L’IA générative au service de la conception pédagogique
Bibliographic record
Abstract
Ce mémoire de master explore l'intégration de l'intelligence artificielle (IA) générative dans la création de jeux d'évasion pédagogiques virtuels pour l'enseignement du français des affaires. La recherche s'articule autour de la question : « Quels sont les apports et les limites des outils d'IA générative pour un concepteur pédagogique dans la création de jeux d'évasion éducatifs virtuels destinés à l'enseignement du français des affaires ? ». Une étude de cas a été menée auprès d'une conceptrice pédagogique, utilisant une méthodologie mixte combinant entretiens et expérimentations. Deux jeux d’évasion ont été créés, l'un avec et l'autre sans l'assistance de l'IA, permettant de comparer les processus. L'objectif était d'évaluer l'impact de l'IA sur la créativité, la productivité et la pertinence pédagogique, tout en identifiant les défis liés à son utilisation et en proposant des recommandations pour son intégration optimale dans la conception pédagogique. Les résultats obtenus montrent que l'IA générative réduit significativement le temps de création et stimule la créativité, facilitant notamment la génération de scénarios et de contenus multimédias. Cependant, l'utilisation de l'IA nécessite une vérification attentive pour garantir la cohérence pédagogique, scénaristique et linguistique, en particulier dans un contexte francophone canadien. Ces observations soulignent l'importance d'une maîtrise technique et d'une attention aux détails pour exploiter pleinement les potentialités de l'IA dans la conception de jeux d'évasion pédagogiques.
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 | 0.006 | 0.012 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.003 | 0.012 |
| Scholarly communication | 0.011 | 0.007 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.003 | 0.006 |
| Insufficient payload (model declined to judge) | 0.014 | 0.003 |
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".