INCORPORATION OF ARTIFICIAL INTELLIGENCE IN HIGHER EDUCATION SYSTEM IN THE REPUBLIC OF ARMENIA: CONTEXT AND INTERNATIONAL PERSPECTIVES
Notice bibliographique
Résumé
Higher education is a key driver of societal change, a role profoundly shaped and accelerated by a range of interconnected global influences and factors. These include advancements in technology, the forces of globalization and internationalization, rapid shifts in sociocultural norms, and transitions in geopolitical landscapes. Artificial Intelligence (AI) has become a strategic priority worldwide, driving innovations in the knowledge economy and transforming higher education. The incorporation of AI into higher education systems is being shaped by a complex web of interconnected global influences and structural forces. These include advancements in digital technologies, the accelerating momentum of globalization and internationalization, and shifts in the global geopolitical landscape. This article analyzes higher education policies of the Republic of Armenia (RA) to identify explicit references to AI and to evaluate the extent to which these policy provisions are being implemented at the institutional level. The article examines how AI-related policies are being applied across the RA HEIs, namely YSU, NPUA, and AUA. To contextualize Armenia’s trajectory, the article also offers a comparative analysis of international best practices in AI integration within higher education systems, drawing on the experiences of the United States, the United Kingdom, and Canada. This article posits that the strategic and timely incorporation of AI into the RA’s higher education policies, institutional strategies and frameworks, and academic offerings serves as a critical lever for advancing national innovation capacity, driving educational modernization in the RA higher education system, and enhancing competitiveness within the knowledge economy at national and global levels.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».