Utilisation pédagogique de l’IA à l’université : trois récits de pratique en orthodidactique du français, en psychologie et en histoire
Notice bibliographique
Résumé
Cet article met en commun trois démarches d'intégration des outils d'intelligence artificielle (IA) ChatGPT et Transkribus réalisées par des ressources enseignantes au sein d'une même université dans trois disciplines différentes : en orthodidactique du français, en psychologie et en histoire.Les objectifs de ces initiatives étaient de mettre les technologies au service de l'enseignement et de stimuler les apprentissages chez les personnes étudiantes.La nécessité de réfléchir à l'intégration de l'IA en pédagogie universitaire, et plus spécialement dans ces disciplines, est d'abord contextualisée.Les activités pédagogiques menées en classe sont ensuite présentées à travers les étapes de leur réalisation.À la fin de chaque récit de pratique, un retour est effectué sur l'expérience détaillant les résultats obtenus et leurs impacts, et des recommandations pour les personnes enseignantes désirant intégrer l'IA dans cette discipline sont formulées.Enfin, quelques conseils généraux pour les ressources enseignantes souhaitant faire appel à l'IA en contexte pédagogique sont proposés en conclusion.
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 | 0,024 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,012 | 0,030 |
| Communication savante | 0,017 | 0,013 |
| Science ouverte | 0,002 | 0,009 |
| Intégrité de la recherche | 0,004 | 0,009 |
| 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 ».