Fueling Conversations: <scp>AI</scp> Education across the <scp>iSchools</scp> in the <scp>US</scp> and Canada
Notice bibliographique
Résumé
ABSTRACT Artificial Intelligence (AI) has become prevalent in all sectors of society, including higher education institutions. Many studies have examined iSchools curricula, focusing on areas such as data science, digital humanities, and archival studies. However, few studies have examined AI education at iSchools in the United States (US) and Canada. Research is needed to address AI in information science (IS) education, fueling the conversation about AI across the iSchools' curricula. This study analyzed the AI‐related courses in graduate and undergraduate programs offered by members of the iSchools organization in the United States and Canada. We identified the area(s) and facet(s) covered in each course title and coded them. Of the 51 iSchools, twenty‐nine offered AI‐related courses. The most covered areas include general AI, Machine Learning, Natural Language Processing, Deep Learning, and Robotics. Most courses focus on AI's technical and applied facets, while a few cover the ethical, societal, cultural, and legal facets. Implications include the need for iSchools to offer AI courses that cover aspects beyond the technical, more undergraduate courses, and certificate programs that contribute to educating the labor force that needs upskilling. Drawing from empirical data, this study informs the iSchools' curricula strengths to build on and the gaps to fill and has implications for IS practice.
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 | 0,006 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,026 | 0,010 |
| Communication savante | 0,009 | 0,003 |
| Science ouverte | 0,002 | 0,010 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».