Expérimentation pédagogique d'outils d'IAg en enseignement supérieur
Bibliographic record
Abstract
**Pour accéder à la version en ligne à la ressource : https://pressbooks.pbuq.ca/experimentation-iag-enseignement/ Expérimentation pédagogique d’outils d’IAg en enseignement supérieur constitue un guide pratique destiné aux personnes conseillères pédagogiques ainsi qu’à toute personne impliquée dans la formation du corps enseignant. Elle propose un scénario d’atelier « mains sur les touches » conçu pour sensibiliser les personnes enseignantes et étudiantes à une utilisation réfléchie, critique et autonome des outils d’intelligence artificielle générative (IAg). La structure de l’ouvrage comprend notamment la scénarisation détaillée de l’atelier, incluant son déroulement, des questions pour animer les discussions et des pistes de réflexion. Elle offre également des expérimentations simples et complexes, permettant d’explorer différentes tâches liées à l’enseignement, allant de la génération d’idées à la création d’outils pédagogiques concrets. Une section importante de la ressource est dédiée aux personnes étudiantes : elle propose des tâches d’apprentissage ciblées, conçues pour les guider vers une utilisation efficace et stratégique des outils d’IAg afin de soutenir le développement de stratégies d’apprentissage autonomes et réfléchies. Enfin, l’ouvrage s’appuie sur des balises d’utilisation de l’IAg, permettant d’encadrer son intégration de manière éthique, responsable et transparente dans les contextes éducatifs.
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 | 0.011 | 0.021 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.003 | 0.008 |
| Scholarly communication | 0.009 | 0.010 |
| Open science | 0.002 | 0.009 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.056 | 0.016 |
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".