Développement professionnel des enseignants à l'ère de l'IA : une réflexion critique pour un modèle efficace de changement durable
Bibliographic record
Abstract
Dans le contexte actuel de l'évolution rapide des technologies, l’émergence de l’intelligence artificielle (IA) transforme profondément les pratiques éducatives. Cet article propose une réflexion critique sur les modèles de développement professionnel (DP) des enseignants, en mettant l'accent sur leur efficacité pour induire un changement durable dans les pratiques pédagogiques. En analysant les approches les plus influentes, l'étude identifie les facteurs clés de succès d'un modèle de DP efficace, incluant la collaboration, l'alignement avec les objectifs institutionnels, et l'intégration de l'IA. La méthodologie employée repose sur une analyse critique des modèles existants dans la littérature scientifique à travers une approche narrative et thématique, combinée à une évaluation des impacts des dispositifs sur les pratiques enseignantes. Le cadre méthodologique CRITICA (Critiquer, Réfléchir, Interpréter, Thématiser, Innover, Collaborer, Agir) bien que non encore évalué, est utilisé pour structurer cette analyse en trois étapes : critiquer, réfléchir, et proposer des solutions innovantes pour la mise en œuvre du DP à l'ère de l'IA. Cette démarche permet de contextualiser l’évolution du DP dans un environnement éducatif en constante mutation. Cette analyse ouvre également la voie à une meilleure évaluation des modèles actuels et à la proposition de nouveaux modèles adaptés aux défis contemporains.
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 | 0.004 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.002 |
| Science and technology studies | 0.004 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
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 teacher head, 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".