Notice bibliographique
Résumé
Since its launch in November 2022, ChatGPT-3 has generated substantial discussion on its potential impact on various domains, including higher education. Canadian universities have responded to the growing use of ChatGPT by updating their policies and guidelines. However, these policies are dominantly geared toward the general university communities and sparse discussions are focusing on ChatGPT-3 policy making in relation to international students in Anglophone universities. This chapter draws on findings from document analysis of ChatGPT policies and guidelines as published on Ontarian universities and identifies critical issues prioritized by the institutions in terms of academic integrity challenges, authorship and data privacy, digital equity and inclusion, and educational values and innovations. The results reveal the institutions’ contrasted attitudes toward ChatGPT usage in the educational process inspired by creativity and innovations and in the educational outcome measured by assessments. Informed by deep learning and plurilingualism theories, we argue that international students’ language needs remain as a “blind spot” in current university policies and universities must recognize and support diverse language needs to foster a more inclusive learning environment. We further discuss strategies to navigate these challenges and opportunities and accommodate international students’ language needs in an AI-infused plurilingual classroom and call for a re-imaging of HE not only inspired by plurilingualism but also enriched with human–technology intra-actions.
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 | 0,009 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,006 | 0,008 |
| Communication savante | 0,012 | 0,011 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,005 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,007 |
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 ».