A Study of Graduate Students’ Experiences of Artificial Intelligence at the University of New Brunswick
Notice bibliographique
Résumé
Artificial intelligence (AI) is increasingly being used by students in higher education for a wide range of tasks, such as brainstorming, finding information, or drafting papers. While we understand the general use cases for AI in the classroom, there is a gap in the research about students’ processes for learning new tools, evaluating them, and implementing them into their learning processes. This talk summarizes the initial findings of focus groups conducted with graduate students at the University of New Brunswick which explored student perceptions of, and experiences with AI technology. Une étude des expériences des étudiants diplômés avec l'intelligence artificielle à l'Université du Nouveau-Brunswick RésuméL'intelligence artificielle (IA) est de plus en plus utilisée par les étudiants universitaires pour une vaste gamme de tâches, comme la recherche d'idées, la recherche d'information ou la confection d'un brouillon. Bien que nous comprenions les cas généraux propices à l'utilisation de l'IA dans les classes, il y a un manque dans la recherche à propos des processus des étudiants pour apprendre, évaluer et implémenter de nouveaux outils dans leurs environnements de travail. Cet exposé résume les résultats initiaux des groupes de discussion organisés avec des étudiants diplômés de l'Université du Nouveau-Brunswick, qui ont exploré les perceptions des étudiants par rapport—ainsi qu'avec—l'intelligence artificielle. Mots-clésBibliothèques universitaire; Intelligence artificielle
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 | 0,006 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,012 | 0,007 |
| Communication savante | 0,008 | 0,003 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».