Utilisation pédagogique de l’IA à l’université : trois récits de pratique en orthodidactique du français, en psychologie et en histoire
Bibliographic record
Abstract
Cet article met en commun trois démarches d'intégration des outils d'intelligence artificielle (IA) ChatGPT et Transkribus réalisées par des ressources enseignantes au sein d'une même université dans trois disciplines différentes : en orthodidactique du français, en psychologie et en histoire.Les objectifs de ces initiatives étaient de mettre les technologies au service de l'enseignement et de stimuler les apprentissages chez les personnes étudiantes.La nécessité de réfléchir à l'intégration de l'IA en pédagogie universitaire, et plus spécialement dans ces disciplines, est d'abord contextualisée.Les activités pédagogiques menées en classe sont ensuite présentées à travers les étapes de leur réalisation.À la fin de chaque récit de pratique, un retour est effectué sur l'expérience détaillant les résultats obtenus et leurs impacts, et des recommandations pour les personnes enseignantes désirant intégrer l'IA dans cette discipline sont formulées.Enfin, quelques conseils généraux pour les ressources enseignantes souhaitant faire appel à l'IA en contexte pédagogique sont proposés en conclusion.
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 | 0.024 | 0.026 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.012 | 0.030 |
| Scholarly communication | 0.017 | 0.013 |
| Open science | 0.002 | 0.009 |
| Research integrity | 0.004 | 0.009 |
| 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".