Mind Companion: How ChatGPT Shapes Teaching and Research in Higher Education
Notice bibliographique
Résumé
This study examines the potential and challenges of artificial intelligence applications like ChatGPT in higher education, drawing on the experiences of 24 academics from eight countries: Turkey, Sweden, Canada, Iran, Kenya, Pakistan, Afghanistan, and Japan. Employing the content analysis method, the findings reveal that ChatGPT provides significant opportunities, including enhancing text writing skills, saving time, facilitating translations, inspiring creative ideas, and offering personalized responses tailored to users’ needs. These advantages highlight its potential as a transformative tool in academic and pedagogical contexts. However, the study also identifies notable challenges, such as the risk of legitimizing plagiarism, concerns about source reliability, the impact of digital dependency on productivity, a lack of cultural and social contextualization, and the potential for bias and discrimination. Furthermore, participants envision artificial intelligence driving digital transformation in higher education through developments like virtual university models, interactive educational materials, advancements in research and analysis methods, improved accessibility to information, and greater inclusiveness. These findings emphasize the need for comprehensive, interdisciplinary research to better understand both the opportunities and the limitations of ChatGPT’s integration into educational settings, as well as to establish ethical guidelines and practical strategies for its responsible and effective use 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 | 0,016 | 0,054 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,007 | 0,010 |
| Communication savante | 0,011 | 0,009 |
| Science ouverte | 0,002 | 0,013 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».