A Conversation with ChatGPT: Philosophy, Critical Thinking, and Higher Education
Notice bibliographique
Résumé
The growing concern surrounding technology in education, particularly in higher education, serves as the impetus for this paper. After a period of avoiding ChatGPT due to fears that it might diminish my human form, I felt compelled to engage in a conversation with the tool, in light of the conference hosted by the Philosophers of Education Association of Nigeria (PEAN), themed “Philosophy, Artificial Intelligence, and Digital Education.” Through my exploration, I learned that “GPT” stands for generative pre-training transformer, a framework in language processing and machine learning designed to produce human-like responses to various prompts. Recognizing the reality of coexisting with artificial intelligence (AI) and acknowledging that not all emerging technologies merit the attention of philosophers, the rise of ChatGPT has undeniably become a pressing issue in higher education, particularly for faculty and students alike. In my discussions with ChatGPT-4, I engage with the role of AI in higher education, focusing on questions relevant to philosophy, critical thinking, and academic practices. By reflecting on the prompts from ChatGPT and the insights of educational theorists, I conclude that critical thinking and reasoning are intrinsic human qualities that set us apart from AI. Therefore, educators need to embrace their role in guiding student learning and fostering the virtues and skills necessary for navigating an increasingly AI-driven world.
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 | 0,022 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,014 | 0,027 |
| Communication savante | 0,010 | 0,018 |
| Science ouverte | 0,002 | 0,011 |
| Intégrité de la recherche | 0,007 | 0,022 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».