Gouverner l’école à l’heure de l’IA : synthèse des connaissances sur la gouvernance scolaire basée sur les données
Bibliographic record
Abstract
Sous l’effet des développements récents de l’intelligence artificielle (IA), la gouvernance scolaire basée sur les données connaît des mutations profondes sur le plan de sa mise en œuvre, dont les conséquences sont difficiles à anticiper en détail. C’est notamment le cas pour les systèmes scolaires, comme celui du Québec, qui ont embarqué récemment dans la gouvernance scolaire basée sur les données, et dont les tenants et aboutissants sont en grande partie à venir. D’autres systèmes scolaires, notamment ceux des pays anglo-saxons et de certains pays d’Europe de l’Ouest, sont davantage avancés dans cette voie. Les études qui s’y penchent offrent des prises intéressantes pour, d’une part, mieux comprendre les mutations actuelles de la gouvernance scolaire ainsi que ses enjeux et ses conséquences sur les systèmes scolaires et, d’autre part, orienter les gestionnaires dans leur mise en œuvre de la gouvernance scolaire basée sur les données, ce qui est opportun dans le cas du système scolaire québécois, puisqu’il en est à ses débuts. Aussi, ce texte a pour objectif de réaliser une synthèse des connaissances sur la gouvernance scolaire basée sur les données à l’heure de l’IA.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.004 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.001 |
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; both teacher heads agree on what is shown here.
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".