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 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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».