Open Education and Generative AI: Toward an Ethical and Inclusive Transformation of Pedagogical Strategies
Notice bibliographique
Résumé
Recent studies show that Generative Artificial Intelligence (GenAI) is profoundly reshaping educational paradigms, steering teaching systems toward open, inclusive, and context-sensitive practices. This study advances an integrative model combining Open Educational Resources (OER), Open Educational Practices (OEP), and GenAI to support an ethical and sustainable pedagogical transformation. A mixed-methods design was employed with 453 education-science stakeholders across 45 secondary, college, and university institutions in Cameroon and Chad. Quantitative results indicate a significant association between OER and equitable accessibility (β = 0.61, p < 0.01), between OEP and cognitive justice (β = 0.54, p < 0.01), and a positive effect of GenAI on personalization (β = 0.49, p < 0.01). The combined effect of the three dimensions strengthens pedagogical resilience (β = 0.65, p < 0.01). Qualitative evidence underscores the role of human mediation, locally collaborative governance, and contextual appropriation. Policy implications include inclusive governance of innovation, techno-ethical teacher training, and place-based anchoring of open education policies. The proposed model emerges as a strategic and tactical lever for pedagogical sustainability suited to the challenges of the hypermodern era.
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 | 0,026 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,048 |
| Communication savante | 0,011 | 0,010 |
| Science ouverte | 0,002 | 0,012 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».