Would Lecturers Use AI-Based Software to Write Scientific Article? A Quantitative Approach in Indonesia
Notice bibliographique
Résumé
AI-based (artificial intelligence) software utilization is increasingly widespread, including in education.On the one hand, AI-based software offers advantages for producing quality writing, such as converting voice into text, summarizing paragraphs, and improving grammar.There are pros and cons to each argument.Interestingly, permission or prohibition on using software is only for students, not lecturers.Moreover, lecturers should write quality scientific articles productively so that AI-based software can facilitate writing.Therefore, this research explores the driving and inhibiting factors that are thought to influence the use of AI-based software to assist lecturers in writing scientific articles.Following its goals, this research identified the potential factors through six hypotheses and tested them using PLS-SEM.This research recruited 110 lecturers in Indonesia as respondents to express their quantitative perceptions.It found that Product Quality (QLT) and Security (SEC) factors influence lecturers' use of AI-based software in scientific writing.However, four other variables (Motivation/MOT, Supporting Ability/SUP, Subjective Norms/NOR, and Individual Ability/ABL) had no influence.The finding exposed software quality has a vital role in engaging lecturers' intention to use AI-based software considering its characteristics to satisfy their needs: usefulness, easiness, accuracy, and efficiency.Also, lecturers are concerned with information security since AI-based software captures personal data, including user behavior during its usage.This research promotes practical implications for universities to regulate AI-based software, considering its benefits have been recognized by lecturers.However, its misuse can lead to the university's credibility in research and should be mitigated.
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 | 0,011 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».