Teaching Media and Communication in the GenAI Era: an exploratory study
Notice bibliographique
Résumé
Objectius: Aquest estudi investiga les percepcions que desenvolupen els docents de l’àmbit de Mitjans i Comunicació envers l’ús de la Intel·ligència Artificial Generativa (IA generativa) en les activitats docents actuals, centrant-se en la seva influència dins l’entorn educatiu. Metodologia: Utilitzem un enfocament qualitatiu exploratori mitjançant grups focals realitzats en dues universitats (la Universitat de Bucarest i la Université Lumière Lyon 2), que ens permeten desenvolupar una comprensió comparativa del tema. L’àmbit dels Mitjans i la Comunicació és especialment rellevant per a aquest estudi, ja que ja s’hi dona una integració extensa de la IA generativa enels camps professionals corresponents. Resultats: Tant a França com a Romania, el professorat de Mitjans i Comunicació tendeix a ser cauten l’ús de la IA generativa i la seva integració en la pràctica docent. Tot i que reconeixen la IA com una eina potencial d’innovació (més destacadament al cas romanès), la seva integració efectiva en les metodologies pedagògiques és encara limitada. Al cas francès, el rebuig és més fort. El professorat acostuma a veure l’ús de la IA generativa entre l’estudiantat amb escepticisme, associant-lo amb el plagi i la manca de pensament crític. Aquesta recerca contribueix a la reflexió sobre els reptes pedagògics d’ensenyar Mitjans i Comunicació en l’era de la IA generativa, a partir d’un estudi comparatiu Romania-França realitzat en dues universitats.
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 | 0,006 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,007 | 0,007 |
| Communication savante | 0,009 | 0,005 |
| Science ouverte | 0,001 | 0,006 |
| 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 ».