Pour une utilisation juste, éthique et responsable de l’intelligence artificielle
Notice bibliographique
Résumé
L’adoption rapide des systèmes d’intelligence artificielle (SIA) par les communautés scolaires, collégiales et universitaires affecte profondément nos stratégies d’apprentissage, d’enseignement, d’évaluation et d’organisation. En plus des enjeux pédagogiques entourant le plagiat et l’authenticité des productions des élèves, certains risques sociaux s’accentuent : inégalités, biais, discrimination, confidentialité des données, infraction au consentement et bien d’autres. Pour relever le défi de l’intégration juste, éthique et responsable de l’intelligence artificielle (IA) dans nos établissements, des travaux parlementaires et administratifs s’appuyant sur la contribution du personnel et des équipes-écoles devront être engagés. Une utilisation réussie repose sur le respect obligatoire du principe de précaution pour les entreprises qui développent les SIA ainsi que sur la mise à disposition des ressources nécessaires pour que se déploient pleinement l’expertise et l’autonomie professionnelle du personnel. Du temps libéré pour participer à des formations et pour transformer les activités d’apprentissage et d’évaluation doit aussi faire partie des moyens mobilisés.
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 | 0,021 | 0,042 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,015 |
| Communication savante | 0,019 | 0,017 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,005 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 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 ».