Proses Adopsi Teknologi Generative Artificial Intelligence dalam Dunia Pendidikan: Perspektif Teori Difusi Inovasi
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
Penelitian ini bertujuan menganalisis proses yang dapat dilakukan dalam adopsi teknologi generative artificial Intelligence (AI) melalui perspektif teori difusi inovasi sehingga dapat memaksimalkan kebermanfaatannya. Metode yang digunakan adalah meta-sintesis dengan pendekatan kualitatif. Data penelitian diperoleh dari literatur Scopus yang dipublikasikan pada November 2023 "“ April 2024. Hasil meta-sintesis menunjukkan terdapat beberapa cara yang perlu dilakukan dalam mendukung proses adopsi generative AI, yaitu memahami potensi dan risiko, menanamkan nilai-nilai dasar penggunaan AI, meningkatkan kompetensi penyusunan prompt, meningkatkan penggunaan dan uji generative AI di dalam kelas, serta kolaborasi antar aktor dalam sektor pendidikan. Proses adopsi generative AI dihadapkan pada beberapa dilema dan tantangan. Dilema tersebut adalah menurunkan integritas akademik sehingga diperlukan penanaman nilai dasar penggunaan disamping perlunya keterampilan teknis dalam menyusun prompt. Tantangan lainnya adalah masih tertutupnya sistem pendidikan terhadap teknologi AI. Oleh karena itu, setiap aktor pendidikan harus berkolaborasi dalam menyosialisasikan generative AI, membuat kebijakan yang tepat untuk mengujicobakan AI, dan mengembangkan kurikulum agar teknologi generative AI dapat menjadi bagian dari pembelajaran. Kesimpulan, proses adopsi teknologi generative AI dalam dunia pendidikan menimbulkan dilema dan diperlukan kolaborasi para pemangku kepentingan pendidikan agar kehadiran teknologi tersebut dapat dimanfaatkan dengan baik dalam pembelajaran.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,005 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,003 |
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