Un abonnement JoVE est requis pour visualiser ce contenu. Connectez-vous ou commencez votre période d'essai gratuite.

Article de recherche

Comment le bien-être numérique et l’IA générative atteignent la réussite académique des élèves et leurs objectifs de développement durable

740 vues

⸱

DOI :

10.3791/70211

⸱

27 février 2026

1Xuzhou Kindergarten Teachers College

Dans cet article

Résumé

Cette étude révèle que le bien-être numérique et l’IA générative renforcent l’engagement de l’apprentissage de l’anglais langue étrangère, conduisant à de meilleures performances académiques. Une meilleure réussite augmente la sensibilisation aux objectifs de développement durable, reliant la technologie éducative aux résultats scolaires et durables.

Résumé

Cette étude examine comment le bien-être numérique et l’adoption de l’IA générative contribuent à la réussite académique des élèves de l’anglais langue étrangère (EFL) et à leur engagement avec les Objectifs de développement durable (ODD). En utilisant un design multidimensionnel quantitatif, les données ont été collectées auprès de 440 participants à l’aide d’échelles validées mesurant le bien-être numérique, l’utilisation de l’IA, l’engagement dans l’apprentissage, la performance académique et la sensibilisation aux ODD. La modélisation structurelle par équations partielles des moindres carrés (PLS-SEM) a été utilisée pour analyser les relations entre ces constructions tout en évaluant la validité prédictive et la robustesse du modèle. Les résultats révèlent que le bien-être numérique et l’IA générative renforcent significativement l’engagement dans l’apprentissage de l’EFL, ce qui favorise à son tour la réussite académique. De plus, la réussite scolaire influence positivement la conscience des élèves aux ODD, mettant en lumière l’interconnexion entre l’éducation numérique et les résultats en matière de durabilité. L’étude identifie l’engagement à l’apprentissage comme un médiateur essentiel entre l’apprentissage amélioré par la technologie et la performance académique. Ces résultats soulignent l’importance d’intégrer les stratégies de bien-être numérique et la littératie IA dans les cadres éducatifs afin de favoriser à la fois la réussite scolaire et la citoyenneté mondiale. Ces objectifs sont réalisés en concevant des programmes et des pédagogies qui apprennent simultanément aux élèves à gérer leur vie numérique pour un apprentissage efficace, et les préparent à exploiter et critiquer les technologies avancées pour comprendre et agir face aux défis les plus urgents du monde.

Introduction

À une époque marquée par des avancées technologiques rapides, l’intégration du bien-être numérique et de l’intelligence artificielle générative (GAI) dans l’éducation s’est imposée comme une force transformatrice aux implications majeures sur la réussite académique des élèves et les Objectifs de développement durable (ODD) des Nations Unies1. Alors que le bien-être numérique vise à promouvoir une utilisation saine des technologies pour améliorer l’équilibre cognitif et émotionnel, le GAI offre des opportunités sans précédent pour l’apprentissagepersonnalisé 2, l’accessibilité et l’efficacitééducative 3. Néanmoins, même s’il existe un intérêt croissant dans ces domaines à travers le monde, le corpus de connaissances existant est dispersé, avec peu d’attention portée aux promesses futures de leurs synergies pour développer la réussite académique et promouvoir les jalons mondiauxde la durabilité 4. Cette recherche contribue à combler ce manque indispensable en examinant spécifiquement comment l’utilisation responsable de l’IAI, lorsqu’elle est fondée sur les principes du bien-être numérique, peut maximiser les résultats d’apprentissage tout en soutenant simultanément les ODD clés, notamment l’ODD 4 (Éducation de qualité), l’ODD 3 (Bonne santé et bien-être) et l’ODD 10 (Réduction des inégalités).

Une revue de la littérature actuelle révèle plusieurs dimensions sous-explorées. Premièrement, bien que les études sur le bien-être numérique mettent l’accent sur les risques d’un temps d’écran excessif, de la distraction numérique et des préoccupations de santé mentale chezles élèves 5, peu ont examiné comment les pratiques structurées de pleine conscience numérique peuvent coexister avec des outils d’apprentissage pilotéspar l’IA 6. Deuxièmement, la recherche sur le GAI en éducation met principalement en avant son efficacité à automatiser les évaluations, à générer du contenu et à favoriser l’apprentissageadaptatif 7, tout en négligeant ses impacts psychologiques et comportementaux sur le bien-être desélèves 8. Troisièmement, bien que le cadre des ODD préconise une éducation inclusive et équitable, une attention minimale a été portée à la manière dont les environnements d’apprentissage améliorés par l’IA, conçus en tenant compte du bien-être, peuvent réduire les disparités éducatives et promouvoir des pratiques d’apprentissagedurables 9. Ces lacunes soulignent la nécessité d’une approche intégratrice qui harmonise l’innovation technologique avec des stratégies de bien-être centrées sur l’humain.

Cette étude aborde ces limites en proposant un cadre novateur qui aligne les principes du bien-être numérique avec les applications du GAI dans l’éducation. Contrairement à une étudeprécédente 10, qui analysait ces notions indépendamment, notre étude considère leur dynamique comme telle, présentant ainsi des preuves empiriques de la manière dont une telle IA peut être moralement mise en œuvre pour soutenir, plutôt que pour éroder la focalisation, la motivation et la réussite académique à long terme des élèves. Ainsi, le présent manuscrit enrichira les discussions ultérieures dans les domaines de la technologie éducative, de la psychologie et de la science de la durabilité, en proposant une variante actuelle qui intéressera un grand nombre de lecteurs, chercheurs, décideurs politiques et éducateurs souhaitant trouver des approches fondées sur des preuves pour trouver le juste équilibre entre l’intégration des technologies et la durabilité, Développement holistique des apprenants et des élèves.

Les contributions théoriques de cette recherche sont triples. Premièrement, elle fait progresser le discours sur le bien-être numérique en introduisant une nouvelle dimension du bien-être médié par l’IA, qui explore comment l’IA générative peut être calibrée pour minimiser la surcharge cognitive et favoriser l’engagementconscient 11. Deuxièmement, il s’appuie sur la littérature concernant l’IA dans l’éducation, intégrant les considérations du bien-être comme caractéristique essentielle de conception, perturbant ainsi les discours existants axés sur l’efficacité12. Troisièmement, elle améliore la qualité des études sur les ODD en montrant comment des systèmes éducatifs mis à jour grâce à l’IA peuvent devenir des moteurs de développement durable, notamment pour réduire les fossés numériques et garantir la résilience mentale des apprenants. Ces innovations du théoricien placent nos recherches parmi les avant-gardistes des études interdisciplinaires, offrant une perspective sur l’interdépendance actuelle entre technologie, éducation et durabilité à l’échelle mondiale. Sur le plan académique, l’étude propose un cadre holistique expliquant comment il est possible d’évaluer le double résultat du bien-être numérique et du bien-être numérique sur les résultats d’apprentissage à partir de données empiriques13. Parmi les décideurs, il leur présente des recommandations pratiques sur la manière dont l’utilisation de l’IA dans l’éducation peut être gouvernée de manière éthique, protégeant la sécurité des élèvesde 14 ans. Pour les enseignants, il montre des méthodes fondées sur des preuves pour mettre en œuvre l’outil d’IA qui peut soutenir, sans violer, l’efficacité de lapédagogie 15. De plus, le lien entre ces résultats et les ODD donne une vision plus large des implications globales de l’éducation technologiquement avancée dans la société, d’où les raisons pour lesquelles le pionnier numérique devrait être aligné sur le développement humain durable.

L’émergence des technologies numériques en rapide diffusion et de l’intelligence artificielle (IA) générative dans l’éducation a suscité un intérêt intellectuel massif pour leur effet combiné sur le niveau de performance académique des élèves et la réalisation de l’ensemble des objectifs sociétaux, y compris l’Objectif de développementdurable 16. Bien que ces développements technologiques aient un potentiel révolutionnaire, les applications de ces technologies dans les environnements pédagogiques constituent un champ riche de polarités et de logistique controversée, où les études existantes doivent être synthétisées de manière critique pour définir les perspectives et les limites des études àvenir 17. Cette revue de littérature passera en revue les perspectives de trois domaines connexes : (1) le bien-être numérique et ses implications éducatives, (2) l’IA générative et son influence sur la pratique éducative, et (3) la compatibilité des interventions technologiques concernées avec les ODD, en particulier celles qui concernent une éducation de qualité, la santé et l’équité. Le bien-être numérique est devenu un domaine d’étude critique dans des environnements d’apprentissage de plus en plus imprégnés de technologie18. Bien que la recherche mette en lumière des risques tels que la surcharge cognitive, la distraction numérique et la consommation passive liés à la surutilisation des écrans, la reconnaissance du potentiel d’atténuation de ces effets est de plusen plus reconnue 19. Des interventions stratégiques telles que la pleine conscience numérique, l’utilisation intentionnelle de la technologie et la réflexion métacognitive peuvent favoriser un engagement significatif et protéger la santé mentale et émotionnelle. Il est important de noter que le bien-être numérique va au-delà de la simple limitation du temps passé devant les écrans ; Cela implique de cultiver une relation équilibrée et autodéterminée avec la technologie20. Cette perspective est particulièrement pertinente dans les contextes d’apprentissage améliorés par l’IA, où des défis éthiques tels que les biais algorithmiques et la dépendance excessive à l’automatisation peuvent impacter directement le sentiment de compétence, l’autonomie21 et la relation des élèves, des besoins psychologiques fondamentaux essentiels à la motivation et aubien-être 22. Combler cet écart nécessite un cadre qui non seulement aborde les risques de l’interaction numérique, mais intègre également de manière proactive les principes du bien-être dans la conception et l’utilisation des outils d’IA générative en éducation.

Avec la nouveauté de l’IA générative, qui crée des textes, des photos et des jeux proches de ceux des humains répondant aux actions, un nouveau domaine de possibilités d’apprentissage personnalisé et adaptatif s’est ouvert23. Des recherches ont confirmé qu’il est efficace dans l’automatisation des processus administratifs, la création de ressources d’apprentissage personnalisées, la fourniture de retours en temps réel, ainsi que l’amélioration à la fois de l’efficacité et de l’accessibilité desenseignements 24. Par exemple, des outils basés sur l’IA tels que Intelligent Tutoring Systems et ChatGPT ont démontré leur capacité à faciliter l’enseignementdifférencié 25. Cela dit, il existe également des implications éthiques et psychologiques liées à l’utilisation pédagogique de l’IA générative, telles que le problème de l’intégrité académique, les biais dans l’algorithme, et la possibilité que les étudiants perdent leur faculté de pensée critique en s’appuyant trop sur les œuvres généréespar l’IA26. Bien que les recherches actuelles fournissent une grande quantité d’informations sur les capacités fonctionnelles de l’IA dans l’éducation, elles négligent d’explorer les conséquences psychologiques et comportementales sur les élèves, notamment en ce qui concerne le bien-être numérique27. Cette lacune souligne la nécessité d’examiner de plus près les façons dont l’IA générative pourrait être utilisée pour bénéficier au bien-être cognitif et émotionnel des étudiants, plutôt que de leurnuire 28. La combinaison du bien-être numérique et de l’IA générative prend également une nouvelle importance lorsqu’elle est filtrée à travers le prisme des ODD, à travers lesquels le monde a développé une vocation mondiale pour un développement équitable et durable. De son côté, l’ODD 4 (Éducation de qualité) exige un accès équitable et inclusif aux opportunités d’apprentissage29. De la même manière, l’ODD 3 (Bonne santé et bien-être) et l’ODD 10 (Réduction des inégalités) insistent sur la nécessité de prendre soin de la santé mentale et de promouvoir l’équité sociale, qui sont tous deux liés aux expériences numériques des étudiants30. L’IA et les ODD, cependant, sont actuellement discutés de manière techno-positiviste, louant la scalabilité des interventions en IA et ignorant les aspects psychosociaux de l’utilisationde la technologie 31. Pour illustrer, bien que l’IA puisse personnaliser l’expérience d’apprentissage des populations défavorisées, sa mise en œuvre manque de protection du bien-être, ce qui peut accroître la fatigue numérique et accroître l’écart d’inégalités entre les élèves ayant un accès différent à la technologie et à l’autorégulation32. La tension entre innovation et bien-être renforce le fait que cette lacune dans la littérature est vitale, l’existence d’un cadre cohérent et cohérent pour marier le progrès éducatif piloté par l’IA aux idéaux humanistes desODD 33.

La psychologie de l’éducation, l’interaction homme-machine et les études sur la durabilité représentent quelques-unes des approches théoriques qui peuvent fournir des perspectives utiles pour relier ces deux courants de recherche différents. Un exemple de telle théorie est la théorie de l’autodétermination (SDT), selon laquelle un apprentissage sain et un bien-être peuvent être atteints lorsque les personnes ressentent la satisfaction d’autonomie, de compétence et de relation34. Appliquée aux environnements numériques, la TDS implique que l’IA générative pourrait accroître à la fois son autonomie via des programmes d’apprentissage adaptés et sa compétence grâce à l’adaptabilité du retour d’information, mais doit aussi être conçue pour soutenir la relation en transcendant le déplacementsocial 35. De même, la notion d’équilibre numérique, la condition dans laquelle l’utilisation de la technologie correspond à la fois au bien-être individuel et collectif, offre une base normative pour évaluer le rôle de l’IA dansl’éducation 36. Néanmoins, ces constructions théoriques ont rarement été intégrées dans l’analyse empirique des environnements d’apprentissage habilités par l’IA, ce qui soulève des questions quant à la manière dont il est possible d’ingénier des systèmes d’IA intrinsèquement orientés vers le bien-êtrenumérique 37. Une revue critique de la littérature montre qu’il existe quelques tensions non résolues et des domaines de développement futur38. Pour commencer, bien que la question du bien-être numérique se concentre intelligemment sur la retenue et la pleine conscience, l’IA générative est la question de l’engagement et de l’immersion, dont le paradoxe nécessite des solutionsempiriques 39. Deuxièmement, la discussion éthique autour de l’IA dans l’éducation a été très fondée sur la confidentialité des données et la transparence algorithmique, sans vraiment réfléchir aux implications psychologiques de l’interaction avec l’IA40. Troisièmement, l’accent mis sur la durabilité et l’équité par les ODD ne se rapporte pas de manière exhaustive aux aspects techniques et pédagogiques de la mise en œuvre effective de l’IA. Pour surmonter ce handicap, il est important de croiser les disciplines et d’utiliser les connaissances des sciences cognitives, de l’économie comportementale et des politiques éducatives afin de trouver des cadres non seulement technologiquement stables, mais aussi humains. La figure 1 montre le cadre conceptuel de la présente étude, qui inclut toutes les variables et leur relation de chemin entre elles. Dans ce modèle, la relation hypothétique entre variables d’étude est donnée dans le cadre conceptuel.

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

Protocole

Cette étude n’a pas nécessité d’approbation éthique formelle d’un comité d’éthique institutionnel (IRB) car elle impliquait des enquêtes anonymes et/ou des entretiens avec des participants ayant donné leur consentement éclairé. Aucune donnée personnelle ou sensible n’a été collectée, et toutes les réponses ont été traitées de manière confidentielle à des fins de recherche uniquement. La participation était volontaire, et les répondants étaient informés des objectifs de l’étude avant de fournir leurs commentaires.

L’étude a utilisé un plan quantitatif et transversal pour étudier les relations entre le bien-être numérique, l’utilisation de l’IA générative et les résultats académiques chez les élèves en anglais langue étrangère (EFL). Les données ont été collectées via une enquête en ligne auprès d’une population dévouée de 440 étudiants en langue étrangère de premier cycle dans plusieurs universités chinoises qui utilisaient activement des outils d’IA générative dans leur apprentissage. Le questionnaire structuré utilisait des échelles validées, dont une mesure de 12 items pour le bien-êtrenumérique 41, une échelle de 8 items pour l’utilisation de l’IA générative, une échelle de réussite académiqueauto-perçue 42, ainsi que des mesures de sensibilisation aux ODD et d’engagement à l’apprentissage, toutes utilisant des réponses Likert à 5 points. L’analyse des données a suivi un protocole en deux phases utilisant SPSS v.27 pour les statistiques descriptives et les vérifications de fiabilité, et SmartPLS v.4.0 pour la modélisation structurelle des moindres carrés partiels (PLS-SEM) pour évaluer les modèles de mesure et structurels, avec un bootstrapping appliqué à la signification du chemin de test.

Conception de la recherche
Le plan de recherche utilisé dans cette étude est quantitatif et transversal afin de déterminer comment le bien-être numérique, l’IA générative, la réussite académique des étudiants et les ODD se rapportent entre eux chez les étudiants en EFL. Un design en coupe transversale permet au chercheur de recueillir des données à un moment donné et donne une image des variables étudiées. Le plan de recherche quantitative fait que les résultats reposent sur des informations mesurables et statistiquement analysables afin de les rendre plus fiables et généralisés. Ce schéma est particulièrement pertinent pour analyser les effets directs et indirects du bien-être numérique et de l’IA générative sur la réussite académique et les ODD, car il permettra l’utilisation de procédures statistiques sophistiquées comme la modélisation structurelle des équations.

Population et échantillonnage
La population cible de cette étude était composée d’étudiants de premier cycle inscrits à des programmes d’anglais langue étrangère (EFL) dans les établissements d’enseignement supérieur en Chine. Pour participer, les étudiants devaient remplir les critères d’inclusion suivants : être actuellement inscrits en licence, utiliser activement des outils d’IA générative (tels que ChatGPT, Copilot ou des plateformes similaires pour l’aide à la rédaction, la recherche ou la création de contenu) dans le cadre de leur processus d’apprentissage académique régulier, et fournir un consentement éclairé. Les critères d’exclusion étaient de ne pas utiliser l’IA générative à des fins académiques, d’être étudiant de troisième cycle ou non diplômé, et de fournir des réponses incomplètes à un sondage.

Une technique d’échantillonnage délibéré a été employée pour recruter des participants répondant à ces critères, garantissant ainsi une mesure significative de la variable principale d’utilisation de l’IA. L’échantillon final comprenait N = 440 participants, une taille jugée suffisante pour la robustesse statistique requise pour la modélisation structurelle des moindres carrés partiels (PLS-SEM). Pour renforcer la représentativité et la généralisation, le recrutement a englobé plusieurs universités et diverses disciplines académiques (sciences humaines, sciences sociales, sciences). Les données démographiques de l’échantillon sont les suivantes : l’âge variait de 18 à 24 ans (M = 20,4, SD = 1,6) ; Le sexe était réparti comme étant : 58 % de femmes (n = 255) et 42 % d’hommes (n = 185) ; L’année d’études comprenait les élèves de première année (22 %, n = 97), de deuxième année (31 %, n = 136), de troisième année (28 %, n = 123) et de quatrième année (19 %, n = 84). Les informations sur le poids n’ont pas été recueillies car elles n’étaient pas pertinentes pour les constructions de l’étude.

Procédure de collecte des données
La collecte des données a été réalisée via une enquête en ligne anonyme hébergée sur une plateforme sécurisée (par exemple, Qualtrics). Les participants potentiels des universités ciblées ont été invités via des listes de diffusion institutionnelles, des annonces sur les systèmes de gestion de l’apprentissage (par exemple, Moodle, Blackboard) et des groupes étudiants pertinents sur les réseaux sociaux. L’invitation exposait clairement l’objectif de l’étude, sa nature volontaire, le temps estimé d’achèvement (15 à 20 minutes) et les garanties de confidentialité. La première page de l’enquête présentait un formulaire détaillé de consentement éclairé ; Seuls les participants ayant donné leur consentement numérique ont poursuivi le questionnaire. Pour atténuer le biais d’ordre, les sections de l’enquête ont été présentées dans une séquence aléatoire pour chaque répondant. La période de collecte des données était ouverte pendant deux semaines. Un seul rappel a été envoyé via les canaux originaux une semaine après l’invitation initiale pour encourager la participation et améliorer les taux de réponse. Après la période de collecte, l’ensemble de données a été examiné pour sa complétude, avec suppression des réponses substantiellement incomplètes (par exemple, >20 % de données manquantes). Des vérifications ultérieures pour les valeurs aberrantes univariées et multivariées ont été effectuées avant l’analyse finale afin d’assurer la qualité des données.

Instrumentation et mesures
L’étude a utilisé un questionnaire structuré pour mesurer des variables clés, notamment le bien-être numérique, l’utilisation de l’IA générative, la réussite scolaire des élèves, la sensibilisation aux ODD et l’engagement des étudiants en langue étrangère à l’apprentissage. Le bien-être numérique a été mesuré à l’aide d’Arslankara et al.41, une échelle de 12 items, incluant des sous-échelles pour la responsabilité (4 items), la satisfaction (4 items) et le bien-être (4 items). L’utilisation de l’IA générative a été opérationnelle via une échellede 8 items 43, axée sur la fréquence d’adoption de ChatGPT. Dans la présente étude, la performance académique a été évaluée à l’aide d’une échelle d’auto-perception adaptée de Yu et al.42, citée par Mehrvarz et al.44. Cet instrument comprend quatre éléments. La sensibilisation aux ODD a été mesurée à l’aide d’une échelle validée adaptée d’Atmaca et al.45, comprenant trois dimensions clés : durabilité économique (12 items), durabilité sociale (9 items) et durabilité environnementale (14 items), par la sensibilisation et la participation des élèves aux activités. Enfin, l’engagement de l’apprentissage des langues EFL a été évalué à l’aide d’une échelle de 9 items d’Eerdemutu et al.46. Toutes les échelles ont utilisé des réponses Likert à 5 points, les tests pilotes (n=30) confirmant la fiabilité (α > de Cronbach 0,82) et l’analyse factorielle confirmatoire validant la distinctivité des constructs.

Plan d’analyse des données
Les données collectées ont été analysées à l’aide d’une combinaison de SPSS (v.27) et SmartPLS (v.4.0) à travers une approche analytique en deux phases. Premièrement, SPSS a été utilisé pour des analyses préliminaires, incluant les statistiques descriptives (moyennes, écarts-types), les tests de fiabilité (alpha de Cronbach) et les matrices de corrélation pour examiner les relations de base entre variables. Deuxièmement, SmartPLS, un logiciel de modélisation partielle des moindres carrés structurels (PLS-SEM), a été utilisé pour tester le modèle hypothétique. PLS-SEM a été choisi pour sa capacité à gérer des relations complexes entre variables latentes et sa robustesse avec des données anormalement distribuées. L’analyse comprenait l’évaluation de la validité du modèle de mesure (validité convergente et discriminante) et de la signification structurelle du modèle (coefficients de chemin, valeurs R² et pertinence prédictive). Un bootstrapping a été effectué pour tester la signification statistique des chemins.

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

Résultats

Les résultats apportent un solide soutien empirique aux hypothèses fondamentales de l’étude, confirmant une voie séquentielle significative où le bien-être numérique et l’utilisation de l’IA générative influencent positivement l’engagement dans l’apprentissage de l’EFL, ce qui favorise à son tour la réussite académique et favorise par conséquent un engagement accru avec les Objectifs de Développement Durable (ODD). Plus précisément, le bien-être numérique (β=0,32, p<0,001) et l’utilisati...

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

Discussion

Les recherches antérieures ont largement examiné le bien-être numérique, l’IA dans l’éducation et l’éducation au développement durable (EDD)isolément 47. Un écart important existait dans la compréhension de la manière dont les compétences numériques personnelles s’entrecroisent avec les technologies émergentes pour guider non seulement les résultats scolaires, mais aussi la citoyenneté mondiale. Cette étude fait le lien unique entre ces domaines. Nous démontrons q...

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

Déclarations de divulgation

Tous les auteurs déclarent ne pas avoir de conflit d’intérêts.

Remerciements

Cette recherche n’a pas reçu de 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
Échelle de réussite académiqueAdapté de Yu et al. (2010)N/AInstrument de levé
Procédure de bandeau (pour Q2)SmartPLSRoutine interneProcédure analytique
Procédure de démarrageSmartPLSRoutine interneProcédure analytique
Évaluation composite de la fiabilitéSmartPLSRoutine interneProcédure analytique
Analyse de la matrice de corrélationIBM SPSS StatistiquesRoutine interneProcédure analytique
Analyse de fiabilité alpha de CronbachIBM SPSS StatistiquesRoutine interneProcédure analytique
Système de stockage de donnéesInformatique institutionnelleServeur sécuriséÉquipement & Matériel
Analyse des statistiques descriptivesIBM SPSS StatistiquesRoutine interneProcédure analytique
Échelle du bien-être numériqueArslankara et al. (2022)N/AInstrument de levé
Échelle d’engagement dans l’apprentissage de l’EFLEerdemutu et al. (2024)N/AInstrument de levé
Évaluation du critère Fornell-LarckerSmartPLSRoutine interneProcédure analytique
Échelle d’utilisation de l’IA générativeAdapté d’Abbas et al. (2024)N/AInstrument de levé
Évaluation du ratio hétérotrait-monotrait (HTMT)SmartPLSRoutine interneProcédure analytique
IBM SPSS StatistiquesIBMVersion 27Logiciels
Documentation du consentement éclairéÉquipe de rechercheFormulaire électroniqueÉquipement & Matériel
Questionnaire en ligneÉquipe de rechercheAuto-administréÉquipement & Matériel
Algorithme PLSSmartPLSRoutine interneProcédure analytique
Logiciel PLS-SEMSmartPLSVersion 4.0Logiciels
Échelle de Sensibilisation aux ODDAdapté d’Atmaca et al. (2019)N/AInstrument de levé
SmartPLSSmartPLS GmbHVersion 4.0Logiciels

Références

  1. Nedungadi, P., Tang, K. Y., Raman, R. The transformative power of generative artificial intelligence for achieving the sustainable development goal of quality education. Sustainability. 16 (22), 9779(2024).
  2. Khoso, A. K., Honggang, W., Darazi, M. A. Empowering creativity and engagement: The impact of generative artificial intelligence usage on Chinese EFL students' language learning experience. Comp Human Behav Rep. 18, 100627(2025).
  3. Rane, N. Roles and challenges of ChatGPT and similar generative artificial intelligence for achieving the sustainable development goals (SDGs). SSRN. 4603244, (2023).
  4. Enhancing education and well-being through artificial intelligence: opportunities and challenges. Qasmi, F., Fatima, S. K. Int Conf Breaking Barriers Generative Intell, , 154-164 (2024).
  5. Ferk, S., Vesna, S., Sanja, J. The role of AI implementation in higher education in achieving the Sustainable Development Goals: A case study from Slovenia. Sustainability. 17 (1), 183(2025).
  6. Barbieri, W., Nguyen, N. N. Generative AI as a placement buddy: Supporting pre-service teachers in work-integrated learning, self-management and crisis resolution. Australasian J Edu Tech. 41 (2), 34-49 (2025).
  7. Alshammari, M. E. Promoting emotional and psychological well-being in students through a self-help ChatGPT intervention: Artificial intelligence powered support. Int J Instruct. 18 (3), 511-530 (2025).
  8. Khoso, A. K., Honggang, W., Younas, M., Salam El-Dakhs, D. A. The Dual Forces of AI: How Generative AI and Perceived AI Dependency Influence Fear of Missing Out (FoMO) and EFL Students' Vocabulary Acquisition. J Vis Exp. (226), e69637(2025).
  9. Matthew, U. O., et al. Generative artificial intelligence (AI) on sustainable development goal 4 for tertiary education: conversational AI with user-centric ChatGPT-4. Impacts Generat AI Creativity Higher Edu. , 259-288 (2024).
  10. Pushpanadham, K., Sarpong, R. A. Research and Innovation in Higher Education: Promises of Generative Artificial Intelligence for Sustainable Development. Generat Artif Intell Higher Edu Handbook Edu Leaders. 32 (5-6), 154(2024).
  11. Nedungadi, P., Tang, K. Y., Raman, R. The transformative power of generative artificial intelligence for achieving the sustainable development goal of quality education. Sustainability. 16 (22), 9779(2024).
  12. Abdelmagid, A. S., Jabli, N. M., Al-Mohaya, A. Y., Teleb, A. A. Integrating Interactive Metaverse Environments and Generative Artificial Intelligence to Promote the Green Digital Economy and e-Entrepreneurship in Higher Education. Sustainability. 17 (12), 5594(2025).
  13. Raman, R., Iyer, A., Nedungadi, P. Forecasting Artificial General Intelligence for Sustainable Development Goals: A Data-Driven Analysis of Research Trends. Sustainability. 17 (16), 7347(2025).
  14. Farmanesh, P., Vehbi, A., Dehkordi, N. S. AI Literacy in Achieving Sustainable Development Goals: The Interplay of Student Engagement and Anxiety Reduction in Northern Cyprus Universities. Sustainability. 17 (11), 4763(2025).
  15. Niewiadomski, M., et al. The interrelation between digital competencies and Work-Life balance among academic Staff Realization of SDG goals in the science sector. Qual Quant. , 1-26 (2025).
  16. Jiménez-García, E., Ruiz-Lázaro, J., Martínez-Requejo, S., Redondo-Duarte, S. Artificial Intelligence and chatbots for sustainable higher education: a systematic review. RIED-Rev Iberoamer Educ Dist. 28 (2), 81-104 (2025).
  17. Sharma, C., Sharma, S., Bhardwaj, V., Dhaliwal, B. K. Generative artificial intelligence for sustainable development: predictive trend analysis in key sectors using natural language processing. Disc Appl Sci. 7 (6), 596(2025).
  18. Navigating the Bio-Digital Revolution: AI's Role in Achieving Sustainable Development Goals. Aravinda, K., Rangaraju, T., Singla, A., Parmar, A., Ziara, S. 2025 Int Conf Next Generat Comm Info Proc, , 262-267 (2025).
  19. Khoso, A. K., Honggang, W., Darazi, M. A. Trust and attitude towards AI as pathways to creativity: a TAM Model study of EFL students' digital literacy and AI acceptance. Humanit Soc Sci Commun. 13, 69(2025).
  20. Simanjuntak, A., Sutarman, A., Anjani, S. A., Nuche, A. Integrating artificial intelligence in e-learning for organizational well-being through orange technology mapping. IAIC Transact Sustain Digital Innovat. 7 (1), 13-26 (2025).
  21. Al-Emran, M., et al. Role of perceived threats and knowledge management in shaping generative AI use in education and its impact on social sustainability. Int J Manag Edu. 23 (1), 101105(2025).
  22. Bollaert, L. Artificial Intelligence: Objective or Tool in the 21st-Century Higher Education Strategy and Leadership. Edu Sci. 15 (6), 774(2025).
  23. Shahzad, M. F., Shuo, X., Liu, H., Zahid, H. Generative artificial intelligence (ChatGPT-4) and social media impact on academic performance and psychological well-being in China's higher education. Eur J Edu. 60 (1), e12835(2025).
  24. Jukiewicz, M. How generative artificial intelligence transforms teaching and influences student wellbeing in future education. Front Edu. 10, 159457(2025).
  25. Shi, J., Liu, W., Hu, K. Exploring How AI Literacy and Self-Regulated Learning Relate to Student Writing Performance and Well-Being in Generative AI-Supported Higher Education. Behav Sci. 15 (5), 705(2025).
  26. Hall, K. Shaping Digital Well-being: Developing a Well-being Lens on the Socio-technical Systems Perspective in Information Systems Research. [PhD dissertation]. , (2025).
  27. Huang, F., Wang, Y., Zhang, H. Modelling Generative AI Acceptance, Perceived Teachers' Enthusiasm and Self-Efficacy to English as a Foreign Language Learners' Well-Being in the Digital Era. Eur J Edu. 59 (4), e12770(2024).
  28. Shahzad, M. F., Xu, S., Liu, H., Zahid, H. Generative artificial intelligence (ChatGPT-4) and social media impact on academic performance and psychological well-being in China's higher education. Eur J Edu. 60 (1), e12835(2025).
  29. Kamau, J. N. Generative Artificial Intelligence and Mental Well-Being of University Students. A Structural Equation Modeling (SEM) Based-Analysis. African J Busi Dev Studies. 1 (2), 344-358 (2025).
  30. Monzon, N., Hays, F. A. Leveraging generative artificial intelligence to improve motivation and retrieval in higher education learners. JMIR Med Edu. 11 (1), e59210(2025).
  31. Reyes-Portillo, J. A., et al. Generative AI-Powered Mental Wellness Chatbot for College Student Mental Wellness: Open Trial. JMIR Format Res. 9 (1), e71923(2025).
  32. Kazanidis, I., Pellas, N. Harnessing generative artificial intelligence for digital literacy innovation: A comparative study between early childhood education and computer science undergraduates. AI. 5 (3), 1427-1445 (2024).
  33. Vanden Abeele, M. M. Digital wellbeing as a dynamic construct. Comm Theor. 31 (4), 932-955 (2021).
  34. Ryan, R. M., Edward, L. D. Intrinsic and extrinsic motivation from a self-determination theory perspective: Definitions, theory, practices, and future directions. Contemp Edu Psychol. 61, 101860(2020).
  35. Kee, T., Kuys, B., King, R. Generative artificial intelligence to enhance architecture education to develop digital literacy and holistic competency. J Artif Intell Archit. 3 (1), 24-41 (2024).
  36. Klarin, J., Hoff, E. V., Larsson, A., Daukantaitė, D. Adolescents' use and perceived usefulness of generative AI for schoolwork: exploring their relationships with executive functioning and academic achievement. Front Artif Intell. 7, 1415782(2024).
  37. Setsoafia, P., Appiah-Kubi, J., Koduah, C. A., Essel, H. B., Madakena, A. K. T. Are They AI-Literate? Exploring The Impact Of Generative AI Literacy On Academic Performance Among Ghanaian University Students. , (2025).
  38. Oubibi, M. Generative artificial intelligence: Postgraduate student's digital adaptability, engagement and academic confidence. J Comp Edu. , 1-23 (2025).
  39. Pavone, G. Generative AI in the Learning Process: Threat or Tool? Understanding the Role of Self-Esteem and Academic Anxiety in Shaping Student Motivations. J Marketing Edu. 02734753251346857, (2025).
  40. Doshi, R., Dadhich, M., Poddar, S., Hiran, K. K. Integrating generative AI in education to achieve sustainable development goals. IGI global. , (2024).
  41. Arslankara, V. B., Demir, A., Öztaş, Ö, Usta, E. Digital well-being scale validity and reliability study. J Teacher Edu Lifelong Learning. 4 (2), 263-274 (2022).
  42. Yu, A. Y., Tian, S. W., Vogel, D., Kwok, R. C. W. Can learning be virtually boosted? An investigation of online social networking impacts. Comp Edu. 55 (4), 1494-1503 (2010).
  43. Abbas, M., Jam, F. A., Khan, T. I. Is it harmful or helpful? Examining the causes and consequences of generative AI usage among university students. Int J Edu Technol Higher Edu. 21 (1), 10(2024).
  44. Mehrvarz, M., Heidari, E., Farrokhnia, M., Noroozi, O. The mediating role of digital informal learning in the relationship between students' digital competence and their academic performance. Comp Edu. 167, 104184(2021).
  45. Atmaca, A. C., Kıray, S. A., Pehlivan, M. Development of a measurement tool for sustainable development awareness. Int J Assess Tools Edu. 6 (1), 80-91 (2019).
  46. Eerdemutu, L., Dewaele, J. M., Wang, J. Developing a short language classroom engagement scale (LCES) and linking it with needs satisfaction and achievement. System. 120, 103189(2024).
  47. Ajlouni, A. O., Abu-Shawish, R. K., Silim, D. M., Ibrahim, A. H. The Academic Intensity Use of Chatbot-Based Artificial Intelligence and Its Relation to Academic Well-Being: A Correlational Study at the University of Jordan. IntJ Eng Pedag. 14 (8), (2024).
  48. Reeve, J., Cheon, S. H. Autonomy-supportive teaching: Its malleability, benefits, and potential to improve educational practice. Edu Psychol. 56 (1), 54-77 (2021).
  49. Nedungadi, P., Tang, K. Y., Raman, R. The transformative power of generative artificial intelligence for achieving the sustainable development goal of quality education. Sustainability. 16 (22), 9779(2024).
  50. Khoso, A. K., Honggang, W., Darazi, M. A. Trust and attitude towards AI as pathways to creativity: a TAM Model study of EFL students' digital literacy and AI acceptance. Humanit Soc Sci Commun. 13, 69(2026).
  51. Ringo, D. S. The effect of generative AI use on doctoral students' academic research progress: the moderating role of hedonic gratification. Cogent Education. 12 (1), 2475268(2025).
  52. Duong, C. D., Vu, T. N., Ngo, T. V. N., Do, N. D., Tran, N. M. Reduced student life satisfaction and academic performance: Unraveling the dark side of ChatGPT in the higher education context. Int J Human Comp Interact. 41 (8), 4948-4963 (2025).

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

Réimpressions et autorisations

Étiquettes

tudiants en anglais langue trang reengagement dans l apprentissagelitt ratie en IAapprentissage assist par la technologieperformance acad miquesensibilisation aux ODD

Cet article a été publié

Vidéo bientôt disponible

Contactez-nous
Recommander à la bibliothèque

Confidentialité

Conditions d’utilisation

Politiques

Copyright © 2026 MyJoVE Corporation. Tous droits réservés.