دراسة التوصيات المتعلقة باستخدام الذكاء الاصطناعي بنزاهة من منظور التعليم والتعلم
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
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
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.004 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.006 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it