Enhancing Research Efficiency: Integrating GenAI in Academic Research with Institutional Approved or Licensed Tools
Notice bibliographique
Résumé
The rapid emergence of generative AI (GenAI) has greatly impacted the academic research landscape, offering both challenges and opportunities. A course director at the Faculty of Dentistry University of Toronto piloted an AI-focused initiative. Students were asked to submit two versions of an essay on a research topic: one written by themselves and another generated by AI simply using Microsoft copilot with only minor directions. A librarian was invited to the in-class seminar discussions to gather insights into students’ AI experiences and perceived challenges. Based on these findings, recognizing a growing need for students to understand and effectively integrate GenAI tools into their research process, we designed a workshop to promote additional institutional licensed tools such as Scopus AI, Web of Science Research Assistant among others. In addition, we show students some practical strategies for leveraging AI tools throughout various research stages. By promoting those tools, our objective is to empower our students to develop critical evaluation skills, use those AI tools more efficiently and improve productivity. Ultimately, it will lead to improved research outcomes. This will also guide course directors in their future implementation of AI components in their respective programs. The workshop was scheduled for early 2025. A post-workshop survey will assess the effectiveness of this approach and guide future AI-related library instructional sessions. This poster presentation will share some key findings from the classroom assignment, the development and content of the workshop, and the anticipated results. Through this case study, we aim to contribute actionable insights for academic libraries navigating the continuous and changing landscape of AI and research.
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 | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,004 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».