Early Adoption of AI and Digital Communication Tools by MBA Students: Perceptions, Motivations, and Concerns
Notice bibliographique
Résumé
As digital communication and artificial intelligence (AI) become increasingly embedded in higher education, understanding how professional graduate students plan to integrate these tools is essential. This study examines the early perceptions, intentions, and concerns of newly admitted MBA students regarding their use of communication technologies and AI tools during their first semester. Using an online questionnaire administered in weeks two and three of a mandatory managerial analytics course, data were collected from 45 respondents at a Canadian university. Results show that students rely on a mix of traditional and contemporary communication platforms, with email and WhatsApp being equally dominant, while in-person meetings remain surprisingly common. AI usage is already widespread, with 98% of students using ChatGPT and substantial proportions using Copilot and Gemini. Students primarily expect to use AI for writing-related tasks such as summarization, content structuring, brainstorming, and proofreading, motivated largely by a desire to save time and improve work quality. Although 93% anticipate that AI will enhance the quality of their academic output, they simultaneously express concerns regarding accuracy, originality, transparency, and privacy. Students perceive AI as moderately helpful for research, creativity, and problem solving but see limited benefits for critical thinking or team-based skills. Overall, the findings reveal a cohort eager yet cautious in adopting AI, highlighting the need for institutions to develop clear guidance and pedagogical strategies to support responsible and effective use of these tools as students progress through their program.
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 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 | 0,001 | 0,000 |
| 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 | 0,003 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».