BNB $571,66 -1,56%
XRP $0,952386 -0,90%
ETH $1 732,07 -2,23%
BTC $61 499,91 -1,88%
BNB $571,66 -1,56%
XRP $0,952386 -0,90%
ETH $1 732,07 -2,23%
BTC $61 499,91 -1,88%
URGENT
Actualités des Altcoins

Essai mené au Michigan: gain de 0,32 écart-type aux examens STEM grâce à l’IA

Community Trust ScoreVérifié

92%
Réel
Vérifié12 votes
Mis à jour 54 secondes il y a

Les étudiants suivant des cours appliqués en STEM ont obtenu de meilleurs résultats aux examens surveillés lorsque les enseignants utilisaient des outils d’IA adaptés à leurs classes, selon un essai randomisé mené par Jun Li de l’Université du Michigan. Le prépublication du 14 novembre a estimé un gain au niveau étudiant de 0,32 écart-type pour ceux ayant accès aux outils par rapport aux classes en attente.

La rubrique Technologie suit le même sujet.

Portée et méthodologie de l’essai

L’essai a couvert 7 200 étudiants dans 55 classes appliquées de STEM au sein de 19 universités sur trois semestres, du printemps 2025 au printemps 2026. Chaque association cours-enseignant comptait pour une classe. L’analyse des examens s’est concentrée spécifiquement sur 4 768 étudiants répartis dans 44 offres de cours, en utilisant les résultats des semestres précédents pour établir une ligne de base.

Publicité

Les chercheurs ont regroupé les classes par matière et niveau académique avant d’assigner aléatoirement un calendrier de déploiement. Le premier groupe a introduit les outils d’IA immédiatement; le deuxième groupe les a introduits un semestre plus tard. Cette conception comparait le calendrier de déploiement plutôt que des outils spécifiques par rapport à des chatbots génériques. Les deux groupes ont reçu un support technique, une formation et une plateforme de déploiement. Les étudiants du premier groupe ont utilisé les outils pendant un semestre complet avant les examens.

Conditions d’examen et résultats des étudiants

L’analyse s’est concentrée sur les examens surveillés en personne, principalement sur papier. D’autres examens ont utilisé des ordinateurs surveillés ou à accès restreint dans les centres universitaires. Pour garantir l’intégrité des données, les chercheurs ont exclu les cours où les examens autorisaient l’aide de l’IA. Les scores ont été standardisés au sein de chaque classe pour permettre des comparaisons entre différents examens.

Le gain de 0,32 écart-type se situe dans un intervalle de confiance de 95 % de 0,06 à 0,59, représentant environ 33 % de la dispersion typique des scores au sein d’une classe. Les outils variaient selon le cours: certains enseignants ont construit des tuteurs pour la pratique et les retours, d’autres ont créé des coachs pour guider les étudiants à travers les problèmes, et certains ont conçu des simulations interactives ou des exercices de jeu de rôle pilotés par l’IA.

Métriques d’engagement et de satisfaction

L’étude n’a trouvé aucun changement statistiquement significatif dans l’engagement ou la satisfaction des étudiants. L’engagement a été mesuré par l’assiduité et la complétion des devoirs; la satisfaction a été tirée des évaluations de fin de semestre. Bien que les outils d’IA sur mesure aient amélioré la performance aux examens, ils n’ont pas modifié les expériences étudiantes rapportées ni les niveaux de participation.

Community Trust IndexModerate Confidence
92%
Réel
Réel92%8%Fake
12 community signals

Bruce Buterin

Bruce Buterin est un analyste crypto américain passionné par les évolutions du Web3, les ETF crypto et les innovations sur Ethereum. Installé à Miami, il suit de près les mouvements de marché et publie régulièrement des analyses détaillées sur les tendances DeFi, les altcoins émergents, et la tokenisation des actifs. Avec une approche à la fois technique et vulgarisée, Bruce rend l’écosystème blockchain accessible à tous les passionnés et investisseurs. Spécialités : Ethereum, DeFi, NFT, régulation américaine, innovations Layer 2.

Publicité

Articles connexes