South African Lecturers’ Views of ChatGPT: An AI Technology Used for Designing Online Assessments
Notice bibliographique
Résumé
Even while Artificial Intelligence (AI) has long been a part of our lives, it has recently received more attention thanks to the introduction of ChatGPT, a Chat Generative Pre-Trained Transformer, since its launch in November 2022. The focus of this study is to investigate the potential of ChatGPT to assess student-teacher learning, which looks at its use for online assessments in South Africa. It emphasises South African lecturers’ views of ChatGPT, an AI technology used for designing online assessments. The expansion of online assessments has brought about various adaptable tools and techniques, and ChatGPT provides benefits, including real-time interaction and personalised responses. Nevertheless, problems such as prejudices and circumstantial limitations still exist. Notwithstanding this, ChatGPT does well at assessing critical thinking by examining evidence-based reasoning and logical reliability. When integrating ChatGPT, ethical deliberations such as algorithmic transparency, data security, and privacy are crucial. Ten participants participated in a qualitative study that examined ChatGPT's effects on online assessment and student-teacher relationships using the Community of Inquiry (CoI) model. By presenting lecturers with AI-driven techniques and promoting innovation and technology integration, participants highlight their impact in promoting professional development. As a cooperative tool, ChatGPT offers tailored feedback, detailed instructions, and culturally appropriate rubrics that encourage critical thinking and introspection. It is essential, however, to contextualise its application to combat biases and cultural twists within the African educational environment. This ensures that rather than replacing student-teachers' knowledge, AI supports them using inclusive and valuable assessments.
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 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 | 0,002 | 0,001 |
| 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 | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».