What should we be assessing exactly? Higher education staff narratives on gen AI integration of assessment in a postplagiarism era
Notice bibliographique
Résumé
Generative artificial intelligence (GenAI) has challenged assumptions about assessments in higher education. Although GenAI chatbots create opportunities for inclusive learning, their misuse raises new concerns about academic integrity. This study provides empirical insight to inform assessment practices designed to include chatbots ethically. Guided by a postplagiarism framing, our research question was: How do educators make meaning of the ethical boundaries involved in evaluating students’ skills when chatbots are integrated in assessments? Adopting a qualitative design informed by an interpretive paradigm and narrative inquiry, we conducted a thematic narrative analysis of interviews with higher education staff (N = 28). Educators positioned themselves as stewards of learning with integrity within their disciplines, delineating boundaries that distinguished acceptable from unacceptable chatbot use. Across narratives, participants viewed prompting and critical thinking skills as compatible with chatbot integration. In contrast, perspectives on assessments focusing on writing skills were nuanced, ranging from specific inclusion to complete exclusion, depending on intended learning outcomes, disciplinary conventions and individual conceptions about learning with integrity. Educators also identified broader challenges, such as the potential for language standardisation, overreliance, blurred authorship and untraceable forms of cheating. These findings extend ongoing debates about integrity and assessments in technologically mediated learning.
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 | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».