[[:start|Accueil]] | [[:qapes:problemes:start|Problèmes]] | [[:qapes:problemes:savoirs_technologies|Problèmes liés à l'évolution des savoirs et technologies]] | [[:qapes:ressources:start|Ressources]] ====== Intégration pédagogique du numérique et de l’IA ====== L’objectif est d’intégrer les outils numériques et l’IA générative de manière **critique, transparente et pertinente** : clarifier les usages permis, favoriser l’apprentissage (et non le contournement), développer la littératie numérique/IA et adapter les évaluations. ---- ===== Ressources clés (centres de soutien / guides pratiques) ===== {{:qapes:leviers:uconcodia_ctl_ia.png?400 |}} [[https://www.concordia.ca/ctl/tech-tools/teach-with-technology/guidelines-gen-ai.html|Concordia University – Generative AI teaching guidelines (CTL)]]\\ Conseils pour définir une politique de cours explicite sur l’IA (attentes, usages permis), promouvoir l’intégrité académique, former étudiants et enseignants, et mettre à jour les pratiques au fil des évolutions. ---- {{:qapes:problemes:savoirs_technologies:ualberta_ctl_ia.png?400 |}} [[https://www.ualberta.ca/en/centre-for-teaching-and-learning/resources/generative-ai/index.html|University of Alberta – AI & Generative AI Resources (CTL)]]\\ Principes d’usage responsable : transparence, limites et capacités de l’IA, implications pour l’évaluation, exemples de politiques de syllabus et ressources pour accompagner les enseignants. ---- {{:qapes:problemes:savoirs_technologies:uutha_ctl_ia.png?400 |}} [[https://ctl.utahtech.edu/aitools/|Utah Tech University – Generative AI Tools: Guidelines for Teaching and Learning (CTL)]]\\ Recommandations pratiques : discuter des enjeux éthiques, adapter consignes et évaluations, concevoir des tâches exploitant l’IA sans diminuer l’effort cognitif, sensibiliser aux risques (biais, hallucinations). ---- {{:qapes:problemes:savoirs_technologies:ukean_ctl_ia.png?400 |}} [[https://ctl.kean.edu/guides-resources/ai-in-higher-ed|Kean University – AI in Higher Ed (CTL)]]\\ Élaborer une politique disciplinaire de l’IA dans le cours, proposer des ateliers pour enseignants/étudiants, catégoriser les usages autorisés selon les activités et l’évaluation. ---- ===== Articles / études scientifiques ===== Alharbi, A., Aljuaid, A., & Alzahrani, A. (2024). Generative AI and higher education: Trends, challenges, and future directions. //Information, 15//(11), 676. [[https://www.mdpi.com/2078-2489/15/11/676|]]\\ Revue systématique des usages de l’IA générative en ES : gains possibles (engagement, personnalisation, feedback) et risques (intégrité, biais), avec recommandations pour la formation des enseignants. Rahman, N. A. A., & Aljohani, N. R. (2024). Rethinking the integration of AI in higher education teaching and learning: The AI-Curriculum Alignment Model. International Journal of Technology in Education and Development, 8(1), 1–16. [[https://open-publishing.org/journals/index.php/ited/article/download/1352/1026/6409|]]\\ Propose le modèle **AI-CAM** (alignement objectifs–activités–évaluation) pour intégrer la littératie IA dans n’importe quelle discipline, avec étapes et exemples concrets. Zawacki-Richter, O., & al. (2025). Integrating Generative Artificial Intelligence in Higher Education: Opportunities, challenges, and design guidelines. //Education Sciences, 15//(1), 32. [[https://www.mdpi.com/2227-7102/15/1/32|]] \\ Lignes directrices de conception : scénarios d’usage (idéation, feedback, simulation), exigences éthiques et juridiques, équilibre entre assistance de l’IA et apprentissage authentique. ---- ===== Idées d’application dans un cours ===== * **Clarifier la politique de cours** * Ajouter une section “Utilisation responsable de l’IA” au syllabus (ce qui est autorisé/interdit, comment citer l’IA, confidentialité des données). * **Développer la littératie IA** * Séance d’initiation (prompts, vérification des sorties, limites/biais, confidentialité). Demander une **note de méthode** expliquant l’usage de l’IA. * **Concevoir des tâches qui tirent parti de l’IA sans la laisser “faire à la place”** * Exemples : comparer/corriger une production de l’IA ; demander justification, sources et traçabilité ; exiger une **réflexion critique** sur les limites des résultats. * **Adapter l’évaluation** * Favoriser des évaluations orales/in situ, des productions intermédiaires (brouillons, journaux d’apprentissage), des tâches ancrées dans des données/contextes locaux non accessibles à l’IA générale. * **Choisir des outils conformes et expliquer les risques** * Privilégier des outils respectant la vie privée ; sensibiliser au stockage des données, aux biais, à la propriété intellectuelle. * **Boucles de feedback et amélioration continue** * Interroger régulièrement les étudiants sur l’utilité/les difficultés ; ajuster consignes et ressources ; partager entre collègues les bonnes pratiques et exemples de consignes. ---- ← [[qapes:problemes:savoirs_technologies|Retour “Problèmes liés à l’évolution des savoirs et des technologies”]] | [[:start|Accueil QAPES]]