Human-Centered Artificial Intelligence in Higher Education: A Framework for Systematic Literature Reviews
Notice bibliographique
Résumé
Human-centered approaches are vital to manage the rapid growth of artificial intelligence (AI) in higher education, where AI-driven applications can reshape teaching, research, and student engagement. This study presents the Human-Centered AI for Systematic Literature Reviews (HCAI-SLR) framework to guide educators and researchers in integrating AI tools effectively. The methodology combines AI augmentation with human oversight and ethical checkpoints at each review stage to balance automation and expertise. An illustrative example and experiments demonstrate how AI supports tasks such as searching, screening, extracting, and synthesizing large volumes of literature that lead to measurable gains in efficiency and comprehensiveness. Results show that HCAI-driven processes can reduce time costs while preserving rigor, transparency, and user control. By embedding human values through constant oversight, trust in AI-generated findings is bolstered and potential biases are mitigated. Overall, the framework promotes ethical, transparent, and robust approaches to AI integration in higher education without compromising academic standards. Future work will refine its adaptability across various research contexts and further validate its impact on scholarly practices.
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 | 0,599 | 0,616 |
| Méta-épidémiologie (sens strict) | 0,007 | 0,005 |
| Méta-épidémiologie (sens large) | 0,015 | 0,014 |
| Bibliométrie | 0,075 | 0,038 |
| Études des sciences et des technologies | 0,007 | 0,022 |
| Communication savante | 0,021 | 0,017 |
| Science ouverte | 0,013 | 0,021 |
| Intégrité de la recherche | 0,012 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».