Influence of AIGC on Research Activity in Higher Education
Notice bibliographique
Résumé
The development of generated artificial intelligence has a revolutionary impact on higher education. The application of AIGC technology has influenced various aspects of higher education extensively. The effective interaction and mutual promotion between AIGC and traditional university education would be necessary to realize the value of higher education in the digital era. To discuss the eminent issues, the paper analyzed positive contributions and negative influences of AIGC. AIGC technology empowered teaching method reform in university courses, which include reduction of repetitive activities, rigorous knowledge acquirement and sorting, and personalized learning opportunities. Thesis writing could be facilitated, from literature review, structural and organization, and language improvement. It also promoted innovative and creative activities in university courses, with broadened knowledge base and widened information source. And then, its negative effects are also discussed. The academic ethic and legal issues could lead to intellect property controversy, the privacy of information and the possibility of plagiarism. The innovation impetus and original thinking could be hindered. In addition, assessment of course work, exam and thesis should adapt to the scenario of incorporation of AIGC with original work of the students. The countermeasure to mitigate negative effect includes transform in cultivation plan and course design; the standardization and transformation of assessment and evaluation. The development strategy should focus on the role transition, of the university, from the academic authority to a knowledge learning choice, of AIGC from substitution to complementary, so as to ensure the development of innovation and original thinking of the future university graduates.
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 | 0,008 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 ».