L’émergence de l’intelligence artificielle dans les établissements d’enseignement. Quelle perception des directions ?
Notice bibliographique
Résumé
L’article porte sur les perceptions des directions d’établissement d’enseignement au Québec et en Ontario francophone quant à l’adoption de l’intelligence artificielle (IA) dans leurs pratiques quotidiennes, à ses répercussions sur leur leadership pédagogique et de leurs besoins en matière d’acculturation. Il présente les résultats d’une enquête par questionnaire administré en 2024 auprès des directions d’établissement d’enseignement (N=56). Ces résultats mettent en évidence un optimisme que nous qualifions de pragmatique . Autrement dit, les directions reconnaissent le potentiel de l’IA à améliorer l’efficacité et à soutenir la prise de décisions, tout en exprimant des préoccupations concernant les risques éthiques, la formation nécessaire et ses répercussions sur elles-mêmes, sur le personnel enseignant et sur les élèves. L’enquête souligne également l’importance cruciale de la formation continue pour favoriser l’acculturation du personnel scolaire à l’IA, en misant notamment sur les formations de type « mains sur les touches », sur l’accompagnement personnalisé et sur la prise en compte des enjeux éthiques associés à l’utilisation des données concernant les élèves.
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 | 0,009 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,011 |
| Communication savante | 0,007 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».