Navigating the Ethical Frontier: Graduate Students’ Experiences with Generative AI-Mediated Scholarship
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract 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.
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 | 0,002 | 0,002 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 découle