Factors that influence users’ adoption of being coached by an ArtificialIntelligence Coach
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 rise of artificial intelligence (AI) is making in-roads into many spheres of life, including workplace coaching. The introduction of a new class of support technologies ('e-coaching systems' or 'AI Coaching') promise to deliver personalised, timely, around-the-clock coaching in a wide variety of domains and to a broad audience. Chatbots as a type of e-coaching system and a form of Weak AI in particular, has the potential to replace or augment human coaches in certain instances, however it seems that speculation and hype is clouding our understanding of its true potential. This is reminiscent of the lack of evidence-based practice in coaching itself. To prevent AI Coaching from following a similar route, empirical research is needed. In this paper we summarise the findings of one of the first ever studies on the use of AI in organisational coaching. We used the Unified Theory of Acceptance and Use of Technology (UTAUT) as a theoretical framework to examine the determinants associated with individuals' behavioural intention to use an AI Coach (a goal-attainment chatbot called Vicci). A total of 226 users had a coaching conversation with Vicci and then completed the UTAUT survey. Determinants of behavioural intention were measured: performance and effort expectancies, social influence, facilitating conditions, attitude and perceived risk. Structural equation modelling analysis revealed that performance expectancy, social influence and attitude are the main determinants of behavioural intent, while age, gender and level of goal attainment play a moderating role.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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