Le développement d’une échelle de mesure de la littératie de l’intelligence artificielle chez les enseignants et les enseignantes du postsecondaire1
Notice bibliographique
Résumé
Le personnel enseignant des cégeps et des universités est de plus en plus confronté à des outils d’intelligence artificielle (IA), notamment des outils proposés par leurs établissements ou utilisés par les étudiants et les étudiantes. Or, l’utilisation pédagogique de ces outils exige une certaine compréhension de leur fonctionnement, surtout lorsqu’il est question d’en identifier les limites ou les risques éthiques. À l’heure actuelle, il n’existe aucune mesure précise du niveau de littératie de l’IA du personnel enseignant du postsecondaire. Cette étude propose un questionnaire de 25 items pour mesurer ce niveau de littératie, à partir d’une version initiale de 29 items. Un échantillon de 395 enseignants et enseignantes a été recruté via des listes institutionnelles dans des cégeps et des universités. Des analyses factorielles (exploratoire et confirmatoire) ont été réalisées et ont permis de détecter trois facteurs, soit les connaissances techniques liées à l’IA, la capacité à utiliser des outils d’IA en contexte pédagogique et le niveau de sensibilité aux enjeux éthiques.
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 | 0,018 | 0,048 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,007 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,007 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».