detect whether AI was used to generate a student submission but with a high rate of false positives, and 4) despite these three findings, students could and should be encouraged to collaborate with AI tools, similar to the way they would collaborate with other students. These results led to four conclusions: 1) ethically, the use of tools such as ChatGPT without acknowledging that they have been used is cheating, 2) it will be impossible to stop students from using tools like ChatGPT, but unacknowledged use can be detected, albeit with a very high percentage of false positives, 3) use of AI tools should be encouraged rather than discouraged, and 4) higher education should focus on new methods and mechanisms for assessing student learning that take advantage of the AI tools.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle