evidoria

← Retour à la liste

Bonne pratique Importée

Un Tuteur de Programmation Adaptatif Basé sur l'IA Fait Presque Doubler les Progrès des Étudiants Défavorisés — Université de Dunaújváros

Hongrie · Dunaújváros · Voir le profil de Hongrie

Preuves: Essai contrôlé randomisé Top 17% 67/100 · Demandez à Evidence Copilot à propos de cette pratique

Une étude contrôlée de 13 semaines menée dans quatre universités hongroises a révélé qu'un tuteur adaptatif basé sur ChatGPT, utilisant le Bayesian Knowledge Tracing, a presque doublé les progrès en programmation de 122 étudiants défavorisés (d de Cohen=1,40, p<0,001) par rapport à l'enseignement classique (d=0,74).

5.1 → 7.1 (Cohen's d=1.40, p<0.001)
Score au test de programmation du groupe expérimental (avant → après) (2024–2025)
5.0 → 6.0 (Cohen's d=0.74, p<0.001)
Score au test de programmation du groupe témoin (avant → après) (2024–2025)
d≥1.00, p<0.001
Taille d'effet sur l'engagement (comportemental, émotionnel, cognitif) (2024–2025)
n=122 (61 experimental, 61 control)
Taille de l'échantillon de l'étude
Un Tuteur de Programmation Adaptatif Basé sur l'IA Fait Presque Doubler les Progrès des Étudiants Défavorisés — Université de Dunaújváros

Détails

Maturité
Pilote
Promoteur
University of Dunaújváros
Période
2024–2025
Région (NUTS)
HU211
Mots-clés
higher education, computer science, AI tutoring, digital divide, disadvantaged students

Contexte

Des chercheurs de l'Université de Dunaújváros ont étudié si un système d'apprentissage adaptatif basé sur l'IA pouvait contribuer à réduire la fracture numérique pour des étudiants socialement défavorisés apprenant la programmation informatique, en sélectionnant 122 étudiants âgés de 18 à 21 ans dans quatre universités hongroises à l'aide d'un indice de condition sociale validé à 15 items.

Objectifs

L'étude visait à vérifier si un système d'IA construit sur ChatGPT avec un suivi bayésien des connaissances (Bayesian Knowledge Tracing), adaptant la difficulté des tâches au niveau de chaque apprenant, pouvait augmenter les progrès en programmation des étudiants défavorisés par rapport à un enseignement classique.

Activités

Les étudiants ont été répartis de façon aléatoire entre un groupe expérimental (n=61) utilisant le tuteur adaptatif d'IA et un groupe témoin (n=61) recevant un enseignement classique, sur une période de 13 semaines, avec des tests avant/après et des mesures d'engagement.

Résultats

Les scores du groupe expérimental sont passés de 5,1 à 7,1 (d de Cohen=1,40, p<0,001), soit près du double de la progression du groupe témoin, passé de 5,0 à 6,0 (d=0,74, p<0,001) ; l'engagement était également significativement plus élevé sur les dimensions comportementale, émotionnelle et cognitive (toutes avec d≥1,00, p<0,001), et les progrès se sont maintenus quel que soit le milieu socio-économique des étudiants.

Conclusions

Les auteurs soulignent que la durée de 13 semaines limite les conclusions sur la rétention à long terme et que le recrutement par appel à volontaires, plutôt qu'un échantillonnage aléatoire de la population, peut introduire un biais de sélection, ce qui justifie de reproduire l'étude sur des périodes plus longues.

Mise en œuvre
Coût indicatif
Moyen (50 k€–500 k€)
Délai jusqu’aux résultats
Court (< 1 an)
Personnel et compétences
Education researchers to design and administer the ChatGPT-based adaptive tutor, Instructors delivering standard instruction to the control group in parallel

Conditions de réussite

  • A validated screening instrument (e.g. the 15-item Social Condition Index) to correctly target disadvantaged students
  • Sustained access to the AI adaptive tutor across the full 13-week study period
  • Random assignment maintained across cohorts to preserve comparability between groups

Modes d’échec courants

  • The short, 13-week intervention window limits evidence on long-term retention
  • Survey-based recruitment rather than full random population sampling may introduce selection bias

Habituellement financé par

National / regional programmes Erasmus+ Horizon Europe

Pistes de financement indicatives pour des pratiques de ce type — vérifiez toujours les appels en cours et les règles d'éligibilité de chaque programme.

Vous portez cette pratique ? Revendiquez-la — les porteurs vérifiés obtiennent un contact public sur la page et peuvent proposer des corrections.

Sources de données

D'où proviennent les informations de cette pratique, et quand.

Pièces jointes

Pratiques similaires qui pourraient vous être utiles