L’intelligence artificielle générative (IAg) dans l’apprentissage du FLE chez l’étudiante et l’étudiant marocains : étude de cas de la Faculté des sciences de Rabat
Notice bibliographique
Résumé
L'usage informel de l'intelligence artificielle générative (IAg) semble transformer l'expérience d'apprentissage des étudiantes et étudiants marocains, d'où l'importance d'analyser leur agir pour comprendre l'impact de cette technologie sur leur rendement.Les réflexions d'Holec (1981) sur l'autonomie, enrichies par Benson (2013), serviront de cadre pour cette étude dont l'objectif est de déterminer la contribution de l'IAg dans l'apprentissage du français langue étrangère (FLE) en mode hybride.À cette fin, une méthodologie de recherche mixte auprès d'étudiants et étudiantes de la Faculté des sciences de Rabat (FSR) est privilégiée.Les résultats montrent que l'IAg, fort présente dans les pratiques étudiantes, soutient l'expérience de co-construction des compétences linguistiques ainsi que le développement de l'autonomie et de l'esprit critique et éthique d'un grand nombre de personnes apprenantes qui l'utilisent de manière réfléchie.
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 | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,006 | 0,004 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
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 ».