Ethical and effortful: workshopping human and generative AI academic writing collaborations
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
The launch of Open AI’s ChatGPT in 2022 caused a furore within higher education. While initial reactions were negative – educators imagined the end of the undergraduate essay and an acceleration in academic integrity departures – more recent conversations have emphasised how these tools might enhance teaching and learning experiences. This paper explores one possibility for approaching student use of generative artificial intelligence (GenAI) tools, by considering their use in relation to academic skill development. It focuses on a set of workshops conducted within a graduate professional development course at Queen’s University (Canada) in early 2024. The first workshop examined commonalities in Western, English academic writing structures; identified how demystifying these structures supports academic writing and reading practices; and considered how GenAI tools that utilise large language models (LLMs) mimic these structures to enhance students’ awareness of GenAI’s potential applications and limitations, and to identify the processes inherent in academic work. In the second workshop, students critiqued discipline-specific examples of AI-generated academic assignments. By exploring the qualities of academic writing alongside GenAI outputs, the workshop series invited students to explore the possibilities of what might be achieved through human-AI collaboration and to articulate what can never be replicated by a tool without embodied knowledge. This paper presented this set of workshops as a possible model for discussing GenAI tools with students—a model that demonstrates how GenAI tools might be integrated into students’ academic practices in ways that are ethical and effortful and which support, rather than stifle, student creativity.
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 | 0,001 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 découle