An examination of business school students’ experience with Generative Artificial Intelligence in a blog writing assignment
Notice bibliographique
Résumé
Purpose: This study explores the utilisation of generative artificial intelligence (GenAI) by students in assessments within higher education. Design/methodology/approach: We reviewed assessments from 53 students undertaking a postgraduate module in a business school. In developing their submissions, students were required to experiment with GenAI and discuss their experiences in accompanying reflective statements. These were subsequently analysed using a thematic coding approach and combined with other relevant data. Findings: Students utilised GenAI for various purposes and to different levels. Higher use of GenAI was associated with lower performance. Participants demonstrated understanding of the strengths and limitations of GenAI, with students with dyslexia reporting specific benefits. Research limitations/implications: To date, most empirical research on GenAI has focused on student perceptions of the technology. This study extends previous work by exploring how students use GenAI in practice. The primary limitation relates to the sample size and singular cohort. Practical implications: The study has implications for students, educators, and higher education institutions and related organisations. In particular, it emphasises the need for clear policies related to GenAI use, as well as initiatives to improve AI literacy. Social implications: As GenAI becomes increasingly embedded in the fabric of society, it is essential that individuals understand how to utilise the technology ethically and effectively. Higher education institutions have a critical role to play in this regard. Originality/value: This study addresses a gap in relation to understanding of how students utilise GenAI, identifying varying stages and levels of application. In addition, it examines the relationship between GenAI use and student performance. Keywords: Generative artificial intelligence, ChatGPT, Chatbot, Learning and teaching, Learning outcomes, Higher education
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 | 0,007 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,007 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».