Revue de la portée de la littérature sur l’utilisation de l’intelligence artificielle en administration de l’éducation
Notice bibliographique
Résumé
L’article porte sur l’utilisation de l’intelligence artificielle (IA) en administration de l’éducation, en particulier sur ses usages, ses bénéfices et ses défis. Il présente les résultats d’une revue de la portée ( scoping review ). L’analyse des données confirme la progression significative des recherches sur l’IA en administration de l’éducation depuis 2020, avec un pic en 2024. Les principaux usages identifiés concernent l’automatisation des tâches administratives, l’optimisation de la communication et l’anticipation des besoins organisationnels. Les travaux étudiés avancent que l’IA améliore l’efficacité décisionnelle, la gestion des ressources et la personnalisation des services éducatifs. Toutefois, son utilisation pose des défis éthiques, techniques et organisationnels, incluant la protection des données, les biais algorithmiques et les disparités d’accès aux technologies. L’article conclut que les écrits sur l’IA en administration de l’éducation confirment le besoin d’une approche équilibrée entre innovation technologique et encadrement éthique. Il invite aussi à repenser l’usage de l’IA comme un levier stratégique d’amélioration continue des établissements scolaires, tout en préservant le rôle central de l’humain dans la prise de décisions.
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 | 0,010 | 0,002 |
| 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 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».