Generative AI’s Influence in Computer Science Classrooms: A Rapid Review Methodology
Notice bibliographique
Résumé
Generative AI tools such as ChatGPT are rapidly being adopted in Computer Science Education (CSE), offering novel ways to support student learning, particularly in programming, computational thinking, and foundational mathematics. Despite growing interest in these tools, empirical evidence examining their educational impact remains limited. This rapid review synthesizes current research to explore (1) how generative AI tools are being used in CSE classrooms, (2) how students, educators, and professionals perceive their use, and (3) what challenges and opportunities exist for their future integration. Using PRISMA guidelines adapted for rapid review methodology, we conducted a comprehensive search in June 2024 through EBSCO databases, focusing on peer-reviewed empirical studies published since 2022. Of the 64 identified studies, only three met the inclusion criteria, reflecting the emerging nature of this research area. The selected studies show that ChatGPT is primarily used to provide immediate feedback during coding exercises, support debugging processes, and facilitate iterative learning. Students report positive experiences, citing AI’s usefulness in clarifying complex tasks, improving efficiency, and offering 24/7 assistance. However, educators and professionals raise concerns about potential over-reliance on AI, diminished critical thinking, and the erosion of academic integrity. These concerns show the importance of developing pedagogical strategies that balance AI support with human cognitive engagement. Frameworks such as CHAT-ACTS encourage students to self-regulate their interactions with AI tools, while instructional designs like Harvard’s CS50 Duck demonstrate how AI can be integrated to support learning without providing direct answers. Although this review is based on a limited sample, it provides early insights into the affordances and risks of generative AI in CSE. It calls for future research on instructional design, ethical policy development, and longitudinal studies that examine how AI tools shape learning behaviours, skill acquisition, and disciplinary practices over time. Responsible integration of AI in CSE will require thoughtful alignment with educational goals that prioritize higher-order thinking and learner agency.
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 | 0,040 | 0,137 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,007 | 0,007 |
| Bibliométrie | 0,047 | 0,031 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,007 | 0,007 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».