La place des intelligences artificielles génératives dans une approche pédagogique basée sur les vertus intellectuelles
Bibliographic record
Abstract
Dans l’abstract de notre communication au Symposium sur l’IA, l’enseignement et l’apprentissage, organisé dans le cadre du Colloque international en éducation à Montréal, sous l’égide de la CRIFPE et d’Obvia (Axe Éducation et Capacitation), nous défendons une articulation possible entre l’épistémologie des vertus et l’usage des intelligences artificielles génératives (IAg) en pédagogie. A. Une apparente contradiction entre IA génératives et pédagogie des vertus: De prime abord, l’introduction des IA génératives dans une pédagogie inspirée de l’épistémologie des vertus semble paradoxale. Une approche fondée sur le développement de dispositions intellectuelles[ telles que l’ouverture d’esprit, l’esprit critique, la persévérance et l’autonomie pourrait sembler en tension avec l’usage de technologies produisant du contenu de manière automatisée. Ces outils, par leur capacité à fournir des réponses préconstruites, semblent favoriser une approche passive du savoir, en contradiction avec une éducation visant à forger un sujet connaissant actif et vertueux. B. Vers une complémentarité entre IA génératives et vertus intellectuelles: Toutefois, cette opposition s’avère réductrice. Une éducation fondée sur les vertus intellectuelles ne saurait se passer de contenus riches et diversifiés, qui nourrissent l’exercice du jugement critique. Or, les IA génératives constituent aujourd’hui une source inédite de savoirs, offrant des perspectives nouvelles, des argumentations développées et des angles d’analyse variés. Leur apport ne réside donc pas uniquement dans l’accessibilité aux connaissances, mais également dans leur capacité à favoriser une mise en tension intellectuelle chez l’apprenant. De plus, ces technologies introduisent un élément d’interaction dynamique qui renforce leur potentiel pédagogique. En simulant le dialogue humain, elles instaurent une relation d’échange susceptible de stimuler la curiosité intellectuelle, affiner l’esprit critique et offrir un terrain d’expérimentation de l’évaluation épistémique. Dans ce cadre, les IA génératives peuvent devenir des objets de réflexion, incitant les apprenants à questionner, comparer, confronter et affiner leur propre raisonnement. C. Une utilisation régulée pour préserver l’autonomie intellectuelle: Cependant, l’intégration des IA génératives dans une pédagogie fondée sur les vertus intellectuelles ne peut être envisagée sans régulation. Si elles peuvent être des outils d’appui, elles ne doivent en aucun cas se substituer à l’exercice autonome de la pensée. Un usage mal encadré risquerait de favoriser une paresse intellectuelle, un conformisme épistémique ou encore une illusion de savoir, où l’apprenant se contenterait de valider passivement les contenus fournis. Ainsi, la place des IA génératives dans l’éducation doit rester secondaire et encadrée, afin de préserver la finalité essentielle de toute démarche éducative : former un sujet intellectuellement autonome, capable de juger avec rigueur et de s’engager activement dans la quête du vrai. Conclusion : IA génératives et éducation vertueuse, une synergie possible: Loin d’être antinomiques, les IA génératives et l’épistémologie des vertus peuvent entrer en dialogue, à condition que leur usage soit orienté vers la consolidation des dispositions intellectuelles vertueuses plutôt que vers une simple facilitation de l’accès à l’information. L’éducation ne saurait se réduire à une transmission automatisée de connaissances ; elle doit rester un processus de transformation profonde, où l’outil technologique, bien que puissant, demeure subordonné à l’épanouissement intellectuel et moral de l’apprenant.
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 | 0.005 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.003 | 0.023 |
| Scholarly communication | 0.011 | 0.005 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.008 | 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".