Redefining assessment tasks to promote students’ creativity and integrity in the age of generative artificial intelligence
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.
Notice bibliographique
Résumé
Abstract The arrival of generative artificial intelligence (GenAI) has forced lecturers to adjust their assessment practices to ensure that students’ work is their own from a creative point of view, and free of plagiarism. This chapter proposes the Academic Integrity and Creativity in the Age of Artificial Intelligence (AICAI) model for the use of authentic assessment as a possible strategy to promote students’ creativity and integrity and thereby ensure the ownership of their written work. Lecturers are encouraged to rethink the assignments they design and examine each of the following components with an eye to integrity: their professional characteristics, the objectives for the assignment, the type of assessment that is appropriate for the needs of the student. Others include the cognitive offloading that will be done or not with GenAI, the type of authentic task they wish to propose and its characteristics, and the instructions and criteria that will be given to students. The choices made should engage students, thereby diminishing the temptation to plagiarize. By combining different strands of pedagogical theory and research, the AICAI assessment design model proposed in this paper has brought into focus the challenges as well as the opportunities that have emerged with the inclusion of GenAI in higher education. On a more practical level, it offers a systemic approach and advice as to how the challenges can be mitigated and benefits maximized for all parties involved in assessment.
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 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 | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle