TIPES, Techniques innovantes pour l’enseignement supérieur

Articles

• Atelier sur les Environnements d’apprentissage humain orientés Apprentissage Tout au Long de la Vie – appel à communications

  Cet atelier d’une demi journée est proposé dans le cadre des Rencontres Jeunes Chercheuses et Chercheurs en EIAH le 4 juin 2024 à Laval (France) pour permettre de mieux appréhender les environnements pouvant soutenir l’apprentissage tout au long de la vie. Il est ouvert à toute personne motivée par ce sujet.

  L’annonce originale est à retrouver sur le site du Groupe de Travail « des EIAH centrés apprenants pour l’ATLV » créé fin mars 2019 par l’ATIEF.
  

  Objectif de l’atelier

  
  L’apprentissage tout au long de la vie est à la fois une opportunité et une nécessité.
  
  Une opportunité pour un nombre croissant de personnes : de part la disponibilité croissante de sources de connaissances et de ressources d’apprentissage permettant de développer ses propres compétences, de part le développement d’équipements permettant de mesurer ses propres performances, de part le développement de communautés de pratiques et d’apprentissage. Le champ des possibles s’élargit sans cesse articulant apprentissages formels et informels. Plus récemment, les apprentissages semi-formels gagnent du terrain. Ils révèlent des stratégies actives d’autoformation.
  
  Une nécessité pour les professionnels, soumis à l’injonction de s’adapter continuellement, qui doivent gérer leurs parcours professionnels et trouver leur place dans un écosystème évolutif, transformé par le numérique. L’enjeu est de permettre à chaque travailleur de devenir proactif pour transformer cette nécessité en opportunité personnelle et collective.
  
  De nouveaux enjeux, de nouvelles politiques, de nouvelles pratiques, de nouveaux outils dessinent une grande transition de l’apprentissage tout au long de la vie. Chacun peut être porteur de son projet de vie.

  Quelles tendances se dessinent, quels outils sont à développer, quelles recherches sont-elles à mener pour mieux comprendre, accompagner et infléchir cette transition ? Pour préparer au mieux cet événement, nous attendons des propositions de papier de positionnement autour de ces grandes questions. Nous indiquons ci-dessous quelques axes permettant de mieux délimiter la problématique, qui ne sont nullement limitatifs :

  • Quels dispositifs peuvent être développés dans un contexte d’apprentissage tout au long de la vie ? (Jeux sérieux, plateformes d’apprentissage, réalité virtuelle,  …)
  • Quels outils pour faciliter/encourager les pratiques réflexives d’autodétermination, et d’autorégulation dans un cadre professionnel et personnel ?
  • Comment prendre en compte les stratégies proactives d’apprentissage pour expliciter et valoriser les compétences ? (Portfolio, badges, tableaux de bord, validation de compétences …)
  • Quelles opportunités se dessinent-elles avec les nouvelles sources d’informations telles que la “mesure de soi” (quantified self) ?

  Toute proposition, sous forme de résumé, contribuant à la compréhension de dispositifs facilitant l’ATLV ou à l’éclairage de la problématique sera la bienvenue.

  Comité Scientifique

     Marie-Hélène Abel, Université de Technologie de Compiègne
      Nour El Mawas, Université de Lorraine
      Jean-Marie Gilliot, IMT Atlantique
      Alain Mille, Université Lyon1 + COEXISCIENCE
      Catherine Loisy, Université  de Bretagne occidentale
      Fatiha Tali, Université Toulouse – Jean Jaurès

  Dates importantes

  Date limite de soumission des communications : 26 avril 2024
  Notifications aux auteurs : 10 mai 2024
  Date limite pour la réception des textes définitifs : 20 mai 2024
  Déroulement de l’atelier, à Laval : 4 juin 2024

  Modalités de communications

  Nous attendons pour cet atelier des résumés et mots-clés (en Français et Anglais) présentant des résultats de recherche en cours ou aboutis, mais aussi des propositions plus ouvertes. La sélection des articles sera assurée par le comité de programme sur les critères scientifiques habituels. Les soumissions feront entre 1 et 2 pages.
  
  Vos propositions sont à envoyer directement aux organisateurs de l’atelier (nour.el-mawas à univ-lorraine.fr et jm.gilliot à imt-atlantique.fr) .
  Les articles soumis devront être anonymes et ne faire aucune référence aux auteurs dans le corps du texte. Aussi, les fichiers PDF contiennent des métadonnées incluant souvent le nom de l’auteur du document ; prenez garde à supprimer ces métadonnées à l’aide de votre logiciel d’édition de fichiers PDF.

  22 mars par Jean-Marie Gilliot

• Des outils d’IA génératives pour les sciences, vraiment ?

  Je propose ici un petit retour d’expérience sur ma participation à une semaine de formation pour découvrir les usages de l’IA Générative pour les sciences. Au travers de ce retour, nous cherchons à partager des réponses aux questions suivantes en trois billets : Quel cadre pédagogique pour tirer parti de cette technologie d’IA Générative ? Comment construire un programme de découverte d’une nouvelle technologie de l’information ?Dans ce troisième billet, nous explorons si cette technologie peut effectivement être utilisée dans un cadre de recherche scientifique ?

  Le développement des IA générative a connu un succès grand public sans précédent. Ce développement impacte potentiellement tous les métiers. Dans le cadre d’un cours d’inter-semestre, nous avons exploré la question des pratique de ces IA génératives dans le cadre des sciences. Nos étudiants ont proposé un guide de bonnes pratiques à l’issue de notre semaine commune.

  Lors d’une exploration préalable, j’ai pu découvrir l’existence de tout un ensemble d’outils spécifiques pour le chercheur, beaucoup plus diversifiée que ce que laisse penser l’omniprésence des outils conversationnels comme ChatGPT et tous ses concurrents.

  Comme l’offre des IAG évolue très vite, il est également intéressant de regarder ces services et outils plus spécialisés, et ce pour 2 raisons. D’abord, parce que dans le cadre de la recherche, ils sont spécifiquement basés sur les articles de recherche comme données d’entrée, ce qui est une garantie dans le processus, sauf quant il s’agit de demander une reformulation plus simple. Ensuite, parce qu’actuellement, c’est la bonne manière de découvrir ce qu’il est possible de faire avec les IAG. La liste proposée ci-dessous émerge d’une exploration de ces outils. Des outils spécialisés, issus d’autres domaines peuvent également mériter qu’on s’y arrête. Deepl, qui d’abord est un outil de traduction (i.e. une IAG spécialisée) propose un outil de type traitement de textes outillé (Deepl Write).

  Un point important à préciser d’emblée est que ces outils peuvent fournir les sources de leurs textes, et surligner les extraits de texte concernés. Dans une démarche scientifique, il est en effet indispensable de pouvoir sourcer les informations, de disposer de leur contexte, et de vérifier que ces informations puissent effectivement être réutilisées dans le contexte de recherche.

  Je propose donc ici d’abord quelques points d’entrée. Autre point important, l’extraordinaire évolutivité du domaine, entre évolutions incessantes, et annonces fracassantes, fait que (1) cette liste est amenée à évoluer, (2) ce qui n’est pas encore convaincant aujourd’hui peut le devenir rapidement, et (3) la forme d’interaction la plus efficace est encore à trouver, ou au moins à confirmer. Voici donc quelques tâches, qui sont sans doute à compléter, dans lesquelles une IA Générative (IAG) pourra vous aider :

  • L’exploration d’un sujet. Quand on aborde un nouveau sujet, il est souvent difficile de cerner les concepts, les mots clés pour trouver des sources. Un article sur Wikipédia, un article de vulgarisation écrite par un expert constituent de bons points d’entrée. Commencer par des articles scientifiques peut s’avérer ardu. Dans tous les cas, demander à une IAG de reformuler en variant les styles permet de mieux comprendre et de revenir vers des formulations plus scientifiques. Vous pouvez décliner cette approche par concept, question de recherche, hypothèse … Vous pourrez alors explorer les articles de références sur ces sujets, en étant prêts à vous les approprier.
  • Explorer et détailler un article de recherche. Demander un résumé d’un article est particulièrement facile, mais en quoi celui-ci est il plus pertinent que celui proposé par les auteurs et surtout en quoi répond-il à votre question spécifique ? Clairement, ces outils ne proposent pas de remplacer votre expertise, mais de vous accompagner dans votre lecture et vous faire gagner un peu de temps. En fait, on peut aller en profondeur sur un certain nombre de points. Une IAG vous permet de poser de nombreuses questions d’exploration suivant votre point d’intérêt : quels sont les apports de l’article, quelle est la méthode utilisée, la dimension de l’échantillon, … ? Bref, il devient facile d’extraire de l’information spécifique.
    Et comme indiqué précédemment, il est toujours possible de demander une reformulation pour explorer un concept qui vous paraît nouveau.
  • Explorer un corpus. On peut élargir la tâche précédente à un corpus de documents, mais ce n’est pas directement accessible sur les versions d’essai. Cela peut a priori permettre de construire une réponse basée sur les informations dans ces textes, mais il reste à évaluer comment sont gérées les contradictions.
  • Conduire sa revue de littérature. Les nouveaux outils permettent de dépasser une simple recherche par mots clés. Il devient possible de poser une question de recherche et d’obtenir une série d’articles qui s’y rapportent et d’obtenir une synthèse (consensus, elicit, scispace), d’explorer la littérature par graphe de proximité de chercheurs ou de sujets (ResearchRabbit). Certains outils vous promettent des recommandations d’articles en fonction de vos recherches précédents (GoogleScholar) ou en fonction de votre base d’articles (SemanticScholar). Bref, ces outils vous offrent des nouvelles manières de faire des revues de littérature. Il s’agit de combiner ces points de vue, pour vous construire une base d’articles qu’il vous restera à comprendre.
  • Explorer des données. Les outils d’IAG vous permettent d’extraire des données de toutes sortes de sources, y compris d’un tableau dans un pdf. Ils vous permettent également de mettre en forme ces données selon les spécifications de l’outil que vous visez. Je n’ai pas encore investigué ce point là, mais il est clair que c’est une étape toujours chronophage, qui mérite des outils dédiés.
  • Produire du code. Clairement, les IA génératives peuvent rendre de grands services pour aider à créer du code. Pour nombre de codes simples, les propositions des IA génératives peuvent faire gagner beaucoup de temps. Il peut rester une phase de mise au point, mais c’est un usage plébiscité.
  • Organiser son papier. Les plans d’articles scientifiques sont finalement assez classiques. Il n’est donc pas étonnant qu’une IA générative puisse vous faire une première proposition qui permette d’éviter la page blanche, et que vous pourrez affiner, en conversant avec l’IAG, et en ajoutant ce que vous considérez comme important.
  • Écrire son papier. Il ne s’agit pas ici de générer un document automatiquement, mais bien de se faire aider dans son écriture. L’IAG vous permet de reformuler, pour améliorer le style, pour vous permettre de reprendre une idée que vous avez déjà formulé dans un article précédent (pour éviter l’auto plagiat), pour citer correctement une idée issue d’une référence. La traduction est également une option logique en visant un style scientifique.
  • Améliorer son texte. Les IAG peuvent servir de relecteur. Tout comme il est intéressant de faire relire votre papier par un collègue, ou un pair, vous pouvez demander à une IAG d’analyser votre texte, de vérifier votre argumentaire, de regarder si il est possible de mieux présenter une idée. Reprenez les éléments d’exploration d’un article de recherche et appliquez le à votre brouillon.
  • Présenter vos résultats. L’IA générative ne s’arrête pas à la génération de texte, il y a évidemment les illustrations, mais aussi des outils d’aide pour les diaporamas, et bientôt les vidéos.

  Pour effectuer toutes ces tâches, il est possible d’utiliser une IAG généraliste comme ChatGPT (avec des résultats bien supérieurs pour la version payante), qui intègre de plus régulièrement les idées développées par d’autres sous forme de plugins variés.

  Parmi tous ces outils, certains sont issus de démarche de science ouverte (comme SemanticScholar), alors que d’autres sont au contraire issus d’éditeurs qui ont été décriés, mais qui annoncent assurer une qualité supérieure (voir l’annonce par Springer de l’outil Curie). Notons également que les outils existants ont tendance à proposer leur propre IAG, le dernier que j’ai vu apparaître est l’extension proposée par Writefull pour le bien connu éditeur latex collaboratif Overleaf.

  Citons quelques outils parmi ceux que nous avons pu tester :

  • SemanticScholar qui permet de faire des recherches, propose des résumés en une phrase, et met en avant les éléments importants d’un article. Un outil de recherche dans la littérature scientifique ;
  • Consensus qui vous propose sur une question de recherche les articles les plus pertinents, les conclusions de chacun, et une synthèse. Une bonne base pour entamer une exploration, ou au contraire constater qu’un consensus existe déjà ;
  • AskYourPDF qui permet de converser avec un article. Un outil spécialisé, sur une tâche ;
  • SciSpace, est ce qui ressemble le plus à un outil intégré pour la recherche scientifique, en vous permettant de gérer votre bibliothèque de références, de faire une revue de littérature, d’explorer un texte ou un corpus, de citer, paraphraser, de détecter du contenu généré par l’IA générative. Il propose également un cahier de notes, et un plugin pour simplifier du texte ou aller chercher des références, dans un pdf ou sur une page web.
  • AI reviewer, pour avoir un retour sur un article en cours de rédaction.

  Dans tous les cas, rappelons quelques éléments de bonnes pratiques :

  • Avant tout, posez vous la question de savoir si votre travail peut être diffusé sur une plateforme externe, qui peut réutiliser ce travail. Ces outils ne vous garantissent pas un niveau de confidentialité absolu ;
  • L’IAG est un assistant pour vous accompagner dans votre travail, un partenaire avec qui échanger, mais pas un outil auquel vous déléguez votre travail ;
  • Interagissez en anglais. Ce conseil ne plaira pas à tout le monde, mais les bases de ressources scientifiques sont majoritairement en anglais. De plus, l’anglais reste la langue pivot de beaucoup d’outils, qui y reviennent naturellement.
  • Décomposez vos étapes, préciser ce que vous voulez, cela vous permettra de construire des prompts précis, pour obtenir des résultats corrects.
    • Réitérez, précisez, interagissez pour raffiner ;
    • N’hésitez par à prendre le contre-pied, en lui demandant ce qu’il a écarté par exemple, ce qu’il manque dans votre proposition …
  • Prenez le temps d’analyser les réponses. Vérifiez les sources. Les réponses des IAG, mais aussi les articles publiés, peuvent comporter des biais. Le texte peut être hors sujet, car issu d’un passage qui parle d’autre chose, ou qui le donne en contre exemple …
  • Dans tous les cas, gardez le contrôle, c’est vous qui êtes responsables de la construction des idées, par les IAG.

  En synthèse, l’IAG n’est pas là pour vous remplacer, mais peut effectivement jouer le rôle d’un assistant qui répond à vos questions, qui vous fait des mémos, qui mâche des étapes de votre travail. À vous d’apprendre à travailler avec un assistant, c’est à dire interagir avec lui pour l’amener à faire au mieux de ses possibilités, l’amener à vous remettre en question, bien considérer ce qu’il vous propose et garder le contrôle sur chaque étape, sur chaque conclusion. Si vous le prenez comme tel, vous pourrez aller assez loin.

  

  Crédit photo : Multnomah Whiskey Library Portland Oregon par dog97209 licence CC-by-nc-nd2.0

  11 mars par Jean-Marie Gilliot

• Découverte de l’IA Générative pour le jeune chercheur

  Un déroulé et retour d’expérience d’une semaine de formation

  Je propose ici un petit retour d’expérience sur ma participation à une semaine de formation pour découvrir les usages de l’IA Générative pour les sciences. Au travers de ce retour, nous cherchons à partager des réponses aux questions suivantes en trois billets : Quel cadre pédagogique pour tirer parti de cette technologie d’IA Générative ? Comment construire un programme de découverte d’une nouvelle technologie de l’information ? https://tipes.wordpress.com/2024/03/11/des-outils-dia-generatives-pour-les-sciences-vraiment/Est-ce que cette technologie peut être utilisée dans un cadre de recherche scientifique ? Dans ce billet, nous nous intéressons à la construction d’une telle semaine de formation.

  J’ai participé à une formation intensive d’une semaine, dite d’inter semestre, d’exploration des usages possibles et pertinents de l’IA générative pour des étudiants de master, en tant que jeunes chercheurs. La formule des inter-semestres permet de faire un pas de coté dans la formation, et de proposer des sujets originaux et des formats pédagogiques plus ouverts. La proposition d’activités dynamiques qui emportent l’adhésion des étudiants fait partie des attendus de cette formule. Cela fait longtemps, que j’aime bien contribuer à ce type de formule (pour la programmation sur mobile ou le web2).

  L’objectif de cette formation était donc d’explorer le sujet des Intelligences Artificielles Génératives (IAG) pour les sciences avec un œil critique. Les IAG sont clairement un vecteur de changement potentiellement important dans beaucoup de nos pratiques. La question ici porte sur les pratiques dans le futur métier de nos étudiants.

  Pour construire un scénario pédagogiques pertinent, plusieurs dimensions sont donc à combiner :

  • La conduite du changement autour de deux points : (1) pour une appropriation par les personnes, il est indispensable de leur donner un sentiment de contrôle sur les facteurs de changement et donc sur leur apprentissage ; (2) l’adoption d’une nouvelle technologie passe souvent par plusieurs étapes (sur le modèle du cycle de maturité de Gartner), commençant par des attentes très fortes (l’effet waouh très présent avec les IAG), suivies d’une certaine désillusion, puis d’une phase de consolidation. La question pour ce second point est de condenser ce cycle sur une semaine ;
  • La mise en pratique, indispensable pour le sentiment de maîtrise ;
  • L’apport de points de vue complémentaires pour prendre du recul sur la nouvelle technologie ;
  • Le travail collectif pour la mise en débat, le développement d’une approche critique, le croisement des expériences, la dynamique du cours et l’analyse réflexive. Nous avons mis en place un document collaboratif qui a permis une prise de notes partagées, la coordination, l’échange de résultats du travail en petit groupe et individuel.

  Un déroulé qui marche bien pour explorer une technologie de rupture est le suivant. Dans un premier temps, l’idée est de commencer par une découverte, puis d’alterner apports d’experts et activités d’appropriation les trois jours suivants. Le dernier jour est dédié à une production finale collective qui est partagée dans la communauté autour du cours (ici un guide de bonnes pratiques proposé à l’ensemble des participants aux différents inter-semestres). Détaillons tout cela.

  Le premier jour vise à construire le groupe et à passer la première étape du cycle d’adoption. Il y a donc un temps pour faire connaissance, pour partager les attentes de chacun. Le reste de la journée se passe avec quelqu’un qui peut donner des exemples variés, inspirants, donner des pistes et premières règles d’usages, amener les participantes à des premières pratiques. Cette journée sert à démontrer les possibles et à donner aux participants la confiance suffisante pour démarrer. Un intervenant praticien (souvent extérieur au cadre universitaire) est le meilleur ambassadeur pour aborder cette étape.

  Les trois jours suivants sont construits sur un modèle commun : présentation d’experts en matinée, atelier l’après midi et débriefing en fin de journée. Les experts permettent d’apporter de la connaissance avec souvent des aspects pratiques. Le débriefing de fin de journée s’avère essentiel pour bien faire le point sur l’avancée du groupe, les acquis et positionner les différentes activités.

  L’atelier de la deuxième journée doit nous permettre de passer l’étape de la désillusion. Les premières mises en pratique doivent permettre d’obtenir des résultats, mais ceux-ci risquent fortement d’être en retrait par rapport aux attentes surdimensionnées des participants. Une analyse réflexive collective permet de faire le point et de réajuster les objectifs et les pratiques.

  Dans notre cas, nous avons demandé d’utiliser les IA génératives pour construire une présentation sur un sujet de controverse qu’ils devaient ensuite présenter. Les outils de construction de diaporamas ont permis d’obtenir très rapidement un résultat visuellement attractif. Par contre, les IA génératives ont l’art de ne pas prendre parti. Elles proposent des points pertinents, mais de manière à équilibrer le discours, voire de le rendre le plus neutre possible. De plus, comme nous avions contraint le temps, la présentation arrive très rapidement, et la question de l’appropriation du discours par l’orateur est apparue comme cruciale. En analysant lors du débriefing les limites de l’exercice, les participants ont pu repositionner leurs attentes, mieux comprendre comment dialoguer avec les IA génératives et intégrer la nécessité d’analyser et de s’approprier les résultats.

  L’atelier de la troisième journée vise à construire une première solution concrète satisfaisante. Nous avons donc décomposé le processus de rédaction d’un article, et demandé de se positionner sur une étape précise du processus pour explorer des outils d’IA générative dédiés à la recherche, d’en identifier les potentialités, de tester les bonnes manières de les utiliser et de proposer un retour d’expérience. Cela a permis de décomposer différentes étapes et d’affiner les recommandations pour bien interagir avec ces outils.

  L’atelier de la quatrième journée a permis de continuer cette appropriation, et de permettre à chacun d’aller à son rythme. Certains ont souhaité aller plus loin dans leur appropriation des outils, d’autres ont ressenti le besoin de faire le point sur les différents apports des experts. Les questions plus controversées des IA ont peu mobilisé, si ce n’est la question de l’impact écologique. Nos étudiants ont ressenti le besoin de travailler individuellement, tout en continuant à produire sur le document collaboratif du cours. La fin de la séance a permis de proposer un premier plan pour le guide de bonnes pratiques pour l’utilisation d’IA génératives en sciences, qui était l’objectif final du cours.

  La dernière matinée a permis la rédaction de ce guide sous forme d’un sprint d’écriture. Pour permettre une revue du plan et des idées que les étudiants comptaient intégrer, notre animatrice (Riwalenn Ruault) a proposé plusieurs modalités d’animation : D’abord quelques questions pour mieux préciser la nature du livrable (objectif, public visé, …), un portrait chinois de l’IA générative (et si l’IA était un animal, une fleur, une musique…) et la méthode des chapeaux de Bono, ce qui a poussé à apporter au plan des éléments complémentaires et d’esquisser une cohérence au guide visé. Ces différentes modalités ont permis aux étudiants de prendre du recul sur leur production en un temps record et d’en améliorer notablement le contenu. L’IA générative a permis le lissage de la rédaction pour un résultat impressionnant en 3 heures à 17 participants.

  En termes de bilan, les retours de nos étudiants ont été très positifs sur l’approche. Leur positionnement par rapport à la technologie a également évolué tant en termes d’appréciation, d’analyse critique que d’usage.

  Pour information, ce cours a été monté dans le cadre d’une semaine d’inter-semestre organisée par IsBlue, une école universitaire de recherche dédiée aux sciences et technologies de la mer. L’interdisciplinarité était du coté des étudiants qui venaient de formations variées, mais aussi de l’équipe pédagogique. La préparation s’est faite avec des chercheurs en sciences physiques et des ingénieurs pédagogiques, et mon apport entre IA générative et pédagogie, qui a permis d’élargir le cadre interdisciplinaire de l’équipe. La maturité préalable des étudiants par rapport à l’approche scientifique a clairement facilité la mise en place de la dynamique du cours et d’aller plus loin dans les échanges. En conclusion, ce type de cours permet des interactions riches avec les étudiants, et un plaisir partagé entre étudiants et intervenants.

  

  Crédit graphique : image générée par les étudiants du cours à l’aide d’une IA générative

  4 mars par Jean-Marie Gilliot

• L’agentivité comme cadre de réflexion pour l’IA dans la classe

  Je propose ici un petit retour d’expérience sur ma participation à une semaine de formation pour découvrir les usages de l’IA Générative pour les sciences. Au travers de ce retour, nous cherchons à partager des réponses aux questions suivantes en trois billets : Quel cadre pédagogique pour tirer parti de cette technologie d’IA Générative ? Comment construire un programme de découverte d’une nouvelle technologie de l’information ? Est-ce que cette technologie peut être utilisée dans un cadre de recherche scientifique ?

  Par rapport à l’usage de l’IA Générative (IAG), différentes craintes se font entendre autour de l’idée que l’apprenant puisse se servir de cet outil pour répondre sans avoir à apprendre. Il est donc indispensable qu’une interaction avec une IAG se fasse dans un processus plus large d’appropriation et de réflexion. La réponse d’un tel outil doit être donc soumise à une analyse critique, à une appropriation par l’apprenant et donc à un travail complémentaire d’exploitation et d’intégration. Il est difficile de motiver un étudiant en lui dictant un tel travail, ce travail ne peut s’opérer de manière efficace que s’il peut s’opérer de manière indépendante.

  Comme le rappelle Wayne Holmes dans son chapitre IA, AIED et agentivité, l’agentivité est cette capacité d’agir de manière indépendante,en opérant des choix parmi différentes options en fonction de ses croyances, de ses valeurs et de ses objectifs. L’agentivité est cruciale pour le développement personnel et la réussite de l’individu. Je vous invite d’ailleurs à lire ce document, très clair et explicite. Il donne comme exemple : «  la capacité d’agir des élèves peut être accrue quand ils ne sont pas traités comme de simples destinataires de la connaissance, mais comme de véritables acteurs du processus éducatif et quand ils jouissent de l’autonomie nécessaire pour explorer leurs propres domaines d’intérêt, poser des questions, identifier et fixer leurs propres objectifs d’études et s’approprier leur propre apprentissage ». Il rappelle que l’agentivité des enseignants est également importante.

  L’IA est souvent déployée comme source de recommandations, de retours instantanés ou de ‘solutions’ proposées, ou comme une source de mesure. Dans ce cas les apprenants perdent l’opportunité de développer une réflexion critique. L’étude de Darvishi, Khosravi, Sadia, Gasevic, et Siemens : Impact of AI assistance on student agency (Impact de l’assistance basée sur l’IA sur l’agentivité des étudiants) conclut au travers d’une expérimentation visant à développer l’autorégulation des apprentissages des étudiants qu’une assistance simple ne permet pas aux étudiants de développer leur autonomie, même si le soutien immédiat est réel et mesurable. L’hypothèse est que les étudiants ne s’approprient pas ces questions dans ce cas. A contrario, des aides explicites et l’incitation à l’échange entre pairs donne des résultats plus encourageants.

  Il semble donc indispensable que l’IA soit intégrée comme outil d’aide à penser, plutôt que comme une assistance que comme outil de contrôle ou de prise de décision à votre place. Des démarches de résolution de problèmes, ou de réalisation de projets semblent plus adaptées pour une association de l’IA au travail de l’étudiant.

  Dans notre prochain billet, je vous propose un retour d’expérience sur une modalité de découverte de l’IA générative dans la démarche scientifique.

  

  Crédit photo : Images d’Alice, au pays des merveilles – Salle des portes par Bibliothèque des Champs Libres licence CC-by-SA2.0

  29 février par Jean-Marie Gilliot

• Comment aborder la soutenabilité pour le numérique éducatif ?

  Je présentais récemment mon habilitation à diriger des recherches, et j’indiquais dans mes perspectives qu’il y a des questions (de recherche) spécifiques aux EIAH. Pour cela, je proposais de prendre comme cadre de référence le donut de Raworth, qui illustre la soutenabilité comme une zone soutenable entre deux types de limites : d’une part, un cercle extérieur qui représente les limites planétaires, et d’autre part un cercle intérieur qui permet de garantir une vie décente pour toute la population mondiale, notamment pour l’éducation.

  Quelques jours plus tard, la lettre du CNRS Sciences informatiques proposait un billet de Florence Maraninchi, Quelle recherche en informatique pour un numérique inscrit dans les limites planétaires ? qui se base sur le même cadre. L’idée est de permetrez de prendre du recul par rapport aux promesses liées aux apports du numérique, et de proposer d’analyser le développement de l’informatique entre efficacité et diminution au prisme de l’impact des usages.

  Une recherche sur la soutenabilité du numérique éducatif, pourrait donc se positionner dans cette logique, entre sobriété et impact des usages. Reste donc à mener cette exploration au prisme des usages.

  Une première piste est celle de l’éducation de qualité prônée par l’UNESCO dont j’ai déjà parlé ici. Une seconde piste, d’après mon analyse (manuscrit à paraître), est de prendre en compte la question de l’ouverture de ces EIAH.

  Un EIAH peut en effet contraindre les choix pédagogiques pour l’enseignant, en intégrant dans sa conception un modèle pédagogique. Or, au-delà des contenus liés à la transition écologique et sociétale à intégrer dans les formation, il y a bien un enjeu de transformation de la pédagogie. Nous avons ainsi dans le cadre de l’initiative « Riposte Créative Pédagogique » identifié le souhait des enseignants de s’engager dans la transition, tout en étant garant d’un projet pédagogique visant un changement de la société. Logiquement, la structure d’un EIAH devra en tenir compte, notamment en intégrant des principes de collaboration ouverte et de convivialité (au sens de Illich).

  Pour l’apprenant, l’enjeu principal est bien de développer son esprit critique au travers de son libre-arbitre et son pouvoir d’agir. L’ouverture des EIAH, et le caractère capacitant de ces environnements font donc bien partie des questions à examiner pour qualifier des EIAH soutenables.

  Une dernière piste à considérer, qui est une suite des deux premières, est la question de la construction des savoirs, de leur émergence, tant il est vrai que les connaissances évoluent et que leur appropriation dans des contextes spécifiques est un véritable enjeu.

  Travailler sur un programme de recherche d’EIAH soutenables consiste donc à emprunter une étroite ligne de crête (pour reprendre la formule de Florence Maraninchi) entre les exigences de soutenabilité, au sens respect des limites planétaires, et la nécessité d’une éducation de qualité porteuse de changement de société.

  

  Un donut pour les EIAH, par Jean-Marie Gilliot , inspiré du donut de Raworth

  15 janvier par Jean-Marie Gilliot