The adoption of ChatGPT marks the beginning of a new era in educational platforms
Notice bibliographique
Résumé
Technology has significantly transformed knowledge, education, and access to information by introducing online learning platforms, interactive games, and virtual reality simulations in traditional classrooms, creating a dynamic, engaging, and inclusive learning environment. The ChatGBT project (a pre-developed transformer for training) is a remarkable achievement in artificial intelligence technology. It allows students tailored and efficient learning experiences by providing individual feedback and explanations. ChatGPT e-learning platform has been extensively studied for its adoption and acceptance, but there is a significant gap in research on its acceptability and use, highlighting the need for further exploration. The goal of this work is to bridge this disparity by introducing a comprehensive model that includes three basic elements: performance expectation, expected effort, and social impact. A total of 241 graduate students were surveyed and their data were analyzed using structural equation modeling techniques. The results indicate that “expectation of performance and expected effort” have the greatest impact and importance in determining students’ intentions to use learning platforms via ChatGPT, while social influence does not play an important role. This study enhances the current body of knowledge related to artificial intelligence and environmental sustainability, and provides important insights for professionals, policymakers, and producers of artificial intelligence products. These observations may provide guidance for creating and implementing artificial intelligence technologies to match consumers’ needs and preferences more effectively, while also taking into account broader environmental conditions.
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 | 0,002 | 0,000 |
| 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 | 0,001 |
| Science ouverte | 0,001 | 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 ».