Intégration de l’intelligence artificielle : défis et compétences numériques pour les enseignants
Bibliographic record
Abstract
L’intégration de l’intelligence artificielle (IA) dans l’éducation soulève de nouveaux défis pédagogiques, techniques et éthiques. Cette étude s’appuie sur le cadre théorique du TPACK (Technological Pedagogical and Content Knowledge) afin d’investiguer les compétences des enseignants du primaire pour une intégration efficace de l’IA dans les pratiques enseignantes, en tenant compte des représentations sociales que les enseignants ont de cette technologie. La méthodologie adoptée est fondée sur une enquête par questionnaire fondée sur une échelle de Likert à cinq niveaux. Les résultats révèlent un bon niveau global de compétences TPACK au sein de l’échantillon investigués et une attitude positive vis-à-vis une formation dans ce cadre. Cependant, certains enseignants développent un regard critique sur la pertinence de l’IA dans le contexte spécifique du primaire.
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 | 0.010 | 0.036 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.002 | 0.006 |
| Scholarly communication | 0.010 | 0.008 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.007 | 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".