De l'automate au partenaire cognitif : transformation des pratiques pédagogiques et appropriation critique de l'IA générative dans l'enseignement supérieur
Notice bibliographique
Résumé
Cette étude longitudinale (2023-2025), menée auprès de 64 étudiants de master en sciences de l’éducation, analyse les transformations des pratiques d’apprentissage induites par l’intégration accompagnée de l’IA générative. Inscrite dans une approche constructiviste, elle mobilise trois cadres : l’épistémologie pédagogique comme praxis réflexive (Houssaye, 2002 ; Chalmel, 2015), la littératie en IA comme compétence critique (Davy et al., 2021 ; Long & Magerko, 2024) et la théorie de l’activité (Engeström, 1999). Le dispositif TEGI (Training, Exploration, Guidance, Implementation) a structuré l’accompagnement vers des usages éthiques et collaboratifs de l’IA. Les étudiants ont développé des compétences avancées en ingénierie du prompt (ROCOBEC, zero-shot/one-shot/few-shot) et une conscience accrue des biais algorithmiques. Les résultats montrent un basculement d’une posture sceptique à une appropriation raisonnée et collaborative, avec 68 % d’interactions en mode co-construction. L’étude démontre que la littératie en IA constitue un levier décisif pour transformer l’IA en partenaire cognitif, renforcer l’autonomie critique et soutenir une véritable transformation pédagogique
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 | 0,017 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,008 |
| Communication savante | 0,011 | 0,007 |
| Science ouverte | 0,001 | 0,007 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».