AI in classrooms: Impact on teacher identity and autonomy
Notice bibliographique
Résumé
The integration of artificial intelligence (AI) in contemporary classrooms is redefining educational processes and teacher roles. Tools such as ChatGPT, automated grading systems, and personalized learning platforms are being widely adopted for their ability to enhance efficiency, deliver adaptive instruction, and support data-driven decision-making. However, this digital transformation also brings forth critical questions about the evolving identity and autonomy of educators. This paper explores how the growing presence of AI in education is impacting teachers' sense of professional identity and instructional autonomy. Drawing on qualitative data collected through interviews and surveys with school teachers across various settings, the study investigates their perceptions of being supported versus replaced by AI tools. Findings reveal a mixed response: while some educators appreciate AI's potential to reduce administrative burdens and enhance personalized learning, many express concerns over diminishing pedagogical control and the fear of obsolescence. Through the lenses of Foucault's theory of surveillance and Freire's critical pedagogy, the paper examines how AI can both constrain and empower teachers depending on implementation and policy context. Teachers with adequate technological support reported a greater sense of agency and viewed AI as a collaborative tool. Conversely, in rigid AI-driven frameworks, teachers felt disempowered and monitored. The paper concludes by emphasizing the need for inclusive AI policy frameworks that involve teachers in decision-making, prioritize professional development, and reaffirm the irreplaceable human dimensions of teaching, empathy, mentorship, and moral judgment. Responsible integration of AI must support rather than substitute the educator's core role in the learning process.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».