L’émergence de l’intelligence artificielle dans les établissements d’enseignement. Quelle perception des directions ?
Bibliographic record
Abstract
L’article porte sur les perceptions des directions d’établissement d’enseignement au Québec et en Ontario francophone quant à l’adoption de l’intelligence artificielle (IA) dans leurs pratiques quotidiennes, à ses répercussions sur leur leadership pédagogique et de leurs besoins en matière d’acculturation. Il présente les résultats d’une enquête par questionnaire administré en 2024 auprès des directions d’établissement d’enseignement (N=56). Ces résultats mettent en évidence un optimisme que nous qualifions de pragmatique . Autrement dit, les directions reconnaissent le potentiel de l’IA à améliorer l’efficacité et à soutenir la prise de décisions, tout en exprimant des préoccupations concernant les risques éthiques, la formation nécessaire et ses répercussions sur elles-mêmes, sur le personnel enseignant et sur les élèves. L’enquête souligne également l’importance cruciale de la formation continue pour favoriser l’acculturation du personnel scolaire à l’IA, en misant notamment sur les formations de type « mains sur les touches », sur l’accompagnement personnalisé et sur la prise en compte des enjeux éthiques associés à l’utilisation des données concernant les élèves.
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 | 0.002 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.003 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.001 | 0.002 |
| Open science | 0.002 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 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".