Étendue et enjeux de l’intelligence artificielle dans les emplois professionnels : une perspective pluridisciplinaire
Notice bibliographique
Résumé
Les applications de l’intelligence artificielle (IA) sont susceptibles de transformer le travail de professionnels(les) (soignants, juristes, enseignants, travailleurs sociaux, etc.). Cette étude de portée (scoping review) s’inscrit dans une collaboration entre les milieux syndicaux et de la recherche afin d’identifier les applications, usages et enjeux de l’IA qui sont documentés en lien avec le travail de professionnels(les). Les résultats montrent que l'IA est très présente dans des secteurs comme la santé, l’administration, le droit et l’enseignement. Ses finalités sont multiples : depuis l’archivage de données jusqu’à la prise de décision en passant par le traitement de textes, les interactions, la reconnaissance ou la simulation. Elle pourrait se développer dans de nombreux métiers et créer des enjeux transversaux majeurs, en particulier autour des compétences, des emplois, de l’éthique et du fonctionnement des organisations. Des enjeux plus spécifiques à chaque métier sont aussi identifiables. Ces résultats permettent de proposer une discussion pluridisciplinaire de ces enjeux en traitant de l’éthique dans la problématique du consentement à l’IA, de la dualité technologique de l’IA, du rôle d’un syndicat par rapport à l’IA et du défi informatique de l’explicabilité 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 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 | 0,025 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,008 | 0,011 |
| Études des sciences et des technologies | 0,003 | 0,009 |
| Communication savante | 0,017 | 0,014 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,006 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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; 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 ».