Using Generative AI Ethically: Teaching, Learning, and Assessing in a Postplagiarism Era
Notice bibliographique
Résumé
Teaching and assessing writing have become increasingly complex with the emergence of artificial intelligence (AI) apps and tools that students can access freely or at a low cost. In this keynote, Sarah Elaine Eaton provides insights into how Large Language Models (LLMs) such as ChatGPT and similar apps are impacting teaching, learning, and assessment. Dr. Eaton will share insights from a recent research project she is leading at the University of Calgary in which the team is asking the question: What are the ethical implications of artificial intelligence technologies for teaching, learning, and assessment? This session is not about how to use specific tools. Instead, we will delve into the broad ethical and practical implications of AI for education. Considerations for equity, diversity, and inclusion and advocacy will be addressed. A key takeaway is that a comprehensive and holistic view academic integrity is about more than preventing plagiarism or cheating; it is about ethical decision-making in and beyond the classroom. In a multi-stakeholder approach to academic integrity, everyone within the educational system holds a responsibility for ethical conduct, including how we use technology today and into the future. Cite as: Eaton, S. E. (2023, July 25). Using Generative AI Ethically: Teaching, Learning, and Assessing in a Postplagiarism Era [Invited presentation]. Ontario Universities Council on eLearning (OUCeL) Summer Institute, Ontario, Canada [Online].
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 | 0,035 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,017 | 0,043 |
| Communication savante | 0,019 | 0,014 |
| Science ouverte | 0,003 | 0,013 |
| Intégrité de la recherche | 0,007 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,003 |
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 ».