L’IA en formation des enseignants : éthique, littératie et reconfigurations professionnelles dans trois contextes francophones
Bibliographic record
Abstract
Cette étude exploratoire examine les représentations et anticipations des professionnels de l'éducation face à l'intelligence artificielle générative (IAG), s'inspirant d'expérimentations d'intégration IA menées à l'Université de Haute-Alsace (France), l'Université du Québec à Montréal et l'Université des Antilles. La recherche compare trois territoires francophones : France/Alsace (n = 16), Québec (n = 42) et Martinique (n = 67). La recherche mobilise un cadre théorique hybride articulant théorie de l'activité (Engeström, 2015) et littératie en IA (Dale & al., 2021). L'analyse révèle cinq représentations dominantes de l'IAG (outil technique, assistant pédagogique, intelligence non-humaine, système algorithmique, automate) et quatre fonctions d'usage prioritaires (création de contenus, assistance, optimisation temporelle, soutien organisationnel). Des variations culturelles significatives émergent : pragmatisme critique québécois, ambivalence méthodique alsacienne, utilitarisme vigilant martiniquais. Les participants anticipent une reconfiguration du rôle de l’enseignant : délégation des tâches techniques à l'IA et recentrage enseignant sur les fonctions distinctement humaines. L'étude apporte trois contributions : méthodologie interculturelle francophone, opérationnalisation théorique activité/littératie, et implications pour contextualiser la littératie IA et les systèmes d’activité d’apprentissage selon les spécificités territoriales.
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 | 0.010 | 0.009 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.013 | 0.012 |
| Scholarly communication | 0.009 | 0.003 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.005 | 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 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".