Exploring the Adherence to AI-Generated Writing Standards: Practice Levels among University Students
Notice bibliographique
Résumé
Since writing was done with a quill, then with typewriters, and up to modern text processing programs, writing has always adhered to standards concerning the responsibilities and roles of the author, which cannot be abdicated. Given that adherence to writing standards may be a suitable way to regulate the use of generative artificial intelligence, this study explores the extent to which a sample of university students adhere to the standards of AI-generated writing. A total of 326 students majoring in the humanities participated in the study. The research was designed as a quantitative study, employing a descriptive-analytical approach to process the obtained results. A proposed list of standards for AI-generated writing suitable for undergraduate students was prepared and presented to experts. Based on the proposed standards list, data were collected using a graduated practice scale that illustrates the levels of student adherence to AI-generated writing standards. The scaled measure delved into student practices related to standards such as Input Guidance, Disciplined Dependability, Content Validation, Critical Analysis, Documentation, Review and Editing, and Responsibility. Students achieved beginner and intermediate ratings in their adherence to AI-generated writing standards, and they attained very low levels in the advanced practices of standard. This paper contributes to our understanding of how students apply AI-generated writing standards. The gap revealed by the current study's results prompts us to establish regulatory guidelines to enforce student adherence to AI-generated writing standards.
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 | 0,008 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,006 | 0,002 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».