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
Face à l’essor rapide de l’intelligence artificielle générative (IAG), cette étude exploratoire s’intéresse à la manière dont les futurs professionnels de l’éducation perçoivent et anticipent les transformations pédagogiques et professionnelles qu’elle engendre. Conduite dans trois contextes francophones contrastés (le Canada, la Haute-Alsace et les Antilles françaises), cette recherche vise à comprendre comment les modalités d’usage, d’adoption et de représentation de l’IA varient selon les ancrages culturels et institutionnels. Ancrée dans la théorie de l’activité (Engeström, 1999, 2014), notre démarche s’appuie sur un design qualitatif de type exploratoire, intégrant un questionnaire à visée compréhensive. L’analyse des données a été réalisée en deux temps : d’abord à l’aide d’outils d’IA générative (ChatGPT et Claude.ai), puis par triangulation humaine. Cette double lecture thématique a permis d’identifier cinq représentations majeures de l’IA chez les professionnels de l’éducation en formation initiale : outil technologique, assistant, système algorithmique, intelligence non humaine, et automate de tâches. Les résultats révèlent des variations significatives selon les contextes : les participants antillais valorisent fortement l’IA comme outil ou assistant, tandis que d’autres perçoivent une redéfinition des rôles enseignants vers des fonctions plus stratégiques. La division du travail avec l’IAG est ainsi anticipée comme évolutive, mais non conflictuelle, mettant en lumière le besoin d’une formation ciblée et contextualisée sur les responsabilités partagées entre humains et IAG. Ces résultats soulignent l’importance d’ancrer les stratégies de formation dans une compréhension fine des représentations et des dynamiques territoriales.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.008 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.001 | 0.002 |
| Open science | 0.002 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
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 teacher head, 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".