Impact of Intelligent Systems and AI Automation on Operational Efficiency and User Satisfaction in Higher Education
Notice bibliographique
Résumé
The integration of intelligent systems in higher education institutions has shown considerable potential to improve operational efficiency and user satisfaction among students and administrative staff.Through automation, artificial intelligence, and educational analytics, these systems streamline administrative processes, reduce response times, and enhance the overall user experience.Despite growing interest in the field, comprehensive evidence regarding their actual impact remains scattered across diverse case studies.This systematic review analyzed 37 empirical studies selected from Scopus and Web of Science databases, following PRISMA 2020 guidelines.The review focused on evaluating the effects of intelligent systems including chatbots, AI-powered platforms, and automation tools on administrative efficiency and user satisfaction.Studies were assessed using the CASP checklist to evaluate risk of bias.Data were extracted and analyzed using RStudio, combining narrative synthesis with descriptive and inferential techniques.Findings revealed that the use of intelligent systems consistently contributed to improved processing times up to 50% reductions in some cases and high satisfaction levels among users, often exceeding 4.3 on 5-point Likert scales.Improvements were also observed in cost reduction, error minimization, service accessibility, and personalization of learning experiences.However, variability in satisfaction outcomes was influenced by contextual factors such as user expectations, previous exposure to technology, and system alignment with institutional goals.Most studies exhibited high methodological quality, although some lacked explicit discussion of researcher reflexivity or long-term implications.This review highlights the transformative role of intelligent systems in enhancing administrative and educational processes in higher education.Institutions adopting these technologies should prioritize user-centered design, ethical data governance, and strategic alignment to ensure sustainable, effective implementation.
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 | 0,045 | 0,120 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,007 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,006 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».