L’intelligence artificielle générative s’invite dans la formation du personnel enseignant au Québec : le cas d’un cours à distance visant la mobilisation pédagogique du numérique
Bibliographic record
Abstract
L’essor rapide de l’intelligence artificielle générative (IA générative) redéfinit les pratiques pédagogiques dans l’enseignement supérieur. Capables de produire du contenu à partir d’instructions textuelles, ces services et outils ouvrent de nouvelles possibilités tout en soulevant des enjeux éthiques et pédagogiques majeurs. Ce chapitre propose une réflexion sur la mobilisation stratégique et transparente des outils et services d’IA générative dans un cours universitaire adoptant une approche de Scholarship of Teaching and Learning. L’étude s’appuie sur l’expérience menée dans le cadre du cours TED 6501 Mobiliser le numérique à des fins pédagogiques offert à distance à l’Université TÉLUQ. Elle examine les implications pédagogiques et éthiques de cette mobilisation de façon à alimenter l’élaboration d’un cadre de référence pour favoriser une utilisation responsable, stratégique et transparente de l’IA générative en contexte éducatif. Les résultats préliminaires suggèrent que les scénarios pédagogiques conçus par les personnes étudiantes avec l’assistance des outils et services d’IA générative présentent une meilleure structure, mais peut-être moins d’originalité, que ceux élaborés sans son recours. Cette observation met en évidence l’importance d’une approche équilibrée qui valorise l’expertise humaine tout en tirant parti des capacités offertes par les outils et services d’IA générative.
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 | 0.004 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.010 | 0.008 |
| Scholarly communication | 0.007 | 0.002 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.015 | 0.002 |
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".