Curating truth or simulating thought? The ethics of AI-generated case studies in business education
Notice bibliographique
Résumé
Purpose This paper aims to explore the ethical and pedagogical tensions arising from the integration of generative artificial intelligence (AI) in the creation of business case studies, with a particular focus on the evolving role of educators from solitary authors to intentional curators. Design/methodology/approach Using reflective practice and theoretical synthesis, the author draws upon a dual perspective as both an educator and an AI practitioner to develop two conceptual frameworks that support ethical human–AI collaboration in educational content design. Findings The study introduces two original conceptual tools: the Curated Authorship Model, which outlines four phases of ethical AI integration (AI generation, human curation, collaborative iteration and ethical accountability), and the 4W’s Ethical Framework, which helps educators evaluate what is gained, lost, neglected and newly accessed in AI-mediated pedagogy. These frameworks offer actionable guidance on issues of authorship, labor and authenticity. Originality/value This paper contributes to the emerging discourse on ethical content creation in AI-augmented education by foregrounding educator intentionality over automation. The proposed models are original and designed specifically for navigating ethical dilemmas in human–AI pedagogical collaboration.
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 | 0,188 | 0,299 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,010 | 0,073 |
| Communication savante | 0,024 | 0,025 |
| Science ouverte | 0,005 | 0,016 |
| Intégrité de la recherche | 0,007 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».