The Impact of AI-Based Learning Tools on Student Motivation and Academic Self-Concept
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
The present research examined the effects of AI-based learning tools on the academic self-concept and the motivation of students at the university. Quantitative research design was used involving the students or 250 in total who participated in the study using structured questionnaires. Pearson correlation was used in searching the relationship between AI tools usage and motivation, regression to calculate whether it is possible to predict academic self-concept using AI tools, and moderation analysis was used to find the influence of teacher support. Correlation of these results was strongly positive resulting in AI-based learning tools and student motivation with a high correlation (the more the students use AI-based learning tools the more likely they will be motivated). Regression analysis showed that the attainment of academic self-concept is strongly predicted by the use of AI tools such that, the more the AI tool was used by the student, the more his/her self-concept of academic ability is high. Furthermore, it was discovered that the AI tool impact on motivation is forcefully elevated by teacher support. These observations demonstrate that although AI tools are useful in enhancing learning attitudes and beliefs, it is not possible to realize them fully without the need of guidance and encouragement of teachers. The versatility of the study in the category of students of different ages, faculties, and years strengthens the overall generalizability of the results. On the whole, the study indicates that the use of AI in learning tools and the high level of support of teachers may help improve the learning process of students due to its personalization, interactivity, and motivating nature.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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