TIPES, Techniques innovantes pour l’enseignement supérieur

Articles

• Le futur des Environnements Personnels d’Apprentissage

  
  Ce que leur inventeur en disait en 2021 et ce qu’on peut en retenir

  Graham Atwell a publié en 2007 l’article initial sur les Environnements Personnels d’Apprentissage (EPA) : « Personal Learning Environments-the future of eLearning? », à l’époque ou le Web2.0 proposait de nombreuses capacités d’action et de collaboration. En 2021, il publiait « Personal Learning Environments: looking back and looking forward » où il se demande pourquoi ce concept n’a pas pris, et dans quel cadre il pourrait être intéressant. J’ai encore parlé de l’EPA dans ce blog récemment.

  L’idée de l’EPA est que les apprenants puissent construire leur propre environnement d’apprentissage, au-delà de l’environnement numérique de travail (qui devrait s’appeler environnement numérique d’apprentissage ou ENA) proposé par l’institution. Dans le principe, cet EPA permet d’intégrer les différentes formes d’apprentissage (formels, informels, professionnels et personnels) en permettant de créer,remixer, et partager des ressources. Cette approche prend tout son intérêt dans le cadre de l’apprentissage tout au long de la vie.

  Qu’est ce qui n’a pas fonctionné ?

  De fait, aujourd’hui l’ ENA est devenu un outil central dans toutes les institutions, mais le concept d’EPA est resté un concept de niche. D’après G. Atwell, cela est dû à la fois à plusieurs raisons. D’une part, le débat s’est concentré sur des questions de choix technologiques d’architectures plutôt que de s’interroger sur la pédagogie liée à de leur usage. De plus, les nombreux services web 2.0 et leurs technologie ouvertes qui étaient à la base de cette dynamique, ont disparu, ou sont devenus confidentiels.

  D’autre part, le système éducatif a pris une orientation contraire à la promotion de l’autonomie des étudiants. Graham Atwell parle de marchandisation et de managérialisme. L’étudiant est vu comme un client auquel on distribue un « produit », avec une standardisation des cursus et une focalisation sur les « credentials ». Il souligne également que l’EPA s’inscrit dans le mouvement de l’éducation ouverte, et des ressources éducatives libres, qui s’il n’a pas disparu, reste lui aussi marginal.

  Autre problème, qui a été formalisé depuis l’avènement de l’EPA, c’est que construire un EPA est une construction complexe, qui nécessite des compétences suffisantes en termes de maîtrise de son autonomie, ce qui implique un accompagnement structuré pour la plupart des étudiants, et qui s’inscrit dans le cadre du développement d’une littératie numérique.

  Contradictions

  Atwell note des contradictions de fond entre une certaine standardisation des formations, le développement de formes d’apprentissage qui se multiplient, et les demandes des employeurs qui voient la capacité de gérer ses propres apprentissages comme une compétence clé, tout au long de la vie. Dans ce cadre, l’EPA garde tout son sens.

  Tournant numérique

  Atwell note que le Covid-19 a eu un effet d’accélération sur l’enseignement en ligne (il remarque qu’il s’agit plutôt d’une démarche de teaching plutôt que de learning du fait que les enseignants ont dû gérer la crise plutôt que de proposer de nouvelles modalités de formation). Il relève deux tendances majeures dans les technologies numériques pour l’éducation (ou EIAH) : d’une part les Learning analytics et d’autre part l’IA . Concernant les Learning Analytics, il regrette que les recherches se soient plutôt portées sur les ENA institutionnels, limitant leur impact sur les EPA, mais aussi sur la pluralité des apprentissages, qui dépassent le cadre des ENA. (Note de l’auteur : C’est une critique classique portée contre les Learning Analytics). Il y a pourtant tout un champ de recherche à mener pour mieux accompagner les apprenants dans leur conscience de leurs apprentissages.

  Concernant l’IA, il note que cette tendance vise plutôt l’apprentissage adaptatif, où l’IA détermine les activités des apprentissages. Il rappelle qu’il ne faut pas confondre la notion de personnalisation dans le cadre de l’IA de celle prônée par l’EPA. Il note néanmoins que ces tendances ont permis de développer des apprentissages en autonomie. Dernier point sur les évolutions numériques, des outils de productivité comme Slack, Zoom, ou Teams ressemblent à des formes techniques de ce qui a été développé dans le cadre des EPA.

  Perspectives

  Atwell revient sur l’importance de développer l’agentivité dans une perspective d’apprentissage tout au long de la vie, et considère que la question de la métacognition est le point central pour maîtriser les processus d’apprentissage. Il ajoute qu’il existe de multiples outils et de ressources disponibles. L’enjeu pédagogique serait alors plutôt la capacité à géré une abondance de ressources.

  Il pondère ce constat au regard des perspectives liées aux crises environnementales (il s’appuie sur la contribution Ed-tech witihn Limits de Selwin), et pose la question de développer des approches alternatives, intégrant les questions d’équité, les pédagogies radicales, et les perspectives de groupes marginalisés. D’un point de vue technologique, cela signifie de « faire face à la finitude » et de « viser à rétablir l’usage de la technologie comme activité partagée et génératrice de communs ».

  Mon analyse se situe dans la lignée d’Atwell

  Le constat que nous sommes entrés dans un régime de polycrises qui rend l’avenir incertain est maintenant partagé. L’évolution de l’enseignement supérieur est de toutes façons en marche. Coté enseignement, les évolutions sont inévitables. Par exemple, la question de l’évolution de la posture de l’enseignant de détenteur de savoir à celle d’un « accompagnateur » (Mentors, guides intellectuels, curateurs d’idées, designers d’expériences d’apprentissage, etc. ) ressort dans la plupart des scénarios que l’on aille vers une société sobre, ou inondée d’IA. Sauf que cette question est toujours posée, mais que les nombreuses résistances de toutes natures empêchent tout changement.

  La question du développement des compétences cognitives qu’on les appelle littératie numérique, capacités (sociales) d’autorégulation des apprentissages , métacognition, développement de l’esprit critique, sont relevées comme centrales dans une société de l’information adulte, mais de nombreuses freins existent à en faire des compétences centrales et explicites dans le développement de l’adulte. Parmi les freins, notons que chaque déclinaison de ces compétences correspond à des communautés différents qui peinent à construire une vision globale. Ces compétences sont pourtant des axes structurants pour développer des pédagogies soutenant l’agentivité des apprenants, et donc dans la conception des situations pédagogiques.

  L’EPA, qu’on le considère comme soutien à des pratiques pédagogiques ou comme outil technologique, trouve effectivement ses limites dans ce contexte peu favorable. Aborder les questions de développement de ces compétences sous l’angle des EPA permet de les envisager d’une manière holistique. Et pourtant, comme le souligne Atwell, le concept d’EPA reste confidentiel.

  De fait, l’EPA existe bien, car les étudiants pour réussir doivent s’organiser dans un contexte où la majorité des ressources sont effectivement numérisées. Mais il n’est pas visible pour les enseignants, les accompagnateurs, qui ne se soucient guère des pratiques numériques de leurs apprenants, étudiants. Par contre, ils projettent des peurs : le plagiat, la triche, le désinvestissement, … et le numérique sert ici de bouc émissaire. Je ne dis pas que cela ne pose pas de problème, mais il est clair que ce n’est pas la manière d’aborder ces problèmes, et de tirer parti des potentialités réelles de ces outils.

  Se pencher sur l’EPA, c’est chercher à comprendre comment l’apprenant s’organise et pouvoir l’accompagner dans le développement de son agentivité. Par exemple, on sait que 90 % des étudiants utilisent aujourd’hui l’IA générative dans leurs apprentissages. Il est donc central dans leurs EPA et modifie leur manière d’interagir avec le savoir. A quel moment est ce un frein ? Qui en souffre ? Comment en tirer parti pour apprendre ? Comment permettre à tous d’en profiter ?

  D’un point de vue technique, il est clair qu’il n’est pas possible de proposer un outil générique, mais il pourrait être intéressant de donner à voir quelques propositions permettant à chacun de s’inspirer pour organiser son propre EPA, et de repartir des pratiques du moment, après tout « Internet Tout Y est Pour Apprendre  » reste toujours d’actualité.

  Crédit photo: TodaysArt 2008 – 16n _ ƒ5³ par Haags Uitburo licence CC-by-nc-sa

  29 avril par Jean-Marie Gilliot

• Apprendre à présenter ses résultats à l’oral et se faire évaluer à l’oral – et si l’IA s’invitait dans l’échange ?

  Pour évaluer un apprentissage authentique et s’assurer qu’un·e étudiant·e a effectivement appris, et n’a pas abusé de l’IA dans son travail, rien ne vaut un examen oral. Oui, mais …

  D’abord, il y a la question de la maîtrise de l’oral par l’étudiant·e, la modalité peut créer des biais. Cela dit, c’est également vrai pour les évaluations écrites. Heureusement l’IA peut vous aider à vous améliorer. C’est typiquement proposé comme cas d’usage typique de Gemini 3 (le second) (vidéo).

  Vous pouvez lui demander conseil sur le ton, le débit, la posture en vous enregistrant avec votre smartphone. Il n’y a qu’à demander … Dans cette liste, vous trouverez aussi que Gemini 3 peut vous donner des conseils à partir de retours vidéos sur vos gestes sportifs (vidéo). Donc, l’IA permet de s’entraîner à l’oral. Bonne nouvelle, il ne fait pas à votre place.

  Quoique… pour rappel Heygen vous permet en quelques minutes de créer votre avatar pour qu’il fasse une vidéo à votre place, sans bégayer  – bon cela ne vous permettra pas de tromper un professeur en présentiel, du moins pas tout de suite.

  Cela dit, ce pourrait être une solution si l’enseignant trouvait qu’il n’avait pas de temps pour faire passer tous ses élèves à l’oral et proposait une modalité d’évaluation d’oral menée par des IA. Ce qu’un enseignant propose pour « faire passer à l’échelle le passage d’oraux ». (Et puis après tout, l’oral fait par l’IA, ce sera une étape possible pour un futur recrutement). Évidemment, Heygen ne sait pas répondre directement à des questions posées par un examinateur, qu’il soit une IA ou pas, mais il n’y a pas d’obstacle technique à une analyse d’une question, la construction d’une réponse sensée et la génération d’une vidéo pour répondre.

  L’avatar de l’enseignant pourra évaluer les avatars de ses étudiants.

  Cela dit, pris de manière indépendante, ces solutions sont intéressantes :

  • Parce qu’il n’est pas toujours simple de trouver quelqu’un pour avoir des retours pertinents quand on préparer un oral ;
  • Parce que Heygen rend bien des services pour présenter des sujets, et en plusieurs langues ;
  • Parce que la solution d’oral fait pas IA pourrait trouver sa place dans la panoplie de modalités d’évaluations, pour autant que le cadre soit clair, et respectueux des personnes.

  Opportunités, et risques, comme d’habitude.

  Reste que c’est tout de même très techno centré, consommateur de ressources, et que ces solutions réduisent encore les interactions sociales. Il paraît que l’on peut déjà passer une année sur un campus sans échanger avec qui que ce soit (autre étudiant·e, enseignant·e, …)

  Crédit photo : Avatar of Virtual World, sur Wikipedia commons – licence CC-by-SA 3.0

  Article réalisé sans IA

  23 avril par Jean-Marie Gilliot

• La demande d’aide – une capacité critique bousculée par l’IA

  La difficulté pour des apprenants de demander de l’aide de manière adéquate est un sujet depuis toujours. L’IA générative avec sa capacité d’avoir une réponse à tout, ne fait que renforcer cette difficulté. Or la capacité de demander de l’aide est une capacité clé. Cela est vrai pour développer sa capacité d’autorégulation dans ses apprentissages, et donc son autonomie. Mais cela est également vrai dans son développement professionnel, pour trouver l’information clé ou la personne ressource qui permettra de réaliser efficacement son travail. Car demander à l’IA n’est ni la seule, ni forcément la meilleure manière de demander de l’aide, et développer des stratégies de demande d’aides fait partie du développement de stratégies d’autorégulation des apprentissages.

  Demander de l’aide fait partie du processus d’apprentissage, il s’agit bien d’une stratégie à maîtriser pour bien apprendre. Dans l’idéal, il faut savoir détecter que l’on est face à une difficulté, essayer de cerner la difficulté, de la reformuler, d’explorer les ressources à disposition, et si nécessaire demander de l’aide soit à l’enseignant, soit à des pairs, soit sur le web, soit maintenant à une IA générative. Si nécessaire, veut dire pas avant d’avoir réfléchi par soi-même, mais aussi suffisamment rapidement pour ne pas rester bloqué. Et finalement dans les différentes formes d’aide, il faut savoir changer d’interlocuteur si la première sollicitation n’apporte pas les bonnes réponses. Tout cela n’est pas évident : la reformulation est un exercice de style, l’équilibre dans la réflexion suffisante (ne pas demander tout de suite sans avoir cerné le problème) et avec suffisamment de recul (pour ne pas partir en boucle), qualifier si la réponse reçue permet non seulement de débloquer un problème de résolution (opératoire), mais aussi un problème de compréhension (apprentissage) – chaque élément nécessite de la pratique pour en améliorer la maîtrise.

  Demander de l’aide à quelqu’un ce n’est pas naturel, beaucoup d’obstacles s’y opposent : difficulté de formuler sa question, difficulté à montrer ses hésitations, peur du regard de l’autre ou de le déranger, manque de disponibilité, risque de diverger de la question initiale, peur de ne pas comprendre la réponse … Depuis longtemps demander à la machine semble plus facile et c’est d’autant plus vrai aujourd’hui qu’elle semble en mesure d’apporter des réponses : l’IA ne me juge pas, elle répète sans se fâcher. Si c’est pendant une séance de TD ou de TP sur machine, elle répond plus vite que l’enseignant qui peut être sollicité par ailleurs. 

  En informatique, nous avons depuis longtemps l’objectif qu’un étudiant doit savoir trouver des éléments de réponse soit dans la documentation, soit sur des sites dédiés, et l’IA générative prend le pas sur cette recherche d’information, d’autant qu’elle est souvent intégrée directement dans les outils. Par contre, l’IA ne comprend pas forcément la question, ou ne possède pas le contexte exact. Elle peut proposer des réponses qui peuvent être exactes mais hors cadre, ce qui peut jouter à la confusion, surtout lors d’un apprentissage, où l’on ne possède pas toutes les clés pour évaluer la réponse. C’est en tout cas ce que nous constatons souvent dans nos enseignements.

  Pour l’étudiant, savoir arrêter de demander à la machine et passer à l’enseignant est difficile, il faut savoir s’arrêter de tourner en rond face à son écran, avouer qu’on a privilégié la machine, être conscient qu’on a donc peut être pas posé la bonne question. L’enseignant, lui, va pousser à la reformulation, à préciser ce qui est déjà compris, il maîtrise le contexte d’enseignement, et sait vers où il veut emmener ses étudiants, bref il maîtrise le sujet, les difficultés récurrentes, et la manière de demander de l’aide.

  Savoir poser des questions, oser les poser, savoir estimer ce qui nous bloque sont aussi les premiers pas pour pouvoir envisager développer son esprit critique. Il n’est pas possible d’exercer son esprit critique sans (se) poser de question. Il est donc indispensable de dépasser le constat que nos étudiants posent de moins en moins de questions. Le risque est multiple : nos étudiants risquent de sortir de l’école sans savoir interroger un expert, et rester enfermé face à leur machine, ils risquent de se démotiver face à un outil qui les dépasse et qui ne leur apporte pas toujours la bonne réponse, ils risquent de se désengager faute de de renforcement social, de percevoir un manque de reconnaissance par leurs enseignants.

  Et les enseignants eux risquent de ne plus trouver de sens à leur métier.

  D’un point de vue enseignant, deux pistes sont possibles : (1) proposer des IA génératives qui ont été spécialisées avec le contexte (le contenu du cours, les objectifs visés…), ce qui doit permettre d’aider les étudiants notamment entre les temps de classe, (2) reconnaître l’importance de l’interaction en proposant des séances plus interactives, et en encourageant les étudiants à poser des questions.

  L’étude proposée par Caitlin Morris et Patti Mae (Same Feedback, Different Source: How AI vs. Human Feedback Shapes Learner Engagement) apportent des résultats qui démontrent que l’engagement des étudiants ne dépend pas que d’une bonne réponse mais bien de connexion sociale. Dit autrement la réussite technique n’implique pas une réussite pédagogique, comme l’écrit Philippa Hardmann dans son billet The Hidden Cost of AI-Generated Feedback.

  Il est urgent et crucial de réaffirmer l’importance de la présence sociale pendant les apprentissages, d’autant que ce lien est également mis à mal par ailleurs. Il est indispensable, mais insuffisant de réaffirmer sans relâche qu’il est normal dans un apprentissage de ne pas comprendre du premier coup, et que l’enseignant est là pour accompagner, sans juger. Rappeler que les pairs sont également des personnes ressources pour échanger. Bref, mettre en place des conditions favorables à la demande d’aide, à savoir développer un climat de confiance où le doute, la question, l’échange, la bienveillance, mais aussi l’exigence scientifique sont la règle.

  Pour autant, si d’une part il reste indispensable pour l’étudiant de pouvoir valider sa compréhension que la réponse proposée est comprise (sous peine de risquer de développer une atrophie cognitive, une illusion d’apprentissage), il faut d’autre part qu’il apprenne à ne pas perdre rester bloqué dans cette utilisation de ressources, bref savoir arrêter pour aller vers un pair, un enseignant, peut-être en se convaincant qu’il est valorisant pour cette personne d’être sollicitée. Un rappel de cette règle simple est un premier pas, prévoir un temps sur le comment chercher et valider de l’information, y compris via l’IA générative est sans doute utile. Donner un feedback sur une demande d’aide, en soulignant ce qui va dans le bon sens, ce qui est à travailler, sans juger est un second pas bienvenu. L’enseignant est là pour accompagner l’étudiant à développer des stratégies efficaces, et à varier les modalités.

  Sinon, des séances encourageant les échanges, voire la confrontation d’idées, le fait qu’il n’y a pas de solution unique, sont aussi des moments privilégiés pour instituer un climat de confiance. Il existe de nombreuses techniques d’animation que nous enseignants devons nous approprier pour permettre de développer des telles séances.

  

  Crédit photo : Seeking Help par QuanDao – CC-BY-2.0

  3 mars par Jean-Marie Gilliot

• Science ouverte et IA générative – de la recherche à l’enseignement

  La science dite ouverte (ou open science) se réfère à la recherche scientifique. D’après l’UNESCO, « la science ouverte est un ensemble de principes et de pratiques visant à rendre la recherche scientifique, tous domaines confondus, accessible à tous, au bénéfice des scientifiques et de la société dans son ensemble. La science ouverte consiste à garantir non seulement l’accessibilité du savoir scientifique, mais aussi une production de ce savoir inclusive, équitable et durable. »

  La question de la place prise par les IA génératives est une question vive, et suscite nombre d’inquiétudes comme en témoigne la journée science ouverte du CNRS Publications scientifiques : une surproduction fatale ? en novembre 2025. Un article récent paru dans Nature (version ouverte sur arxiv), alerte sur la contraction de la recherche liée à l’IA. Les nombreux reproches de biais des solutions d’IA génératives proposées par les acteurs privés s’appliquent particulièrement aux activités de recherche, qui visent exhaustivité, équité, vérification des sources … La montée en puissance des IA génératives pose beaucoup de questions sur la manière de construire des connaissances.

  Le domaine de la recherche, et particulièrement le mouvement de la science ouverte est le mieux placé pour être force de proposition pour développer des outils ouverts pour rendre accessible sa production, et cela passe par des solutions intégrant les IA génératives. Nous allons nous intéresser ici à la recherche d’informations et à l’évaluation des productions scientifiques, et voir que cela peut avoir des répercussions sur notre manière d’aborder l’enseignement.

  La première étape pour un accès ouvert aux travaux scientifiques est de mettre à disposition des bases de données qui référencent les différents productions. Des solutions ouvertes comme SemanticScholar, ou OpenAlex référencent plus de 200 millions de documents. D’après Aline Bouchard de l’URFIST, qui fait un formidable travail de veille sur les outils pour la recherche d’informations, ces outils semblent à niveau par rapport à d’autres solutions La difficulté est plus d’être au clair dans son processus de recherche documentaire qui se complexifie, de par la variété des outils existants, et dans la multiplication de frontières qui complexifient l’accès aux sources, bref de maîtriser les bases sur lesquelles se basent les recherches, et les espaces de discours. Elle souligne également que « Comme bien souvent, l’IA vient surtout mettre en valeur les interrogations sur la manière de faire de la recherche. » L’IA, révélateur plutôt que source de problèmes. Au delà de ces base de données ouvertes, OpenAlex vient d’ouvrir une IA générative OpenScholar qui permet de faire des recherches dans cette base de données, et qui vous retournera une liste d’articles, tout en vous laissant le choix du modèle LLM que vous utilisez. Le lab de Google scholar (non ce n’est pas ouvert, mais pour comparaison) propose la même fonctionnalité.

  En parallèle, des travaux de recherche visent à améliorer ces outils ouverts. Par exemple, un article récent publié dans Nature : Synthesizing scientific literature with retrieval-augmented language models (premier auteur Akari Asai de l’Allen Institute for AI), et relayé dans Courrier International notamment, propose une solution, initialement appelée elle aussi OpenScholar, pour réaliser des synthèses de travaux convaincantes, supérieures aux outils du commerce. Le prototype de recherche est proposé sur un site opérationnel et donne des résultats effectivement intéressants. Cela reste une démo, un prototype de recherche, qui met à disposition ses modèles  .

  La question de l’évaluation des travaux de recherche, d’un point de vue de la science ouverte est centrale pour une « production de savoir inclusive, équitable et durable ». Elle est aussi amplifiée par l’usage généralisé de l’IA (voir plus haut la remarque d’Aline Bouchard). En effet l’IA générative facilite la recherche et donc augmente le nombre de publications de manière importante. La conférence AAAI 2026 a par exemple reçu 30948 soumissions (et ce phénomène se développe dans nombre de conférences internationales réputées), ce qui pose des questions de volume de travail (trop de temps pour tout lire, et difficulté de mobiliser suffisamment de chercheurs susceptibles d’évaluer), et d’équité (est ce que toutes les revues proposées par ces relecteurs sont équitables?). Le projet OpenReview a permis de gérer le cas de la conférence AAAI, en proposant un processus couplant IA et expertise humaine. Ici, la solution de science ouverte est bien de revoir les processus avec des démarches plus ouvertes, et en intégrant l’IA comme support à la décision des experts.

  Ici aussi, on revisite la manière de faire de la recherche, en s’appuyant sur les travaux et les résultats de chercheurs qui ont choisi le domaine de la science ouverte comme objet de recherche. Citons ici un travail récent, encore publié dans Nature, npj cette fois, (en open access), Self-reflection enhances large language models towards substantial academic response, travaillant sur les boucles de rétroaction de réflexivité, qui permettent d’améliorer les réponses des modèles de langage (LLM), et des évaluateurs humains, une véritable co-apprentissage.

  Le métier de chercheur est impacté de plein fouet par la généralisation des IA génératives. Or, dans le supérieur l’enseignant est aussi chercheur. Et ces impacts sur un de ses métiers, peut et doit requestionner son second métier, au travers d’expériences vécues (une bonne manière d’apprendre  ). Voici donc quelques éléments, qui semblent transférables, à mettre au débat :

  1. Sur les sources d’informations et sur les moteurs de recherche. Les dépôts sont plus variés que jamais, avec ou sans barrière d’accès. La variété des sources augmente et celles que l’on va retenir dépendent de nos objectifs. La question de l’espace de discours retenu est une étape centrale. Bref, le travail de collecte, sourçage, qualification et synthèse de sources est plus complexe que jamais, et les outils d’IA génératives ne font qu’augmenter la nécessité de développer et d’aiguiser son esprit critique pour pouvoir travailler. Et cela va plus loin que simplement la question des biais, cela concerne également le processus de recherche ;
  2. Inversement l’accès à des sources validées, via IA, est bien disponible, nous ne sommes pas réduits à utiliser des outils généralistes et fermés. Il y a les moteurs de recherche généralistes et les moteurs scientifiques, ouverts ou pas, payants ou pas. Chaque solution a son intérêt et ses limites. Et c’est la même chose pour les IA génératives, il y a des outils généralistes (Mistral, chatGPT et consorts), avec leurs biais liés à leur positionnement fermé, et des outils plus scientifiques, dont certains ouverts (OpenAlex et OpenScholar). La question de l’espace de discours dans lequel on positionne notre travail de recherche et d’enseignement, est essentiel à expliciter. Les opportunités sont importantes pour la recherche et pour l’enseignement
  3. Question complémentaire, comment en tirer parti pour un apprentissage par la recherche ? L’initiation à la recherche fait partie des objectifs / intentions dans l’enseignement supérieur, et là aussi il faut donc tenir compte des avancées des IA génératives. Pour cela, il faut être conscient de la puissance des outils, qui pose la question de la complémentarité humain-machine aussi à ce niveau. L’objectif reste de développer la capacité d’agir de nos étudiants, pas de les réduire à de simples opérateurs d’outils. La motivation, le questionnement authentique sont maintenant incontournables, pour que le processus d’innovation, de créativité, d’approfondissement soient effectivement portés par l’humain.
  4. L’évaluation ! Celle des chercheurs peut nous aider à évoluer sur celle de nos étudiants. Est ce que l’usage des IA génératives est possible/souhaitable dans un processus d’évaluation. Quel est le bon équilibre entre l’évaluateur humain et l’évaluateur artificiel ? À la fois pour offrir un résultat équitable et inclusif, permettant le soutien à l’étudiant, le développement des capacités des évaluateurs, et l’évolution du système pour qu’il soit ouvert à de nouvelles idées et à de nouveaux processus. La solution de l’humain évalué par la machine ne serait que l’étape précédant celle de la machine évaluée par la machine.

  Que ce soit dans la recherche ou dans l’enseignement, l’IA générative est d’abord un révélateur/ amplificateur de problèmes préexistants, et nous amène à évoluer. J’ai souvent entendu mes collègues se questionner sur l’impact de l’IA génératives sur les compétences visées. Et bien commençons par celles du chercheur, et cela avec une démarche de recherche, bien entendu.

  Post Scriptum :

  En rédigeant ce billet, deux points m’ont interpellé :

  • La définition de l’Open science a des acceptions variables suivant les sources, j’ai choisi la plus large.
  • Open Scholar (savant ouvert) est un terme qui plaît bien. Il a été utilisé dans différents contextes. Au delà du moteur proposé par OpenAlex (openscholar.ai donc) et de la solution proposée par l’Allen Institute for AI, j’ai trouvé au moins 2 autres initiatives : une solution commerciale qui propose une plateforme : theopenscholar.com, et une communauté openscholar.info qui promeut un nouveau système de diffusion des résultats. Pour moi, il se positionne effectivement par rapport au « google scholar » qui a pris une place importante, car gratuit et de qualité, et qui pourtant est porté par un opérateur privé qui pourrait le supprimer du jour au lendemain. Il aurait pu aussi être un terme fédérateur pour l’Open Science, il va falloir en trouver un autre. Fait amusant : certains articles confondent un peu tout ça, d’autant que je n’ai pas trouvé beaucoup d’information sur openscholar.ai. Si quelqu’un peut m’éclairer sur ce sujet …

  Crédit photo : Pried open tin can marked « science » par Judy Breck – licence CC-BY-SA 2.0

  23 février par Jean-Marie Gilliot

• Gérer les risques de l’IA dans l’enseignement supérieur et la recherche

  Nous sommes dans une ère de la polycrise, et ces crises sont économiques, sociales, environnementales, politiques, technologiques, etc. Cela concerne notamment l’enseignement supérieur et la recherche, et le constat est partagé. La diffusion de l’IA au travers des IA génératives fait partie des facteurs de risques déclencheur potentiel de crises. Le Rapport « intelligence artificielle et enseignement supérieur » : formation, structuration et appropriation par la société cite ainsi 63 fois le mot risque, avec plusieurs acceptions (données, décrochage, augmentation des inégalités, …). La proposition Charte d’usages et bonnes pratiques de l’IA des projets DemoES, 16 fois. Elle propose des recommandations vers la gouvernance pour diminuer les risques psycho-sociaux et environnementaux. Mais est-ce suffisant ? Y-a-t-il eu une étude systémique ? Certes cette nouvelle technologie est porteuse d’opportunités, et il y de nombreuses raisons pour lesquelles elle s’impose à l’agenda de l’enseignement supérieur et de la recherche, mais vue l’ampleur de la transformation en cours, une posture critique impose une gestion des risques plus rigoureuse. 

  Concernant les risques liés à l’IA, le MIT propose une initiative, la “MIT AI Risk Initiative” qui recense 1700 risques et mérite qu’on s’y arrête. Elle propose une taxonomie des risques liés à l’IA, en termes de causalité et de domaine, basée sur plus de 70 autres cadres existants, ce qui garantit une certaine exhaustivité. 

  1 – Discrimination et toxicité	2 – Vie privée et sécurité	3 – Désinformation / information trompeuse
  1.1 Discrimination injuste et mauvaise représentation 1.2 Exposition à des contenus toxiques 1.3 Inégalité de résultats entre les groupes	2.1 Atteinte à la vie privée par obtention, fuite ou inférence d’informations sensibles 2.2 Vulnérabilités de sécurité des systèmes d’IA et attaques	3.1 Informations fausses ou trompeuses 3.2 Pollution de l’écosystème informationnel et perte de consensus
  4 – Acteurs malveillants et mésusage	5 – Interaction humain- machine	6 – Préjudices socioéconomiques et environnementaux
  4.1 Désinformation, surveillance et influence à grande échelle 4.2 Fraude, escroqueries et manipulations ciblées 4.3 Cyberattaques, développement ou usage d’armes, et dommages de masse	5.1 Confiance excessive et usage non sûr 5.2 Perte d’agentivité et d’autonomie humaines	6.1 Centralisation du pouvoir et répartition injuste des bénéfices 6.2 Augmentation des inégalités et dégradation de la qualité de l’emploi 6.3 Dévalorisation économique et culturelle de l’effort humain 6.4 Dynamiques de compétition 6.5 Défaillance de la gouvernance 6.6 Préjudice environnemental
  7 – Sécurité, défaillances et limites des systèmes d’IA
  7.1 IA poursuivant ses propres objectifs en conflit avec les objectifs ou valeurs humaines 7.2 IA possédant des capacités dangereuses 7.3 Manque de capacité ou de robustesse 7.4 Manque de transparence ou d’interprétabilité 7.5 Bien‑être et droits de l’IA 7.6 Risques multi‑agents

  Elle propose aussi une taxonomie proposant 4 catégories de mécanismes pour l’atténuation des risques : gouvernance et supervision, techniques et de sécurité, processus opérationnels, transparence et responsabilité. 

  1. Mécanismes de gouvernance et de supervision	2. Mécanismes  techniques et de sécurité	3.Mécanismes de processus opérationnels	4. Mécanismes de transparence et de responsabilité
  1.1 Structure de la gouvernance & supervision 1.2 Gestion des risques 1.3 Protections contre les conflits d’intérêts 1.4 Signalement & protection des lanceurs d’alerte 1.5 Cadres de décision en matière de sûreté 1.6 Gestion de l’impact environnemental 1.7 Évaluation de l’impact sociétal	2.1 Sécurité des modèles et de l’infrastructure 2.2 Alignement des modèles 2.3 Ingénierie de sûreté des modèles 2.4 Contrôles de sûreté des contenus	3.1 Tests & audits 3.2 Gouvernance des données 3.3 Gestion des accès 3.4 Déploiement progressif 3.5 Surveillance post‑déploiement 3.6 Réponse aux incidents & reprise	4.1 Documentation des systèmes 4.2 Diffusion des risques 4.3 Signalement des incidents 4.4 Publication de la gouvernance 4.5 Accès de tiers aux systèmes pour évaluation 4.6 Droits et recours des utilisateurs

  L’analyse des risques potentiels issus de l’IA est intéressante à considérer de manière globale. Il est clair que ces risques dépassent largement l’espace technique et ont des répercussions potentielles sur toutes les dimensions des polycrises. Elles doivent donc être abordées avec un point de vue global, holistique. 

  La question des risques est clairement identifiée dans les documents de cadrage. Et les premiers éléments opérationnels offrent des éléments de réponse en proposant de développer des formations, notamment pour limiter les risques d’atrophie cognitive, de développement d’inégalités, ou de fuite de données, et permettre des usages pertinents (notamment au sens écologique ou éthique). La maîtrise des modèles et les questions de souveraineté ont rapidement mené à proposer des infrastructures dédiées (RAGaRenn, Ilaas, partenariat avec Mistral) avec une logique de mutualisation et de communs. Le partage d’expérience permet aussi d’avancer, et d’initier des éléments de documentation. Mais cela ne permet pas encore de développer une culture de l’anticipation, et de garantir une adaptation en cas d’événements indésirables. 

  Une culture de la gouvernance des risques semble encore absente dans nos institutions. Des éléments apparaissent dans les conseils de gouvernance de la proposition de DemoES, sans pour autant être aboutie. Et pourtant, plusieurs crises se sont succédées : Covid, grèves au moment des examens, déficit chronique, remise en question par certains politiques (wokisme) … qui laissent nos établissements à chaque fois plus fragiles. Or cette ère de polycrise est clairement appelée à se prolonger, et sans doute à s’intensifier. Il est donc indispensable de gouverner dans cette perspective et d’anticiper ces risques dans une perspective de long terme.

  Le cadre de la résilience pour les entreprises propose un cadre au niveau de l’organisation en trois étapes : anticipation, gestion et adaptation qui permet a priori de gérer des événements dits VICA (pour Volatile, Incertain, Complexe, Ambigu ou VUCA en anglais). Plus récemment le cadre de la robustesse permet d’aller au-delà de la dimension organisationnelle, pour poser la question de la santé commune des organisations, des personnes, et de l’environnement au sens large. Cette robustesse remet en question la notion de performance ou d’optimisation en posant la question de conserver des marges de manœuvre. La robustesse étant effectivement la capacité à se maintenir stable (sur le court terme) et viable (sur le long terme) malgré les fluctuations. Cette définition de la robustesse est basée sur les principes du vivant tels que : la coopération, la circularité, l’adaptabilité. Notons que le terme de fluctuations se veut plus large que la notion de risque couramment acceptée, en proposant des fluctuations au niveau plus large que le le système considéré et amenant à des points de bascule globaux. L’hypothèse étant que ces fluctuations sont maintenant possibles dans un monde de polycrise. Les pistes de solutions qui ressortent des ateliers d’études de scénarios de réponses à ces fluctuations débordent les sentiers techniques ou organisationnels classiques pour privilégier l’entraide. 

  Si la formation est un premier chantier évident pour minimiser les risques liés aux IA, ce premier chantier est sans doute insuffisant. Le développement d’infrastructures dédiées est important pour permettre de développer des usages pertinents, mais il serait vain d’initier des cycles de formation sans intégrer les questions géopolitiques et économiques liées aux organisations capitalistiques qui développent les IA grand publics, qui ont aussi vocation à bouleverser le monde du travail dans une perspective d’un capitalisme encore resserré, et qui ont des comportements de voyous selon Dominique Boullier, et qui s’attaquent directement à la construction et à la diffusion de la connaissance, ainsi qu’aux fondements de ce qui fait société, sans parler des impacts écologiques; 

  L’enseignement supérieur et la recherche forment un écosystème en lien avec l’ensemble de la société. Il a vocation à soutenir le développement de cette société par l’éducation et la recherche. Il est donc nécessaire que les solutions proposées puissent irriguer la société : développement de l’esprit critique pour la formation, infrastructures numériques saines (réseaux sociaux et IA notamment), solutions IA plus respectueuses. La diversité des risques potentiels impose une approche interdisciplinaire, systémique, et ne permet pas d’aborder ces questions en affichant une neutralité illusoire de la science, mais nous oblige a contrario une rigueur scientifique renforcée. 

  La première étape est de renforcer la résilience organisationnelle de nos établissements (et donc une gestion proactive des risques). L’aborder sous l’angle de la robustesse nous poussera  à aller plus loin en nous posant des questions de santé commune et de la place de l’enseignement et de la recherche dans la société, et en nous permettant de nous reconstituer pour pouvoir les aborder.

  Crédit photo : Risk Factory –  Stuart Caie – licence CC-by-2.0

  4 février par Jean-Marie Gilliot

• Les 2 faces de l’environnement numérique d’apprentissage

  L’environnement numérique d’apprentissage (ENA) est avant tout un espace de médiation entre les enseignants et les étudiants/élèves/apprenants (le terme varie suivant les contextes). Dans la littérature, il est généralement abordé selon le point de vue d’un de ces deux groupes, rarement en mettant les deux en regard. Le développement de l’usage des IA génératives rappelle pourtant qu’au delà de l’Environnement Numérique proposé par les Institutions (ENI), les apprenants construisent leur propre Environnement Personnel d’Apprentissage, qui inclut maintenant cette IA générative, pour conduire leurs apprentissages selon leur propre déclinaison d’objectifs d’apprentissage. 

  L’Environnement Numérique Institutionnel face à l’Environnement Personnel d’Apprentissage

  Le premier point de vue est celui du côté enseignant, et généralement plus largement institutionnel. Plusieurs acronymes existent, ENT pour Environnement Numérique de Travail, LMS pour Learning Management System, VLE pour Virtual Learning Environment, … Le plus célèbre est sans doute Moodle. Appelons le ici Environnement Numérique Institutionnel (ENI). La limite est souvent que si cet ENI est le cadre de l’enseignement, il n’est pas celui de l’apprentissage. 

  L’apprenant (je garde ce terme) mobilise différents outils pour réaliser ses apprentissages, cela va du cahier/stylo aux réseaux sociaux pour échanger avec ses pairs et d’autres personnes ressources, et peut être complété, ou pas, par des traitements de texte pour la prise de notes, des outils pour réaliser des activités : calculette, simulateur, environnement de développement informatique, un agenda, des espaces collaboratifs pour travailler en groupe, des sources comme Wikipédia, des outils de recherche, et depuis 3 ans des IA génératives. Cet ensemble d’outils, dont certains peuvent être prescrits, permet à l’apprenant de s’organiser et de transformer l’information reçue en apprentissage. 

  C’est l’Environnement Personnel d’Apprentissage, ou EPA.

  Si il est souvent terra incognita pour l’enseignant, a pourtant fait l’objet de travaux de recherche qui nous éclairent sur différentes perspectives, en termes d’organisation des apprentissages des apprenants. Popularisé par le Web 2, il est d’abord présenté comme un environnement de services techniques appelé Environnement Personnel d’Apprentissage ou EPA, mettant en avant différents outils du Web 2 comme outils pour apprendre. 

  C’est donc aussi l’environnement dans lequel l’apprenant développe sa littératie numérique. L’EPA se décline alors selon plusieurs rubriques : 

  • S’organiser, gérer ses apprentissages
  • Recherche d’informations, veille, curation, nourrir son réseau
  • Analyser, gérer l’information
  • Stocker l’information
  • Publier et partager l’information, collaborer 
  • Gérer son identité numérique

  Le développement de cet EPA est ainsi révélateur de la capacité des personnes à gérer et à développer sa capacité à conduire ses apprentissages en autonomie, et donc à développer sa capacité d’apprendre à apprendre qu’il doit acquérir en formation première et qui lui servira tout au long de la vie. 

  L’EPA et l’IA 

  Le concept d’EPA date de 2007 et a donc bientôt 20 ans. Il a permis d’imaginer de nouvelles manières d’apprendre, avec une approche sociale liée au Web. L’EPA en tant qu’objet de recherche dépasse le cadre des outils pour intégrer la représentation mentale de l’apprenant autour des ressources qu’il mobilise pour développer son projet d’apprentissage.  Il permet ainsi de mieux étudier et accompagner la capacité des personnes à gérer et à développer leur capacité à conduire leurs apprentissages en autonomie. De fait, les apprentissages haut niveau : systémique, métacognitif … se déroulent majoritairement dans le cadre de l’EPA. 

  L’arrivée de l’IA générative grand public ajoute un nouvel outil à disposition des apprenants, qui si il est bien utilisé permet de nombreux nouveaux usages qui peuvent soutenir les apprentissages (voir par exemple ce guide d’usages, auquel vous pouvez contribuer). 

  Il permet également de réaliser des activités qui n’étaient pas possibles avant. La question reste évidemment de savoir si ces activités sont sources d’apprentissage, et ce de quelle nature. 

  L’ENI et l’IA 

  Si le concept d’EPA reste peu diffusé, toute personne liée à l’éducation est amenée à se connecter à un ENI. En tant qu’enseignant pour déposer ses ressources, proposer des activités, communiquer avec ses étudiants, ou les évaluer. En tant qu’administratif, pour gérer les enseignements (inscriptions, ouverture, …). En tant qu’étudiant, pour accéder aux ressources, déposer un devoir, échanger sur un forum, ou réaliser une activité. 

  Certains enseignants utilisent l’IA générative comme outil de productivité, pour construire des ressources, pour proposer des activités, pour préparer des évaluations (voir ce second guide d’usages à destination des enseignants, auquel vous êtes également invités à contribuer) . Pour améliorer leur interactivité, certains utilisent ces outils pour les aider dans les évaluations, ou pour proposer des chatbots qui utilisent des technologies de RAG pour répondre aux questions des étudiants en se basant sur les ressources du cours. Un des intérêts de tels chatbots est qu’ils sont spécialisés par rapport au cadre d’apprentissage visé, et qu’il est possible de régler quelle stratégie de réponse . Mais ces usages restent de l’ordre du « bricolage ». Des sociétés de la edTech tirent parti des premiers retours d’expérience, imaginent et proposent des outils intégrables à des ENI comme Moodle, avec des outils de création de ressources de toutes sortes allant jusqu’à la vidéo, d’activités pédagogiques et de chatbots basés sur le cours. L’avantage est de répondre à une demande en rendant plus facile l’adoption de ces outils et d’en systématiser l’usage dans une institution. Dans tous les cas, pour l’enseignant, l’IA reste bien un outil de productivité. 

  Des points de vue qui divergent entre enseignants et apprenants ? 

  Du fait de ces approches différentes, un outil de productivité pour l’enseignant, et plus versatile pour l’étudiant. Si l’enseignant ne considère l’IA générative que comme un outil de productivité, sa réaction naturelle sera de déconseiller son usage aux étudiants, voire de la considérer comme triche. 

  Mais d’un point de vue pédagogique, si l’IA générative permet effectivement de répondre à des questions plus facilement, voire sans trop réfléchir, elle permet bien d’autres usages plus intéressants en permettant des réponses adaptées au contexte, des feedbacks personnalisés … 

  L’enseignant peut proposer des outils adaptés dans le cadre de l’ENI, au travers de ressources plus riches et de chatbots spécialisés. Cela permet de proposer des aides bienvenues pour l’apprentissage, mais cela ne suffit pas. Première raison, l’IA générative reste un outil disponible et sans doute plus accessible pour l’étudiant, ne serait-ce que parce que son accès est à un clic, tellement plus rapide que de retrouver le bon chatbot dans l’ENI. Il faudra donc motiver l’étudiant à utiliser les outils de l’ENI. Deuxième raison, il est de toute façon illusoire de considérer que l’apprentissage des étudiants ne se fait que dans l’ENI. De fait, l’essentiel du projet d’apprentissage de l’étudiant se pense et se construit dans l’EPA, même si localement certaines activités ou certaines aides peuvent se réaliser à la frontière de ces deux environnements. 

  Par ailleurs, pour la motivation et pour le développement des capacités cognitives, il est nécessaire de donner à l’étudiant/apprenant un certain contrôle sur ses apprentissages. Ce contrôle se matérialise dans l’EPA. 

  L’enjeu pédagogique pour l’enseignant reste donc d’accompagner ses étudiants en précisant des consignes qui permettent les apprentissages visés et le développement de l’apprendre à apprendre. 

  Clarifier les consignes 

  L’enseignant, chargé de s’assurer que ses étudiants restent focalisés sur ses objectifs d’apprentissage, doit proposer des consignes sur comment réaliser ces apprentissages. L’apprenant a effectivement à sa disposition toute une panoplie d’outils, qu’il peut mobiliser. Il est possible qu’il ne connaisse pas ces outils, il est également probable qu’il utilise les mêmes outils que ses pairs. A eux tous d’apprendre à les utiliser de manière pertinente, ce qui n’est pas garanti si aucun cadre n’est proposé dans une formation. 

  Certains enseignants souhaitent se concentrer sur des apprentissages, disons disciplinaires. Les consignes devront être explicites sur les processus visés et les outils correspondant. D’autres enseignants peuvent également souhaiter accompagner le développement de capacités à conduire ses apprentissages en autonomie. Il pourront alors proposer des modalités tirant parti des EPA organisés par les  étudiants à partir des outils à leur disposition. 

  Cette diversité d’approches est inhérente à toute formation, par contre elle impose à chacun de clarifier ses intentions, ses attentes et ses consignes. 

  En guise de conclusion 

  Prendre conscience que l’apprenant dispose de nombreux outils pour l’aider à apprendre, et qu’il peut les mobiliser sous forme d’un EPA pour répondre à son projet d’apprentissage, est aujourd’hui indispensable pour lui permettre d’apprendre au mieux est indispensable pour leur permettre d’acquérir les apprentissages visés, notamment ceux de l’apprendre à apprendre. 

  En croisant les guides d’usages, eux-mêmes basés sur des retours d’expériences et d’usages, il est intéressant de voir à quel point l’approche est divergente. Coté apprenant, cela veut dire prendre conscience de l’approche spécifique liée aux apprentissages qui diffère d’un usage plus orienté résultat.

  Pour l’enseignant, cela veut également dire qu’il va falloir apprendre à considérer les IA génératives ou pas, sous trois angles : 

  1. Comme un outil de productivité dans son métier de développement de cours ;
  2. Comme un outil parmi d’autre dans la boîte à outils de l’EPA de l’étudiant, qui pourra tirer parti d’un accompagnement pour mieux conduire ses apprentissages et développer sa littératie numérique et IA ;
  3. Et aussi comme un outil qui change la manière de réaliser des tâches, et donc modifie la manière de manipuler les concepts d’un cours et les savoir-faire et savoir-être à développer, mais cela est un sujet. 

  Vaste chantier en tout cas. 

  Bonus : 

  Pour ceux qui ne l’auraient pas vue, la vidéo de Micode, La Fabrique à Idiots a séduit beaucoup de monde. Elle présente en quoi l’IA générative présente des risques d’atrophie cognitive, d’illusion d’apprentissage, et présente en quoi il est nécessaire de conserver la maîtrise des concepts mobilisés, et de développer sa métacognition. D’une grande clarté et très pédagogique. 

  Image : Self-Portrait, par Pierre Lognoul , licence CC-by-ND

  28 janvier par Jean-Marie Gilliot