Gouverner l’école à l’heure de l’IA : synthèse des connaissances sur la gouvernance scolaire basée sur les données
Notice bibliographique
Résumé
Sous l’effet des développements récents de l’intelligence artificielle (IA), la gouvernance scolaire basée sur les données connaît des mutations profondes sur le plan de sa mise en œuvre, dont les conséquences sont difficiles à anticiper en détail. C’est notamment le cas pour les systèmes scolaires, comme celui du Québec, qui ont embarqué récemment dans la gouvernance scolaire basée sur les données, et dont les tenants et aboutissants sont en grande partie à venir. D’autres systèmes scolaires, notamment ceux des pays anglo-saxons et de certains pays d’Europe de l’Ouest, sont davantage avancés dans cette voie. Les études qui s’y penchent offrent des prises intéressantes pour, d’une part, mieux comprendre les mutations actuelles de la gouvernance scolaire ainsi que ses enjeux et ses conséquences sur les systèmes scolaires et, d’autre part, orienter les gestionnaires dans leur mise en œuvre de la gouvernance scolaire basée sur les données, ce qui est opportun dans le cas du système scolaire québécois, puisqu’il en est à ses débuts. Aussi, ce texte a pour objectif de réaliser une synthèse des connaissances sur la gouvernance scolaire basée sur les données à l’heure de l’IA.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».