La place des intelligences artificielles génératives dans une approche pédagogique basée sur les vertus intellectuelles
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Dans l’abstract de notre communication au Symposium sur l’IA, l’enseignement et l’apprentissage, organisé dans le cadre du Colloque international en éducation à Montréal, sous l’égide de la CRIFPE et d’Obvia (Axe Éducation et Capacitation), nous défendons une articulation possible entre l’épistémologie des vertus et l’usage des intelligences artificielles génératives (IAg) en pédagogie. A. Une apparente contradiction entre IA génératives et pédagogie des vertus: De prime abord, l’introduction des IA génératives dans une pédagogie inspirée de l’épistémologie des vertus semble paradoxale. Une approche fondée sur le développement de dispositions intellectuelles[ telles que l’ouverture d’esprit, l’esprit critique, la persévérance et l’autonomie pourrait sembler en tension avec l’usage de technologies produisant du contenu de manière automatisée. Ces outils, par leur capacité à fournir des réponses préconstruites, semblent favoriser une approche passive du savoir, en contradiction avec une éducation visant à forger un sujet connaissant actif et vertueux. B. Vers une complémentarité entre IA génératives et vertus intellectuelles: Toutefois, cette opposition s’avère réductrice. Une éducation fondée sur les vertus intellectuelles ne saurait se passer de contenus riches et diversifiés, qui nourrissent l’exercice du jugement critique. Or, les IA génératives constituent aujourd’hui une source inédite de savoirs, offrant des perspectives nouvelles, des argumentations développées et des angles d’analyse variés. Leur apport ne réside donc pas uniquement dans l’accessibilité aux connaissances, mais également dans leur capacité à favoriser une mise en tension intellectuelle chez l’apprenant. De plus, ces technologies introduisent un élément d’interaction dynamique qui renforce leur potentiel pédagogique. En simulant le dialogue humain, elles instaurent une relation d’échange susceptible de stimuler la curiosité intellectuelle, affiner l’esprit critique et offrir un terrain d’expérimentation de l’évaluation épistémique. Dans ce cadre, les IA génératives peuvent devenir des objets de réflexion, incitant les apprenants à questionner, comparer, confronter et affiner leur propre raisonnement. C. Une utilisation régulée pour préserver l’autonomie intellectuelle: Cependant, l’intégration des IA génératives dans une pédagogie fondée sur les vertus intellectuelles ne peut être envisagée sans régulation. Si elles peuvent être des outils d’appui, elles ne doivent en aucun cas se substituer à l’exercice autonome de la pensée. Un usage mal encadré risquerait de favoriser une paresse intellectuelle, un conformisme épistémique ou encore une illusion de savoir, où l’apprenant se contenterait de valider passivement les contenus fournis. Ainsi, la place des IA génératives dans l’éducation doit rester secondaire et encadrée, afin de préserver la finalité essentielle de toute démarche éducative : former un sujet intellectuellement autonome, capable de juger avec rigueur et de s’engager activement dans la quête du vrai. Conclusion : IA génératives et éducation vertueuse, une synergie possible: Loin d’être antinomiques, les IA génératives et l’épistémologie des vertus peuvent entrer en dialogue, à condition que leur usage soit orienté vers la consolidation des dispositions intellectuelles vertueuses plutôt que vers une simple facilitation de l’accès à l’information. L’éducation ne saurait se réduire à une transmission automatisée de connaissances ; elle doit rester un processus de transformation profonde, où l’outil technologique, bien que puissant, demeure subordonné à l’épanouissement intellectuel et moral de l’apprenant.
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.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,027 | 0,020 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle