ChatGPT : quel en a été l’usage spontané d’étudiants de première année universitaire à son arrivée?
Bibliographic record
Abstract
L’usage des plateformes d’intelligence artificielle et en particulier ChatGPT-3 interroge le monde universitaire depuis décembre 2022. Certains enseignants prennent peur tandis que d’autres y décèlent de nombreuses opportunités pour eux-mêmes et pour les étudiants. Mais quel est le réel usage des étudiants face à cette IA? Cette recherche s’intéresse à l’usage de ChatGPT-3 par des étudiants de première année de l’Université de Namur (Belgique). L’enquête a été réalisée pendant les mois de février et mars 2023, soit quelques mois après la sortie de ChatGPT-3. Des étudiants de six facultés (informatique, droit, médecine, sciences, sciences économiques, sociales et de gestion ainsi que de philosophie et lettres) ont été sondés afin de mieux connaître leur utilisation de ChatGPT, mais aussi de cerner les cours dans lesquels ils y ont recours. De plus, cette enquête a permis de mettre en lumière les avantages perçus par les étudiants quant à l’usage de ChatGPT-3 et de manière générale quant à l’usage d’intelligences artificielles. Ces données sont interprétées selon le modèle des stratégies d’apprentissage par développé par Boulet et al. (1996). Pour terminer, nous montrerons comment les données recueillies ouvrent de nouvelles pistes de recherche quant à l’esprit critique des étudiants face à ChatGPT.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".