Unlocking the Future: Exploring Generative Artificial Intelligence in Post-Secondary Chemistry Education with a Focus on Summative Assessment Applications
Notice bibliographique
Résumé
Generative artificial intelligence (GenAI), specifically ChatGPT, has been gaining traction as a platform that allows users to do several tasks, from planning itineraries to designing logos, to answering questions. Its impacts have been felt across all sectors, including business, healthcare and academia. This systematic review paper focuses on the applications of AI in academia – specifically chemistry education. A comprehensive literature search examined all available articles as of April 2024. A total of 40 articles were found to relate to the theme of GenAI use in chemistry education. These articles were analyzed and mapped by category to provide an overview of GenAI usage and research in this subfield of academia. This resource could be of value to chemistry instructors and teaching assistants interested in exploring GenAI use in their teaching. Following the mapping exercise, the five papers regarding summative assessments were selected for a more in-depth critical review. These papers were evaluated for their approach to incorporating AI into post-secondary chemistry education, and for the author’s attitudes towards GenAI technology. While all author teams found similar shortcomings, such as inaccuracies in the GenAI outputs, how these shortcomings were viewed varied between the papers and shaped the authors’ views towards GenAI. Where some authors saw a problem, others saw an opportunity to leverage imperfect AI outputs to enhance critical thinking skills in their students. Future directions, such as developing more advanced AI models and exploring student engagement, are also discussed in this review.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».