Le numérique et l’intelligence artificielle au service de l’apprentissage de la langue française dans les écoles primaires pionnières au Maroc : enjeux, avantages et défis
Notice bibliographique
Résumé
Le numérique et l’intelligence artificielle représentent une avancée majeure dans notre monde moderne. En effet, l’utilisation croissante de ces technologiques transforme de nombreux aspects de notre société, y compris le domaine de l’enseignement. Dans le contexte éducatif marocain, l’intégration du numérique et de l’IA dans les pratiques pédagogiques, notamment dans l’apprentissage de la langue française, soulève des questions importantes. Cette étude vise à explorer l’impact du numérique et de l’IA sur l’apprentissage du français dans les écoles primaires pionnières, en identifiant les avantages et les défis rencontrés lors de leur utilisation. Nous nous penchons sur la manière dont ces outils peuvent améliorer l’apprentissage de la langue et examinons les principaux enjeux associés à leur intégration dans les dispositifs d’apprentissage linguistique. Pour ce faire, nous nous appuyons sur les données d’une enquête menée dans 40 écoles pionnières de la région Fès-Meknès. Nous passons en revue les applications utilisées, évaluons leur impact sur l’apprentissage linguistique et identifions les défis et limites de leur utilisation. Les résultats majeurs de notre analyse démontrent que l’intégration du numérique et de l’intelligence artificielle ouvre de nouvelles perspectives pour les élèves et les enseignants bien que des défis subsistent encore.
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 | 0,005 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,004 | 0,005 |
| Communication savante | 0,010 | 0,005 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».