Pédagogie artistique culturelle et numérique. Transposition didactique des IA génératives
Bibliographic record
Abstract
L’intelligence artificielle générative (IAG) bouscule le milieu de l’éducation ainsi que le milieu des arts. Étant pourtant un outil puissant avec un grand potentiel, palpable est la réticence ressentie face à son utilisation. En éducation artistique et culturelle, l’IA est un domaine inexploré. Il n’existe pas de ressources ou de modèles concrets à utiliser en classe (Hutson et Cotronero, 2023). Au bénéfice des enseignants et des apprenants, l’innovation des pratiques pédagogiques en enseignement des arts se doit d’être actuelle et innovante. C’est la raison pour laquelle une pédagogie artistique, culturelle et numérique qui explore les IAG est à développer. Les questions de recherche sont donc les suivantes : Comment s’approprier les applications de l’IA générative pour développer une pédagogie artistique, culturelle et numérique innovante en enseignement des arts? Comment transposer des expériences de création avec l’IA générative en situations-problèmes d’apprentissage interartitisques (SPAI)? Pour répondre à la problématique, une exploration des applications d’IAG dans un espace de création artistique et culturelle a été conduite. Trois projets de création significatifs en sont ressortis. Ces mêmes projets de création ont été le point de départ pour la conception de situations-problèmes d’apprentissages interartistiques (SPAI) qui utilisent comme outil l’IAG dans une méthode de transposition didactique. À partir de ces conclusions, quatre modèles concrets d’utilisation de l’IAG comme outil à la création artistique adaptés à des classes d’arts et multimédia du niveau secondaire ont été créés. Ces quatre SPAI servent de point de départ à la création pédagogique avec et pour les arts en utilisant l’IAG comme outil à la création artistique, établissant ainsi une nouvelle pédagogie artistique, culturelle et numérique.
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 | 0.011 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.003 | 0.026 |
| Scholarly communication | 0.013 | 0.008 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.012 | 0.002 |
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".