Redefining Academic Integrity in the Age of Generative Artificial Intelligence: The Essential Contribution of Artificial Intelligence Ethics
Notice bibliographique
Résumé
The widespread adoption of generative artificial intelligence (AI) tools has profoundly impacted higher education, reshaping how knowledge is created, shared, and assessed. While these technologies offer new opportunities for teaching and learning, they also introduce significant challenges, particularly in maintaining academic integrity. This article contends that the traditional focus on preventing plagiarism and misconduct is insufficient in the context of generative AI. Instead, it advocates for a renewed culture of academic integrity that incorporates comprehensive AI ethics training across the academic community. This approach goes beyond simplistic prohibitions to address the broader ethical, social, technical, and normative issues that underpin academic integrity in the use of AI tools. By fostering awareness and competence in AI ethics, it seeks to equip students, educators, and administrators with the skills to critically engage with AI technologies, promote fairness, transparency, and accountability, and ensure responsible and ethical use. The article ultimately supports a pragmatist approach to AI ethics, emphasising reflective, contextual, and autonomous decision-making as essential to navigating the complexities of AI in higher education.
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 | 0,071 | 0,097 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,017 | 0,122 |
| Communication savante | 0,036 | 0,030 |
| Science ouverte | 0,002 | 0,025 |
| Intégrité de la recherche | 0,011 | 0,019 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».