The impact of ChatGPT on blended learning: Current trends and future research directions
Notice bibliographique
Résumé
Designing sustainable and scalable educational systems is a challenge. Artificial Intelligence (AI) offers promising solutions to enhance the effectiveness and sustainability of blended learning systems. This research paper focuses on the integration of the Chat Generative Pre-trained Transformer (ChatGPT), with a blended learning system. The objectives of this study are to investigate the potential of AI techniques in enhancing the sustainability of educational systems, explore the use of ChatGPT to personalize the learning experience and improve engagement, and propose a model for sustainable learning that incorporates AI. The study aims to contribute to the body of knowledge on AI applications for sustainable education, identify best practices for integrating AI in education, and provide insights for policymakers and educators on the benefits of AI in education delivery. The study emphasizes the significance of AI in sustainable education by addressing personalized learning and educational accessibility. By automating administrative tasks and optimizing content delivery, AI can enhance educational accessibility and promote inclusive and equitable education. The study’s findings highlight the potential benefits of integrating AI chatbots like ChatGPT into education. Such benefits include promoting student engagement, motivation, and self-directed learning through immediate feedback and assistance. The research provides valuable guidance for educators, policymakers, and instructional designers who seek to effectively leverage AI technology in education. In conclusion, the study recommends directions for future research in order to maximize the benefits of integrating ChatGPT into learning systems. Positive results have been observed, including improved learning outcomes, enhanced student engagement, and personalized learning experiences. Through advancing the utilization of AI tools like ChatGPT, blended learning systems can be made more sustainable, efficient, and accessible for learners worldwide.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,007 | 0,010 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».