Canevas d'activité d'initiation à ChatGPT ou autres outils d'IAg
Bibliographic record
Abstract
Ce document propose une activité d’initiation à ChatGPT, ou autres outils d’IAg, conçue pour les personnes étudiantes en enseignement supérieur. Le canevas comprend les intentions et les objectifs d’apprentissage visés, les prérequis, le déroulement de l’activité et les consignes. L’activité est adaptée aux différents contextes de formation : la formation en présence, en ligne et en comodalité. Une présentation PowerPoint est également disponible en complément, présentation qu’il est possible d’adapter au contexte de formation. Cette activité a principalement pour objectif de faire connaitre aux personnes étudiantes le potentiel des outils d’IAg conversationnels comme ChatGPT, de même que les enjeux soulevés par leurs utilisations dans les contextes académique et professionnel. Une attention particulière sera accordée aux limites de cet agent conversationnel, ainsi qu’aux biais qu’il peut véhiculer. Ainsi, au terme de cette activité, les personnes étudiantes seront en mesure de : communiquer efficacement avec les outils d’intelligence artificielle conversationnels; apprécier les opportunités qu’offrent ces outils; reconnaitre les principales limites de ces outils. Cette activité, dans sa globalité, se déroule sur une période de deux heures. Elle a toutefois été conçue de manière à pouvoir être adaptée à des durées plus courtes. Pour aller plus loin Télécharger le fichier de présentation du compte-rendu d’une expérience d’implantation dans un cours de droit de la famille Lire l'article Projet d'intégration de l'IAg dans un cours de droit
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 | 0.005 | 0.013 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.007 | 0.006 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.035 | 0.012 |
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".