Une recension des écrits de 1970 à 2022 sur les rôles de l’enseignant et de l’intelligence artificielle dans le domaine de l’IA en éducation
Notice bibliographique
Résumé
Cet article présente une recension des écrits sur la façon dont les rôles de l’enseignant et de l’intelligence artificielle (IA) sont abordés dans le domaine de l’intelligence artificielle en éducation (IAED) depuis 1970. Quarante-sept documents, théoriques pour la plupart, ont été analysés à partir des passages relatifs aux tâches confiées à une IA en lien avec les apprenants, les enseignants, les savoirs ou la classe (p. ex. le soutien à la motivation ou la rétroaction personnalisée). Les passages qui discutent du rôle de l’enseignant en lien avec ces différentes composantes ont aussi été analysés (p. ex. le pilotage des interactions en classe ou l’évaluation des apprenants). Les principaux résultats montrent que les développements dans le domaine de l’IAED couvrent un large spectre des attributions de l’enseignant et que, même si inatteignable sur un horizon prévisible, l’ambition scientifique du domaine semble être d’automatiser de plus en plus de tâches de l’enseignant. Il en ressort que le rôle de l’enseignant est très peu discuté dans le domaine, et encore moins les interactions attendues entre enseignants et IA. La discussion propose de réemployer le tétraèdre des TIC en éducation de Faerber (2003), lui-même appuyé sur le triangle didactique de Houssaye (1988), pour conceptualiser le rôle de l’IA en éducation en interaction avec ceux de l’enseignant et de l’apprenant.
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 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,004 | 0,006 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,004 |
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 ».