User acceptance and adoption dynamics of ChatGPT in educational settings
Notice bibliographique
Résumé
Recent developments in natural language understanding have sparked a great amount of interest in the large language models such as ChatGPT that contain billions of parameters and are trained for thousands of hours on all the textual data of the internet. ChatGPT has received immense attention because it has widespread applications, which it is able to do out-of-the-box, with no prior training or fine-tuning. These models show emergent skill and can perform virtually any textual task and provide glimmers, or “sparks”, of artificial general intelligence, in the form of a general problem solver as envisioned by Newell and Simon in the early days of artificial intelligence research. Researchers are now exploring the opportunities of ChatGPT in education. Yet, the factors influencing and driving users’ acceptance of ChatGPT remains largely unexplored. This study investigates users’ (n=138) acceptance of ChatGPT. We test a structural model developed using Unified Theory of Acceptance and Use of Technology model. The study reveals that performance expectancy is related to behavioral intention, which in turn is related to ChatGPT use. Findings are discussed within the context of mass adoption and the challenges and opportunities for teaching and learning. The findings provide empirical grounding to support understanding of technology acceptance decisions through the lens of students’ use of ChatGPT and further document the influence of situational factors on technology acceptance more broadly. This research contributes to body of knowledge and facilitates future research on digital innovation acceptance and use.
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 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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».