Perceptions et usages d’un chatbot comme tuteur de cours en sciences de l’éducation
Notice bibliographique
Résumé
Cet article examine l’utilisation et la perception d’un chatbot par des étudiants de première année dans l’enseignement supérieur en Belgique. Avec la massification de l’éducation, des adaptations pédagogiques deviennent nécessaires dans l’université moderne. Les chatbots, en tant qu’outils numériques, offrent une opportunité pour diversifier l’accès aux contenus éducatifs, face au défi de fournir un enseignement de qualité à tous. L’étude aborde deux questions de recherche : Quelle est la perception des étudiants (N = 89) quant à l’usage du chatbot en tant que tuteur de cours?; Quel est son rôle selon la typologie de Bernatchez (2003)? Les résultats, en concordance avec d’autres études, indiquent une évaluation positive en termes d’efficacité, d’utilisabilité, d’acceptabilité et d’expérience utilisateur, bien que des scores inférieurs soient observés en motivation et en comportement. L’analyse démontre une préférence des étudiants pour un soutien pédagogico-cognitif par le chatbot, plutôt que technique. Ces résultats sont en accord avec d’autres recherches, soulignant l’utilisation efficace des chatbots dans l’éducation, avec peu d’interactions non pertinentes. En conclusion, l’étude souligne l’efficacité et l’acceptabilité des chatbots en tant que tuteurs et propose des perspectives pour leur intégration comme parcours d’apprentissage personnalisé.
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 | 0,006 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».