Enseigner avec l'intelligence artificielle : alternatives pour évaluer les apprentissages et stratégies visant l'optimisation de l'enseignement et de l'apprentissage
Notice bibliographique
Résumé
*** Cette deuxième version s’inscrit dans l’évolution des pratiques et du contexte institutionnel de l’Université de Sherbrooke entourant l’intelligence artificielle en situation pédagogique. Bien que sa structure générale demeure similaire à celle de 2023, elle intègre de nouveaux repères transversaux, notamment la littératie en IA, le développement de l’agir critique, la transparence et l’écoresponsabilité. Elle propose également une actualisation des outils d’IA générative ainsi que l’ajout de plusieurs ressources institutionnelles. *** Ce document présente : des alternatives et pistes de réflexion pour planifier des activités d’évaluation résilientes aux outils d’IA générative; des idées d’activités pouvant être réalisées avec les personnes étudiantes; des idées d’utilisation des outils d’IA générative pour vous aider dans votre enseignement avec en complément des requêtes prêtes à l’emploi; des repères transversaux favorisant un usage à la fois pédagogique, éthique et responsable; une liste de référence de ressources pédagogiques complémentaires.
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 | 0,012 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,012 | 0,008 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 0,004 |
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 ».