Integrating AI to Address Generational Characteristics and Educational Needs
Notice bibliographique
Résumé
In contemporary higher education, the master's level plays a critical role in developing high-level professionals, particularly among Generation-Z students. This stage is marked by significant psychological, social, and professional development, requiring innovative educational strategies that align with the unique traits of this digital-native cohort. Integrating artificial intelligence (AI) technologies, such as adaptive-learning systems, intelligent tutoring, and automated-feedback mechanisms, offers transformative potential to address these needs. This study investigates the intersection of generational characteristics and AI integration in master's education through a convergent parallel mixed-methods design, combining quantitative surveys with qualitative interviews of 300 master's students across various disciplines. The findings reveal predominantly positive attitudes toward AI, with 78% of students recognizing its ability to enhance personalized learning and engagement. However, concerns about data privacy (54%) and reduced human interaction (48%) highlight the need for an ethical and balanced implementation. Grounded in constructivist and activity theories, this research underscores the potential of AI to foster autonomy, self-determination, and personalized educational experiences while addressing generational expectations for immediacy and interactivity. Practical recommendations are provided for educators and policymakers to implement AI effectively, ensuring that it supplements human-centred teaching practices. These insights contribute to the global discourse on AI integration in higher education, and its implications for enhancing lifelong learning and professional growth.
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 | 0,001 | 0,001 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».