Etude exploratoire sur les usages, l’adoption de l’intelligence artificielle générative par les professionnels de l’éducation en formation initiale dans des territoires francophones du Québec (Canada), de l’Alsace (France) et des Antilles françaises (Martinique et Guadeloupe)
Bibliographic record
Abstract
Cette communication présente une étude exploratoire comparative portant sur les usages, l’adoption et les perceptions de l’intelligence artificielle générative par des étudiants et formateurs en éducation dans trois territoires francophones : le Québec (Canada), l’Alsace (France) et les Antilles françaises (Martinique et Guadeloupe). Ancrée dans une approche constructiviste, qualitative et inductive (Strauss, 1987 ; Charmaz, 2014 ; Paillé & Mucchielli, 2016), la recherche s’appuie sur un questionnaire exploratoire (N = 129), des observations pédagogiques et des entretiens dialogiques avec les acteurs de la formation initiale. Le cadre théorique combine la théorie de l’activité (Engeström, 1999, 2001, 2014) et le concept de littératie en intelligence artificielle (Miao & Wayne, UNESCO, 2024), afin d’analyser les effets de l’introduction de l’IA générative sur les pratiques professionnelles, les dynamiques d’apprentissage et les représentations éthiques associées à cette technologie émergente. Les premiers résultats révèlent des différences culturelles et institutionnelles marquées entre les différents territoires. Ces constats ouvrent des perspectives pour le développement d’une littératie en IA contextualisée, favorisant une appropriation responsable, critique et créative de ces technologies dans la formation des enseignants.
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 | 0.011 | 0.017 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.005 |
| Science and technology studies | 0.005 | 0.005 |
| Scholarly communication | 0.008 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.005 | 0.001 |
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".