Exploring AI-Generated Texts vs. Human-Written Texts in EFL Academic Writing: A Case Study of Qassim University in Saudi Arabia
Notice bibliographique
Résumé
This research article examines the syntactic and stylistic differences between AI-generated and human-written academic articles. It also explores the success rate of plagiarism detection tools in identifying AI-generated writing in English as a Foreign Language (EFL), and faculty members' ability to distinguish between the two types. Ultimately, it examines the ethical and institutional implications of utilizing AI in academic settings. SPSS analyzed the responses received from the questionnaire. This study consisted of 52 participants: 14 EFL graduates and 38 undergraduates, 6 of whom were female. Participants were 18–24 years old, including graduates and undergraduates pursuing a bachelor's degree in English language and translation. The results showed that Qassim University graduates and undergraduates have equal familiarity with AI and its usage, scoring an average of 40.77 (graduates) and 40.48 (undergraduates). Respondents indicated the main uses of AI tools were for brainstorming, grammar checking, paraphrasing, and coherence improvement; hence ChatGPT is the most popular tool among them. All tools overall improved the writing process of students. The researchers recommend institutionalizing the teaching of AI literacy in curricula to teach students about the ethical, practical, and strategic use of such tools as ChatGPT, Grammarly, and QuillBot in writing curricula. They recommend support to provide this support through professional development for instructors to assist them in evaluating student work assisted by AI. Clear academic integrity guidelines should be created and communicated to both professors and students. Equally important, motivating students to use AI for peer evaluation, ideation, and collaborative writing, while also teaching them about the hazards of overreliance on AI and emphasizing the importance of originality and critical thinking. Finally, further research is needed to examine the long-term effects of AI. Such studies investigate the influence of AI on writing skills and academic success which should drive future policies as well as sustain excellence in writing while also ensuring the equitable and pedagogically sound integration of AI into 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 | 0,003 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,007 | 0,003 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».