Hybrider chercheur et IA en préservant la diversité épistémique : posture critique, diversification des corpus, prompt engineering disciplinaire, benchmarks et formation¶

Strategy · All strategies
Evidence · 1 claim (1 for) · 1 study (1 review), q2 · 0 of 1 report an effect size · 1 claim rests on one study

Description¶

L'article définit les conditions d'une hybridation chercheur/IA respectueuse de la diversité épistémique. Première exigence : une « posture critique vis-à-vis des productions des systèmes d'IA », traitant les sorties des LLMs « non comme des vérités objectives mais comme des hypothèses soumises à l'examen », l'expertise humaine demeurant « le filtre ultime de validation » (Gottweis et coll., 2025). Deuxième exigence : la diversification des corpus sollicités, en croisant les productions des LLMs avec des corpus spécialisés et en restant attentif aux silences. Troisième exigence : le prompt engineering disciplinaire avec « phrases de protection » contre les biais (Ye et coll., 2024). S'y ajoutent la construction de benchmarks disciplinaires, la formation des enseignants-chercheurs aux dimensions critiques, des politiques éditoriales évaluant la transparence, et une recherche participative impliquant les personnes handicapées.

Design Implications¶

Context¶

Requirements¶

• La formation des enseignants-chercheurs aux dimensions critiques de l'IA traverse toutes les exigences : compréhension du fonctionnement des LLMs, identification des biais structurels, maîtrise des cadres réglementaires (ALLEA, 2023 ; AI Act, 2024), et capacité à intégrer les outils « sans déléguer le jugement critique ».

Constraints¶

• L'article reconnaît « les limites structurelles propres aux tentatives de stratégies palliatives de correction algorithmique » : les approches purement techniques de correction s'avèrent insuffisantes (Cukurova & Miao, 2024).

Target Learners¶

• enseignants-chercheurs
• étudiants de l'enseignement supérieur
• personnes en situation de handicap

Target Learning Goals¶

• préserver la pluralité épistémique dans la production et la validation des savoirs
• développer une posture critique face aux productions des systèmes d'IA
• concevoir des outils d'IA éducative inclusifs via la recherche participative

Affordances¶

• Four Modes Ai Research Illusion Exploration
• Universal User Concept Exclusion Disability

Claims¶

• Les LLMs utilisés comme juges d'évaluation scientifique présentent douze types de biais qui désavantagent les productions s'écartant des canons dominants [+W]

Related Strategies¶

• Ancrer l'usage de l'IA dans l'enseignement supérieur inclusif dans l'Universal Design for Learning et des cadres institutionnels dépassant la logique punitive

Examples¶

-

Key Sources¶

• Fatiha TALI OTMANI. (2025). L'intelligence artificielle générative et la marginalisation des savoirs minoritaires dans l'enseignement supérieur. Le cas du handicap. https://scholar.google.com/scholar?q=%22marginalisation+des+savoirs+minoritaires+dans+l%27enseignement+sup%C3%A9rieur%22