Enseigner avec l'intelligence artificielle : alternatives pour évaluer les apprentissages et stratégies visant l'optimisation de l'enseignement et de l'apprentissage
Bibliographic record
Abstract
*** Cette deuxième version s’inscrit dans l’évolution des pratiques et du contexte institutionnel de l’Université de Sherbrooke entourant l’intelligence artificielle en situation pédagogique. Bien que sa structure générale demeure similaire à celle de 2023, elle intègre de nouveaux repères transversaux, notamment la littératie en IA, le développement de l’agir critique, la transparence et l’écoresponsabilité. Elle propose également une actualisation des outils d’IA générative ainsi que l’ajout de plusieurs ressources institutionnelles. *** Ce document présente : des alternatives et pistes de réflexion pour planifier des activités d’évaluation résilientes aux outils d’IA générative; des idées d’activités pouvant être réalisées avec les personnes étudiantes; des idées d’utilisation des outils d’IA générative pour vous aider dans votre enseignement avec en complément des requêtes prêtes à l’emploi; des repères transversaux favorisant un usage à la fois pédagogique, éthique et responsable; une liste de référence de ressources pédagogiques complémentaires.
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 | 0.012 | 0.026 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.012 | 0.008 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.019 | 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".