通過對十位質性研究人員進行的用戶研究，發現ChatGPT在主題分析、編碼效率提升、初步數據探索、提供細粒度定量洞見和協助非母語者和非專家的理解方面，為質性研究人員提供了有價值的協作者，然而對其信任度、準確性、一致性、上下文理解和在研究社區中的廣泛接受性存在顧慮，我們提供了五個可行的設計建議以促進有效的人工智能與人類的合作。

Nov, 2023

生成人工智能，尤其是像OpenAI流行的ChatGPT这样的工具正在重塑计算机科学研究的领域。本文提供了对ChatGPT和其他生成人工智能技术在计算机科学学术研究中多样应用的探索，提出使用生成人工智能来提高计算机科学研究科学家的工作效率的建议，重点是撰写新的研究论文。我们强调了创新性应用，如头脑风暴研究想法，辅助学术论文的起草和格式化，以及协助综述文献。此外，我们深入探讨了在理解跨学科方法、简化复杂文本以及推荐适合学术期刊发表方面应用这些技术的可能性。我们还着重讨论了生成人工智能在合成数据创建、研究方法论和指导以及任务组织和文章质量评估方面的贡献。本文还讨论了人工智能在文章审查、适应文本长度限制、构建对立观点和调查开发方面的实用性。此外，我们探讨了这些工具在传播观念、生成图像和音频、文本转录和与编辑人员互动方面的能力。我们还描述了一些不推荐在计算机科学研究中使用生成人工智能的用途，主要是由于该技术的局限性。

Nov, 2023

人工智能的生成性挑战和学习分析领域的框架与人工智能工具之间的合作关系

Nov, 2023

近年来，生成人工智能（GenAI）的发展在社会多个领域引起了一次范式转变，而这些技术的使用可能成为未来几十年教育的一个定义性特征。GenAI提供了变革性的教育机会，同时也带来了伦理和学术方面的挑战。在这个背景下，我们提出了一个实用、简单且足够全面的工具来将GenAI工具融入教育评估中：AI评估量表（AIAS）。AIAS使教育工作者能够根据他们希望解决的学习成果选择适当的GenAI使用水平进行评估。AIAS为学生和教育工作者提供了更清晰、更透明的方式，为机构提供了公平、公正的政策工具，并提供了一种细致入微的方法，既拥抱了GenAI的机会，又意识到在某些情况下这样的工具可能在教学上不合适或不必要。通过采用一种实用、灵活、可快速实施的方法，AIAS可以成为应对当前关于教育中的GenAI存在的不确定性和焦虑的迫切起点。作为次要目标，我们参与当前的文献研究，倡导关注GenAI教育工具的重新聚焦的讨论，突出技术如何帮助支持和增强教学和学习，与当前关注GenAI作为学术不端行为便利工具的焦点形成对比。

Dec, 2023

通过研究116所美国高研活跃度大学产生的文件，全面了解高校为机构相关利益相关者提供的关于生成人工智能的建议与指导。基于我们的研究发现，大多数高校鼓励使用生成人工智能，并提供了详细指导，尤其是在课堂中的使用。然而，要注意的是，该研究建议教师指导的指南可能会加重其工作负担，因为往往需要对教学方法进行广泛的修订。

Jan, 2024

数字人文学者对生成人工智能（GenAI）技术的采用、实践以及批评评估方面的研究过程进行调查，结果表明，数字人文学者对于GenAI在数字人文学科中的价值持不同意见，而实际使用情况在个体和研究任务上多样化。该调查分析有助于进一步研究GenAI对数字人文学科发展的影响。

Apr, 2024

这篇研究论文通过对比两个人工智能模型Gemini和ChatGPT的表现和互动，以协作性工具的角度，对将生成型人工智能（Gen AI）整合到学术写作过程中进行了批判性研究，通过促进研究人员参与设计能够引出特定人工智能回应以构建研究大纲的提示会话，突显了提示设计、输出分析以及认识到人工智能的局限性对于确保负责任和有效的人工智能整合于学术工作的重要性。初步发现表明，提示的变化对输出质量产生显著影响，并揭示了每个模型的不同能力和限制。该论文通过探索有效的提示策略和提供生成型人工智能模型比较分析，为人机交互领域做出了贡献，最终旨在增强辅助学术写作的人工智能，并引发人机交互社区内更深入的对话。

Apr, 2024

通过借鉴澳大利亚两所大学的经验，本文提出了一个框架，以帮助研究机构促进和促使生成性人工智能的负责任使用。此框架目的在于将复杂的监管环境转化为基于原则的立场声明，并为培训、沟通、基础设施和流程变革提供指导。此论文强调了研究机构在这一领域采取行动的紧迫性，并建议了一个实用且可适应的框架。

Apr, 2024

该研究通过对相关文献的系统回顾，概述了在高等教育中利用生成人工智能进行教学和学习的最新研究现状。研究发现，文献中存在研究缺口，需要进一步研究如何将生成人工智能融入教学和学习过程，加强跨学科、多维度的合作，以制定生成人工智能的使用指南、框架和政策。

Jun, 2024

应对人工智能和生成人工智能在高等教育中的崛起需要进行评估改革，本研究通过探讨学生和学术人员对人工智能和生成人工智能工具的熟悉程度和舒适度，着眼于当前和未来在学习和评估中的应用，填补了关键空白。在线调查收集到来自越南的两所大学和新加坡的一所大学的35名学术人员和282名学生的数据，调查了生成人工智能的熟悉程度、其在评估标记和反馈、知识检测和参与中的应用以及生成人工智能文本检测的经验。描述性统计和思考性主题分析揭示了两个群体对生成人工智能的熟悉程度普遍较低。生成人工智能反馈受到负面评价，然而当与教师反馈结合时，评价更为积极。学术人员对生成人工智能文本检测工具以及基于检测结果的成绩调整更加接受，相对于学生而言。定性分析确定了三个主题：对文本检测工具的理解不清晰，对生成人工智能检测器的经验存在差异，以及对生成人工智能对教育评估未来影响感受复杂。这些发现对高等教育中生成人工智能评估和反馈的政策和实践的发展具有重要意义。

Jun, 2024