Le développement professionnel des enseignants à et avec l’intelligence artificielle : une revue de littérature
Bibliographic record
Abstract
Le développement professionnel (DP) des enseignants constitue un des moyens les plus efficaces pour améliorer la qualité de l’éducation et les préparer à de nouvelles réalités (Mukamurera, 2014). Face à l’arrivée de l’intelligence artificielle (IA) générative, plusieurs anticipent la nécessité de former les enseignants pour assurer un usage responsable de cette technologie émergente tout en constituant aussi une solution pour améliorer le parcours en DP des enseignants. Cette revue de littérature cherche donc à comprendre dans quelle mesure l’IA peut valoriser le DP des enseignants. Pour ce faire, 24 articles ont été analysés à partir des 7 caractéristiques de DP des enseignants de Darling-Hammond et al. (2017). L’IA peut valoriser dans une certaine mesure les caractéristiques de DP des enseignants, mais ses effets sur la pratique des enseignants nécessitent plus d’approfondissement. Pour de futures recherches, il est recommandé d’analyser la valorisation des caractéristiques de Darling-Hammond et al. (2017) par l’IA à l’aide du modèle SAMR à savoir dans quelles mesures ces caractéristiques pourraient être (S) substituées, (A) accrues, (M) modifiées ou (R) redéfinies par l’IA et quels effets ces changements pourraient avoir sur l’agentivité des enseignants (Puentedura, 2013).
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 | 0.009 | 0.024 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.006 | 0.006 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.010 | 0.011 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.004 | 0.003 |
| Insufficient payload (model declined to judge) | 0.013 | 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".