Le numérique et l’intelligence artificielle au service de l’apprentissage de la langue française dans les écoles primaires pionnières au Maroc : enjeux, avantages et défis
Bibliographic record
Abstract
Le numérique et l’intelligence artificielle représentent une avancée majeure dans notre monde moderne. En effet, l’utilisation croissante de ces technologiques transforme de nombreux aspects de notre société, y compris le domaine de l’enseignement. Dans le contexte éducatif marocain, l’intégration du numérique et de l’IA dans les pratiques pédagogiques, notamment dans l’apprentissage de la langue française, soulève des questions importantes. Cette étude vise à explorer l’impact du numérique et de l’IA sur l’apprentissage du français dans les écoles primaires pionnières, en identifiant les avantages et les défis rencontrés lors de leur utilisation. Nous nous penchons sur la manière dont ces outils peuvent améliorer l’apprentissage de la langue et examinons les principaux enjeux associés à leur intégration dans les dispositifs d’apprentissage linguistique. Pour ce faire, nous nous appuyons sur les données d’une enquête menée dans 40 écoles pionnières de la région Fès-Meknès. Nous passons en revue les applications utilisées, évaluons leur impact sur l’apprentissage linguistique et identifions les défis et limites de leur utilisation. Les résultats majeurs de notre analyse démontrent que l’intégration du numérique et de l’intelligence artificielle ouvre de nouvelles perspectives pour les élèves et les enseignants bien que des défis subsistent encore.
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 | 0.005 | 0.013 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.004 | 0.005 |
| Scholarly communication | 0.010 | 0.005 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.007 | 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".