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 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 | 0,017 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,011 |
| Communication savante | 0,006 | 0,007 |
| Science ouverte | 0,002 | 0,011 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».