MétaCan
Menu
Retour à la cohorte
Enregistrement W4412740664 · doi:10.22329/jtl.v19i3.9756

Generative AI in Higher Education: Guiding Principles for Teaching and Learning (Volume 1)

2025· article· en· W4412740664 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

venuePublié dans une revue dont le pays d'attache est le Canada.
no affAucune affiliation canadienne : ce travail est invisible pour une base fondée sur la seule affiliation.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.

Notice bibliographique

RevueJournal of Teaching and Learning · 2025
Typearticle
Langueen
DomaineComputer Science
ThématiqueOnline Learning and Analytics
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésVolume (thermodynamics)Generative grammarComputer scienceArtificial intelligenceMathematics educationPsychologyPhysics

Résumé

récupéré en direct d'OpenAlex

The rise and promises of Artificial Intelligence in Education (AIED) has long been a topic of both excitement and skepticism (Chiu, 2023; Dwivedi et al., 2023; Farrokhnia et al., 2023; Hwang et al., 2020; Wang & Li, 2024). Higher education institutions exhibit different perspectives towards Generative AI (GenAI), with some institutions regarding it as a double-edged sword, a threat to academic integrity and thus outright prohibiting its application. Others, however, have actively incorporated it into academic practices as an innovative tool, developing ethical usage frameworks to ensure appropriate usage and integration. Nartey’s (2025) book Generative AI in Higher Education: Guiding Principles for Teaching and Learning aims to guide higher education institutions in embracing, accepting and implementing GenAI to transform the educational experience. It addresses key concerns about AI use in higher education, such as ethics, authenticity, equity, accessibility, and job impact. The author argues that these concerns should not hinder institutions from moving forward. Instead, they should guide the development of policies and guidelines that ensure AI’s benefits are realized without increasing existing inequalities or compromising the core mission of higher education: educating, inspiring, and preparing students to contribute meaningfully to society. The book provides guiding principles for using GenAI effectively and ethically to enhance teaching and learning without undermining academic integrity. It outlines a strategic roadmap for institutional implementation while critically addressing the complexities and ethical dilemmas inherent in adopting GenAI technologies within higher education contexts. This book clarifies that GenAI systems, like ChatGPT, are not inherently problematic; the central challenge lies in users' ethical engagement with them. It stresses that responsible interaction, not the technology itself, shapes societal outcomes. The book is divided into the following sections: an introduction, chapter one, chapter two, and chapter three.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesIntégrité de la recherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,720
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0050,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,003
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,031
Tête enseignante GPT0,329
Écart entre enseignants0,298 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle