Engaging students to become ‘practice ready’ and ‘digitally proficient’ taxation graduates
Notice bibliographique
Résumé
Rationale Generative artificial intelligence (AI) is a topical issue. The importance of users being able to recognise the quality of outputs is crucial. Bearman et al. (2024) state that ‘university graduates should be able to effectively deploy the disciplinary knowledge gained within their degrees to distinguish trustworthy insights from the ‘hallucinatory’.’ Ballentine et. al (2024) suggest that generative AI provides an opportunity to move away from assessment that relies on rote learning to the use of critical assessment including authentic scenario-based examples. Such authentic assessment is regarded as an important factor in preparing students for future learning in work and life (Fawns et al., 2024). As a result of the increased use of generative AI and the emphasis on the graduate competency goals set by QBS, it was identified that engagement with professional practice was crucial to effectively deploying an authentic scenario-based assessment incorporating generative AI. Innovation in a taxation module Professional services firms were engaged at key points in the module delivery. The continuous assessment was jointly drafted with a professional practitioner to ensure that it simulated a ‘live’ case in professional practice. The integration of multiple taxes, the use of ChatGPT including the assessment of its accuracy and the need for students to use excel and the Lexis online database were embedded. Impact Students confirmed that they are much more informed about a tax career, that the ‘live’ case helped them become work-ready and fostered their professional identity aiding their transition to the labour market.
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 | 0,012 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,004 | 0,004 |
| Communication savante | 0,008 | 0,004 |
| Science ouverte | 0,002 | 0,015 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,036 | 0,012 |
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 ».