Formation continue des directions d’établissement d’enseignement et intelligence artificielle : recension des écrits
Notice bibliographique
Résumé
L’intelligence artificielle (IA) influence de plus en plus le secteur éducatif, offrant de nombreuses possibilités de transformation pédagogique et administrative. L’article étudie comment les activités de formation continue peuvent aider les directions d’établissement d’enseignement à développer les compétences nécessaires pour intégrer l’IA dans leurs écoles. La méthodologie adoptée comprend une recension systématique des écrits selon la méthode du EPPI-Centre (Evidence for Policy and Practice Information and Co-ordinating Centre) (EPPI-Centre, 2010), complétée par un chainage bibliographique. L’analyse thématique de contenu a été appliquée aux écrits retenus (n = 13). Les résultats révèlent que les directions d’établissement doivent développer trois types de compétences pour intégrer l’IA : des compétences dans les domaines technologiques et numériques, en leadeurship et gestion du changement, ainsi qu’en pédagogie et éthique. Le développement de ces compétences repose sur l’apprentissage indépendant, la participation à des réseaux professionnels et le mentorat, mais demeure freiné par une méconnaissance de l’IA, des limites d’infrastructures et des enjeux de protection des données.
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 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».