AI Differences in Vocational and Undergraduate Differential Applications of Artificial Intelligence in Undergraduate and Vocational Higher Education: A Systematic Review
Notice bibliographique
Résumé
This study systematically reviews and compares the integration of Artificial Intelligence (AI) in vocational and undergraduate education, drawing on 50 peer‑reviewed studies published between 2018 and 2025. Findings reveal that undergraduate institutions primarily leverage AI to enhance theoretical exploration, research capacity, and higher‑order cognitive skills, while vocational institutions deploy AI for competency‑based, practice‑oriented training aligned with immediate industry needs. Across both sectors, AI transforms educator roles from knowledge transmitters to facilitators—emphasizing technical integration in vocational settings and ethical stewardship in universities. Common benefits include personalized learning, efficiency gains, and improved student engagement, whereas challenges encompass resource disparities, curriculum misalignment, ethical risks, and the potential for student over‑reliance. Vocational institutions face particular vulnerability to inequities due to infrastructure gaps and diverse learner readiness, amplifying the digital divide. The review identifies significant gaps in longitudinal evidence, equity‑focused empirical studies, and sustainable implementation models. Policy and practice implications call for sector‑specific funding, professional development, and ethical AI design. This study underscores the need for tailored strategies to ensure AI fosters equitable, effective, and future‑ready post‑secondary learning environments.
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 | 0,009 | 0,054 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| Bibliométrie | 0,016 | 0,014 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 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 ».