Une recension des écrits de 1970 à 2022 sur les rôles de l’enseignant et de l’intelligence artificielle dans le domaine de l’IA en éducation
Bibliographic record
Abstract
Cet article présente une recension des écrits sur la façon dont les rôles de l’enseignant et de l’intelligence artificielle (IA) sont abordés dans le domaine de l’intelligence artificielle en éducation (IAED) depuis 1970. Quarante-sept documents, théoriques pour la plupart, ont été analysés à partir des passages relatifs aux tâches confiées à une IA en lien avec les apprenants, les enseignants, les savoirs ou la classe (p. ex. le soutien à la motivation ou la rétroaction personnalisée). Les passages qui discutent du rôle de l’enseignant en lien avec ces différentes composantes ont aussi été analysés (p. ex. le pilotage des interactions en classe ou l’évaluation des apprenants). Les principaux résultats montrent que les développements dans le domaine de l’IAED couvrent un large spectre des attributions de l’enseignant et que, même si inatteignable sur un horizon prévisible, l’ambition scientifique du domaine semble être d’automatiser de plus en plus de tâches de l’enseignant. Il en ressort que le rôle de l’enseignant est très peu discuté dans le domaine, et encore moins les interactions attendues entre enseignants et IA. La discussion propose de réemployer le tétraèdre des TIC en éducation de Faerber (2003), lui-même appuyé sur le triangle didactique de Houssaye (1988), pour conceptualiser le rôle de l’IA en éducation en interaction avec ceux de l’enseignant et de l’apprenant.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.006 | 0.020 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.006 | 0.006 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.004 | 0.006 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.016 | 0.004 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".