دراسة التوصيات المتعلقة باستخدام الذكاء الاصطناعي بنزاهة من منظور التعليم والتعلم
Notice bibliographique
Résumé
سمحت التطورات الجديدة في مجال الذكاء الاصطناعي (AI) بتطوير الذكاء الاصطناعي التوليدي (GenAI), القادر على إنشاء نصوص مشابهة لتلك التي يمكن للبشر إنتاجها. ونتيجة لذلك, ظهرت بسرعة مخاوف المعلمين في قطاع التعليم العالي. وقد تناولت العديد من المنظمات والخبراء هذه المخاوف من خلال التوصيات. في هذه الورقة المفاهيمية, نعتمد على النموذج المتكامل للنزاهة الأكاديمية من خلال عدسة التدريس والتعلم لفحص وتحفيز المناقشة من إحدى عشرة ورقة تركز على استخدام GenAI بنزاهة. لقد حددنا التوصيات المناسبة للمستويات الفردية (الجزئية) ,والإدارات/البرامج (المتوسطة), والمؤسسية (الكلية), والمستويات المشتركة بين المؤسسات/الوطنية/الدولية (الضخمة) فيما يتعلق بعنصرين أساسيين للنموذج: "المهنية عالية التأثير" التعلم للأفراد والمجموعات" و"القيادة والثقافات الصغيرة على المستوى المحلي".وكانت الاقتراحات حول العنصر الأساسي "المنح الدراسية والبحث والاستقصاء" مفقودة على المستويين الجزئي والمتوسط; وبالمثل, كانت التوصيات المتعلقة بالعنصر الأساسي "مساحات التعلم وطرق التدريس والتكنولوجيات" غائبة أيضًا على المستويات المتوسطة والكلي والضخمة. نحن ندرك أن هذه التوصيات تركز على التعلم، وتشرك مختلف أصحاب المصلحة, وتتجاوز سلوك الطلاب, وهو ما يتوافق مع الأساليب الحالية للنزاهة الأكاديمية. ومع ذلك, هناك بعض الثغرات تحتاج إلى مزيد من الاستكشاف. نحن نسلط الضوء على الحاجة إلى تطوير إرشادات وموارد أكثر تحديدًا وعملية لأصحاب المصلحة في مجال التعليم حول قضايا GenAI المتعلقة بالنزاهة الأكاديمية, واستكشاف أفضل السبل لدعم الشبكات والقادة في التعليم العالي فيتهيئة الظروف للاستخدام الأخلاقي لـ GenAI, والتأكيد على الحاجة إلى عدسة العدالة والتنوع والشمول في GenAI
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,006 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,180 | 0,156 |
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 ».