Le développement d’une échelle de mesure de la littératie de l’intelligence artificielle chez les enseignants et les enseignantes du postsecondaire1
Bibliographic record
Abstract
Le personnel enseignant des cégeps et des universités est de plus en plus confronté à des outils d’intelligence artificielle (IA), notamment des outils proposés par leurs établissements ou utilisés par les étudiants et les étudiantes. Or, l’utilisation pédagogique de ces outils exige une certaine compréhension de leur fonctionnement, surtout lorsqu’il est question d’en identifier les limites ou les risques éthiques. À l’heure actuelle, il n’existe aucune mesure précise du niveau de littératie de l’IA du personnel enseignant du postsecondaire. Cette étude propose un questionnaire de 25 items pour mesurer ce niveau de littératie, à partir d’une version initiale de 29 items. Un échantillon de 395 enseignants et enseignantes a été recruté via des listes institutionnelles dans des cégeps et des universités. Des analyses factorielles (exploratoire et confirmatoire) ont été réalisées et ont permis de détecter trois facteurs, soit les connaissances techniques liées à l’IA, la capacité à utiliser des outils d’IA en contexte pédagogique et le niveau de sensibilité aux enjeux éthiques.
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 | 0.018 | 0.048 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.007 | 0.006 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.007 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 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; 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".