Vers une littératie de l'IA : définition, cadres et implications en éducation
Bibliographic record
Abstract
La littératie de l'intelligence artificielle (IA) est un concept crucial dans notre ère numérique, puisqu’elle permet de réfléchir aux savoirs, savoir-faire et savoir-être nécessaires pour comprendre l’IA. Cependant, il existe un grand nombre de cadres et référentiels qui rendent difficiles leurs applicabilités dans la pratique, surtout dans le secteur de l’éducation. Cette conférence vise à combler cette lacune en proposant une définition opérationnelle de la littératie de l'IA basée sur une recension systématique, tout en s’appuyant sur les concepts du Cadre de référence de la compétence numérique du Québec. Avec l'IA intégrée dans divers aspects de la vie quotidienne, il devient impératif de définir ce que signifie être "littéré" en IA, au-delà des compétences techniques, pour inclure la compréhension éthique, sociale et contextuelle, ce qui impactera l’agir enseignant dans les années à venir. La méthodologie de cette étude consiste en une recension systématique de plus de 80 écrits de la littérature, incluant une analyse des articles scientifiques, des rapports et des référentiels publiés entre 2010 et 2024. Les sources ont été sélectionnées selon des critères rigoureux, avec une orientation vers les ressources liées à l’éducation. Les résultats obtenus offriront une base solide pour une compréhension plus nuancée et intégrée de la littératie de l'IA.
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 | 0.009 | 0.022 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.009 | 0.014 |
| Science and technology studies | 0.005 | 0.011 |
| Scholarly communication | 0.014 | 0.010 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.018 | 0.004 |
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".