Article de recherche

Une plateforme éducative complète basée sur l’intelligence artificielle générative

DOI :

10.3791/69821

⸱

10 juillet 2026

1School of Education, City University of Macau

Dans cet article

Résumé

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

En tirant parti de l’intelligence artificielle générative (GAI) pour le soutien pédagogique, la plateforme propose des expériences d’apprentissage adaptées aux besoins variés des utilisateurs. Il propose également de nombreuses approches pratiques d’apprentissage qui non seulement enrichissent le processus d’apprentissage, mais favorisent aussi les compétences d’apprentissage tout au long de la vie à l’ère numérique, en accord avec les objectifs de développement durable dans l’enseignement de l’ingénierie.

Résumé

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

L’Intelligence Artificielle Générative (GAI) a connu des progrès significatifs ces dernières années, démontrant un potentiel transformateur pour l’éducation en permettant la création dynamique de contenu et des parcours d’apprentissage personnalisés. Cependant, de nombreuses plateformes éducatives existantes reposent sur du contenu statique et des parcours fixes, manquant de l’architecture intégrée nécessaire pour exploiter pleinement les capacités de GAI afin de créer des expériences d’apprentissage cohérentes et adaptatives. Pour combler cette lacune, cette étude détaille la conception, la mise en œuvre et l’évaluation empirique d’une plateforme éducative nouvelle et complète basée sur GAI. La plateforme repose sur une architecture à trois couches dépassant les cadres traditionnels : une couche technique de base intégrant des modèles d’IA modulaires (par exemple, Transformer, CNN-BiLSTM basé sur l’attention), un centre de traitement pour la synthèse de données en temps réel et l’optimisation des modèles, et une couche Application et Interaction abritant huit modules fonctionnels principaux, incluant l’apprentissage personnalisé, les questions-réponses intelligentes et l’évaluation des compétences. Cette architecture intégrée facilite une expérience d’apprentissage dynamiquement personnalisable qui s’adapte continuellement aux besoins et aux progrès de chaque apprenant. Pour évaluer l’efficacité de la plateforme, nous avons mené un essai contrôlé randomisé (ECR) impliquant 50 étudiants de premier cycle et 20 enseignants sur deux semestres, comparant les résultats à ceux d’un groupe témoin utilisant des méthodes traditionnelles. Les résultats expérimentaux démontrent que la plateforme proposée améliore significativement les résultats d’apprentissage, augmente les indicateurs d’engagement des élèves (par exemple, le temps consacré à la tâche et les taux d’interaction avec le contenu) et atteint une grande précision dans l’appariement personnalisé du contenu. Les résultats suggèrent que cette plateforme basée sur le GAI constitue une avancée dans la technologie éducative en personnalisant efficacement l’enseignement et en soutenant l’apprentissage adaptatif à grande échelle. Cette étude apporte un plan architectural détaillé et reproductible et fournit des preuves empiriques soutenant la valeur pratique des systèmes intégrés de l’IAG pour améliorer l’efficacité éducative et favoriser les compétences d’apprentissage tout au long de la vie.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Au milieu de l’accélération de l’innovation technologique, en particulier dans l’intelligence artificielle (IA), des outils comme l’IA trouvent de plus en plus d’applications dans l’enseignement de l’ingénierie. Parallèlement, les populations sont parvenues à un consensus selon lequel l’objectif de promouvoir le développement durable est une quête mondiale. Ainsi, intégrer le développement durable dans l’enseignement de l’ingénierie — en améliorant simultanément les niveaux techniques de l’industrie et en accroissant la sensibilisation des apprenants à la durabilité — est devenu un axe clé de la réforme éducative actuelle, stimulant l’exploration d’innovations éducatives habilitées par l’IA. L’application de l’IA dans l’éducation ouvre des possibilités d’apprentissage personnalisé. Plus précisément, le GAI offre un potentiel transformateur pour les environnements d’enseignement et d’apprentissage. Elle permet la création dynamique de formes de contenus variées et l’adaptation des ressources d’apprentissage aux profils individuels des apprenants, ce qui peut renforcer l’engagement et l’efficacité. Cette technologie permet la génération de formats de contenu diversifiés, facilitant la création de supports pédagogiques sur mesure. De plus, il peut adapter dynamiquement les ressources d’apprentissage aux profils individuels des apprenants, améliorant ainsi l’engagement et l’efficacité del’apprentissage 1. De plus, la plateforme est conçue pour s’adapter à la progression des apprenants. Il ajuste dynamiquement la présentation du contenu et recommande des activités d’apprentissage alignées sur les objectifs individuels, visant à optimiser les résultats d’apprentissage.

Cependant, intégrer l’IA dans les plateformes éducatives nécessite de surmonter d’importants obstacles techniques. Tout d’abord, les modèles d’apprentissage profond doivent être entraînés sur d’immenses ensembles de données afin de garantir qu’ils génèrent un contenu de haute qualité répondant aux normes éducatives. De plus, les algorithmes d’apprentissage par renforcement doivent être finement ajustés — non seulement pour personnaliser fidèlement les parcours d’apprentissage pour chaque utilisateur, mais aussi pour maintenir l’exhaustivité du contenu pédagogique. De plus, les capacités de traitement du langage naturel sont essentielles pour créer des systèmes de tutorat interactifs capables de simuler des dialogues humains et de fournir un retour en tempsréel 2,3,4. Dans ce contexte, il est urgent de mettre en place une plateforme éducative complète qui exploite tout le potentiel du GAI pour offrir des expériences d’apprentissage personnalisées, engageantes etadaptatives 5. Ces plateformes ont un potentiel considérable pour remodeler le paysage de l’éducation en ligne en la rendant plus adaptative et personnalisée, s’alignant ainsi sur les objectifs et en soutenant les objectifs des paradigmes contemporains de l’apprentissage tout au long de la vie. À cette nouvelle ère, le contenu éducatif ne restera pas fixe ; Au contraire, elle évoluera parallèlement à la croissance personnelle des apprenants et à ses besoins en constante évolution.

Des recherches existantes ont montré que des technologies émergentes telles que l’IA et les modèles à grande échelle peuvent améliorer efficacement la qualité de l’enseignement et de l’apprentissage dans l’enseignement de l’ingénierie5 et de nombreuses études ont exploré les applications potentielles du GAI dans les plateformes éducatives personnalisées, visant à offrir des expériences d’apprentissage personnalisées auxélèves 6. Parallèlement, l’éducation au développement durable (EDD) est devenue une priorité de plus en plus centrale dans l’enseignement mondial de l’ingénierie, les recherches existantes soulignant systématiquement que la maîtrise durable et la pensée systémique sont des compétences fondamentales non négociables pour les ingénieurscontemporains 7. Pour répondre à cette demande critique de formation, l’architecture GAI proposée dans cette étude établit un lien pratique et exploitable entre les objectifs d’apprentissage ESD et le développement des compétences en ingénierie : notre plateforme intègre des modules d’évaluation de l’impact sur la durabilité, des flux de travail d’analyse du cycle de vie (LCA) et des consignes de conception durable basées sur des scénarios dans son cadre central, permettant aux apprenants en ingénierie de traduire directement les principes de durabilité en prise de décision technique tout au long de l’ensemble cycle de conception technique. Un domaine d’intérêt est l’utilisation du GAI pour automatiser la création de contenus éducatifs. Moulaei et al.7 ont exploré comment les algorithmes d’IA peuvent générer des exercices, des quiz, voire des leçons entières en fonction des besoins spécifiques et des styles d’apprentissage des élèves individuels. Cette approche montre un potentiel pour réduire la charge de travail des enseignants et offrir une expérience d’apprentissage plus personnalisée aux élèves, ce qui a constitué une base technique certaine pour les travaux ultérieurs de Zhao et al.8.

Un autre domaine d’intérêt est l’utilisation du GAI pour les systèmes d’apprentissageadaptatif 9. Ces systèmes utilisent des algorithmes d’IA pour analyser les performances d’apprentissage des élèves et ajuster les supports pédagogiques en temps réel, répondant ainsi plus précisément aux besoins des élèves. Cette approche améliore non seulement les résultats d’apprentissage, mais garantit aussi que les élèves sont mis au défi à un niveau approprié — ni trop facile à manquer de stimulation, ni trop difficile à suivre. De plus, GAI a également été exploré pour son potentiel dans l’automatisation des processus de correction et de retourd’information 10 et pour servir de plateforme intelligente d’aide àla décision 11. Les algorithmes d’IA peuvent être utilisés pour corriger automatiquement les devoirs des élèves et fournir des retours rapides, ce qui fait gagner du temps aux enseignants et aide les élèves à mieux apprendre. Smith et al.12 ont également exploré l’application des outils GAI, tels que ChatGPT, dans l’enseignement supérieur, en mettant l’accent sur l’acceptation et l’utilisation de ces technologies par les étudiants et enseignants de différentes générations. L’étude a révélé que les étudiants natifs numériques, en raison de leur immersion de vie dans les technologies numériques, montrent un niveau d’acceptation plus élevé envers ces applications ; En revanche, les enseignants immigrés numériques ont tendance à adopter une attitude plus prudente et conservatrice envers ces applications numériques, montrant une réticence à les tester de manière informelle. Cette différence générationnelle présente de nouveaux défis et opportunités pour intégrer les styles d’enseignement et les technologies éducatives. Imran et al.13 ont évalué l’application des outils d’IA générative de nouvelle génération dans l’éducation, notamment dans la création de supports pédagogiques et la fourniture de retours personnalisés.

Les résultats suggèrent que ces outils peuvent aider les éducateurs à générer des ressources éducatives diversifiées et à fournir des retours en temps réel, tout en soulignant les défis liés aux normes éthiques et à l’utilisation équitable. Cabrera et al.14 ont analysé la sensibilisation et l’utilisation du GAI par les étudiants à travers des enquêtes menées dans six universités de Hong Kong. La plupart des élèves adoptent une attitude positive, reconnaissant son utilité dans l’apprentissage personnalisé et le retour immédiat. Cependant, des inquiétudes concernant une dépendance excessive et des biais potentiels sont également exprimées. Mishra et al.15 développent l’application de GAI, comme ChatGPT, dans la formation des enseignants, en particulier dans la planification des programmes, la pensée critique et l’ouverture éducative. Il souligne que le GAI peut fournir des mécanismes de soutien spécifiques et des ressources éducatives pour les enseignants, mais souligne également la nécessité d’évaluer soigneusement ses limites et ses biais potentiels afin d’assurer son efficacité en tant qu’outil éducatif. Mishra et al.16 réfléchissent à l’impact transformateur des stratégies du GAI sur l’enseignement et la formation des enseignants. La méthode préconise la prise en compte de l’éthique et des politiques dans l’utilisation des technologies éducatives afin d’assurer une utilisation équitable et efficace des technologies d’IA.

Les efforts académiques existants17, 18, 19, 20, 21, 22 suggèrent que le GAI a le potentiel de transformer l’éducation en offrant des expériences d’apprentissage personnalisées, en s’adaptant en temps réel aux besoins des élèves et en automatisant les tâches chronophages pour les enseignants. Cependant, il existe également des défis liés à l’utilisation de l’IA dans l’éducation, tels que la nécessité de données précises pour entraîner les modèles d’IA et les biais potentiels dans les algorithmes d’IA23,24. Des recherches supplémentaires sont nécessaires pour relever ces défis et réaliser pleinement le potentiel du GAI dans une éducation efficace. Des recherches antérieures ont établi l’efficacité des technologies d’IA 20,21,22,23,24,25 pour permettre l’apprentissage adaptatif 26,27, fournir des retourspersonnalisés 28,29, et explorer des applications éducatives pluslarges 30,31. Cependant, les études existantes sur les plateformes éducatives habilitées par GAI se sont principalement concentrées sur l’optimisation fonctionnelle incrémentale et des études de cas d’applications isolées. Un déficit critique de recherche non résolu subsiste : les plateformes éducatives GAI existantes manquent d’une architecture intégrée unifiée, évolutive et pédagogiquement robuste, avec des limitations largement répandues telles que la conception fragmentée des modules, une mauvaise interopérabilité inter-scénarios, et l’absence de cadre intégré pour la formation systématique des compétences (y compris la sensibilisation à la durabilité pour les apprenants en ingénierie). Pour combler cette lacune, cette étude étudie une plateforme éducative complète basée sur le GAI d’un point de vue architectural fondamental, détaillant systématiquement sa conception modulaire, son cadre d’interopérabilité inter-scénarios et son évaluation empirique multipartite. Ce travail fait progresser le domaine en établissant un paradigme architectural intégré standardisé pour les applications GAI dans l’enseignement de l’ingénierie, afin d’améliorer à la fois les résultats éducatifs et le développement des compétences fondamentales. Les trois principales contributions de cet ouvrage sont listées comme suit.

  • Un cadre pour la génération dynamique d’expériences d’apprentissage. Le cadre utilise le GAI pour construire un environnement d’apprentissage qui évolue en fonction des interactions des utilisateurs et des données de performance. Ce cadre construit un environnement d’apprentissage en évolution dynamique via GAI, qui ajuste et optimise en temps réel en fonction des schémas d’interaction et des habitudes d’apprentissage des utilisateurs — garantissant que le contenu éducatif reste à jour, engageant et aligné avec les besoins individuels. Ce mécanisme dynamique fait deux choses clés : premièrement, il garantit que le contenu éducatif reste à jour et ne devient pas obsolète, et deuxièmement, il rend le contenu plus engageant — tout en répondant aux besoins personnalisés uniques de chaque apprenant.
  • Un design architectural intégré et adaptatif. L’architecture à trois couches coordonne de manière globale les composants adaptatifs, garantissant que les outils d’apprentissage restent efficaces tout au long de la progression de l’utilisateur. Cette architecture à trois couches coordonne de manière globale les composants adaptatifs qui évoluent avec les utilisateurs, garantissant que le contenu éducatif et les outils restent efficaces tout au long du parcours d’apprentissage tout en offrant une expérience éducative cohérente et complète.
  • Personnalisation basée sur les données à grande échelle. La plateforme exploite l’analyse d’apprentissage continu pour permettre une personnalisation à grande échelle basée sur les données. Il adapte dynamiquement le contenu d’apprentissage, le rythme et le style d’enseignement aux préférences et capacités cognitives de chaque apprenant. Ses objectifs fondamentaux de conception sont de réduire la charge cognitive superflue, d’améliorer l’efficacité de l’apprentissage et d’améliorer l’expérience d’apprentissage globale. Cette étude teste une hypothèse centrale de recherche à travers un essai contrôlé randomisé. L’hypothèse est que cette plateforme d’apprentissage personnalisée habilitée par le GAI peut réduire significativement la charge cognitive des apprenants en ingénierie, améliorer l’efficacité de l’apprentissage et améliorer à la fois les résultats d’apprentissage et l’expérience d’apprentissage liés à l’ESD, par rapport aux modèles d’enseignement traditionnels non personnalisés en ingénierie.

L’ouvrage met à l’épreuve une hypothèse centrale de recherche. C’est que cette plateforme d’apprentissage personnalisée compatible GAI peut réduire significativement la charge cognitive des apprenants en ingénierie, améliorer l’efficacité de l’apprentissage et améliorer à la fois les résultats d’apprentissage et l’expérience d’apprentissage liés à l’ESD par rapport aux modèles d’enseignement d’ingénierie non personnalisés traditionnels.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Protocole

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Cette étude a été menée conformément aux directives éthiques de l’Université de l’Éducation de Hong Kong. Le consentement éclairé a été obtenu de tous les participants avant la collecte des données.

1. Spécification de la plateforme

Le système évalué est un prototype de recherche personnalisé, implémenté sous forme d’application web. L’environnement logiciel est construit sur Python 3.9 et TensorFlow 2.12. Les modèles d’IA de base (CNN-BiLSTM, Transformer) sont hébergés sur un GPU NVIDIA A100 (40 Go de VRAM) au sein d’un pipeline de traitement basé sur un serveur. L’architecture se compose de trois couches : premièrement, une couche technique de base intégrant un réseau CNN-BiLSTM à attention améliorée, un module Transformer et des composants d’apprentissage par renforcement ; deuxièmement, un centre de traitement pour la fusion multimodale de données en temps réel et l’optimisation des modèles ; et troisièmement, une couche applicative comprenant huit modules fonctionnels, incluant l’apprentissage personnalisé, les questions-réponses, l’évaluation des compétences et l’analyse du comportement (Figure 1).

2. Préparer et sélectionner les données de formation

Collectez des ensembles de données multimodaux à partir de dépôts publics éducatifs (par exemple, des relevés de notes de cours en ligne ouverts, des journaux d’interactions vidéo éducatives) et des sources propriétaires. Rassemblez des journaux d’interactions anonymes auprès de 50 étudiants de premier cycle et 20 enseignants lors des essais pilotes (janvier–juin 2024). Pré-traiter le texte à l’aide de spaCy v3.5 (Honnibal et al., 2020) avec les procédures fixes suivantes. Premièrement, chargez le modèle académique académique général pré-formé en_core_web_md. Deuxièmement, effectuez la tokenisation en utilisant le tokeniseur académique optimisé par défaut du modèle, qui gère correctement la terminologie de l’ingénierie technique et du développement durable. Troisièmement, effectuer la lemmatisation en utilisant le lemmatiseur par défaut basé sur des règles et lemmatiseur statistique du modèle, sans qu’aucune règle de lemmatisation personnalisée ne soit appliquée. Normalisez les images vidéo à une résolution de 224 x 224 en utilisant les étapes fixes suivantes. Premièrement, redimensionnez toutes les images en utilisant une interpolation bilinéaire, qui est la méthode standard pour le prétraitement des images vidéo éducatives. Deuxièmement, n’appliquer aucune normalisation ou recadrage supplémentaire des couleurs au-delà du redimensionnement uniforme afin de préserver le contenu éducatif original. Supprimez les informations personnelles identifiables pour garantir le respect de la confidentialité en suivant les procédures fixes suivantes. Tout d’abord, utilisez le module de reconnaissance d’entités nommées spaCy v3.5 dans le modèle en_core_web_md pour détecter et caviarder automatiquement tous les noms personnels, adresses e-mail, numéros de téléphone et identifiants institutionnels. Deuxièmement, examiner manuellement un échantillon aléatoire de 10 % de toutes les images de texte et vidéo prétraitées afin de vérifier la suppression complète des PII, sans aucune divergence dans le jeu de données final.

3. Entraîner et valider les modèles

La formation utilisait trois paradigmes : premièrement, apprentissage supervisé (optimiseur Adam, taux d’apprentissage = 1e-4, taille de groupe = 32) pour prédire la performance des élèves à partir de journaux d’interaction étiquetés ; deuxièmement, le regroupement non supervisé des K-means (k = 5) pour identifier des schémas comportementaux distincts ; et troisièmement, l’apprentissage par renforcement pour la recommandation de contenu adaptatif, avec une fonction de récompense définie comme engagement x précision. Les hyperparamètres ont été ajustés via une recherche aléatoire sur 100 essais sur un ensemble de validation tenu pour garantir leur robustesse. Les données d’entrée des modèles consistaient en des flux multimodaux prétraités et anonymisés : séquences de texte tokenisées, images vidéo RGB 224 x 224, et métadonnées d’interaction structurée (par exemple, horodatages, types d’actions). Les principaux résultats générés par le système incluent des scores de prédiction numériques (par exemple, la probabilité de maîtrise), des journaux d’interaction détaillés au format JSON, et des rapports d’évaluation des compétences en PDF.

figure-protocol-1
Figure 1 : Architecture de la plateforme éducative globale. Ce diagramme illustre la structure hiérarchique complète du prototype de recherche éducative GAI personnalisé basé sur le web, incluant la couche Application et Interaction destinée à l’utilisateur, le centre de traitement de données multimodal et la couche technique de base pilotée par modèle IA, avec une cartographie claire du flux de données entre les couches. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

4. Réaliser une évaluation empirique

Recruté 70 participants (50 étudiants en ingénierie de premier cycle et 20 enseignants) de l’Université d’Éducation de Hong Kong. Ils ont été assignés aléatoirement soit au groupe expérimental, qui utilisait notre plateforme GAI web personnalisée, soit au groupe témoin, qui utilisait un système de gestion de l’apprentissage (LMS) conventionnel. L’évaluation a mesuré quatre critères clés : (1) gain d’apprentissage (évalué via les scores avant et après test), (2) engagement (mesuré par le temps passé sur la tâche et la fréquence d’interaction), (3) satisfaction de l’utilisateur (évaluée via une enquête sur l’échelle Likert à 7 points), et (4) l’utilisabilité du système. Toutes les données empiriques ont été analysées à l’aide de tests t par paires pour déterminer la signification statistique, accompagnées de calculs de taille d’effet pour évaluer l’impact pratique.

5. Finaliser et valider l’implémentation

Avant l’étude principale, nous avons mené une validation complète du système. Cela impliquait la vérification de l’intégration complète et du fonctionnement stable des trois couches architecturales (Technique de base, Centre de traitement et Couche Application), la confirmation de l’intégrité des données tout au long du pipeline, l’assurance de la convergence du modèle sur l’ensemble de validation, et le test de la réactivité et de la fiabilité de l’interface utilisateur web. Après avoir réussi cette phase de validation, la plateforme a été jugée prête pour un déploiement empirique formel et une évaluation comparative dans le cadre de l’essai contrôlé randomisé.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Résultats

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

L’essai contrôlé randomisé a révélé des différences significatives entre le groupe de la plateforme GAI (expérimental) et le groupe LMS traditionnel (témoin). Pour le gain d’apprentissage, le groupe expérimental a obtenu un score nettement plus élevé au post-test (M = 85,2, DE = 6,4) que le groupe témoin (M = 76,8, DE = 7,1) ; différence moyenne = 8,4, IC à 95 % [4,5, 12,3], t(68) = 4,32, p < 0,001, d de Cohen = 1,02. Pour l’engagement (temps sur la tâche), le groupe expérimental a passé...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Cette étude visait à tester l’hypothèse centrale de la recherche : qu’une plateforme d’apprentissage personnalisée habilitée par le GAI peut réduire significativement la charge cognitive des apprenants en ingénierie, améliorer l’efficacité de l’apprentissage et améliorer à la fois les résultats d’apprentissage liés à l’ESD ainsi que l’expérience globale d’apprentissage, par rapport aux modèles d’enseignement traditionnels non personnalisés en ingénierie. Nos résultats randomisés de l’ECR...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Déclarations de divulgation

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Conflits d’intérêts : Les auteurs n’ont aucun intérêt financier ou non financier pertinent à divulguer.

Remerciements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Aucun financement.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
A100 GPU (40 GB VRAM)NVIDIA Corporation900-4H100-0000-000Utilisé pour héberger les modèles IA de base dans le pipeline de traitement basé sur le serveur.
en_core_web_md (modèle spaCy)Explosion AIhttps://spacy.io/models/en#en_core_web_mdModèle anglais académique général pré-entraîné utilisé pour la tokenisation et la lemmetisation. Version : v3.5.
PythonPython Software Foundationhttps://www.python.org/Langage de programmation pour l'environnement logiciel. Version : 3.9.
SlimPajama datasetCerebras Systems Inc.https://www.cerebras.net/blog/cerebras-releases-slimpajama-a-cleaned-version-of-redpajama/Corpus de pré-entraînement large et open-source dérivé de RedPajama.
spaCyExplosion AIhttps://spacy.io/Bibliothèque de traitement du langage naturel pour le prétraitement du texte. Version : 3.5.
TensorFlowGoogle LLChttps://www.tensorflow.org/Framework de machine learning open-source. Version : 2.12.

Références

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Wach, K., et al. The dark side of generative artificial intelligence: a critical analysis of controversies and risks of ChatGPT. Entrepreneurial Business and Economics Review. 11 (2), 7-30 (2023).
  2. Feuerriegel, S., Hartmann, J., Janiesch, C., Zschech, P., Bichler, M. Generative AI. Business & Information Systems Engineering. 66 (1), 111-126 (2024).
  3. Noy, S., Zhang, W. Experimental evidence on the productivity effects of generative artificial intelligence. Science. , (2023).
  4. Baidoo-Anu, D., Ansah, L. O. Education in the era of generative artificial intelligence (AI): understanding the potential benefits of ChatGPT in promoting teaching and learning. Journal of AI. 7 (1), 52-62 (2023).
  5. Holechek, S., Sreenivas, V. Generative AI in undergraduate academia: enhancing learning experiences and navigating ethical terrains. Journal of Biological Chemistry. 300 (3), 105921(2024).
  6. Sayyadi, M., Collina, L., Provitera, M. J. How to develop an artificial intelligence strategy. Industrial and Systems Engineering At Work. 55 (7), 38-41 (2023).
  7. Moulaei, K., Yadegari, A., Baharestani, M., Farzanbakhsh, S., Sabet, B., et al. Generative artificial intelligence in healthcare: a scoping review on benefits, challenges and applications. International Journal of Medical Informatics. , (2024).
  8. Zhao, H., Yilahun, H., Hamdulla, A. Pipeline chain-of-thought: a prompt method for large language model relation extraction. International Conference on Asian Language Processing (IALP), , (2023).
  9. Broadbent, J., Lodge, J. Use of live chat in higher education to support self-regulated help seeking behaviours: a comparison of online and blended learner perspectives. International Journal of Educational Technology in Higher Education. 18 (1), 1-20 (2021).
  10. Zhu, J. Evaluating ChatGPT for automated creation and grading of essay questions in higher education. Journal of Educational Technology & Society. 28 (4), 112-128 (2025).
  11. Liu, J. H., Wang, C. P., Xiao, X. C. Internet of Things (IoT) technology for the development of intelligent decision support education platform. Scientific Programming. , (2021).
  12. Smith, A., Johnson, B., Williams, C. Generative AI technologies in higher education: a comprehensive review. IEEE Transactions on Education. , (2023).
  13. Imran, M., Almusharraf, N. Next-generation generative AI as an educational tool: a review of emerging educational technology. Smart Learning Environments. , (2024).
  14. Cabrera, C., Neville, R. Widely used but barely trusted: understanding student perceptions on the use of generative AI in higher education. Perspectives: Policy and Practice in Higher Education. , (2025).
  15. Mishra, P., et al. Teacher education in the age of generative artificial intelligence: introducing the special issue. Journal of Teacher Education. 76 (3), 225-229 (2025).
  16. Mishra, P., Oster, N., Henriksen, D. Generative AI, teacher knowledge and educational research: bridging short- and long-term perspectives. TechTrends: Linking Research & Practice to Improve Learning. , (2024).
  17. Bahroun, Z., Anane, C., Ahmed, V., Zacca, A. Transforming education: a comprehensive review of generative artificial intelligence in educational settings through bibliometric and content analysis. Sustainability. , (2023).
  18. Ayeni, O. O., Al Hamad, N. M., Chisom, O. N., Osawaru, B., Adewusi, O. E. AI in education: a review of personalized learning and educational technology. GSC Advanced Research and Reviews. 18 (2), 261-271 (2024).
  19. Hwang, G. J., Chen, N. S. Editorial position paper: exploring the potential of generative artificial intelligence in education: applications, challenges, and future research directions. Educational Technology & Society. , (2023).
  20. Liu, M., Ren, Y., Nyagoga, L. M., Stonier, F., Wu, Z., et al. Future of education in the era of generative artificial intelligence: consensus among Chinese scholars on applications of ChatGPT in schools. Future in Educational Research. 1 (1), 72-101 (2023).
  21. Acun, C., Acun, R. GAI-enhanced assignment framework: a case study on generative AI powered history education. NeurIPS'23 Workshop on Generative AI for Education (GAIED): Advances, Opportunities, and Challenges, , (2023).
  22. Cooper, G. Examining science education in ChatGPT: an exploratory study of generative artificial intelligence. Journal of Science Education and Technology. , (2023).
  23. Pavlik, J. V. Collaborating with ChatGPT: considering the implications of generative artificial intelligence for journalism and media education. Journalism & Mass Communication Educator. 78 (1), 84-93 (2023).
  24. Vasarhelyi, M. A., Moffitt, K. C., Stewart, T., Sunderland, D. Large language models: an emerging technology in accounting. Journal of Emerging Technologies in Accounting. 20 (2), 1-10 (2023).
  25. Farrokhnia, M., Banihashem, S. K., Noroozi, O., Wals, A. A SWOT analysis of ChatGPT: implications for educational practice and research. Innovations in Education and Teaching International. 61 (3), 460-474 (2024).
  26. Phutela, N., Grover, P., Singh, P., Mittal, N. Future prospects of ChatGPT in higher education. 2024 11th International Conference on Reliability, Infocom Technologies and Optimization (ICRITO), , (2024).
  27. Qadir, J. Engineering education in the era of ChatGPT: promise and pitfalls of generative AI for education. 2023 IEEE Global Engineering Education Conference (EDUCON), , (2023).
  28. Villarroel, V., Bloxham, S., Bruna, D., Bruna, C., Herrera-Seda, C. Authentic assessment: creating a blueprint for course design. Assessment & Evaluation in Higher Education. 43 (5), 840-854 (2018).
  29. Chen, Y., Jensen, S., Albert, L. J., Gupta, S., Lee, T. Artificial intelligence (AI) student assistants in the classroom: designing chatbots to support student success. Information Systems Frontiers. 25 (1), 161-182 (2023).
  30. Kumar, A. Analysis of ChatGPT tool to assess the potential of its utility for academic writing in biomedical domain. Biology, Engineering, Medicine and Science Reports. 9 (1), 24-30 (2023).
  31. Lakshmi, K. A study on mathematical and statistical aspects of linear models. Turkish Journal of Computer and Mathematics Education (TURCOMAT). 12 (4), 1328-1338 (2021).
  32. Soboleva, D., Al-Khateeb, F., Myers, R., Steeves, J. R., Hestness, J., et al. RedPajama: A 627B token cleaned and deduplicated version of SlimPajama. Cerebras Systems Technical Blog. , Available from: https://www.cerebras.net/blog/slimpajama-a-627b-token-cleaned-and-deduplicated-version-of-redpajama (2023).

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Demander l’autorisation de réutiliser le texte ou les figures de cet article JoVE

Demander une autorisation

Mots-clés

Ing nierieNum ro 233Num ro 233Ce mois ci dans JoVENum roGAIModule extensibleApprentissage intelligent

Articles connexes