Profiling Faculty Adoption of Generative AI: A Latent Profile Analysis of Platform Engagement and Inferred Drivers
Cette étude utilise l'analyse de profils latents sur des données de journaux de plateforme objectives provenant de 358 membres du corps professoral pour identifier deux profils distincts d'utilisation de l'IA générative — « Assistance à l'enseignement » et « Soutien à la recherche » — comblant ainsi l'écart entre les intentions autodéclarées et les comportements réels afin d'orienter des stratégies de soutien institutionnel différenciées.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez que vous essayez de comprendre comment un groupe de personnes utilise un nouvel outil magique. Dans le monde de la science, on appelle souvent cela l'« adoption technologique ». Pendant longtemps, les chercheurs ont demandé aux gens : « Aimez-vous cet outil ? À quelle fréquence l'utilisez-vous ? » Mais il y a un piège : les gens ne sont pas toujours honnêtes. Ils peuvent dire qu'ils utilisent un outil tous les jours parce qu'ils pensent que cela a l'air cool, ou ils peuvent oublier les fois où ils l'ont réellement utilisé. Cet écart entre ce que les gens disent faire et ce qu'ils font réellement est un grand problème. Pour y remédier, les scientifiques commencent à s'intéresser aux « empreintes numériques » — les traces invisibles que nous laissons derrière nous lorsque nous cliquons, tapons ou faisons défiler des pages sur les ordinateurs. En étudiant ces empreintes au lieu de poser des questions, les chercheurs peuvent voir la véritable histoire. Ce document plonge dans ce monde, examinant comment les enseignants universitaires utilisent un nouveau type de « cerveau magique » appelé l'IA générative. Il demande : les enseignants l'utilisent-ils simplement pour faciliter leurs devoirs, ou l'utilisent-ils pour découvrir de nouveaux secrets de l'univers ? Et est-ce que cela importe s'ils sont doués en informatique ou s'ils débutent ?
Cette étude, intitulée « Profilage de l'adoption de l'IA générative par le corps professoral », jette un regard neuf sur la façon dont 358 enseignants universitaires de Dalian, en Chine, ont réellement utilisé une plateforme d'apprentissage intelligente entre janvier et juin 2025. Au lieu d'envoyer des sondages et d'espérer la vérité, les chercheurs ont agi comme des détectives numériques. Ils ont analysé les « journaux de bord » (logs) — les enregistrements automatiques de chaque clic, de chaque minute passée et de chaque fonction utilisée par les enseignants. Ils voulaient voir s'il existait des modèles cachés dans le comportement de ces enseignants.
En utilisant une technique mathématique spéciale appelée « Analyse de profils latents » (pensez à une façon super intelligente de classer les gens en groupes basés sur leurs habitudes), les chercheurs ont découvert que les enseignants se divisaient naturellement en deux camps très différents. Ils n'utilisaient pas seulement l'IA un peu ou beaucoup ; ils l'utilisaient pour des raisons complètement différentes.
Le premier groupe est le « Type Assistance à l'Enseignement ». Imaginez ces enseignants comme les « Aides de Classe ». Ils se présentent principalement les jours de semaine, pendant les heures normales de cours, tout comme une journée de travail habituelle. Ils utilisent l'IA pour faire des choses qui les aident à enseigner : générer des plans de cours, noter des devoirs et créer des supports d'étude. Ces enseignants ont tendance à être des débutants avec la technologie. Ils utilisent l'outil pour rendre leur travail quotidien d'enseignement plus fluide et plus rapide, mais ils ne s'aventurent généralement pas dans des tâches de recherche complexes. Ce sont les travailleurs fiables qui utilisent l'outil pour accomplir leur tâche principale.
Le second groupe est le « Type Soutien à la Recherche ». Ce sont les « Plongeurs Profonds ». Ils sont beaucoup plus actifs le soir et les week-ends, des moments où la plupart des gens se détendent. Ils n'utilisent pas l'IA pour de simples tâches ; ils l'utilisent pour des travaux lourds comme la rédaction d'articles académiques, la gestion de connaissances complexes et l'analyse de données de recherche. Ce groupe est composé principalement d'experts très à l'aise avec la technologie. Ils traitent l'IA comme un partenaire puissant dans leurs découvertes scientifiques, l'utilisant pour de longues périodes soutenues afin de résoudre des problèmes difficiles.
L'étude suggère que ces deux groupes sont assez distincts. Les enseignants de l'« Assistance à l'Enseignement » sont comme des usagers de train qui utilisent le train pour arriver au travail à l'heure, tandis que les enseignants du « Soutien à la Recherche » sont comme des explorateurs qui utilisent le train pour voyager vers de nouvelles terres inexplorées tard dans la nuit. Les données ont montré que bien que les deux groupes utilisent l'outil, leurs habitudes, leur timing et leurs niveaux de compétence sont très différents.
Une chose intéressante que l'étude a découverte est que savoir bien utiliser l'informatique compte. Les « Plongeurs Profonds » (Soutien à la Recherche) étaient beaucoup plus susceptibles d'être des experts, tandis que les « Aides de Classe » étaient principalement des débutants. Cela suggère que si vous voulez que les enseignants utilisent l'IA pour la recherche profonde, ils pourraient avoir besoin de plus de formation et de confiance au préalable.
Les chercheurs précisent avec prudence que cela est basé sur les données d'une seule université, nous ne pouvons donc pas être sûrs à 100 % que cela soit vrai pour toutes les écoles du monde. Cependant, les modèles qu'ils ont trouvés sont clairs et forts au sein de leurs données. Ils soutiennent que les écoles ne devraient pas traiter tous les enseignants de la même manière. Au lieu de donner à tout le monde la même formation ennuyeuse, les écoles devraient offrir des aides différentes : des conseils rapides et faciles pour les « Aides de Classe » qui veulent juste corriger des copies plus rapidement, et des ateliers approfondis et avancés pour les « Plongeurs Profonds » qui veulent repousser les limites de la science.
En regardant les véritables empreintes numériques plutôt qu'en écoutant simplement ce que les gens disent, ce document ouvre une fenêtre sur le monde réel de la façon dont les enseignants s'adaptent à l'avenir. Il montre que, bien que tout le monde utilise le même outil, ils l'utilisent de deux manières très différentes pour résoudre deux problèmes très différents.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.