Threats and Opportunities of Students’ Use Of AI-Integrated Technology (ChatGPT) in Online Higher Education: Saudi Arabian Educational Technologists’ Perspectives
Notice bibliographique
Résumé
This research study explored the perspectives of 20 educational technologists from four Saudi Arabian universities regarding the integration of AI-powered technology, particularly ChatGPT, into online higher education. The study used a qualitative research method that relied on the principles of theoretical sampling to select participants and conducted in-depth interviews to collect their insights. The approach taken for data analysis was thematic analysis, which uncovered a rich range of insights on both the challenges and opportunities associated with students’ use of AI-integrated technology in the context of online higher education. Ten significant challenges emerged that shed light on the complexities and intricacies of integrating AI-powered technology into educational environments. These challenges included issues related to technological infrastructure, pedagogical adaptation, and the need for comprehensive training programs to empower both teachers and learners. Additionally, eight threats were examined that highlighted concerns about data security, privacy, and potential risks associated with AI technology in educational institutions. This study not only provided a comprehensive overview of the current landscape of AI-integrated technology in Saudi Arabian higher education, but also provided valuable insights for education stakeholders, technologists, and policy makers. It underscored the necessity of proactive measures to mitigate challenges and threats while harnessing the opportunities presented by AI technology to enhance the quality and effectiveness of online 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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».