THE ROLE OF GENERATIVE AI-POWERED PERSONAS IN DEVELOPING GRADUATE INTERVIEWING SKILLS
Notice bibliographique
Résumé
This article presents an in-depth examination of the artificial intelligence (AI)-powered persona-generating program PEARL-Persona Emulating Adaptive Research and Learning Bot, which utilizes GPT-4 application programming interface (API), for developing graduate students' research-interview skills. PEARL offers a novel solution to the challenges faced in qualitative research, such as ethical concerns, participant accessibility, and data diversity, by simulating realistic personas for interview training. This study, framed by experiential learning theory (ELT), explores graduate students' experiences with PEARL in a graduate course, focusing on how it enhances the four facets of ELT: concrete experience, reflective observation, abstract conceptualization, and active experimentation. The findings reveal that while students perceive PEARL as a beneficial tool for experiential learning and skill development, it also has limitations in replicating the complexity of human interactions. The study contributes valuable insights into the integration of generative AI in enhancing graduate research competencies and underscores the enduring need for human involvement in the research process. It highlights the potential of generative AI tools like PEARL to bridge the gap between theoretical knowledge and practical skills in graduate education, while also drawing attention to areas for future refinement and ethical considerations in generative AI-enabled pedagogy.
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 | 0,091 | 0,160 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,009 |
| Communication savante | 0,006 | 0,006 |
| Science ouverte | 0,003 | 0,012 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».