Key points are not available for this paper at this time.
Ce projet de recherche examine l'impact de l'ingénierie des invites, un aspect clé du transformateur pré-entraîné génératif de chat (ChatGPT), sur la récupération d'information des étudiants universitaires dans les classes inversées. Ces dernières années, de plus en plus d'étudiants ont utilisé des outils basés sur l'IA, comme ChatGPT, plutôt que des moteurs de recherche traditionnels pour apprendre et réaliser des devoirs. Malgré cette tendance croissante, les recherches précédentes ont largement négligé l'influence de l'ingénierie des invites sur l'utilisation de ChatGPT par les étudiants et sur les stratégies efficaces pour améliorer la qualité de la récupération d'information dans les environnements d'apprentissage. Pour combler cette lacune de recherche, cette étude examine la qualité de l'information obtenue à partir de ChatGPT dans une classe inversée en évaluant son efficacité dans l'achèvement des tâches parmi 26 étudiants de premier cycle novices du même domaine et cohorte. Les résultats expérimentaux fournissent des preuves que la maîtrise experte de l'ingénierie des invites améliore la qualité de l'information obtenue par les étudiants utilisant ChatGPT. Par conséquent, en acquérant une maîtrise de l'ingénierie des invites, les étudiants peuvent maximiser l'impact positif de ChatGPT, obtenir des informations de haute qualité et améliorer leur efficacité d'apprentissage dans les classes inversées.
Wang et al. (Mon,) ont étudié cette question.