L’IA générative au service de la conception pédagogique
Notice bibliographique
Résumé
Ce mémoire de master explore l'intégration de l'intelligence artificielle (IA) générative dans la création de jeux d'évasion pédagogiques virtuels pour l'enseignement du français des affaires. La recherche s'articule autour de la question : « Quels sont les apports et les limites des outils d'IA générative pour un concepteur pédagogique dans la création de jeux d'évasion éducatifs virtuels destinés à l'enseignement du français des affaires ? ». Une étude de cas a été menée auprès d'une conceptrice pédagogique, utilisant une méthodologie mixte combinant entretiens et expérimentations. Deux jeux d’évasion ont été créés, l'un avec et l'autre sans l'assistance de l'IA, permettant de comparer les processus. L'objectif était d'évaluer l'impact de l'IA sur la créativité, la productivité et la pertinence pédagogique, tout en identifiant les défis liés à son utilisation et en proposant des recommandations pour son intégration optimale dans la conception pédagogique. Les résultats obtenus montrent que l'IA générative réduit significativement le temps de création et stimule la créativité, facilitant notamment la génération de scénarios et de contenus multimédias. Cependant, l'utilisation de l'IA nécessite une vérification attentive pour garantir la cohérence pédagogique, scénaristique et linguistique, en particulier dans un contexte francophone canadien. Ces observations soulignent l'importance d'une maîtrise technique et d'une attention aux détails pour exploiter pleinement les potentialités de l'IA dans la conception de jeux d'évasion pédagogiques.
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 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,012 |
| Communication savante | 0,011 | 0,007 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,003 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,003 |
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 ».