A comparative analysis between ChatGPT & Google as learning platforms: The role of media-tors in the acceptance of learning platform
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
Advancements in technology have had a profound impact on the way we learn, teach, and access knowledge. From online learning platforms to interactive educational games and virtual reality simulations, technology has transformed the traditional classroom into a dynamic, engaging, and inclusive space for education. One of the promising advancements in the field of artificial intelligence technology is ChatGPT which offers personalized and effective learning experiences by providing students with customized feedback and explanation. The effect of ChatGPT must be compared with the effect of Google at the educational level since both present a source of information and explanation. Thus, this study aims at investigating the differences between these two learning sources to measure their effectiveness from different perspectives. The model proposed in this study was evaluated using the PLS-SEM approach, utilizing data collected from 153 university students in the UAE. The results of this evaluation indicate that the GPT (Generative Pre-trained Transformer) has a significant impact on user acceptance, mediated by information quality, system quality, perceived learning value, and perceived satisfaction. These factors play a crucial role in determining users' acceptance of the GPT. However, it is important to note that some aspects of the model were not supported, suggesting that they do not have a significant predictive effect on the use of ChatGPT. Nonetheless, the findings of this study contribute to the existing literature on AI and environmental sustainability, providing valuable insights for practitioners, policymakers, and AI product developers. These insights can help guide the development and implementation of AI technologies in a way that aligns with users' needs and preferences while considering the larger environmental context.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,003 | 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 découle