Module thématique

Pédagogie et Intelligence Artificielle générative

Ce module doit beaucoup à la lecture critique et aux conseils de Étienne Daspe, spécialiste de l’intelligence artificielle. Je le remercie pour le temps et l’énergie qu’il y a consacré.

Diapo 2

Résumé et plan

1. Résumé

L’intelligence artificielle générative a émergé pour le grand public en 2022 et bouleverse un grand nombre d’activités humaines. D’où vient-elle ? Comment fonctionne-t-elle ?  En quoi impacte-t-elle les apprentissages ? Et quels sont les risques éventuels ? Ce module apporte quelques  éclairages pour s’y retrouver.

2.  Plan

Le plan du module, détaillé sur la diapositive, présente le contenu qui se déroule de la diapo 3 jusqu’à la diapo 21. Les numéros entre parenthèses correspondent aux numéros des diapositives.

3.  Conseil

Pour profiter au mieux du module, vous pouvez regarder la diapositive, écouter le commentaire audio et lire le commentaire écrit. Pour lire le commentaire écrit associé à la diapositive, cliquer sur l’icône comme indiqué par la flèche rouge, dans la partie « texte », à droite de la diapositive.

Diapo 3

Introduction

1. Intelligence artificielle générative : voilà trois mots, trois mots assez énigmatiques, dont on affirme qu’ils vont révolutionner le monde et l’ensemble des activités humaines. Cela comme jamais aucune technologie avant elle.

2. Ce module thématique a pour objectif :

(1)  De fournir quelques points de repères concernant l’IA générative, notamment son histoire et son fonctionnement

(2)  De s’intéresser aux usages de l’IA générative dans le champ de la pédagogie, qui vise à « faire apprendre ».

Les applications et usages de l’IA générative concernent de nombreux domaines et deviennent incontournables, comme dans les temps passés  pour la roue, l’imprimerie ou l’électricité.

Diapo 4

Histoire du numérique et de l’IA (1 sur 4)

Deux pionniers : Claude Shannon et Alan Turing ; deux termes clés : information et algorithme.

1. Claude Shannon

Dans la fin des années 1930, aux USA, le mathématicien Claude Shannon (1916 – 2001) est l’un des principaux artisans de la théorie de l’information. Car c’est bien le terme d’information qui est au cœur de la révolution que proposent l’IA et l’IA générative. Les travaux de Shannon concernent deux points essentiels : la quantité d’information et le codage des signaux.

2.  Quantité d’information. La quantité d’information dépend de la probabilité que se produise un événement. Elle est liée à l’entropie qui désigne un degré d’incertitude ou d’imprévisibilité d’un événement en fonction de la connaissance que nous en avons. Pour les plus forts en mathématiques, précisons que Shannon établit que la quantité d’information est égale au logarithme de l’inverse de la probabilité d’un événement.

Prenons deux exemples.

Si je dis « Demain, le soleil se lève », cet événement est sûr de se produire, sa probabilité est maximale : mon affirmation comporte peu d’information, car l’événement est certain, avec peu d’entropie.

Si on me dit, alors que je suis dans le désert de l’Atacama, entre le Chili et l’Argentine : « Demain, il va pleuvoir », la quantité d’information contenue dans cette phrase est importante.  Car il ne pleut pratiquement jamais dans ce désert et la probabilité statistique de cet événement est faible.

3. Codage des signaux.  Shannon formule mathématiquement que toute donnée (écriture, son, image…) peut se transmettre en langage binaire, sous forme de 0 et de 1. Ses travaux permettent la transition du monde analogique -classique à l’époque- vers le monde numérique. Le signal analogique correspond à une onde continue, alors que le signal numérique est constitué d’une succession d’unités élémentaires discontinues (ou discrètes) :  un bit (0 ou 1) correspond à la quantité élémentaire d’information.

Shannon s’intéresse également à l’intelligence artificielle et il conçoit un ordinateur, encore rudimentaire, qui joue aux échecs.

Aux USA, de nombreux travaux se développent dans le célèbre MIT (Massachussetts Institute of Technology), où travaille Shannon. Cette université est une véritable pépinière d’innovation.

Diapo 5

Histoire du numérique et de l’IA (2 sur 3)

1. Alan Turing. Le mathématicien britannique Alan Turing (1912-1954) est un contributeur majeur de la naissance de l’informatique et du numérique : La « machine de Turing » permet, dès 1936, d’appréhender la notion d’algorithme, centrale dans l’IA générative contemporaine.

2. Un algorithme est, pour simplifier, une suite d’étapes qui obéissent aux règles formelles d’un langage informatique, un peu comme la grammaire dans notre langue. À partir de données fournies en entrée, ces étapes conduisent, pas à pas, à un résultat (voir diapo 10 à 12 de ce module).

Alan Turing a également joué un rôle central dans l’interprétation du code de la machine allemande Enigma durant la seconde guerre mondiale. C’est un pionnier de la conception de programme. Un programme correspond à un ensemble d’instructions et d’opérations, où intervient la notion d’algorithme, et qui sont à la base de tout logiciel.

3. Turing est l’un des premiers qui s’intéresse à la capacité d’une machine à imiter une conversation : c’est l’ancêtre de l’actuel Chat GPT qui génère des conversations, désormais difficiles à repérer tellement elles sont assimilables au langage humain (même si des progrès sont encore à réaliser). Avec le fameux « Test de Turing », un évaluateur humain doit identifier, en 5 minutes, dans une conversation par écrit entre un homme et une machine, lequel des deux interlocuteurs est une machine. Ce test permet de répondre à la question : « La machine imite-t-elle correctement un humain au cours de la conversation ? ». Attention, ce test ne mesure pas la conscience ou la compréhension de la machine mais plutôt sa capacité à imiter un comportement humain crédible. Bien sûr, ce test a évolué en 70 ans, mais son principe reste d’actualité, notamment pour réfléchir à cette autre question centrale, une question qui est technique, mais aussi philosophique et sociale : « Une machine peut-elle réellement penser de manière autonome ou se contente-t-elle de simuler et d’exécuter des ordres ? ». Une question dont s’est emparée de son côté la science-fiction, avec, par exemple, le film I robot.

Diapo 6

Histoire du numérique et de l’IA (3 sur 3)

1. L’Intelligence Artificielle se développe à la fin des années 1950. De cette époque jusqu’aux aux années 1990, l’IA utilise majoritairement des règles déductives symboliques (de type : si… alors…).

2. Puis, en complément de cette approche symbolique, l’IA va s’appuyer sur une approche statistique : l’apprentissage automatique (ou « apprentissage machine »).

L’ordinateur va établir des relations statistiques entre des données, sans intervention directe d’instructions humaines. Au départ, la machine s’entraine sur un ensemble de données qui lui sont fournies et elle établit des liens statistiques. Puis, elle applique ces liens à des données nouvelles pour réaliser une tâche, et, en quelque sorte, « apprend toute seule ».

3. Parallèlement, le réseau Internet, qui relie des ordinateurs distants pour échanger des courriers et des informations, va naître et se développer dès le début des années 1970, avec une accélération au début des années 2000.

Diapo 7

Comment fonctionne l’IA générative ? (1 sur 3)

L’IA générative requiert deux éléments stratégiques : une masse de données nombreuses et une puissance de calcul importante.

Diapo 8

Comment fonctionne l’IA générative ? (2 sur 3)

1. Une masse de données nombreuses. Cela requiert de collecter et stocker des données (data) disponibles sur Internet, avec, en arrière-plan, plusieurs questions sensibles :

• La question de la source et de la fiabilité des données.
• La question de leur sécurisation, notamment pour des données personnelles.

La numérisation d’un nombre croissant de données permet d’aller dans ce sens, de même que leur stockage dans des clouds (ou nuages) numériques : c’est une sorte de réseau de serveurs distants où sont stockées et traitées les données d’autres ordinateurs – le vôtre par exemple.

2. Une puissance de calcul importante : parallèlement aux approches théoriques de gestion des algorithmes (le software), la technologie les ordinateurs et leurs composants (le hardware) fait des progrès. Ces derniers vont permettre d’assurer les calculs de plus en plus nombreux et de plus en plus complexes qu’exige le développement rapide de l’univers numérique : on passe des cartes mécaniques des machines à calculer automatiques (19ème siècle), aux tubes à vide de l’ENIAC (1945), puis on réalise un saut technologique décisif : ce sont les transistors (1947) qui sont des composants électroniques semi-conducteurs de petite taille ; en 1974 apparaissent les puces électroniques qui sont des circuits intégrés puissants et désormais très miniaturisés. Désormais, la recherche appliquée en physique quantique promet, à court terme, une évolution très significative dans les puissances de calculs des ordinateurs.

Diapo 9

Comment fonctionne l’IA générative ? (3 sur 3)

1. Revenons sur la notion d’apprentissage automatique ou apprentissage machine, évoqué précédemment.

Voici, en simplifiant, les trois processus clés de son fonctionnement : l’entraînement, le modèle de fondation, les réponses aux requêtes.

2.  Entraînement. Le processus initial consiste à entraîner un système d’IA sur de grandes quantités de données (textes, images, sons, vidéos, etc.). l’IA apprend à repérer certaines données pertinentes et à identifier des relations entre ces données grâce à des algorithmes. Ce qui permet de réaliser un « modèle de fondation », qui est, en quelque sorte, le résultat de cette phase d’entrainement.

3.   Modèle de fondation. Jusqu’à ces dernières années, l’IA était un outil spécialisé, dédié à des applications dans un domaine spécifique. Puis, grâce aux progrès récents de l’apprentissage automatique, on a constaté qu’un petit nombre d’architectures, entrainées sur des corpus variés, étaient utilisées pour réaliser des tâches très diverses : on parle d’apprentissage profond.

4. Réponse aux requêtes. Lorsqu’un utilisateur interagit avec un système d’IA, cet utilisateur formule une requête que l’on appelle un prompt. L’IA décompose la requête en unités élémentaires (tokens) et analyse les données d’entraînement pour générer une réponse. Les réponses sont produites en fonction de probabilités associées à chaque mot ou élément. Cela indique un point essentiel : la manière dont l’usager formule un prompt doit être exempte d’ambigüité, aussi claire et précise que possible… pour obtenir la réponse attendue (voir diapo à suivre : Focus 3. Savoir rédiger un prompt). Les IA génératives sont conçues pour progresser de manière continue en s’ajustant aux retours des utilisateurs. En quelque sorte, elles sont capables d’auto-apprentissage, grâce à des mises à jour régulières. Cela permet de réduire les erreurs (appelées « hallucinations) et d’améliorer la pertinence et la précision des réponses.

Diapo 10

3 focus pour mieux comprendre

Les diapositives suivantes présentent trois focus pour mieux comprendre les bases de l’IA générative et son usage.

Focus 1. Les algorithmes, au cœur de l’IA (début)

1. Le mathématicien Cédric Villani (médaille Fields 2010) donne cette définition de l’intelligence artificielle : « N’importe quel algorithme, automatisant une tâche qu’on aurait cru réservée à des humains ». [Source : https://www.youtube.com/shorts/6OR-AhNdgFM]

L’informatique et l’IA générative fonctionnent grâce à des algorithmes, dont, nous l’avons évoqué précédemment, Alan Turing est l’un des pionniers.

2. Mais qu’est-ce que qu’un algorithme ? Comment fonctionne-t-il ?

Sur le plan étymologique, le mot « algorithme » est une déformation du nom du mathématicien perse du 9ème siècle, Al Khwârizmi.

Un algorithme correspond une suite d’instructions (ou règles opératoires) rédigées dans un langage informatique et exécutées dans un ordre précis, étape par étape : cela permet de réaliser une tâche ou de résoudre un problème. Par exemple, dans notre vie quotidienne, nous pouvons considérer qu’une recette de cuisine est une forme d’algorithme ; de même nous suivons une procédure, c’est-à-dire un algorithme, pour répondre à un mail (et cette procédure s’automatisé par l’usage répétitif et devient une routine).

En informatique, un algorithme permet d’automatiser le traitement des données pour réaliser des tâches complexes et nombreuses. Les algorithmes servent à analyser, trier, relier de grandes quantités de données (les data). Et dans le cas de l’IA générative, ils permettent aux machines d’apprendre, de classer et de prendre des décisions sur la base des modèles de fondation.

3. Pour simplifier, on peut distinguer 3 éléments successifs : les entrées (inputs), les opérations et les sorties (outputs).

•  Les entrées sont les données qui constituent le point de départ de l’algorithme : ce sont des chiffres, des tableaux, des listes ou des chaines de caractères…
• Les opérations sont des calculs, des comparaisons, des conditions ou d’autres opérations logiques. Les données en input sont ainsi traitées par diverses opérations.
• Les sorties sont les résultats obtenus à l’issue du traitement des données. Elles peuvent prendre des formes variées : chiffres, tableaux, variables booléennes (c’est-à-dire sous forme de vrai ou faux), chaines de caractères.

Diapo 11

Focus 1. Les algorithmes, au cœur de l’IA (suite)

1. Dans les apprentissages supervisés, on utilise des algorithmes adaptés aux tâches à effectuer, qui sont plus ou moins complexes. On utilise des données dites étiquetées, c’est-à-dire des données qui sont repérées à partir de règles prédéfinies. On entre dans le domaine des mathématiques qui est assez technique. Par exemple : algorithme de régression linéaire qui sert à faire des prédictions, algorithme de régression logistique qui permet une classification et une prédiction, algorithme de Naive Bayes qui sert à réaliser des classifications probabilistes…

Dans les apprentissages non supervisés, on travaille avec des données non étiquetées pour rendre visibles des structures et des schémas qui sont cachés et, en quelque sorte, sous-jacents.

2. Cependant, si les algorithmes sont de plus en plus puissants, ils restent, fondamentalement, des calculs mathématiques qui sont déshumanisés. Les systèmes d’IA ne comprennent pas la signification des mots ou des images et leur fonctionnement repose sur des corrélations statistiques.

3. La fiabilité des calculs générés par l’IA générative sera dégradée si les données en entrée ne sont pas de bonne qualité (données tronquées, partielles, orientées) ou en nombre insuffisant. Ou encore si les modèles utilisés ne prennent pas en compte la variété des données ou des expériences, et donc induisent des biais et de possibles discriminations. Sans compter les données sciemment trompeuses ou malveillantes.

Diapo 12

Focus 1. Les algorithmes, au cœur de l’IA (fin)

1. Pour aller vers un usage raisonné et responsable de l’IA, il faut comprendre qu’elle est une forme de miroir sophistiqué des données d’entrée. Des données qui ne sont pas magiques et dans lesquelles l’humain est partie prenante.

Il importe donc que l’utilisateur prenne du recul, exerce son esprit critique… Des pratiques d’apprentissage éthique sont un élément indispensable pour éviter des dérives dans les usages de l’IA générative. D’où l’importance d’être vigilant  quant aux décisions que l’on prend en se fondant sur les résultats qu’elle fournit. Et l’importance de former à ce qu’est l’IA pour ne pas en faire un usage passif mais un usage responsable, pour tirer parti de l’aide que peut apporter l’IA sans en devenir dépendant.

2. Ce schéma rappelle combien l’IA est à l’interface de plusieurs domaines scientifiques distincts et complémentaires : les mathématiques, l’informatique mais aussi, ne l’oublions pas, les sciences humaines. Car il faut se rappeler qu’en amont de tout apprentissage automatisé, il y a des humains avec leurs représentations, leurs subjectivités, les normes culturelles ou sociales plus ou moins conscientisées, dont ils sont porteurs.

Diapo 13

Focus 2. Les modèles de fondation, l’autre cœur de l’IA générative

1. Commençons par préciser deux termes de base :

• Modèle correspond à ce qui sert de référence et qui est à imiter : c’est une sorte d’original, de matrice.
• Fondation renvoie à l’idée de base, de socle (comme pour les fondations d’une maison) et à la notion d’origine (comme pour la fondation d’une ville).

En informatique, un modèle de fondation est un type de modèle d’apprentissage automatique qui est pré-entraîné pour réaliser une série de tâches, plus ou moins spécialisées.

2. Ces modèles de fondation sont donc des références à partir desquelles vont être effectués les calculs probabilistes : ils sont au cœur de l’Intelligence Artificielle et fonctionnent grâce aux algorithmes.

Citons par exemple des modèles Granite d’IBM, qui sont des modèles d’apprentissage profond, c’est-à-dire assez polyvalents.  On parle d’apprentissage profond ou d’apprentissage neuronal : ce type d’apprentissage permet aux ordinateurs d’apprendre par observation, par analogie, en reproduisant la manière dont les humains acquièrent des connaissances.

Les ordinateurs sont programmés pour fonctionner à partir de la connaissance et la reconnaissance contextuelle globale de schémas ou de représentations ; comme le font les humains en utilisant le réseau de neurones de leur cerveau, qui, ainsi, se développe et se complexifie.

3. En articulation étroite avec les modèles de fondation, on trouve les grands modèles linguistiques (LLM : Large Language Model). Un LLM est un type de programme d’Intelligence Artificielle, capable notamment de reconnaître et de générer du texte, d’identifier et d’extraire des informations spécifiques dans de grandes bases de données textuelles, et désormais audio ou image (comme par exemple GPT 4o).

Diapo 14

Focus 2. Les modèles de fondation, l’autre cœur de l’IA générative (fin)

1. Évoquons le fonctionnement de ces modèles de fondation, qui recouvre des notions assez complexes.

Pour aller à l’essentiel, précisons qu’un modèle de fondation s’appuie sur deux éléments stratégiques :

• Le premier est l’apprentissage par transfert ; le modèle développe, au fur et à mesure, la capacité à appliquer les informations d’une situation A vers une situation B : c’est une source d’auto-apprentissage.
• Le second élément est la mise à l’échelle : il correspond à la capacité du modèle d’effectuer en simultané des calculs statistiques complexes. Cette mise à l’échelle, très technique, repose sur le traitement des unités de traitement graphiques (ou Graphics Processing Unit, soit GPU) : pour cela, la puissance de calcul des puces des cartes graphiques est un élément essentiel.

2. Grâce aux capacités conjuguées de transfert et de mise à l’échelle, l’IA générative exécute des inférences.

Dans le langage commun, la notion d’inférence est assez familière : elle consiste en un processus logique qui débute par une proposition initiale pour aboutir à une conclusion, tenue pour vraie.  Par exemple, la déduction est une forme d’inférence. Si une personne me dit : « il faisait froid dans la chambre » (proposition de départ, qui provient de la sensation de cette personne en entrant dans cette pièce d’une maison), je déduis (c’est l’opération logique) qu’il fait un peu plus chaud dans le reste de l’habitation (c’est la conclusion).

Le fonctionnement de chacun d’entre nous, dans la vie quotidienne repose largement sur des inférences : si on entend quelqu’un crier, on suppose qu’il est mécontent ou qu’il s’est fait mal. Ce n’est pas absolument sûr, mais il y a une forte probabilité pour que ce soit le cas.

Indiquons également qu’il existe principalement deux types d’inférences logiques, utilisées en IA : l’inférence déductive (voir l’exemple précédent), qui tire des conclusions particulières à partir de principes généraux ; et l’inférence inductive qui part d’observations spécifiques pour construire des modèles généraux.

Dans le domaine de l’IA, l’inférence correspond à la manière dont le modèle, s’appuyant sur ce qu’il a appris au cours de son entraînement, va l’appliquer à une situation particulière. Ainsi une donnée entrante va être traitée par le modèle de fondation, basé sur un entrainement d’un important corpus de données, pour être transformée en une donnée de sortie. Par exemple, les modèles de prévision météo s’appuient sur des inférences pour prédire, de manière plus ou moins précise dans le temps ou plus ou moins précise localement, la météo à venir… qui permettra, le cas échéant, de prendre ou pas un parapluie si on sort demain.

Diapo 15

Focus 3.  Savoir rédiger un prompt

1. Savoir rédiger un prompt est une clé stratégique pour tout utilisateur de l’IA générative.

Un prompt est une requête ciblée, formulée par un usager et adressée à une IA générative. Autrement dit, l’usager va donner une instruction à l’IA afin d’obtenir une réponse, sous forme de texte écrit, d’image ou d’audio. Et plus la requête sera claire et précise, plus la réponse sera pertinente en regard des attentes de l’usager.

D’où l’importance stratégique de savoir communiquer avec une IA pour exploiter pleinement l’aide qu’elle peut apporter.

Comment rédiger un prompt ?

Précisons que rédiger un prompt est différent selon le modèle. En général, le fournisseur du modèle donne un guide pour prompter efficacement le modèle. Voir ressource en fin de module.

Beaucoup d’aides en lignes existent. Voir ressource en fin de module.

2. De fait, chacun a un usage un peu intuitif dans l’art de rédiger un prompt, à partir de l’expérience acquise lorsqu’on utilise la barre de recherche classique de notre ordinateur. Voici 3 conseils de base pour commencer, pleins de bon sens, pour tirer le meilleur parti de l’IA.

Conseil n°1. Soyez clair et simple : le mieux est de poser notre question sans utiliser de termes trop techniques, en évitant les formulations ambigües ou contradictoires. Si besoin, organisez votre prompt en sous-questions. Ainsi l’IA pourra comprendre directement ce que vous recherchez.

Conseil n°2. Soyez concis et précis, autrement dit, sélectionnez et indiquez avec soin les informations qui vont guider les recherches de l’IA. Donnez notamment quelques éléments de contexte pour aider l’IA à circonscrire la réponse.

Conseil n°3. Précisez la forme de la réponse. Cela signifie d’indiquer si vous attendez un texte écrit, une liste, des images, etc…

Diapo 16

Quelques exemples d’application de l’IA générative

1. Une remarque s’impose d’emblée. Ces applications sont multiples et concernent tous les domaines, les personnes privées, les organismes publics ou encore les entreprises. Chaque jour, elle se développent et se diversifient, s’appuyant sur des masses de données toujours plus nombreuses.

Reste, et ce n’est pas le moindre, à s’assurer du développement et de l’usage de l’IA par des acteurs responsables et transparents. Avec un système de contrôle et de régulation qui garantisse que cela ne nuise pas à l’intérêt général et au bien commun : il y a là un chantier autant stratégique qu’urgent, tellement des usagers particuliers, souvent peu formés sur ces questions, mais aussi des institutions, comme les États, semblent avoir du mal à prendre la mesure des enjeux pour eux-mêmes comme pour les générations futures.

Commençons par trois exemples dans la vie quotidienne présente et à venir…

2. Dans la vie quotidienne, les IA sont présentes dans la recommandation de contenus, à partir de l’analyse des préférences des utilisateurs (par exemple avec Netflix), à partir des recherches que ces derniers effectuent et dont on suppose qu’elles concernent leurs centres d’intérêt. Chacun d’entre nous en a l’expérience.

3. L’IA est présente également dans la cartographie et le guidage pour optimiser les déplacements en voiture en s’appuyant sur des informations récoltées en temps réel. Pour cela, Google Maps ou Waze sont bien pratiques et font gagner du temps. Et demain, en complément, les véhicules autonomes identifieront les panneaux de signalisation, analyseront le contexte réel de la circulation en faisant appel au traitement d’image et à la détection d’objets mobiles ou non.

4. La détection de fraude est également aidée par l’IA qui peut analyser certains comportements d’usagers et identifier des transactions anormales et potentiellement frauduleuses.

Diapo 17

IA générative et pédagogie

1. Intéressons-nous, à la place actuelle et aux développements possibles de l’IA générative en lien avec les apprentissages et la pédagogie.

Face à l’innovation rapide induite par l’IA générative, les enseignants constituent un ensemble hétérogène. Beaucoup d’initiatives d’enseignants ou de collectifs d’enseignants plus ou moins structurées, existent. Cela dans l’enseignement primaire, l’enseignement secondaire ou l’enseignement supérieur. Et dans le même temps, beaucoup d’enseignants ne se sentent pas concernés et parfois, s’avouent dépassés ou sont carrément défiants.

2. De même, pour ce qui concerne le monde des institutions scolaires et l’enseignement supérieur en général (Ministère au niveau national, Rectorat dans les Régions, voire à l’échelle des établissements), la réaction est variable. Cela n’est pas simple car l’IA évolue vite et les institutions ne sont pas toujours réactives, même si des initiatives émergent, se fédèrent… comme par exemple, l’AMUE : Agence de Mutualisation des Universités et des Établissements d’enseignement supérieur.

3.  Hors cadre scolaire, des dispositifs existent également. Et il est bien difficile de discerner, avec un faible recul, les dispositifs intéressants, qui apportent une vraie plus-value pédagogique au sens où ils participent à faciliter effectivement les apprentissages et où ils apportent une aide personnalisée. C’est un secteur où des études seraient à mener pour documenter ces questions, souvent objets de discours passionnés mais pas toujours fondés.

4. L’apprentissage en ligne, la e-formation – notamment pour les langues vivantes-, dispose cependant d’un certain recul. Pour cet apprentissage pas à pas, la force principale de l’IA est triple et permet une personnalisation des apprentissages :

• Capacité à prendre en charge beaucoup d’apprenants en simultané, et cela en fonction de leurs disponibilités
• Capacité à s’ajuster au rythme d’apprentissage de chacun et à répéter si besoin
• Capacité à apporter, grâce aux algorithmes, des aides et des corrections individualisées en cas d’erreur

Diapo 18

IA générative et pédagogie  (suite)

1. Ainsi, l’IA possède des qualités pour instruire, enrichir ses connaissances.  Mais elle ne possède pas (encore) des qualités pour éduquer, qualités dont peut faire preuve un humain, notamment pour faire face à certaines difficultés d’apprentissage ou pour aider à persévérer en faisant preuve, en fonction des circonstances, de bienveillance ou d’exigence.

2. Le mieux, pour un pédagogue -enseignant, formateur ou autre-, est d’être curieux et d’aller voir ce qui existe, d’expérimenter, de partager et participer aux forums, de travailler en équipe… bref, d’investir de l’énergie dans ce défi de l’IA et du numérique qui ne peut être ignoré.

3. Il n’y a pas la place dans le cadre de ce module pour présenter en détail des exemples précis. Chacun pourra trouver, en fonction de ses centres d’intérêt, des ressources, des tutoriels, des forums, des conseils qui lui permettront de s’engager dans cette innovation avec responsabilité, avec mesure et avec succès.

Parmi de nombreuses publications sur le sujet de l’IA générative en éducation et en pédagogie, un document accessible et bien construit, retient notre attention. Il constitue le résultat d’une recherche labellisée Erasmus + et se présente sous la forme d’un manuel ouvert et libre d’accès. (voir sources en fin de module). Il constitue une synthèse bien documentée de la problématique de l’IA générative en lien avec l’enseignement et l’éducation et propose des exemples convaincants et quelques usages précis à différents niveaux d’enseignement.

Depuis quelques années, les ressources numériques et le distanciel se sont développés dans le champ de la pédagogie et la Covid 19 a accéléré ce mouvement. Cela, dans le monde scolaire (carnets de notes, ressources documentaires…), comme dans les apprentissages hors scolaires: pour apprendre une langue ou avec des tutoriels dans de nombreux secteurs : cuisine, bricolage…).

Diapo 19

IA générative et pédagogie (suite)

1. L’analyse non exhaustive de nombreuses ressources en ligne d’IA générative permet une première classification :

Certaines aides et outils permettent d’aider le travail des enseignants hors de la présence des élèves : par exemple pour préparer un cours, proposer des scénarios de cours immersifs, concevoir une évaluation ou des exercices, ou pour corriger des copies. Il s’agit moins, pour l’enseignant, de déléguer à 100% ou faire faire certaines tâches traditionnelles que de se faire aider dans les tâches de préparation, de réalisation des cours et de correction, en gardant la main sur cette aide. D’autres aides sont à utiliser en présentiel (c’est-à-dire en classe) par les élèves et leur enseignant.

2. D’autres outils sont utilisés directement  par les apprenants,  pour approfondir les connaissances, réviser, faire leurs devoirs ou leçons, réaliser des résumés, s’entrainer. Mais, dans cette dynamique, s’invitent aussi les usages moins vertueux de l’IA, comme la triche.

Bref, tous les moments des apprentissages et tous les acteurs de la pédagogie sont concernés. Mais avec quelle efficacité ?

Diapo 20

IA générative et pédagogie (fin)

Rappel avant d’aller plus loin : dans les modules de base de ce site de formation à la pédagogie, nous définissons la pédagogie comme ce qui permet de « faire apprendre » et nous mettons en avant trois registres distincts et complémentaires qui, de manière dynamique, structurent la pédagogie : le registre didactique, le registre de la relation et le registre de l’organisation.

1. Le registre didactique. Il consiste à déconstruire le contenu à faire apprendre et à le reconstruire pas à pas , de manière logique et cohérente, en fournissant des points de repère. Cela en suivant idéalement le rythme des apprenants et en évaluant leurs progrès – si possible en les associant à cette évaluation.

l’IA générative – avec notamment ChatGPT-   offre une alternative aux manuels scolaires qui constituent eux-mêmes un support didactique cohérent avec les programmes : répartition par chapitre, progressivité, explications, illustrations, résumés, exercices, etc… Cette aide potentielle vient en complément et en appui à d’autres ressources numériques nombreuses, souvent pleines d’inventivité. On peut signaler les chaînes YouTube de nombreux enseignants, tous niveaux scolaires et toutes disciplines scolaires confondus, qui offrent des exemples solides sur le plan didactique, très attractives pour les élèves ! Mais un simple tutoriel bien découpé et illustré, qui met en avant les points importants et les points de vigilance, possède, pour beaucoup d’activités quotidiennes, de grandes qualités didactiques. Et il peut être utilisé de manière autonome. Avec l’IA générative, l’enseignant peut enrichir et varier ses approches : partir d’exemples plus attractifs, donner des exercices plus motivants aux élèves, proposer des aides personnalisées, permettre des travaux de groupe plus riches.

2. Le registre de la relation se rapporte aux différentes dimensions de la relation pédagogique entre le pédagogue et l’apprenant : cela comprend les questions de la motivation et de l’attention, de la confiance en soi, de l’effort à faire pour apprendre, de l’autorité et des règles, du soutien à apporter…

Le registre de la relation constitue le maillon faible car l’IA ne se substitue pas à la relation humaine que peut offrir un pédagogue exigeant et bienveillant à l’apprenant. Une relation où, en fonction des situations toutes singulières, l’autorité, la motivation, la reconnaissance et le soutien, l’attention pédagogique en cas de difficulté d’apprentissage, sont des leviers d’action qui permettent de faire apprendre. L’IA est dépourvue d’émotion et d’empathie : d’où le taux d’abandon encore important lors des formations en ligne. L’IA se borne à apporter des réponses à des requêtes sur la base de statistiques, à partir d’algorithmes et d’un modèle de fondation…. Ce qui est déjà précieux.

3. Le registre de l’organisation concerne, pour synthétiser, la gestion du temps et tous les outils. La gamme d’outils est vaste : manuels scolaires, fichiers, diaporama, mise en situation concrète, travail de groupe, expérimentation, exercices et résolution de problèmes… et désormais Internet et ChatGPT…

Le temps d’apprentissage, habituellement contraint dans un système en présentiel, est un point stratégique pour que chacun puisse progresser effectivement à son rythme.

Dans le registre de l’organisation,  l’aide apportée par l’IA est  importante, notamment dans le domaine de la recherche d’information et dans le temps de préparation. L’IA permet, selon la manière dont on s’en sert, de mieux gérer les temps d’apprentissage. Par ailleurs, en proposant des ressources ciblées, l’IA permet déjà – mais permettra plus encore demain- , d’apporter des aides personnalisées, dans la logique de la pédagogie de la maîtrise (voir module : Courants pédagogiques 3).  Là encore, l’IA fournit une aide précieuse mais ne remplace pas une organisation pédagogique pensée et pilotée pale pédagogue, qui s’ajuste en temps réel aux différents registres de la pédagogie.

Diapo 21

Conclusion

1. L’IA est un outil pour apprendre et faire apprendre. Mais pas un outil magique.

Lorsque le pédagogue fait appel à l’IA générative -et plus globalement aux outils numériques- pour « faire apprendre », il lui appartient de le faire avec mesure et en gardant un esprit réflexif et critique que son expérience lui confère.

Il ne s’agit certainement pas de déléguer sans contrôle, d’ignorer les biais d’usage, d’adopter une posture passive ou d’entrer dans la croyance un peu magique que tous les problèmes sont réglés.

Rappelons que souvent, les innovations pédagogiques passées ont été d’abord profitables aux « bons élèves », plus autonomes dans les apprentissages… et qu’à contrario, les élèves les plus en difficulté, souvent les moins autonomes, ont besoin d’un soutien spécifique avec une dimension relationnelle forte (motivation, effort…)

Le philosophe Gaston Bachelard (1884 – 1962) nous mettait en garde contre l’illusion de connaître et de comprendre ce que l’on sait simplement nommer. Cela reste d’actualité pour tout apprenant qui peut estimer qu’il maîtrise un apprentissage parce que, grâce à l’IA, il a un résultat correct à un problème qui lui est soumis. En confondant d’une part la surface d’un apprentissage, à savoir une réponse exacte à un problème résolu avec l’assistance de l’IA avec d’autre part la structure de cet apprentissage c’est à dire une maîtrise effective de la notion étudiée, l’apprenant peut se tromper lui-même et tromper les autres sur ses compétences réelles. Dans le pire des cas, c’est la capacité à raisonner, à former un jugement éclairé qui peut être dégradée.

2. Difficile de conclure

l’IA générative  se développe rapidement, apprend des données sur des corpus de plus en plus importants, avec des supports technologiques de plus en plus puissants. Elle génère des réponses basées sur des probabilités et s’ajuste en permanence : elle ouvre des voies jamais vues avant.

Le champ de la pédagogie et des apprentissages est d’ores et déjà concerné et il appartient à tous les pédagogues de s’emparer des outils numériques en général et notamment de l’IA générative avec ouverture d’esprit et discernement. Cela pour garder la main sur le processus pédagogique qui « fait apprendre »: c’est un défi  qui offre des opportunités mais qui n’est pas sans risque. Un défi qui demande de l’énergie, mais qui ne peut être contourné.