Pour une utilisation juste, éthique et responsable de l’intelligence artificielle
Bibliographic record
Abstract
L’adoption rapide des systèmes d’intelligence artificielle (SIA) par les communautés scolaires, collégiales et universitaires affecte profondément nos stratégies d’apprentissage, d’enseignement, d’évaluation et d’organisation. En plus des enjeux pédagogiques entourant le plagiat et l’authenticité des productions des élèves, certains risques sociaux s’accentuent : inégalités, biais, discrimination, confidentialité des données, infraction au consentement et bien d’autres. Pour relever le défi de l’intégration juste, éthique et responsable de l’intelligence artificielle (IA) dans nos établissements, des travaux parlementaires et administratifs s’appuyant sur la contribution du personnel et des équipes-écoles devront être engagés. Une utilisation réussie repose sur le respect obligatoire du principe de précaution pour les entreprises qui développent les SIA ainsi que sur la mise à disposition des ressources nécessaires pour que se déploient pleinement l’expertise et l’autonomie professionnelle du personnel. Du temps libéré pour participer à des formations et pour transformer les activités d’apprentissage et d’évaluation doit aussi faire partie des moyens mobilisés.
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 | 0.021 | 0.042 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.015 |
| Scholarly communication | 0.019 | 0.017 |
| Open science | 0.002 | 0.007 |
| Research integrity | 0.005 | 0.006 |
| Insufficient payload (model declined to judge) | 0.012 | 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".