Education à l’intelligence artificielle : Quelles compétences acquérir par les élèves ?
Notice bibliographique
Résumé
Artificial intelligence is a concept that generates different types of reactions from educational actors. First of all, it is a concept that may seem very far from educational reality and generate fears related to the type of data processing that will be used. On the other hand, too positive expectations could also be expected of AI in education. To help demystify this concept, let's start by defining it. Among pioneers in the field like Minsky, artificial intelligence is defined as "the construction of computer programmes that engage in tasks that are, for the time being, performed more satisfactorily by human beings because they require high-level mental processes such as perceptual learning, memory organisation, and critical reasoning" (1956). More recently, Young et al. (2019) defined artificial intelligence "as any domain-specific system that uses machine learning techniques to make rational decisions about non-deterministic tasks". Taking into account the multiplicity of disciplinary fields and the number of non-deterministic tasks that learners face, we can already realise that the uses of AI in education will be very specialised and will not be able to cover all the broad fields of competence of teachers.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,019 |
| Communication savante | 0,013 | 0,023 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,005 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,006 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».