Colloquial engagement theory with AI awareness (CET-AIA): A new creative pedagogical framework for ethical assessment in the age of artificial intelligence
Notice bibliographique
Résumé
• Introduces CET-AIA, a new framework for ethical AI-resistant assessment. • Embeds colloquial, context-rich questioning to reduce AI-assisted cheating. • Empirical tests show students adapt while AI performance declines sharply. • CET-AIA enhances critical thinking, engagement, and assessment reliability. • Provides scalable, creative strategies for future AI-aware pedagogy. This study introduces the Colloquial Engagement Theory with AI Awareness (CET-AIA), a novel pedagogical framework developed to address academic integrity challenges in higher education posed by generative AI systems. CET-AIA integrates informal, context-sensitive questioning into assessment design to discourage AI-assisted cheating and enhance authentic student engagement. A quasi-experimental design was implemented across three undergraduate courses, comparing student and AI (ChatGPT-3.5) performance on traditional versus colloquial multiple-choice assessments. Theoretical foundations were drawn from Constructivism, Cognitive Load Theory, Sociocultural Theory, and Authentic Assessment. Performance trends were analyzed using t-tests, ANOVA, regression models, and mixed-effects modeling. Results indicate a significant initial decline in student scores under colloquial questioning, followed by gradual improvement, confirming both the cognitive challenge and adaptation process. In contrast, AI models showed a persistent performance drop when confronted with colloquial, context-specific questions. These outcomes demonstrate CET-AIA’s effectiveness in fostering deeper learning and in shielding assessments from AI exploitation. CET-AIA offers a scalable framework for designing AI-resistant assessments that promote critical thinking and real-world comprehension. The approach aligns with current educational priorities in fostering academic honesty and student-centered learning in digitally enhanced environments. This research is among the first to offer a theoretically grounded, empirically validated framework specifically designed to neutralize AI-assisted cheating through linguistic and contextual innovation. CET-AIA bridges the gap between AI ethics, pedagogy, and assessment, presenting a future-ready model for ethical 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 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 | 0,008 | 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 ».