Intelligence artificielle et représentations professionnelles : le cas des enseignants des écoles de langues privées au Québec
Bibliographic record
Abstract
Ce mémoire s'inscrit dans le contexte actuel de transformation numérique de l'enseignement, en mettant l'accent sur l'intégration de l'intelligence artificielle (IA) dans l'enseignement des langues secondes au Québec.L'objectif principal est de comprendre comment les enseignants perçoivent l'IA, quelles représentations professionnelles ils construisent autour de cette technologie et comment ces représentations sont influencées par des facteurs comme l'expérience, l'insécurité linguistique et l'anxiété langagière.Pour ce faire, une démarche qualitative a été privilégiée, reposant sur des entretiens semi-dirigés avec dix enseignants de langues secondes.L'analyse des discours a permis de dégager des profils variés de représentation, allant de l'ouverture enthousiaste à la prudence, voire à la méfiance.Il apparaît que les enseignants qui manifestent une insécurité linguistique plus marquée perçoivent souvent l'IA comme une menace ou un facteur de déstabilisation, tandis que ceux qui ont une vision plus assurée de leur compétence linguistique se montrent plus disposés à explorer les possibilités offertes par l'IA, notamment pour la personnalisation de l'enseignement et l'optimisation du temps de travail.Ce mémoire met en lumière le besoin d'un accompagnement ciblé pour répondre aux préoccupations des enseignants ainsi qu'une meilleure reconnaissance de leurs représentations professionnelles afin de faciliter une intégration pédagogique pertinente et iii équitable de l'intelligence artificielle dans le domaine des langues secondes.
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 | 0.002 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.006 | 0.004 |
| Scholarly communication | 0.007 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.011 | 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".