Artificial Intelligence in Higher Education: Examining the AI Policy Landscape at U.S. Institutions
Notice bibliographique
Résumé
Addressing a critical need for comprehensive policy development in the area of Artificial Intelligence in Education (AIED), this exploratory study investigates the prevalence and characteristics of emerging AI policies across U.S. higher education institutions. Through a close review of AI policies from a stratified random sample of four-year institutions across the country, variations in policy adoption were examined across different institution types. Official online policy-related resources provided for campus-wide use were observable in less than half of U.S. institutions, and large discrepancies in the quality and quantity of policy guidance provided were found among existing policy resources. Significant disparities were most associated with institution type. Research-intensive universities were more likely to have provided significant AI policy resources compared to smaller institutions. The study identifies a range of policy providers and highlights diverse approaches to AI use, ethical guidelines, and target audiences, which reflect different combinations and degrees of leadership, institutional cultures, resources, and individual initiatives. Considering the social impacts of technologies, these varied results underscore the necessity for a standardized and well-structured policy framework to ensure effective and ethical AI integration in higher education. The lack of consistency in existing policy practices, especially in light of emerging ethical considerations, calls for urgent, multi-disciplinary policy development to harness AI’s potential while mitigating its risks. Implications for future AI policy research, development, and application are discussed.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».