产品应用场景

1. 教育研究场景：可用于分析印度大学生使用 AI 工具与学习成绩之间的关系，帮助教育工作者和研究者了解 AI 工具对学术表现的影响，以便制定更合理的教育策略和引导方案。
2. 区域分析场景：通过分析不同地区（印度各邦）大学生对 AI 工具的信任程度、使用情况等，了解 AI 在印度不同区域教育领域的普及和接受程度差异，为促进教育资源均衡和技术普及提供依据。
3. 学生分类场景：根据大学生使用 AI 工具的模式进行聚类，将学生分为不同群体，如高频使用者、低频使用者、特定工具偏好者等，有助于针对性地开展教育指导和技术培训。
4. 数字鸿沟研究场景：基于 “Internet_Access” 属性，研究印度不同地区、不同学科、不同经济背景等因素下大学生互联网访问质量差异，以及这种差异如何影响 AI 工具的使用，为缩小数字鸿沟提供参考。

产品信息

• 数据收集时间：2025 年 5 月。
• 数据收集方式：通过 Google Forms 调查收集。
• 调查对象：496 名印度大学生。
• 包含属性：共 16 个属性，包括匿名学生姓名、上过的大学、学术学科、学习年份、使用的 AI 工具、每日使用时长、使用目的、对 AI 工具的信任级别、对成绩的影响、教授是否认可、首选工具、AI 意识、付款意愿、所在印度邦、使用设备、互联网访问质量。
• 适用领域：教育分析和机器学习。

使用方法

• 预测学习成绩：利用 “AI_Tools_Used”“Daily_Usage_Hours” 等与 AI 工具使用相关的属性，结合 “Impact_on_Grades”，通过机器学习算法建立模型，预测学生的学习成绩变化。
• 分析信任情况：根据 “Trust_in_AI_Tools” 属性，结合 “流”（学术学科）或 “州”（印度邦）等属性，进行跨学科或跨区域的统计分析，了解不同群体对 AI 工具的信任差异。
• 学生聚类分析：依据 “AI_Tools_Used”“Daily_Usage_Hours”“Use_Cases” 等多个属性，采用聚类算法，如 K - Means 聚类等，将学生按照使用模式进行分类。
• 研究数字鸿沟：以 “Internet_Access” 为关键属性，对比不同 “州”“College_Name” 或 “Year_of_Study” 等条件下的互联网访问质量，分析数字鸿沟情况。

相似应用场景下的相似产品

全球高中生对 AI 工具的使用数据

SAP-4000 学生成绩数据集

ClidSum跨语言对话摘要基准数据集

注意事项

• 数据匿名性：虽然学生姓名是匿名的，但在分析和使用数据时，仍需注意保护学生隐私，避免通过其他属性组合推断出学生个人身份信息。
• 数据局限性：调查样本为 496 名印度大学生，样本量相对有限，可能无法完全代表印度所有大学生的情况，在推广研究结论时需谨慎。
• 属性相关性：各个属性之间可能存在相互影响，在进行分析时要考虑属性间的相关性，避免单一属性分析导致结论偏差。