Chatbot Development as a Digital Learning Tool to Increase Students’ Research Knowledge
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The research aimed to: 1) develop the chatbot; 2) evaluate its effectiveness; and 3) investigate its effects on students’ research knowledge. The sample consisted of 36 Thai university students. The research instruments consisted of: 1) the chatbot; 2) an evaluation form; 3) an effectiveness questionnaire; and 4) research tests. Data analysis used was mean, standard deviation, content analysis and a t-test. The findings indicated that: 1) the chatbot was evaluated by experts with the applicability at a very high level ( = 4.67, S.D. = 0.08) with recommendation to add more research content and interactive learning. The pilot test was done with 14 non-target group of students. Students perceived the chatbot’s effectiveness at a high level ( = 4.43, S.D. = 0.35) with comments to add more examples and graphics to make the chatbot more interesting; 2) the 36 target group of Thai university students perceived the chatbot as an effective technology to use as a digital learning tool at a high level ( = 4.37, S.D. = 0.48). They thought that chatbot technology was easy to use, easy to understand, innovative and fun for learning. They could get answers instantly and be able to seek specific information without waiting for responses. However, in response to questions not matched keywords specified, further details of finding proper answers such as links should be provided instead of leaving those questions unanswered. Also, the chatbot only provided responses when typing correctly so there should be an option to choose from a list of questions or keywords; and 3) the post-test scores were significantly higher than the pre-test scores at the 0.05 level of significance. In conclusion, using chatbot technology in education settings to increase students’ research knowledge gave positive results as it led to positive learning outcomes and helped provide better personalized learning experience for students.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,003 |
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 découle