Global Educator Typologies for ChatGPT Adoption: Data-Driven Insights into Support Gaps and AI-Enhanced Teaching
Notice bibliographique
Résumé
Generative-AI tools such as ChatGPT are spreading rapidly through higher education, yet instructor uptake remains uneven and poorly characterised. Leveraging the openly licensed ChatGPT Teacher Survey $(\mathrm{n}=318$ instructors, 25 countries, six continents), this study delivers a quantitative typology of educator responses and pinpoints the institutional factors that shape them. Four adoption indicators-prior exposure, perceived curriculum impact, perceived assessment impact, and institutional-support adequacy-were z-standardised and clustered via k-means. The three-cluster solution (silhouette $=0.23$; Calinski-Harabasz = 99.4) yielded AI Enthusiasts (24 %), Cautious Integrators (40 %), and Sceptics (36 %). Multinomial-logistic analysis with HC3-robust errors shows region is the only significant predictor: instructors in Australasia-Asia are $3.0 \times$ more likely to be Sceptics $(95 \%$ CI [1.5, 6.2]), while European faculty are $2.7 \times$ more likely to be Integrators (CI [1.2, 6.1]); gender and teaching experience are non-significant. Support perceptions diverge sharply— 0 % of Enthusiasts versus 46 % of Integrators and 84% of Sceptics report inadequate institutional backing. Performance evaluations amplify this divide: in grading ChatGPT answers $(n=141)$, Enthusiasts award a mean mark of 78/100, significantly higher than Integrators $(66 / 100; F(2,138) =3.69, p=0.027, \eta^{2}=0.05$; Cohen’s $d=0.48$). Robustness checks-split-sample validation (Adjusted Rand $=0.86$), hierarchical clustering, and alternative imputation-confirm solution stability. These findings expose a substantial support gap for three-quarters of educators and demonstrate that regional context, not personal demographics, drives adoption stance. The typology framework offers actionable personas for targeted professional development and typology-aware AIsystem design; all code and derived data are openly shared for replication.
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 | 0,014 | 0,045 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».