What do Learners See in ChatGPT? Challenges, Benefits, and Writing in the Era of Generative AI Literacy
Notice bibliographique
Résumé
This thesis examines the rapid, uncritical adoption of ChatGPT, a widely used generative AI model, by focusing on students' perceptions and use of the tool for writing tasks. The study explores three main questions: how learners use ChatGPT, the advantages and disadvantages they identify, and their awareness of its ethical implications. Using a qualitative approach, semi-structured interviews were conducted with 31 university students and recent graduates, followed by thematic analysis to uncover recurring patterns. Findings show that participants mainly used ChatGPT for drafting, research, editing, and brainstorming, valuing its efficiency and usability. However, they expressed concerns over generic, repetitive outputs, limited research capabilities, and the risk of deskilling, fearing dependence on the tool might erode their own skills. While participants recognized some ethical issues, particularly in education, disinformation, and privacy, awareness of bias, transparency, and sustainability was limited. Despite these drawbacks, participants generally maintained a positive attitude towards ChatGPT, with a strong interest in maximizing its benefits while attempting to manage its limitations. This study underscores the need for promoting critical engagement with AI through Human-Centred AI (HCAI), which emphasizes ethical considerations in technology use. The findings lay a foundation for future research aimed at addressing misconceptions about generative AI and creating educational strategies for ethical AI integration.
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 | 0,012 | 0,080 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,005 |
| Communication savante | 0,010 | 0,010 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,003 |
| 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 ».