Large Language Models in Computer Science Classrooms: Ethical Challenges and Strategic Solutions
Notice bibliographique
Résumé
The integration of large language models (LLMs) into educational settings represents a significant technological breakthrough, offering substantial opportunities alongside profound ethical challenges. Higher education institutions face the widespread use of these tools by students, requiring them to navigate complex decisions regarding their adoption. This includes determining whether to allow the use of LLMs, defining their appropriate scope, and establishing guidelines for their responsible and ethical application. In the context of computer science education, these challenges are particularly acute. On the one hand, the capabilities of LLMs significantly enhance the tools available to developers and software engineers. On the other hand, students’ over-reliance on LLMs risks hindering their development of foundational skills. This study examines these challenges and proposes strategies to regulate the use of LLMs while upholding academic integrity. It focuses on the specific impact of LLMs in programming education, where dependence on AI-generated solutions may erode active learning and essential skill acquisition. Through a comprehensive literature review and drawing on teaching experience and guidelines from global institutions, this study contributes to the broader discourse on the integration of these advanced technologies into educational environments. The goal is to enhance learning outcomes while ensuring the development of competent, ethical software professionals.
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 | 0,047 | 0,067 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,009 | 0,028 |
| Communication savante | 0,026 | 0,028 |
| Science ouverte | 0,003 | 0,020 |
| Intégrité de la recherche | 0,006 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».