Intégration de l’IA et développement des compétences dans les organisations en TI (technologies de l’information) au Québec
Bibliographic record
Abstract
Nous présenterons les résultats de notre recherche sur l’intégration de l’IA en milieu organisationnel et ses effets sur les pratiques de développement des compétences. L’étude repose sur un sondage en ligne et des entrevues de groupe. ChatGPT s’impose comme l’outil d’IA le plus utilisé, principalement pour l’automatisation de tâches et la génération de contenu. Certaines entreprises ont recours à des IA plus spécialisées, tandis que d’autres développent leurs propres modèles internes. La protection, la sécurité et la confidentialité des données apparaissent comme des enjeux majeurs : partage involontaire de données sensibles, apprentissage des modèles à partir de données internes, gestion des accès et des permissions. En réponse à une offre de formation jugée insuffisante, les employés privilégient l’autoformation, les échanges informels entre collègues et les formations externes. Enfin, des considérations logistiques influencent le choix du format, selon la disponibilité des formations en ligne ou en présentiel.
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 | 0.006 | 0.014 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.006 | 0.003 |
| Scholarly communication | 0.007 | 0.002 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.009 | 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".