Canadian Journal of Science, Mathematics and Technology Education Education
Turning Free-to-Use Generative AI into Flipped-Interaction Intelligent Tutors: Exploring Student Engagement and Perceptions of Learning
Abstract
An engaging and cost-effective digital tool for developing subject-matter knowledge (SMK) could mitigate educational inequities in resource-constrained contexts. This case study explores the effectiveness of free generative artificial intelligence (GAI) platforms, prompted to function as a Flipped-Interaction Intelligent Tutoring System (FIITS), to promote science student-teacher SMK learning. Data were collected across a 10-week intervention from 42 third- and fourth-year natural and physical sciences student teachers at two campuses of a South African university. The students engaged with the FIITS in odd-numbered weeks by pasting a provided prompt into a free GAI platform, and with benchmarking interactive electronic worksheets in even-numbered weeks. Affective, behavioural, and cognitive engagement and perceptions of SMK learning were analysed using post-session questionnaires, end-of-module reflections, and group interviews. Both modalities elicited consistently high and comparable engagement levels, but students reported stronger perceptions of SMK development with the FIITS. They valued its personalisation, relevance, and human-like interactivity, although workload pressures and occasional GAI errors somewhat hindered the FIITS’s effectiveness. These findings suggest that free GAI platforms, prompted to behave as FIITS, may provide equitable, scalable, and pedagogically effective tools for improving SMK in student-teacher education. Recommendations include scaffolding an initial adjustment phase, incorporating varied levels of challenge, and managing novelty and workload to sustain engagement. This study offers early evidence of the pedagogical potential of free flipped-interaction GAI in science teacher education, particularly in contexts where access to costly educational technologies is limited. Un outil numérique attrayant et abordable destiné à développer le savoir disciplinaire (SD) pourrait contribuer à réduire les inégalités en matière d’éducation dans les contextes où les ressources sont limitées. Dans cette étude de cas, nous examinons l’efficacité des plateformes gratuites d’intelligence artificielle générative (IAG), conçues pour fonctionner comme un système de tutorat intelligent à interaction inversée (STIII), afin de favoriser l’apprentissage du SD en sciences chez les étudiants et les enseignants. Nous avons recueilli les données au cours d’une intervention d’une durée de 10 semaines auprès de 42 étudiants en formation à l’enseignement des sciences naturelles et physiques de troisième et quatrième années, répartis sur deux campus d’une université sud-africaine. Les étudiants ont interagi avec le STIII lors des semaines impaires en appliquant une requête prévue sur une plateforme gratuite d’IA générative, et en évaluant de manière comparative des feuilles de travail électroniques interactives lors des semaines paires. Nous avons analysé l’engagement affectif, comportemental et cognitif, ainsi que les perceptions de l’apprentissage du SD, à l’aide de questionnaires réalisés après les séances, de réflexions de fin de module et d’entrevues de groupe. Les deux modalités ont suscité des niveaux d’engagement constamment élevés et comparables, mais les étudiants ont exprimé avoir une perception plus forte du développement du SD avec le STIII. Ils ont apprécié sa personnalisation, sa pertinence et son interactivité à caractère humain, même si les contraintes liées à la charge de travail et les erreurs occasionnelles de l’IA générative ont quelque peu nui à l’efficacité du STIII. Ces résultats suggèrent que les plateformes d’IA générative gratuites, configurées pour fonctionner comme un STIII, pourraient constituer des outils équitables, adaptables et efficaces sur le plan pédagogique pour améliorer le savoir disciplinaire dans la formation des enseignants. Parmi les recommandations, on retrouve notamment la mise en place d’une phase d’adaptation initiale, l’intégration de différents niveaux de difficulté, ainsi que la gestion de la nouveauté et de la charge de travail afin de maintenir l’engagement. Cette étude apporte de premiers éléments de preuve quant au potentiel pédagogique de l’IA générative dans la formation des enseignants en sciences, en particulier dans les contextes où l’accès à des technologies éducatives coûteuses est limité.