DOI: https://doi.org/10.1186/s41239-025-00507-3
تاريخ النشر: 2025-02-20
المؤلف: Yunjo An وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في الرعاية الصحية والتعليم
نظرة عامة
تستكشف هذه الدراسة الإرشادات من أفضل 50 جامعة أمريكية بشأن دمج الذكاء الاصطناعي التوليدي (GenAI) في السياقات الأكاديمية والإدارية. باستخدام نهج مختلط، استخدمت البحث نمذجة الموضوعات، وتحليل المشاعر، والتحليل النوعي الموضوعي للحصول على فهم دقيق لاستجابات المؤسسات تجاه GenAI. حددت نمذجة الموضوعات أربعة مواضيع رئيسية: دمج GenAI في التعلم والتقييم، وتطبيقه في الوسائط البصرية ومتعددة الوسائط، والاعتبارات الأمنية والأخلاقية، والقضايا المتعلقة بالنزاهة الأكاديمية.
أشار تحليل المشاعر إلى وجود موقف إيجابي بشكل عام تجاه GenAI عبر مؤسسات مختلفة، مع اختلافات ملحوظة في الإرشادات الموجهة لأعضاء هيئة التدريس مقابل الطلاب. دعم التحليل النوعي الموضوعي هذه النتائج، حيث أظهر أن 94% من الجامعات أكدت على ضرورة تطوير وتواصل سياسات GenAI الخاصة بالدورات. بالإضافة إلى ذلك، تم تسليط الضوء على مواضيع متكررة مثل النزاهة الأكاديمية ومخاوف الخصوصية، مما يتماشى مع الاعتبارات الأمنية والأخلاقية التي تم تحديدها سابقًا. تؤكد الدراسة على التطور السريع لإرشادات GenAI في التعليم العالي وتبرز أهمية السياسات القابلة للتكيف والمخصصة للمصالح المعنية للتنقل بفعالية بين الفرص والتحديات التي تطرحها هذه التكنولوجيا الناشئة.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على التبني السريع لأدوات الذكاء الاصطناعي التوليدي (GenAI)، مثل ChatGPT، في التعليم العالي بعد إصدارها للجمهور. كانت ردود الفعل الأولية من مؤسسات التعليم العالي (HEIs) متفاوتة بشكل كبير، حيث اختار البعض حظر استخدام GenAI بشكل كامل بينما احتضنه آخرون كمورد للتعليم والتعلم. ظهرت انتقادات لسياسة الحظر، حيث جادل النقاد بأنها غير مستدامة وغير مثمرة في تعزيز معرفة الذكاء الاصطناعي بين المواطنين المستقبليين. تشير التقارير إلى أن نسبة كبيرة من الطلاب، بما في ذلك ما يقرب من نصف طلاب جامعة كامبريدج و20% في الكليات الأمريكية، يستخدمون GenAI لأغراض أكاديمية، مما يثير دعوات لوضع إرشادات وسياسات أكثر وضوحًا.
تهدف الدراسة إلى سد الفجوات في الأدبيات الحالية من خلال التركيز على أفضل 50 جامعة أمريكية واستخدام نهج مختلط يدمج نمذجة الموضوعات، وتحليل المشاعر، والتحليل النوعي الموضوعي. يسمح هذا المنهج بفهم دقيق لاستجابات المؤسسات تجاه GenAI، من خلال فحص الإرشادات التي تلبي احتياجات مختلف أصحاب المصلحة، بما في ذلك أعضاء هيئة التدريس والطلاب والإداريين. من خلال تطبيق تقنيات معالجة اللغة الطبيعية لتحليل هذه الإرشادات، تسعى الدراسة إلى تقديم رؤى شاملة حول المشهد المتطور لسياسات GenAI في التعليم العالي، مما يوفر معلومات قيمة لصانعي السياسات والمعلمين الذين يتنقلون في تداعيات دمج GenAI.
الطرق
في هذه الدراسة، تم استخدام منهجية منهجية من أربع خطوات لتحليل البيانات، كما هو موضح في الشكل 1. تضمنت الخطوة الأولى جمع البيانات، حيث تم جمع مجموعات البيانات ذات الصلة لتشكيل أساس التحليل. بعد ذلك، تم إجراء نمذجة الموضوعات لتحديد وتصنيف المواضيع الرئيسية الموجودة في البيانات. تضمنت الخطوة الثالثة تحليل المشاعر، الذي قيم النغمة العاطفية المرتبطة بالمواضيع المحددة. أخيرًا، تم إجراء تحليل نوعي موضوعي لتوفير رؤى أعمق حول الأنماط والمعاني الكامنة في البيانات، مما يعزز النتائج العامة للبحث.
النتائج
في هذا القسم، تقدم الدراسة تحليلًا شاملاً لـ 214 وثيقة تتعلق بإرشادات الذكاء الاصطناعي التوليدي (GenAI) من أفضل الجامعات الأمريكية. أسفر معالجة النصوص عن 235,118 كلمة، مع تحليل تكرار المصطلحات (TF) الذي حدد ‘AI’ (TF = 4945) و’tool’ (TF = 2609) كأكثر المصطلحات شيوعًا. تؤكد درجات TF-IDF على أهمية هذه المصطلحات في المحتوى الموضوعي، حيث سجلت ‘AI’ 49.004809 و’tool’ 26.548032. تشمل المصطلحات الملحوظة الأخرى ‘generative’ (TF-IDF = 24.520669) و’ChatGPT’ (TF-IDF = 11.984026)، مما يشير إلى تركيز قوي على تطبيقات الذكاء الاصطناعي التوليدي. كما يبرز التحليل المواضيع التعليمية، مع مصطلحات مثل ‘academic’ و’assignment’ تعكس توجه النص نحو السياقات التعليمية والبحثية.
يكشف تحليل المشاعر عن مواقف إيجابية بشكل عام تجاه GenAI عبر أنواع وأحجام مؤسسات مختلفة، حيث بلغ متوسط درجة المشاعر في المؤسسات الخاصة 0.945355 وفي المؤسسات العامة 0.963464. ومن الجدير بالذكر أن المؤسسات الصغيرة أظهرت أعلى درجة مشاعر (المتوسط = 0.975273)، مما يشير إلى نظرة أكثر تفاؤلاً تجاه اعتماد GenAI. يشير التحليل أيضًا إلى وجود اختلافات في المشاعر بناءً على الجمهور المستهدف؛ حيث كانت الوثائق الموجهة للإداريين تحمل أعلى متوسط لدرجة المشاعر (المتوسط = 0.996750)، بينما أظهرت الوثائق الموجهة للباحثين والطلاب مشاعر أكثر حذرًا (المتوسطات = 0.898900 و0.910272، على التوالي). تشير الاختبارات الإحصائية، بما في ذلك اختبار مان-ويتني U واختبار كروسكال-واليس، إلى عدم وجود اختلافات كبيرة في درجات المشاعر بناءً على نوع المؤسسة أو حجمها، ولكن تكشف عن اختلافات كبيرة بين الوثائق المخصصة لأعضاء هيئة التدريس مقابل الطلاب. بشكل عام، تؤكد النتائج على التصورات الدقيقة لـ GenAI عبر سياقات أكاديمية وجماهير مختلفة.
المناقشة
تسلط قسم المناقشة في الورقة البحثية الضوء على الإمكانيات التحويلية للذكاء الاصطناعي التوليدي (GenAI) في التعليم العالي، مع التأكيد على قدرته على تسهيل التعلم الشخصي، وتوفير تغذية راجعة فورية، وتعزيز التعاون. تم تحديد أدوار مختلفة لـ GenAI في السياقات التعليمية، بما في ذلك استخدامه كمدرس ومدرب تعاوني، كما أشارت اليونسكو (2023) وهوانغ وتشين (2023). ومع ذلك، تم إثارة مخاوف بشأن النزاهة الأكاديمية، والاعتماد المفرط المحتمل على أدوات الذكاء الاصطناعي، وقضايا الوصول غير المتكافئ وخصوصية البيانات، مما يشير إلى أن فوائد GenAI يمكن أن تتحقق فقط من خلال التنفيذ الفعال والمسؤول (شان، 2023؛ مكدويل وآخرون، 2024).
تؤكد الورقة أيضًا على الحاجة الملحة لوضع إرشادات وسياسات مؤسسية لمعالجة التأثير المزعزع لـ GenAI على ممارسات التقييم. بينما بدأت العديد من مؤسسات التعليم العالي في تطوير إرشادات، لا يزال هناك فجوة كبيرة في معالجة التحديات المحددة التي يطرحها GenAI، لا سيما فيما يتعلق بالنزاهة الأكاديمية والاستخدام الأخلاقي. تشير الدراسات إلى أن أقل من نصف الجامعات الكبرى لديها إرشادات متاحة للجمهور، وغالبًا ما تفتقر السياسات الحالية إلى التحديد (لو، 2024؛ غيمير وإدواردز، 2024). تهدف الدراسة إلى تحليل إرشادات GenAI من أفضل 50 جامعة أمريكية، مع التركيز على المواضيع السائدة، وتباينات المشاعر، والمواضيع ذات الصلة بمختلف أصحاب المصلحة، مما يساهم في فهم أوضح لكيفية دمج GenAI بشكل فعال في الممارسات الأكاديمية والإدارية.
القيود
تسلط قسم القيود الضوء على عدة قيود رئيسية للدراسة بشأن إرشادات الذكاء الاصطناعي التوليدي (GenAI) في الجامعات. من الجدير بالذكر أن خمسة من أصل سبع مؤسسات مشاركة أكدت على قضايا تتعلق بعدم الدقة والتحيز في GenAI. اعتمدت الدراسة بشكل أساسي على الإرشادات المتاحة للجمهور من أفضل 50 جامعة في الولايات المتحدة، والتي قد لا تمثل المشهد الكامل للسياسات المؤسسية، حيث قد تكون بعض الإرشادات غير متاحة. وبالتالي، قد لا تكون النتائج قابلة للتعميم على جامعات أخرى في الولايات المتحدة أو دوليًا. يُشجع على إجراء أبحاث مستقبلية للتحقيق في إرشادات GenAI عبر دول وسياقات مختلفة، مما قد يكشف عن اختلافات ثقافية كبيرة وتشابهات في النهج المؤسسي تجاه GenAI.
بالإضافة إلى ذلك، حددت الدراسة عددًا محدودًا من الإرشادات الموجهة للموظفين والإداريين، مما يشير إلى الحاجة لمزيد من الاستكشاف لمتطلبات هذه المجموعات. حدث جمع البيانات في ربيع 2024، مما يبرز ضرورة إجراء دراسات طولية لتتبع تطور إرشادات GenAI مع تقدم التكنولوجيا. أخيرًا، قد يؤدي فحص تأثير هذه الإرشادات على التعليم، ونتائج الطلاب، وتطوير أعضاء هيئة التدريس إلى تقديم رؤى مهمة حول فعاليتها وإبلاغ صنع السياسات المستقبلية.
DOI: https://doi.org/10.1186/s41239-025-00507-3
Publication Date: 2025-02-20
Author(s): Yunjo An et al.
Primary Topic: Artificial Intelligence in Healthcare and Education
Overview
This study investigates the guidelines from the top 50 U.S. universities regarding the integration of Generative AI (GenAI) in academic and administrative contexts. Utilizing a mixed methods approach, the research employed topic modeling, sentiment analysis, and qualitative thematic analysis to gain a nuanced understanding of institutional responses to GenAI. The topic modeling identified four primary themes: the integration of GenAI in learning and assessment, its application in visual and multimodal media, security and ethical considerations, and issues related to academic integrity.
The sentiment analysis indicated a predominantly positive attitude towards GenAI across various institutions, with notable differences in guidelines aimed at faculty versus students. Qualitative thematic analysis supported these findings, revealing that 94% of universities emphasized the necessity of developing and communicating course-specific GenAI policies. Additionally, recurring themes such as academic integrity and privacy concerns were highlighted, aligning with the security and ethical considerations identified earlier. The study underscores the rapid development of GenAI guidelines in higher education and emphasizes the importance of adaptable, stakeholder-specific policies to effectively navigate the opportunities and challenges posed by this emerging technology.
Introduction
The introduction of this research paper highlights the rapid adoption of generative artificial intelligence (GenAI) tools, such as ChatGPT, in higher education following its public release. Initial reactions from higher education institutions (HEIs) varied significantly, with some opting for outright bans on GenAI usage while others embraced it as a teaching and learning resource. Criticism of the ban policy emerged, arguing that it is unsustainable and counterproductive for fostering AI literacy among future citizens. Reports indicate a substantial percentage of students, including nearly half at Cambridge University and 20% in U.S. colleges, are utilizing GenAI for academic purposes, prompting calls for clearer guidelines and policies.
The research aims to fill gaps in the existing literature by focusing on the top 50 U.S. universities and employing a mixed-methods approach that integrates topic modeling, sentiment analysis, and qualitative thematic analysis. This methodology allows for a nuanced understanding of institutional responses to GenAI, examining guidelines that cater to various stakeholders, including faculty, students, and administrators. By applying natural language processing techniques to analyze these guidelines, the study seeks to provide comprehensive insights into the evolving landscape of GenAI policies in higher education, offering valuable information for policymakers and educators navigating the implications of GenAI integration.
Methods
In this study, a systematic four-step methodology was employed to analyze the data, as illustrated in Figure 1. The first step involved data collection, where relevant datasets were gathered to form the basis of the analysis. Following this, topic modeling was conducted to identify and categorize the main themes present within the data. The third step entailed sentiment analysis, which assessed the emotional tone associated with the identified topics. Finally, qualitative thematic analysis was performed to provide deeper insights into the underlying patterns and meanings within the data, thereby enriching the overall findings of the research.
Results
In this section, the study presents a comprehensive analysis of 214 documents related to generative AI (GenAI) guidelines from top U.S. universities. The text preprocessing yielded 235,118 words, with a term frequency (TF) analysis identifying ‘AI’ (TF = 4945) and ‘tool’ (TF = 2609) as the most prevalent terms. The TF-IDF scores further emphasize the significance of these terms in the thematic content, with ‘AI’ scoring 49.004809 and ‘tool’ scoring 26.548032. Other notable terms include ‘generative’ (TF-IDF = 24.520669) and ‘ChatGPT’ (TF-IDF = 11.984026), indicating a strong focus on generative AI applications. The analysis also highlights educational themes, with terms like ‘academic’ and ‘assignment’ reflecting the corpus’s orientation towards pedagogical and research contexts.
The sentiment analysis reveals generally positive attitudes towards GenAI across different institution types and sizes, with private institutions averaging a sentiment score of 0.945355 and public institutions at 0.963464. Notably, smaller institutions exhibited the highest sentiment score (mean = 0.975273), suggesting a more optimistic outlook on GenAI adoption. The analysis also indicates variations in sentiment based on target audiences; documents aimed at administrators had the highest average sentiment score (mean = 0.996750), while those directed at researchers and students showed more cautious sentiments (means = 0.898900 and 0.910272, respectively). Statistical tests, including the Mann-Whitney U test and Kruskal-Wallis test, indicate no significant differences in sentiment scores based on institution type or size, but reveal significant differences between documents intended for faculty versus students. Overall, the findings underscore the nuanced perceptions of GenAI across different academic contexts and audiences.
Discussion
The discussion section of the research paper highlights the transformative potential of Generative AI (GenAI) in higher education, emphasizing its ability to facilitate personalized learning, provide immediate feedback, and enhance collaboration. Various roles for GenAI in educational contexts have been identified, including its use as a tutor and collaborative coach, as noted by UNESCO (2023) and Hwang & Chen (2023). However, concerns regarding academic integrity, potential overreliance on AI tools, and issues of unequal access and data privacy have been raised, indicating that the benefits of GenAI can only be realized through effective and responsible implementation (Chan, 2023; McDonald et al., 2024).
The paper also underscores the urgent need for institutional guidelines and policies to address the disruptive impact of GenAI on assessment practices. While many higher education institutions have begun to develop guidelines, a significant gap remains in addressing specific challenges posed by GenAI, particularly regarding academic integrity and ethical use. Studies indicate that less than half of the top universities have publicly available guidelines, and existing policies often lack specificity (Luo, 2024; Ghimire & Edwards, 2024). The research aims to analyze the GenAI guidelines from the top 50 U.S. universities, focusing on prevalent topics, sentiment variations, and themes relevant to different stakeholders, thereby contributing to a clearer understanding of how GenAI can be effectively integrated into academic and administrative practices.
Limitations
The section on limitations highlights several key constraints of the study regarding generative AI (GenAI) guidelines at universities. Notably, five out of seven participating institutions emphasized issues related to inaccuracies and biases in GenAI. The research primarily relied on publicly available guidelines from the top 50 universities in the United States, which may not represent the complete landscape of institutional policies, as some guidelines could be inaccessible. Consequently, the findings may not be generalizable to other universities in the U.S. or internationally. Future research is encouraged to investigate GenAI guidelines across various countries and contexts, potentially revealing significant cross-cultural differences and similarities in institutional approaches to GenAI.
Additionally, the study identified a limited number of guidelines aimed at staff and administrators, suggesting a need for further exploration of the specific requirements of these groups. The data collection occurred in Spring 2024, highlighting the necessity for longitudinal studies to track the evolution of GenAI guidelines as technology progresses. Finally, examining the impact of these guidelines on pedagogy, student outcomes, and faculty development could yield important insights into their effectiveness and inform future policy-making.