Perceptions et usages d’un chatbot comme tuteur de cours en sciences de l’éducation
Bibliographic record
Abstract
Cet article examine l’utilisation et la perception d’un chatbot par des étudiants de première année dans l’enseignement supérieur en Belgique. Avec la massification de l’éducation, des adaptations pédagogiques deviennent nécessaires dans l’université moderne. Les chatbots, en tant qu’outils numériques, offrent une opportunité pour diversifier l’accès aux contenus éducatifs, face au défi de fournir un enseignement de qualité à tous. L’étude aborde deux questions de recherche : Quelle est la perception des étudiants (N = 89) quant à l’usage du chatbot en tant que tuteur de cours?; Quel est son rôle selon la typologie de Bernatchez (2003)? Les résultats, en concordance avec d’autres études, indiquent une évaluation positive en termes d’efficacité, d’utilisabilité, d’acceptabilité et d’expérience utilisateur, bien que des scores inférieurs soient observés en motivation et en comportement. L’analyse démontre une préférence des étudiants pour un soutien pédagogico-cognitif par le chatbot, plutôt que technique. Ces résultats sont en accord avec d’autres recherches, soulignant l’utilisation efficace des chatbots dans l’éducation, avec peu d’interactions non pertinentes. En conclusion, l’étude souligne l’efficacité et l’acceptabilité des chatbots en tant que tuteurs et propose des perspectives pour leur intégration comme parcours d’apprentissage personnalisé.
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 | 0.004 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.005 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 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".