Learners’ Engagement with Artificial Intelligence: Validation of the Cognitive-Affective AI Engagement Model
Cette étude valide le Modèle d'Engagement IA Cognitif-Affectif (CAAIEM) en tant que cadre multidimensionnel à quatre dimensions fiable pour mesurer l'engagement des étudiants universitaires envers les outils d'IA basés sur les LLM, démontrant de solides propriétés psychométriques grâce à une analyse factorielle confirmatoire de données provenant de 1 249 étudiants hongrois de première année, tout en notant la nécessité d'une validation transculturelle supplémentaire.
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
Dans la salle de classe moderne, une révolution silencieuse est en cours, portée non pas par de nouveaux manuels ou de nouveaux tableaux noirs, mais par des programmes informatiques intelligents capables de rédiger des essais, de résoudre des problèmes et de tenir des conversations. Ces outils, connus sous le nom de modèles de langage étendus, sont passés du domaine de la science-fiction à la vie quotidienne des étudiants. Pour les éducateurs et les chercheurs, une question pressante a émergé : comment les apprenants se connectent-ils réellement à ces technologies ? Leur relation avec l'intelligence artificielle est-elle simplement une question de case à cocher pour l'utilité, ou implique-t-elle des sentiments, des habitudes et des espoirs futurs plus profonds ? Pour comprendre cela, les scientifiques étudient l'engagement, un concept qui décrit la profondeur de l'implication d'une personne dans une activité. Traditionnellement, cela a été perçu sous l'angle de l'utilité ou de la facilité d'utilisation d'un outil. Cependant, à mesure que l'intelligence artificielle devient plus conversationnelle et personnelle, les chercheurs soupçonnent que le tableau est plus complexe. Il implique probablement la fréquence à laquelle un étudiant interagit avec l'outil, le plaisir qu'il éprouve lors de l'expérience, le niveau de confiance qu'il ressent dans sa capacité à l'utiliser efficacement, et s'il prévoit de continuer à apprendre avec lui dans les années à venir. Comprendre ces couches est crucial car, si les écoles et les développeurs ne se concentrent que sur l'efficacité d'un outil, ils pourraient passer à côté des moteurs émotionnels et comportementaux qui incitent les étudiants à revenir pour apprendre.
Une équipe de chercheurs de l'Université de Szeged en Hongrie s'est donné pour mission de cartographier ce territoire inexploré. Ils ont proposé une nouvelle façon d'observer comment les étudiants s'engagent avec l'intelligence artificielle, suggérant qu'il ne s'agit pas d'un sentiment unique, mais d'une combinaison de quatre parties distinctes. Ils ont appelé cela le Modèle d'Engagement IA Cognitif-Affectif. La première partie est l'intensité de l'interaction, qui mesure simplement la fréquence et la profondeur avec lesquelles un étudiant utilise ces outils dans sa vie quotidienne et ses études. La deuxième est l'efficacité instrumentale, qui capture la conviction de l'étudiant que la technologie l'aide réellement à accomplir son travail plus rapidement et mieux. La troisième est l'engagement affectif, un terme qui fait référence au côté émotionnel de l'expérience : les étudiants ressentent-ils du plaisir, du confort et un véritable penchant pour l'outil lorsqu'ils utilisent l'IA ? La dernière pièce est l'intention de continuité de l'apprentissage, qui regarde vers l'avenir, mesurant si l'étudiant prévoit de continuer à apprendre sur ces technologies à mesure qu'elles évoluent.
Pour tester si ce modèle en quatre parties reflétait fidèlement la réalité, les chercheurs ont réuni un large groupe d'étudiants de première année d'université. Ils ont invité 1 249 étudiants de diverses facultés de l'université à participer à une étude. Les participants, dont la plupart étaient âgés de 18 à 22 ans, ont rempli un questionnaire conçu pour mesurer chacune de ces quatre zones. Les questions leur demandaient de rapporter la fréquence à laquelle ils utilisaient les applications d'IA, dans quelle mesure ils étaient d'accord sur le fait que l'IA améliorait leurs performances, à quel point ils appréciaient l'utiliser et s'ils avaient l'intention de continuer à apprendre à son sujet à l'avenir. Les chercheurs ont ensuite utilisé des méthodes statistiques sophistiquées pour voir si les réponses des étudiants se regroupaient naturellement dans les quatre catégories prédites par le modèle, ou si les données suggéraient une structure différente.
Les résultats ont été clairs et ont soutenu le nouveau modèle. Lorsque les chercheurs ont analysé les données, ils ont constaté que les quatre catégories qu'ils avaient proposées étaient effectivement le meilleur moyen de décrire comment ces étudiants s'engageaient avec l'intelligence artificielle. Les données ne correspondaient pas à un modèle plus simple où toutes les réponses pointeraient vers un seul sentiment général, ni à un modèle ne comportant que trois catégories. Au contraire, les quatre dimensions distinctes se sont imposées comme des parties séparées mais connectées de l'expérience globale. Les réponses des étudiants ont systématiquement montré que leur comportement, leurs croyances sur l'utilité, leurs émotions et leurs projets futurs étaient tous des aspects mesurables et distincts de leur engagement. L'étude a confirmé que ces quatre parties travaillent ensemble pour former une image complète de la relation d'un apprenant avec l'IA.
Les chercheurs ont également vérifié pour s'assurer que les questions posées étaient fiables et qu'elles mesuraient bien ce qu'elles étaient censées mesurer. Ils ont constaté que les questions pour chacune des quatre zones étaient cohérentes ; par exemple, les questions sur le plaisir étaient toutes étroitement liées, tout comme les questions sur les projets futurs. Cela leur a donné la certitude que le modèle était un outil solide pour comprendre le comportement des étudiants. De plus, ils ont vérifié que ces quatre domaines étaient suffisamment différents les uns des autres pour être traités comme des concepts distincts, même s'ils étaient liés. Par exemple, un étudiant qui trouvait l'IA utile avait également tendance à apprécier son utilisation, mais l'étude a montré que l'utilité et le plaisir ne sont pas la même chose. De même, un étudiant qui utilisait fréquemment l'IA avait des motivations différentes de celui qui prévoyait simplement de l'utiliser à l'avenir.
Cette étude constitue une étape significative dans la compréhension de la dimension humaine de l'intelligence artificielle dans l'éducation. En décomposant l'engagement en ces quatre composantes spécifiques, les chercheurs ont fourni un cadre que les éducateurs et les développeurs peuvent utiliser pour voir au-delà des simples statistiques d'utilisation. Cela suggère que pour que les étudiants bénéficient réellement de l'IA, la technologie doit non seulement être efficace, mais aussi émotionnellement résonnante et alignée avec leurs objectifs d'apprentissage à long terme. Les conclusions indiquent que l'intégration réussie de ces outils nécessite une attention particulière à la manière dont les étudiants se sentent vis-à-vis de la technologie et à la façon dont ils envisagent de l'utiliser dans leur avenir, et non pas seulement à savoir si elle les aide à accomplir une tâche aujourd'hui. Bien que l'étude se soit concentrée sur un groupe spécifique d'étudiants en Hongrie, le modèle qu'elle a validé offre un nouveau langage pour décrire la relation complexe entre les apprenants et les machines intelligentes qui façonnent de plus en plus leur éducation.
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.