<scp>AI</scp> In Higher Education: Risks and Opportunities From the Academician Perspective
Notice bibliographique
Résumé
ABSTRACT This research investigates how artificial intelligence (AI) influences higher education, specifically exploring the perspectives of academicians regarding associated risks and opportunities. The study is aimed at the implementation of AI within university settings and its impact on both educators and students. Given the swift integration of AI, notably the widespread adoption of generative AI in higher education, the article emphasises AI's ability to collect detailed data, providing a deeper understanding of academicians' learning experiences. This, in turn, enables personalised support, allowing academicians to respond more effectively to students' needs and improve the overall educational process. Moreover, the research highlights AI's potential to proactively identify students at risk of failure, offering academicians a comprehensive view for more effective assessment. On the other hand, these advantages and the growing dependence on technology pose challenges, including reduced interaction between academicians and students, shifts in workforce dynamics, concerns about student privacy and disparities in technology access. Acknowledging these issues, the study underscores the importance of preparing academicians and students for the evolving landscape of higher education shaped by AI. It stresses the need for proactive measures to navigate these changes effectively, as they are inevitable. The findings of this study are significant for the field of higher education, as they provide a clear and critical assessment of AI's transformative potential and advocate for proactive measures to navigate the changes effectively.
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 | 0,001 | 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 | 0,001 |
| 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 ».