Academic Integrity in the Age of Artificial Intelligence
Notice bibliographique
Résumé
2023 Open Technology in Education, Society, and Scholarship Association (OTESSA) Annual Conference How worried do we need to be that students are going to cheat more because of artificial intelligence? Does writing generated by an artificial intelligence (AI) writing app constitute plagiarism? How can artificial intelligence be used ethically for teaching, learning, and assessment? Will a robot take my job? These questions have dominated teaching and learning circles and social media since late 2022 when ChatGPT emerged. In this keynote, Sarah Elaine Eaton provides insights into how AI tools are impacting higher education She will share insights from recent research project at the University of Calgary that explores the question: What are the ethical implications of artificial intelligence technologies for teaching, learning, and assessment? Cite as: Eaton, S. E. (2023, May 29). Academic Integrity in the Age of Artificial Intelligence. Keynote address for the 2023 Open Technology in Education, Society, and Scholarship Association (OTESSA) Annual Conference, York University, Toronto, ON.
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 | 0,020 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,026 | 0,040 |
| Communication savante | 0,034 | 0,025 |
| Science ouverte | 0,002 | 0,019 |
| Intégrité de la recherche | 0,016 | 0,014 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,024 | 0,006 |
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 ».