Opportunities and considerations for using artificial intelligence in bioinformatics education
Notice bibliographique
Résumé
Artificial intelligence (AI) tools and techniques are undoubtedly being used in bioinformatics education, reflecting broader trends in education. However, many instructors and learners may be unaware of the full scope of potential uses for these tools within bioinformatics education, as well as effective practices for using them. Building on discussions held at the 6th Global Bioinformatics Education Summit, this perspective article provides insights about ways that AI might be used to generate or adapt instructional content, provide personalized help for learners, and automate assessment and grading. Additionally, we highlight AI skills that are important for bioinformatics learners to develop in order to effectively use AI as a bioinformatics learning tool. We highlight currently available tools in the quickly evolving AI landscape and suggest ways that instructors or learners might use such tools. Furthermore, we discuss key considerations and challenges associated with integrating AI into bioinformatics education, including ethical implications, potential biases, and the need to critically evaluate AI-generated content. Finally, we highlight the need for further research to better understand how AI tools are being used in practice and empower their effective and responsible use in bioinformatics 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 | 0,049 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,005 |
| Communication savante | 0,012 | 0,009 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,018 | 0,032 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,005 |
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 ».