Higher Education Under Generative AI: Biographical Orientations of Democratic Learning and Teaching
Notice bibliographique
Résumé
Generative artificial intelligence (AI) is reshaping higher education (HE) by reconfiguring how knowledge becomes visible, how judgment is exercised, and how recognition is distributed. These systems intervene in the pedagogical and democratic conditions under which plurality, critique, and participation can be sustained. This study examines how students and lecturers interpret and navigate these transformations and what they reveal about the possibilities of democratic education under algorithmic mediation. Drawing on n = 151 written articulations (122 students, 29 lecturers) to open-ended questions collected via LimeSurvey, analyzed through Grounded Theory in combination with biographical interpretation and oriented by education theory (Bildung) and democracy pedagogy, the research reconstructs five orientations that range from pragmatic coping to struggles over recognition. These orientations illuminate how systemic dynamics of acceleration, opacity, and infrastructural authority are refracted into everyday academic practice. They are further synthesized into three broader axes of temporal sovereignty, epistemic opacity and accountability, and recognition ecologies. The findings highlight how fragile orientations emerge as both risks and resources. The study contributes to HE didactics by outlining strategies to transform fragility into pedagogical occasions, emphasizing reflective delay, dialogical engagement with opacity, and diversification of recognition practices. It concludes that democratic education depends on cultivating spaces where algorithmic pressures become educable and fragile orientations can develop into dispositions of reflexivity, critique, and participation.
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 | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».