De l'automate au partenaire cognitif : transformation des pratiques pédagogiques et appropriation critique de l'IA générative dans l'enseignement supérieur
Bibliographic record
Abstract
Cette étude longitudinale (2023-2025), menée auprès de 64 étudiants de master en sciences de l’éducation, analyse les transformations des pratiques d’apprentissage induites par l’intégration accompagnée de l’IA générative. Inscrite dans une approche constructiviste, elle mobilise trois cadres : l’épistémologie pédagogique comme praxis réflexive (Houssaye, 2002 ; Chalmel, 2015), la littératie en IA comme compétence critique (Davy et al., 2021 ; Long & Magerko, 2024) et la théorie de l’activité (Engeström, 1999). Le dispositif TEGI (Training, Exploration, Guidance, Implementation) a structuré l’accompagnement vers des usages éthiques et collaboratifs de l’IA. Les étudiants ont développé des compétences avancées en ingénierie du prompt (ROCOBEC, zero-shot/one-shot/few-shot) et une conscience accrue des biais algorithmiques. Les résultats montrent un basculement d’une posture sceptique à une appropriation raisonnée et collaborative, avec 68 % d’interactions en mode co-construction. L’étude démontre que la littératie en IA constitue un levier décisif pour transformer l’IA en partenaire cognitif, renforcer l’autonomie critique et soutenir une véritable transformation pédagogique
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 | 0.017 | 0.041 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.004 | 0.008 |
| Scholarly communication | 0.011 | 0.007 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.005 | 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".