Please enable JavaScript.
Coggle requires JavaScript to display documents.
Comment un établissement d'enseignement supérieur peut intégrer de…
Comment un établissement d'enseignement supérieur peut intégrer de manière responsable des outils d'IA, en conciliant les exigences juridiques, les enjeux pédagogiques et considérations éthiques ?
Exigences juridiques
Régulation de l’intelligence artificielle (Artificial intelligence regulation)
AI act
Règlement général sur la protection des données (RGPD) (General Data Protection Regulation - GDPR)
Protection des données personnelles (Personal data protection)
Conformité légale des outils d’IA (Legal compliance of AI tools)
Protection des données personnelles (Personal data protection)
Responsabilité algorithmique (Algorithmic accountability)
Gestion des risques liés à l’IA (AI risk management)
Enjeux pédagogiques
Personnalisation des apprentissages (Personalized learning)
Évaluation automatisée (Automated assessment)
Pédagogie numérique (Digital pedagogy)
Systèmes de recommandation pédagogique (Educational recommendation systems)
Relation enseignant-étudiant médiatisée par l’IA (Teacher-student relationship mediated by AI)
Équité dans l’accès à l’éducation (Equity in access to education)
Compétences numériques des enseignants (Digital skills of educators)
Adaptabilité des outils IA aux besoins pédagogiques (Adaptability of AI tools to educational needs)
Impact des outils IA sur l’apprentissage des étudiants (Impact of AI tools on student learning)
Conception pédagogique centrée sur l’utilisateur (User-centered instructional design)
Considérations éthiques
Explicabilité de l’IA (AI explainability)
Gouvernance de l'IA (AI governance)
Biais algorithmique (Algorithmic bias)
Protection des données étudiantes (Student data privacy)
Éthique de l’intelligence artificielle (Ethics of artificial intelligence)
Enjeux éthiques de l’IA en éducation (Ethical issues of AI in education)
Impact social de l’IA (Social impact of AI)
Inclusion et accessibilité dans les outils IA (Inclusion and accessibility in AI tools)
Développement durable et responsabilité
IA durable
Responsabilité sociétale
Ecoresponsabilité de l'IA
Transition numérique éthique
Mise en oreuvre
Stratégie institutionelle
Gouvernance de l'IA
Accompagnement au changement
Formation des enseignants
Sensibilisation à l'IA
Recherche et innovation
Laboratoire IA
Projets pilotes IA
Partenariats académiques
Usages émergent de l'IA
Généralités
Définition EES
Intégration responsable
Transformation numérique
Définition IA
MEMOIRE
Enquête qualitative
Objectifs
Identifier les obstacles à l'intégration de l'IA
Pistes de solutions sur mesure
Cartographier les usages de l'IA par les enseignants
Champ
DFPV
LH
TA
SINA
Recherche
Enquête quantitative
Trier une ressource
Critères d'inclusion
Pertinence thématique
Récence
Fiabilité des sources
Contexte explicite
Diversité des perspectives
La source est dans une langue maîtrisée
Critères d'exclusion
Manque de pertinence
Obsolenscence des données
Non fiabilité des sources
Contexte hors-sujet
Absences de données théoriques ou empiriques solides
Source dans une langue non maîtrisée