Navigating the Ethical Frontier: Graduate Students’ Experiences with Generative AI-Mediated Scholarship
Notice bibliographique
Résumé
This qualitative study explores graduate students’ perceptions of using a generative AI-powered research application, COREI, and its impact on their sense of intellectual and scholarly ethics. Semi-structured interviews were conducted with graduate students ( n = 10), four doctoral and six masters’, from a large research university in Western Canada. Participants were given access to COREI for one month and encouraged to use its features in their research projects. Thematic analysis of the interview data revealed four main themes: (1) academic integrity and generative AI collaboration, (2) agency in the generative AI-assisted research process, (3) authorship and the personalization of AI-generated content, and (4) originality through generative AI-assisted research. Although some participants initially expressed concerns about the potential for AI to compromise academic integrity, many came to view COREI as a collaborative tool that, when used responsibly, could enhance their research without infringing upon their scholarly ethics. Participants emphasized the importance of human agency and decision-making in the AI-assisted research process, and the need for critical evaluation and personalization of AI-generated content to maintain authorship. Originality emerged as a collaborative feat between human expertise and AI’s generative capabilities. The findings suggest a need for reconceptualizing traditional notions of agency, authorship, and originality in the context of AI-assisted research. The study highlights the importance of developing ethical frameworks and institutional policies that prioritize human agency and critical engagement with AI-generated content, while also emphasizing the need for further research on the long-term impacts of generative AI on intellectual and scholarly ethics.
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 | 0,037 | 0,058 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,021 | 0,043 |
| Communication savante | 0,017 | 0,008 |
| Science ouverte | 0,006 | 0,027 |
| Intégrité de la recherche | 0,006 | 0,014 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».