Attitudes and Perceptions of University Students and Postdoctoral Fellows in the Medical and Life Sciences Towards the Use of Artificial Intelligence Chatbots in the Educational Process: A Large-Scale, International Cross-Sectional Survey
Notice bibliographique
Résumé
Abstract Background Artificial intelligence chatbots (AICs) are advanced systems capable of generating and processing human-like text, and are being increasingly integrated in various fields, including education. Despite their potential to significantly impact learning, little is known about university students’ and postdoctoral fellows’ (US&PD) views on AICs in educational settings. This study investigated the familiarity, perceptions, and factors influencing adoption of AICs by US&PDs in the life and medical sciences. Methods We conducted a cross-sectional online survey. Recruitment involved two approaches: (1) using R script on PubMED metadata to extract contact details of corresponding authors with recent MEDLINE-indexed publications, and (2) collecting publicly listed contact information of program administrators from the top 50 global, English-speaking universities, as ranked by the Quacquarelli Symonds (QS) list. Both authors and administrators were contacted and requested to forward the survey to US&PDs. The survey was administered via SurveyMonkey from February 2 to March 18, 2024, with two reminder emails sent between February 14 and 26, 2024. Results A total of 1,209 responses were analyzed. Most respondents identified as female (62.07%) and were enrolled in doctoral (40.48%) or master’s programs (17.55%). Over 63% were familiar with AICs, with ChatGPT being the most used (60.3%). While many recognized the educational value of AICs, concerns about reliability and integration into academia persisted. Calls for more training and institutional support were common. Conclusions The study underscores the potential and challenges of AICs in education. While enthusiasm exists, significant concerns remain about their implementation, requiring targeted training and policy development.
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 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».