Le développement professionnel des enseignants à et avec l’intelligence artificielle : une revue de littérature
Notice bibliographique
Résumé
Le développement professionnel (DP) des enseignants constitue un des moyens les plus efficaces pour améliorer la qualité de l’éducation et les préparer à de nouvelles réalités (Mukamurera, 2014). Face à l’arrivée de l’intelligence artificielle (IA) générative, plusieurs anticipent la nécessité de former les enseignants pour assurer un usage responsable de cette technologie émergente tout en constituant aussi une solution pour améliorer le parcours en DP des enseignants. Cette revue de littérature cherche donc à comprendre dans quelle mesure l’IA peut valoriser le DP des enseignants. Pour ce faire, 24 articles ont été analysés à partir des 7 caractéristiques de DP des enseignants de Darling-Hammond et al. (2017). L’IA peut valoriser dans une certaine mesure les caractéristiques de DP des enseignants, mais ses effets sur la pratique des enseignants nécessitent plus d’approfondissement. Pour de futures recherches, il est recommandé d’analyser la valorisation des caractéristiques de Darling-Hammond et al. (2017) par l’IA à l’aide du modèle SAMR à savoir dans quelles mesures ces caractéristiques pourraient être (S) substituées, (A) accrues, (M) modifiées ou (R) redéfinies par l’IA et quels effets ces changements pourraient avoir sur l’agentivité des enseignants (Puentedura, 2013).
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 | 0,009 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,010 | 0,011 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 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 ».