Chatbots: a critical look into the future of the academia
Notice bibliographique
Résumé
Like every other societal domain, science faces yet another reckoning caused by a bot called ChatGPT (Chat Generative Pre-Trained Transformer). ChatGPT was introduced in November 2022 to produce messages that seem like they were written by humans and are conversational. With the release of the latest version of ChatGPT called GPT-4, and other similar models such as Google Bard, Chatsonic, Collosal Chat, these chatbots combine several (about 175 billion) neural networks pre-trained on large Language Models (LLMs), allowing them to respond to user promptings just like humans. GPT-4 for example can admit its mistakes and confront false assumptions thanks to the dialogue style, which also enables it to write essays and to keep track of the context of a discussion while it is happening. However, users may be deceived by the human-like text structure of the AI models to believe that it came from a human origin[1]. These chatbot models could be better, even though they generate text with a high level of accuracy. Occasionally, they produce inappropriate or wrong responses, resulting in faulty inferences or ethical issues. This article will discuss some fundamental strengths and weaknesses of this Artificial intelligence (AI) system concerning scientific research. Keywords: ChatGPT, AI generative models, academia, ethical and moral restraints DOI: 10.25165/j.ijabe.20241702.9075 Citation: Okaiyeto S A, Mujumdar A S, Sutar P P, Liu W, Bai J W, Xiao H W. Chatbots: a critical look into the future of the academia. Int J Agric & Biol Eng, 2024; 17(2): 287–288.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».