La culture informationnelle et l’arrivée de l’Open AI
Bibliographic record
Abstract
Avec l’arrivée de l’intelligence artificielle (IA) et des robots conversationnels, le rôle des bibliothé-caires devient encore plus important et maximisé au sein d’équipes interdisciplinaires. Savoir naviguer éthiquement sur ces nouveaux outils avec esprit critique et en respectant les droits d’auteur sont des connaissances s’ajoutant à la culture informationnelle. Pourtant, au Québec, la communauté enseignante est peu outillée pour enseigner la culture informationnelle à leurs élèves. Quelques outils et ressources existent, mais aucune structure officielle prescrite par notre ministère de l’éducation n’encadre réellement l’enseignement des compétences dites informationnelles. La tâche est colossale et les initiatives personnelles des bibliothécaires et des technicien.nes en documentation, spécialistes en sciences de l’information mettent en place différentes initiatives pour soutenir ce domaine d’apprentissage de citoyenneté responsable. Par contre, le manque de personnel spécialisé en biblio-thèque, la pénurie des enseignant.es et le trop peu d’outils technologiques fonctionnels sont des obstacles considérables. Ce faisant, nous croyons que de collaborer avec d’autres personnes intervenantes de la communauté scolaire peut aider à les surmonter. Par exemple, nous proposons dans cet article de former, au sein des milieux scolaires, des équipes interdisciplinaires formées de personnes enseignantes, conseillères pédagogiques, éducatrices en service de garde, des parents et d’organismes externes et autres intervenant.es pour réfléchir aux usages des espaces communs à l’école, dont la bibliothèque au carrefour des apprentissages. D’ailleurs, la bibliothèque scolaire est un espace commun propice au partage d’outils et de matériel, équipé d’infrastructure réseau, d’outils technologiques et qui est aménagé d’espaces de travail. Par exemple, les bibliothécaires du Centre de services scolaire de Montréal, en collaboration avec des personnes professionnelles et des partenaires y proposent des ateliers pédagogiques interdisciplinaires s’adressant aux élèves et à la communauté enseignante. Des ateliers visant, entre autres, le développement de la culture informationnelle englobant dorénavant l’éducation à l’IA sont proposés.
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 | 0.027 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.015 | 0.027 |
| Scholarly communication | 0.027 | 0.020 |
| Open science | 0.002 | 0.010 |
| Research integrity | 0.004 | 0.011 |
| Insufficient payload (model declined to judge) | 0.022 | 0.005 |
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".