Innovation Pédagogique et transition

L'IA peut-elle nous dispenser de l'effort d'apprendre ?

2025-08-25T08:43:39Z

Que signifie apprendre dans un monde où l'intelligence artificielle peut rédiger un texte, résoudre un problème ou générer une image en quelques secondes ? L'irruption de nouveaux outils invite à se pencher sur la place de l'effort dans l'apprentissage et à discerner différents niveaux de recours à l'IA.

L'intelligence artificielle (IA) suscite autant d'espoirs que d'inquiétudes dans le domaine de l'éducation. D'un côté, elle offre des outils puissants pour accompagner l'apprentissage, par exemple, en ajustant des exercices aux performances de chaque élève en maths, comme le font DreamBox ou Adaptiv'Math, ou en adaptant l'apprentissage des langues à l'âge de l'apprenant, comme Duolingo.

Mais elle peut aussi favoriser la paresse intellectuelle : les IA actuelles ne se contentent plus de fournir des pistes ou des chiffres comme les moteurs de recherche ou les calculatrices, mais produisent directement des contenus complets – résumés, essais, emails, codes informatiques – à la place de l'élève. Cette délégation excessive des tâches cognitives ouvre la possibilité d'une réduction de l'engagement dans la formulation des idées, la réflexion et la régulation du processus de production intellectuelle.

Cette tension concerne à la fois les élèves, les enseignants et les institutions, et soulève des questions essentielles : quel est le rôle de l'effort dans l'apprentissage ? Que signifie apprendre dans un monde où l'IA peut rédiger un texte, résoudre un problème ou générer une image en quelques secondes ?

Ni miracle technologique ni menace apocalyptique

Il existe toute une gamme d'usages possibles de l'IA en éducation, depuis des formes très passives et peu critiques, par exemple, lorsqu'un élève demande à une IA de résumer une lecture obligatoire sans lire ou analyser le contenu par lui-même, jusqu'à des intégrations créatives où les élèves collaborent avec une IA pour écrire des histoires, coder un jeu ou simuler une conversation avec un personnage historique, tout en exerçant leur jugement et leur pensée critique.

Il s'agit donc de dépasser les visions polarisées présentant l'IA soit comme une solution miracle, soit comme une menace pour les capacités cognitives humaines. Ces deux positions contiennent chacune une part de vérité, mais elles occultent une dimension essentielle : l'éducation vise avant tout le développement de la personne et de son autonomie.

Historiquement, l'IA a été pensée comme un moyen de simuler l'intelligence humaine. Lors de l'atelier fondateur de Dartmouth en 1956, où le terme « intelligence artificielle » a été proposé pour la première fois par John McCarthy, les chercheurs affirmaient que « chaque aspect de l'apprentissage ou toute autre forme d'intelligence peut être décrit de manière suffisamment précise pour qu'une machine puisse le simuler ».

Aujourd'hui, avec l'essor des modèles génératifs, cette promesse de simulation a laissé place à une dynamique de disruption : l'IA ne se contente plus d'imiter, elle remodèle nos manières d'apprendre. Les modèles génératifs comme ChatGPT ou Gemini produisent des contenus inédits (textes, images, vidéos), modifiant ainsi l'accès, la production, mais aussi la qualité de l'information.

Une école à la traîne face à l'essor de l'IA

Le développement rapide de ces outils dépasse largement la capacité des systèmes éducatifs à les intégrer de manière réfléchie. On observe un décalage entre le potentiel technologique et la capacité pédagogique d'aider les apprenants à en faire un usage approprié selon le contexte et leurs besoins d'apprentissage. L'enjeu n'est pas tant d'interdire ou de généraliser l'IA, mais de garantir que son utilisation soutienne réellement les apprentissages, en préservant l'effort intellectuel et les objectifs pédagogiques.

Les IA dites « génératives » (ou genIA), comme ChatGPT, permettent désormais de résumer, d'expliquer des textes de résoudre des problèmes ou encore de créer des images, des sons ou des vidéos. Leur usage peut être utile dans un cadre éducatif, notamment pour aider les enseignants à répondre aux défis révélés pendant la pandémie de Covid-19 : différenciation pédagogique, soutien à l'apprentissage autonome, accessibilité accrue.

Ainsi, une IA peut générer des explications d'un même concept à différents niveaux de complexité (on peut lui demander par exemple « Explique-moi ce concept comme si j'avais 5 ans »), ce qui permet à chacun d'avancer à son rythme dans une même classe. L'élève qui a des difficultés de compréhension pourra disposer ainsi d'éléments de connaissances préalables tandis qu'un élève avec une bonne progression pourrait obtenir des pistes d'approfondissement.

Mais, comme d'autres technologies auparavant présentées comme révolutionnaires (télévision éducative, tablettes, etc.), leur impact dépendra de l'intention pédagogique et de l'engagement des enseignants, des élèves et de leurs familles.

Bannir ou tout autoriser ? Une fausse alternative

Interdire totalement l'IA ou en autoriser un usage sans limites sont deux stratégies simplistes. Elles négligent la complexité des contextes éducatifs, des profils d'élèves et des attentes pédagogiques. La clé réside dans une approche qui respecte l'agentivité des enseignants et des apprenants, c'est-à-dire leur capacité à agir, à choisir, à créer et à réfléchir sur leur propre apprentissage.

Pour cela, il est crucial de penser des usages créatifs, critiques et participatifs de l'IA, qui valorisent le rôle actif des élèves et des enseignants dans les processus d'apprentissage.

Pour aider à clarifier ces usages variés, j'ai développé le modèle #ppai6, qui identifie six niveaux d'engagement avec l'IA à l'école :

Consommation passive : l'élève reçoit du contenu généré par l'IA sans interaction ni compréhension du fonctionnement de l'outil. Exemple : lire un résumé généré automatiquement sans vérifier ou reformuler ;
Consommation interactive : l'élève interagit avec l'IA, qui adapte ses réponses, mais sans véritable appropriation. Exemple : poser des questions à un chatbot, mais en recopier les réponses sans analyse ;
Création individuelle : l'élève utilise l'IA pour produire un contenu personnel. Exemple : écrire un poème ou créer une image avec DALL·E à partir de ses propres idées ;
Création collaborative : des groupes d'élèves utilisent l'IA pour produire ensemble du contenu. Exemple : créer une pièce de théâtre en groupe sur un événement historique à partir de conversations avec des outils IA qui simulent des personnages historiques ;
Co-création participative : l'IA devient un outil au service d'un travail collectif complexe impliquant divers acteurs éducatifs. Exemple : mener une enquête interdisciplinaire avec IA entre élèves, enseignants et partenaires.
Apprentissage expansif avec IA : l'IA soutient des transformations profondes dans les manières de penser et d'apprendre, en aidant, par exemple, à modéliser des systèmes ou à résoudre des contradictions dans des situations complexes. Exemple : utiliser l'IA pour simuler le système écologique de la cour d'école afin, ensuite, de proposer des idées pour l'améliorer.

Considérer la variété des interactions possibles avec l'IA

Le modèle #ppai6 permet d'adopter une vision plus nuancée de l'intégration de l'IA en contexte scolaire. En distinguant six niveaux d'usage, il aide à qualifier concrètement les pratiques et à comprendre que « faire usage de l'IA » peut recouvrir des formes très contrastées, tant sur le plan cognitif que pédagogique.

Il s'agit donc d'un outil de réflexion pour les enseignants, les chercheurs et les décideurs, qui invite à ne pas considérer l'IA comme un bloc homogène, mais comme un ensemble d'interactions possibles, plus ou moins riches sur le plan cognitif et éducatif.

Par ailleurs, ce modèle ouvre la voie à une progression pédagogique adaptée à l'âge et au niveau des élèves. Certains niveaux, comme la consommation passive, peuvent être utilisés ponctuellement, par exemple pour découvrir un outil ou pour amorcer une séquence. Mais ils ne doivent jamais devenir la norme ni remplacer l'effort de réflexion, de collaboration ou de créativité.

À mesure que les élèves avancent dans leur parcours, il est souhaitable de les guider vers des usages plus actifs, comme la cocréation ou l'apprentissage expansif, adaptés à leur maturité cognitive. Plutôt que de bannir certains niveaux, il s'agit d'en comprendre les limites, d'en discuter les risques, et de les dépasser progressivement vers des formes d'apprentissage où l'IA devient un levier d'émancipation plutôt qu'un substitut cognitif.

L'IA peut être un formidable allié dans l'apprentissage, mais elle ne doit jamais se substituer à l'effort humain ni au désir d'apprendre ou d'enseigner. Dans un contexte où il est possible de déléguer le raisonnement à des machines, la volonté de comprendre, de progresser, de créer ou de transmettre devient encore plus essentielle.

C'est cette volonté qui distingue les enseignants et les élèves qui mobilisent l'IA pour enrichir leur activité de ceux qui s'en servent simplement pour éviter l'effort. L'IA n'est qu'un outil. L'éducation, elle, reste une affaire profondément humaine.

Margarida Romero a reçu des financements pour son activité de recherche de la Commission européenne pour le projet Horizon augMENTOR "Augmented Intelligence for Pedagogically Sustained Training and Education" (https://augmentor-project.eu/).

Création d'une Communauté d'Apprentissage de l'Informatique

2023-11-14T16:18:42Z

L'enseignement de l'Informatique est un enjeu majeur dans la formation des adultes de demain. Cependant, cette matière n'a été que tout récemment introduite ou le sera prochainement au sein de l'enseignement obligatoire dans de nombreux pays européens, et pour les pays et régions francophones en particulier. Le projet ERASMUS+ 'Communauté d'Apprentissage de l'Informatique' a accompagné des enseignants qui sont et seront dès lors amenés à enseigner cette matière, qu'elle soit ou non couverte par leur formation initiale. Dans ce projet, nous nous sommes proposé de fédérer les besoins des enseignants au sein d'une Communauté de Pratique (Engeström et al, 2013) pour l'enseignement et l'apprentissage de l'Informatique. Nous tirons ici les leçons des trois années de projet et de ce qui a bien fonctionné en matière de création d'une communauté d'enseignants, et analysons les facteurs conjoncturels, pratiques et humains qui nous semblent importants pour favoriser sa réussite.

Un article de la revue Adjectif, une publication sous licence Creative Commons by nc sa

Objectif

L'objectif du projet ERASMUS+ CAI (Communauté d'Apprentissage de l'Informatique), débuté en septembre 2019 sous le mode recherche-action, était de créer un noyau d'enseignants en Informatique, pour des élèves de fin de primaire et du secondaire, qui utiliseraient la collaboration et l'entraide pour améliorer leur travail à la fois au niveau des conditions et de la qualité de leurs enseignements. Nous y avons développé et fait partager des outils pédagogiques et technologiques pour soutenir l'émergence d'une telle communauté de pratique (CoP) constituée d'enseignants en Informatique qui se sentent à même d'enseigner cette nouvelle discipline, comportant des matières comme la représentation et le stockage de données, les algorithmes, les langages de programmation, les systèmes et réseaux informatiques. Dans cet article, notre objectif principal est de discuter les conditions propices à l'émergence et à la pérennisation d'une telle communauté active au bénéfice de chaque membre.

Description de l'atelier et la communauté

Résumons le cheminement du projet de Création d'une Communauté d'Apprentissage de l'Informatique mené entre fin 2019 et fin 2022, dans le cadre du projet ERASMUS+ CAI. Ce projet s'est posé la question de voir comment développer et soutenir une communauté d'enseignants.

L'analyse de l'état des connaissances et le travail d'identification et catégorisation des besoins des enseignants en Informatique nous a permis de les classer en : 1. s'initier et découvrir cette nouvelle discipline, 2. se former aux fondamentaux, 3. préparer les séances scolaires et 4. recevoir du conseil ou partager son expérience avec les collègues dans le cadre d'une démarche réflexive.

Nous avons proposé des ressources pour inciter un travail de co-construction. Pour les enseignants impliqués, la démarche proposée tout au long du projet a combiné participation active et mise en pratique, y compris avec les élèves, pour devenir directement et de façon incrémentale, acteur de la communauté et mieux comprendre en quoi elle consiste. Nous avons analysé la double force de cette façon de faire à la fois pour améliorer la qualité des ressources pédagogiques utilisées par les membres de la communauté, mais aussi renforcer un sentiment de solidarité qui combat l'idée de l'enseignant se sentant isolé dans sa démarche d'enseignement.

A l'issue du projet CAI, nous tirons des conclusions sur ses actions : les initiatives qui ont bien fonctionné et sont en voie de pérennisation et celles qui ont été moins efficaces. Notre but ici, n'est pas de discuter des contenus, mais de montrer et analyser, à travers nos expériences tout au long du projet, les trois facteurs qui conditionnent l'émergence effective et la pérennisation d'une communauté d'enseignants : conjoncturels, pratiques et surtout humains.

Nous proposons de nous concentrer sur la partie du projet se rapportant au développement de ressources liées à l'enseignement du NSI en France et en particulier aux ressources et forum NSI développés en collaboration avec CAI [1].

Naissance de la communauté NSI

L'informatique dans l'enseignement en France a connu plusieurs épisodes (Baudé, 2021) mais c'est à la rentrée 2019 qu'apparaissent les enseignements de spécialité dont Numérique et Sciences Informatiques (NSI). C'est la première fois qu'un enseignement d'informatique sera dispensé avec un volume horaire conséquent (4 heures par semaine en classe de Première et 6 heures en classe de Terminale) et des programmes officiels denses, s'appuyant sur l'ensemble des quatre piliers de la discipline (Dowek, 2011).

Les enseignants de cette spécialité informatique sont, le plus souvent, issus d'autres disciplines (Komis et al 2020, 2021, 2022a, 2022b) et rapidement, les besoins d'échanges ont été visibles : liste de diffusion, dépôts plus ou moins organisés, forum. Parmi les thèmes d'échanges on retrouve essentiellement : l'interprétation des programmes officiels, conseils pour l'amélioration de ressources diverses (cours, devoirs, …), outils (mise en ligne de ressources, simulation, etc.), échanges techniques sur le métier (organisation des épreuves par exemple).

En réalité, il faudrait parler de communautés, au pluriel. Cette pluralité montre en particulier l'importance du groupe, de l'humain face à la technologie. Si le projet CAI s'est doté d'une plateforme (cai.community), les groupes d'échanges se sont plutôt retrouvés soit sur la liste de diffusion nationale mise à disposition par le groupement d'intérêt public RENATER, soit sur le forum NSI [2] mis à disposition par les partenaires Inria Learning Lab [3] et l'AEIF [4]. Des membres de CAI ont participé aux deux communautés. Nous nous focalisons ici sur la communauté autour du forum, celle que nous nommons communauté NSI.

Historiquement, cette communauté s'est formée autour d'un lieu virtuel : un forum mis en place grâce à l'humain. Gilles Lassus et Charles Poulmaire, deux enseignants, proches, discutent et sont d'accord sur le fait qu'un forum serait plus pratique (qu'une simple liste de diffusion) pour les échanges et discussions autour de l'enseignement de leur toute nouvelle discipline NSI. Contactée par l'intermédiaire d'un troisième comparse Thierry Vieville, l'INRIA Learning Lab met en place ce forum. Les deux administrateurs du forum organisent alors l'espace autour d'une dizaine de catégories. Le lieu était créé, la communauté pouvait émerger.

La naissance de cette communauté concomitante à la mise en place d'une discipline a été riche d'enseignements : les membres de CAI, à la fois acteurs et observateurs, ont pu mesurer les besoins concrets des enseignants. Ces besoins gravitent autour de trois grands pôles :

– des questionnements didactiques et pédagogiques concernant la production de ressources de cours validées ou en tout cas commentées par les pairs ;
– des questionnements techniques sur des outils utilisés soit dans le cadre d'enseignements spécifiques (architecture des ordinateurs, système d'exploitation, bases de données et langage SQL) soit pour la mise en ligne des ressources pédagogiques ;
– des questionnements métiers (organisation d'épreuves, problèmes RH).

Une grosse partie des échanges a concerné le pôle 1 et rapidement les enseignants ont échangé sur les ressources individuelles (chapitres de cours, devoirs, etc.). Puis, ont eu lieu des discussions sur des sujets officiels de l'examen du baccalauréat : sujets des épreuves pratiques et des épreuves écrites. Discussions qui ont naturellement évolué vers la co-construction de ressources e-NSI [5] par des enseignants et des enseignantes de NSI et des membres du projet CAI : des exercices d'entraînement à cette épreuve pratique, des chapitres de cours, des annales d'écrits des années précédentes.

Ces projets, s'appuient sur quelques principes fédérateurs de la communauté (ressources libres sous licence creative commons, ressources co-construites, relues et validées par plusieurs membres de la communauté, ressources mises en ligne sur une plateforme ne nécessitant aucune inscription et dans un respect total du RGPD).

Notons aussi, que cette dynamique de co-construction peut être transmise aux élèves, par exemple à travers un enseignement valorisant les pédagogies actives, notamment l'apprentissage par projet (Pucher & Lehner, 2011). Nous ne détaillerons pas plus avant ces contenus et invitons le lecteur à les retrouver sur le site web dédié : https://e-nsi.forge.aeif.fr/

Dans la prochaine section, nous revenons sur les facteurs qui ont joué un rôle important dans l'émergence de la communauté.

Facteurs d'émergence, bilan et perspectives

Comme nous l'avons déjà mentionné, le facteur humain est probablement l'un des plus importants pour l'émergence d'une communauté. Pour la communauté NSI, c'est l'humain qui a permis la mise en œuvre rapide du lieu pour Faire Communauté, suivant l'expression consacrée devenue un peu le slogan du groupe. C'est l'humain aussi qui anime les enseignants et incite à s'investir pour offrir un enseignement de qualité et une aide factuelle à leurs élèves. C'est encore l'humain qui pousse les collègues plus expérimentés sur les outils de production de contenu, à partager expériences et didacticiels.

Deux autres ensembles de facteurs méritent d'être mentionnés :

Des facteurs conjoncturels majeurs ont impacté l'émergence de la communauté NSI :

– le projet s'est déroulé pendant la période de la crise de la COVID qui a débuté début 2020 ;
– fin 2019 a marqué l'apparition de la spécialité Numérique et Sciences Informatiques (NSI) dans les Lycées en France avec les balbutiements, questionnements et surtout urgences auxquels les enseignants ont été confrontés dont l'important point de l'organisation des épreuves du BAC. Ces deux facteurs se sont entrechoqués et ont été une période de stress intense pour les enseignants en particulier de NSI.

Enfin, les membres de la communauté étant éparpillés à travers la France, et s'étendant même dans d'autres pays francophones (Belgique, Pays du Maghreb, …), son fonctionnement repose complètement sur une plateforme digitale permettant son fonctionnement harmonieux.

Trois types de facteurs pratiques ont favorisé l'émergence de la communauté NSI :

– les enseignants en informatique sont globalement plus à l'aise avec les outils numériques et les environnements de partage de ressources comme les dépôts de ressources partagées (git), et sont prêts à les prendre en main, éventuellement moyennant une mise à niveau (avec l'aide, de collègues plus aguerris) ;
– l'appui d'organismes indépendants des organes d'état pour faire de l'innovation (ici Inria Learning Lab, AEIF, projet de recherche CAI) pour permettre l'agilité nécessaire à tout travail créatif comme celui de créer une communauté en mettant à disposition des équipements et même des personnes pour soutenir l'initiative ;
– la création, mise à disposition et gestion du forum NSI qui a permis, via une structuration par thématique, la création de fils pour chaque mini-projet et une modération et une gestion dynamique, une communication structurée par thématique efficace et ouverte.

Le bilan de cette communauté est extrêmement positif (le forum compte actuellement plus de 4300 membres, dont un noyau d'une centaine actifs, plus de 43000 messages échangés et surtout des dizaines d'enseignants qui ont modifié leurs pratiques, créé des ressources en ligne, remercié la communauté pour les apports).

En termes de perspectives, on peut noter au moins deux axes importants :

– améliorer la communication pour amener plus de collègues à oser participer, montrer leur travail, échanger ;
– cette communication doit passer par une intensification des échanges avec les instances officielles pour pérenniser les ressources et, ce qui par effet de bord tiendrait lieu de reconnaissance du travail fourni. Mais ce travail est déjà en route puisque, là encore grâce à l'humain, une forge nationale pour accueillir les ressources de telles communautés pourrait voir le jour à court terme (voir le projet forge des communs numériques de l'Éducation Nationale mise en place conjointement avec deux membres de l'AEIF [6]).

Liens avec la recherche

Deux grandes questions de recherche en didactique de l'informatique ont été analysées tout au long du projet :

– quelles sont les connaissances disciplinaires, pédagogiques et technologiques des enseignants en Informatique ?
- quels sont les besoins des enseignants en Informatique en matière de savoir et savoir-faire et ce qu'ils doivent maîtriser au niveau de la didactique de la discipline et de la pédagogie d'enseignement ?

Nous avons voulu ici répondre à une troisième question : quels facteurs conjoncturels, pratiques et humains conditionnent l'émergence et la pérennisation d'une communauté d'enseignants ?

Références

Baudé, J. (2021), Éléments pour un historique de l'informatique dans l'enseignement général français. Epinet

Dowek, G. (2011), Les quatre concepts de l'informatique. Sciences et technologies de l'information et de la communication en milieu éducatif : Analyse de pratiques et enjeux didactiques., Oct 2011, Patras, Grèce. pp.21-29. ⟨edutice-00676169⟩

Engeström, Y. (2013). From communities of practice to mycorrhizae. In Communities of practice (pp. 51-64). Routledge. Komis, V., Bachy, S., Goletti, O., Parriaux, G., Rafalska, M., Lavidas, K. (2022a). Connaissances du contenu et connaissances technologiques des enseignants en Informatique en milieu francophone, in Review of Science, Mathematics and ICT Education, (in press), https://doi.org/10.26220/rev.4080

Komis, V., Goletti, O., Parriaux, G., Rafalska, M., Bachy, S. et Lavidas, K. (2022b). Connaissances disciplinaires et sentiments de capacité d'enseignement en Informatique in Adjectif https://www.adjectif.net/ (under second revision)

Komis, V., Lavidas, K., Parriaux, G. , Goletti, O. et Rafalska, M., (2021). Enquête sur les besoins des enseignants d'Informatique concernant une plateforme de soutien d'une Communauté de Pratique, Premiers résultats d'analyse du questionnaire, 11 pages, Rapport interne du projet CAI. (https://cai.community/wp-content/uploads/sites/3/2022/10/O4-Rapport-Questionnaire-Communaute%CC%81- de-Pratique-et-Plateformes-V2.pdf)

Komis, V., Lavidas, K., Parriaux, G. , Goletti, O. et Rafalska, M., (2020). Enquête sur les connaissances disciplinaires, pédagogiques et technologiques des enseignants en Informatique, Premiers résultats, 46 pages, Rapport interne du projet CAI (https://cai.community/wp-content/uploads/sites/3/2023/01/O4-Rapport-Questionnaire-Connaissances-Disciplin aires-Pedagogiques-et-Technologiques-V2-1.pdf)

Lave, J., & Wenger, E. (1991). Learning in doing : Social, cognitive, and computational perspectives. Situated learning : Legitimate peripheral participation, 10.

Pucher, R., & Lehner, M. (2011). Project based learning in computer science–a review of more than 500 projects. Procedia-Social and Behavioral Sciences, 29, 1561-1566.

Liens vers les ressources et point de contact

Site du projet CAI : https://cai.community
Forum NSI : https://mooc-forums.inria.fr/moocnsi/
La production du groupe e-nsi : https://e-nsi.forge.aeif.fr/
La description de l'atelier didapro https://hal.inria.fr/hal-03643914.

Remerciements : la création de la Communauté CAI a été co-financée grâce au projet ERASMUS+ Communauté d'Apprentissage de l'Informatique (cai.community) 2019-1-BE01-KA201-050429

[1] Nous n'abordons pas ici la création des MOOCs NSI (https://mooc-nsi-snt.gitlab.io/portail/0_Accueil.html) également co-créés en collaboration avec le projet CAI.

[2] https://mooc-forums.inria.fr/moocnsi/

[3] https://learninglab.inria.fr/

[4] https://aeif.fr/

[5] https://e-nsi.forge.aeif.fr/

[6] présentée à la Journée du Libre Éducatif 2023 à Rennes https://journee-du-libre-educatif.forge.aeif.fr/

Analyser les apprentissages à partir des traces

Margarida Romero — 2019-06-27T12:05:53Z

Un article de Margarida Romer repris de la revie Distances et médiations dsavoirs une publication sous licence CC by sa.

L'analyse des traces d'apprentissage est un sujet de grande actualité qui suscite de nombreux travaux au sein de la communauté scientifique. Daniel Peraya (2019), dans son appel au débat « Les Learning Analytics en question » nous invite à comprendre ce phénomène tant du point de vue historique que de celui des enjeux actuels. D'une part, les usages des traces d'apprentissage médiatisé ouvrent de nouvelles potentialités pour le soutien et pour la personnalisation des apprentissages en contexte médiatisé ; d'autre part ces usages donnent aussi lieu à des questionnements critiques et éthiques. L'article de Peraya se conclut par une invitation au débat sur un ensemble de questions de recherche qui vont nécessiter le croisement de regards de collègues de plusieurs disciplines. Dans cette contribution au débat, je reprends ces questions pour y apporter à la fois un regard d'enseignante en formation à distance, de chercheure, mais aussi de conceptrice technopédagogique. Cette dernière expérience m'a permis de comprendre les enjeux des usages des traces numériques d'apprentissage dans des modules de formation à destination d'acteurs industriels suivant la norme SCORM. Les traces peuvent-elles être utilisées contre les apprenants ? Quel type d'inférences peut-on accepter de réaliser à partir des traces ? Dans cette rubrique, je traiterai donc parmi les questions soulevées par Peraya, celles liées à l'usage des traces et aux enjeux éthiques tant pour l'apprenant que pour les enseignants.

Comme le souligne Peraya (2019), les traces d'apprentissage médiatisé possèdent un important potentiel d'usage qu'il s'agisse de prédire certains comportements de l'apprenant, de visualiser les activités d'apprentissage ou encore de mettre en place des systèmes adaptatifs. Les apprenants, les enseignants ainsi que l'institution peuvent bénéficier de ce potentiel et peuvent y trouver un intérêt commun sur l'usage des learning analytics pour soutenir les processus d'enseignement et d'apprentissage. Mais les traces sont-elles toujours utilisées au bénéfice de l'apprenant ? Que se passe-t-il quand les traces peuvent servir à justifier une appréciation négative de l'engagement de l'apprenant ou évaluer sa participation dans une activité d'équipe ? Dans un contexte de formation médiatisée, les enseignants disposent d'une vision très partielle de l'activité des apprenants et peuvent cependant, sur cette base, porter des jugements sur l'activité de l'apprenant au sein du dispositif de formation.

La production de données relatives au temps que consacre l'apprenant aux activités au sein de l'environnement numérique a fait émerger un nombre important d'études visant mettre en relation le temps de fréquentation de l'apprenant avec (la prédiction de) ses résultats d'apprentissage (Goda et al., 2015). Le « comportement temporel » est analysé à partir des interactions avec le dispositif de formation à partir d'indicateurs tels que le délai de réponse, la fréquence des interactions ou encore l'analyse du temps consacré à la tâche, qui peut être considéré comme le signe d'une bonne régulation de celle-ci ou, au contraire, de procrastination. Bien que la procrastination soit souvent liée à des résultats d'apprentissage inférieurs (Cerezo, Esteban, Sánchez-Santillán et Núñez, 2017 ; Goda et al., 2015), l'implication tardive d'un apprenant ne doit pas nécessairement être jugée de façon négative ; il existe en effet une diversité de types de procrastination, qui peuvent correspondre à des stratégies de régulation du processus d'apprentissage relevant, par exemple, de la procrastination productive (Westgate, Wormington, Oleson, et Lindgren, 2017). Connaître le comportement temporel d'un étudiant peut influencer négativement l'enseignant dans son évaluation. Or procrastiner est une stratégie souvent volontaire visant à optimiser le temps consacré à la tâche.

Un deuxième aspect sur lequel je souhaiterais intervenir est la perception du temps de réponse dans les contextes d'apprentissage médiatisé : celle-ci est l'objet des études de chronémie. Celle-ci est définie comme l'étude de la temporalité dans les interactions par Bruneau (2007). Dans un contexte de formation à distance, Kalman, Scissors, Gill et Gergle (2013) analysent la perception des temps de réponse dans des forums asynchrones pour analyser l'influence du délai de réponse dans la collaboration et la confiance. Selon ces auteurs, le délai de réponse influence le jugement de l'autre personne, tant en termes d'engagement que de confiance. La réalisation extrêmement tardive d'un travail peut donner lieu à une perception très diverse de la part les enseignants. Lorsque l'enseignant dispose d'informations sur les éventuelles contraintes de vie de l'étudiant, il va pouvoir mieux comprendre les raisons de ce retard et la procrastination ne sera sans doute plus la seule explication possible. Les traces des étudiants, sur une plateforme de formation (Learning Management System) comme Moodle, permettent de visualiser rapidement le comportement temporel des étudiants et peuvent contribuer à identifier les procrastinateurs et, par conséquent, à développer à leur encontre un a priori négatif. Ces données qui ont trait au déroulement temporel de l'activité sont alors utilisées dans un but qui pourrait nuire à l'image de l'apprenant (Westgate et al., 2017). Pour se garder d'un tel piège, il serait nécessaire prendre en compte les résultats des études de ce comportement, dans lesquelles ces auteurs font état de différents types de procrastination, dont certains sont délibérément adoptés afin de favoriser une forme de productivité (« productive procrastination ») visant à réduire les incertitudes liées à la réalisation de la tâche.

Notre premier élément de mise en garde face au développement des approches analytiques des traces médiatisées renvoie à la nécessité de nous référer à des modèles de l'apprenant et de la tâche qui puissent permettre d'interpréter correctement le comportement des apprenants et considérer que, pour un même comportement observable par des traces (par exemple, travailler à la dernière minute), il peut y avoir plusieurs profils d'apprenants. Au moment d'analyser les traces temporelles d'apprentissage et le comportement temporel des apprenants, il conviendra alors d'interpréter différemment les procrastinateurs stratégiques des procrastinateurs habituels qui n'arrivent pas à faire une bonne régulation temporelle.

L'analyse de cette problématique m'amène à questionner les dimensions éthiques soulevées par Peraya (2019) dans sa présentation. Actuellement, la majorité des étudiants en formation à distance ne connaît ni le type de traces que leur activité d'apprentissage est en train de générer ni l'exploitation qui en est faite à des fins de profilage. Le consentement éclairé des étudiants n'est pas réclamé de manière claire quand ceux-ci s'engagent dans l'usage d'Environnements Informatiques pour l'Apprentissage Humain (EIAH) qui génèrent des traces d'apprentissage (Slade et Prinsloo, 2013). Peut-on recueillir et exploiter ces données sans un consentement éclairé ?

De plus, la prise de conscience de l'exploitation des traces dans les dispositifs de formation à distance donne lieu à un changement de comportements d'une partie des étudiants. Certains cherchent à produire des traces dans le but d'améliorer l'image qu'ils renvoient aux autres étudiants et aux enseignants. Pour cela, ils se connectent régulièrement ou interagissent avec différentes ressources ou sur différents forums dans le but d'apparaître comme étant plus actifs (Romero, 2010). Il s'agirait, dans ce cas précis, d'un effet de désirabilité sociale peu représentatif du comportement cognitif de l'apprenant. Sur ce même type de comportements, le bumping ou la supplantation d'identité soulèvent également des difficultés dans la vérification de l'authentification de l'identité de la personne qui produit les traces d'apprentissage sous le couvert d'une certaine identité numérique (Shyles, 2002).

Les enjeux éthiques rejoignent ceux de l'industrialisation de la formation dans le contexte de l'exploitation des traces pour profiler les étudiants (Mœglin, 2016). Nous l'avons montré ci-dessus, ce type de profilage peut desservir l'apprenant, soit qu'il influence négativement le jugement de l'enseignant, soit qu'il décourage l'apprenant en affichant ses mauvaises performances et ses risques d'échec. Est-il convenable de persévérer quand l'algorithme d'analyse des traces nous a déjà classé comme étant un étudiant en difficulté ? Jusqu'à quel point la visualisation des analyses qu'offrent les tableaux de bord change-t-elle de manière positive ou négative l'engagement de l'apprenant ? Pour aborder cette question, je me référerai à mon expérience à l'Université Laval au Québec. Cette grande université francophone s'est dotée d'un LMS, d'une plateforme de formation propre, ainsi que d'un système d'analyse des traces dénommé « Ma réussite » (Paquelin, 2016). En 2014, lors des premiers déploiements à la Faculté des Sciences de l'Éducation, ce système a été intégré dans le cours d'intégration du numérique à l'enseignement préscolaire et primaire dont j'étais en charge (Romero, Lepage et Lille, 2017). J'ai appris l'existence de ce dispositif par l'irruption dans mon bureau d'étudiants qui s'inquiétaient des affichages « oranges » et « rouges » dans le système « Ma réussite » et ce dès le début du cours. Le système d'analyse des traces traitait de manière automatique les traces liées aux forums et de connexion pour signifier les niveaux de risque aux étudiants (vert, orange ou rouge). Cependant, dans mon cours, le premier forum visait uniquement à définir les équipes de travail pour les étudiants n'ayant pas créé d'équipes pendant la pause des premiers cours. La participation au forum n'était pas du tout liée à l'engagement sur des apprentissages et montraient, de manière très partielle, l'activité des étudiants ayant choisi cette modalité pour créer leurs équipes de travail. Ces expériences ont permis faire un retour d'expérience au Bureau de soutien à l'enseignement (BSE). Parmi les recommandations pour rendre signifiantes les traces d'apprentissage médiatisées, on peut souligner la nécessité d'intégrer les enseignants dans la définition du modèle d'analyse des traces du cours, car cette analyse nécessite prendre en compte l'ingénierie de formation mise en place pour un cours en particulier. Ensuite, il faut considérer que les systèmes d'analyse des traces répondent à des modèles épistémologiques liés à des pratiques enseignantes. Dans des cours universitaires centrés sur les contenus avec une consultation fréquente des ressources mises à disposition, le système de traces peut tenir compte des interactions réalisées avec les contenus des cours ; cependant, dans un cours basé sur une pédagogie par projets, les traces numériques doivent cibler uniquement les activités pouvant rendre compte de l'engagement individuel au sein d'un travail collectif. De manière concrète, le système doit permettre aux enseignants de désactiver l'usage de certaines traces qui pourraient confondre le système, tout en signalant les activités d'apprentissage médiatisées qui pourraient être prises en compte pour l'analyse des étudiants (Liu et al., 2016). Les modules d'analyses des traces d'apprentissage de Moodle présentent actuellement ce type de fonctionnalités, donnant la possibilité aux enseignants de créer des modèles d'analyse adaptés à l'ingénierie pédagogique de leur cours (Luna, Castro et Romero, 2017).

L'articulation entre la démarche éthique et la qualité de la formation, un autre aspect que soulève Peraya (2019) dans son texte de cadrage initial, se retrouve à l'origine même des démarches de standardisation et d'analyse des traces des formations à distance suivant des normes e-learning (Del Blanco et al., 2013). Je terminerai ma contribution au débat en abordant les enjeux des traces comme une démarche d'assurance qualité pour les acteurs industriels. L'apparition des normes SCORM en 2001 correspond à l'émergence des premiers systèmes de traces dans les formations médiatisées. Avec du recul, on peut se rendre compte que l'usage des traces d'apprentissage a pu favoriser d'abord la qualité de la formation. La norme SCORM, l'un des premiers standards des contenus e-learning, a en effet été développée d'abord comme une norme de qualité destinée à suivre le bon déroulement de la formation (Fallery, 2004 ; Gebers et Arnaud, 2004). Pour comprendre les enjeux de cette standardisation, il faut situer ces premières normes dans le contexte de la formation professionnelle dans l'industrie aéronautique. C'est bien l'association internationale de professionnels Aviation Industry Computer Based Training Committee (AICC) qui a développé les premiers standards pour décrire tant l'intégration des objets d'apprentissage dans les dispositifs de formation que les premiers systèmes de traces des apprentissages. Si la recherche permet d'éclairer les démarches qualité et de discuter des modèles à mettre en place pour faciliter l'ingénierie des formations médiatisées, c'est bien au cours de la réalisation de ressources éducatives e-learning pour des entreprises que j'ai pu appréhender les enjeux que représentent les traces d'apprentissage pour les entreprises.

Dans le contexte de la réalisation de contenus de formation e-learning pour la formation de pilotes et de techniciens d'un grand groupe aéronautique nous devions concevoir les ressources éducatives e-learning de manière à pouvoir tracer de manière unitaire pour chaque ressource d'un package SCORM les contenus « appris » par le participant à la formation. Comme conceptrice technopédagogique je devais contribuer à scénariser les ressources e-learning et les réaliser à l'aide du logiciel Adobe Flash. À défaut de pouvoir évaluer correctement les apprentissages réalisés selon une approche par compétences, les traces de consultation des différentes pages de contenu permettent au constructeur aéronautique de s'assurer que chaque apprenant a bien pris connaissance des informations fournies dans cette unité de contenu de formation. Nous pourrions même évoquer les risques des systèmes d'analyses des traces pour l'apprenant. Prenons le cas d'un incident aéronautique. À la suite de cet incident, la compagnie accuse un technicien de ne pas avoir suivi le protocole de changement d'une certaine pièce. D'autre part, le technicien indique qu'il n'a pas été informé du protocole. Si l'entreprise aéronautique dispose des traces d'apprentissage numérique pouvant retracer le moment où le technicien a suivi la ressource e-learning correspondant au protocole de ladite pièce elle peut utiliser cette information contre son technicien. Les traces d'apprentissage numérique peuvent être utilisées par les acteurs industriels dans le cadre d'actions légales. Ils pourraient ainsi attester, en cas d'accident, que la formation avait bien été donnée aux membres du personnel suscpectés d'être responsables de l'incident en question.

Par ces exemples, j'ai souhaité souligner le besoin de développer, chez l'ensemble d'acteurs éducatifs, la compréhension des enjeux des traces éducatives afin d'assurer l'éthique liée à la collecte et l'analyse des traces. Il faut également s'assurer que les participants, dont les traces sont recueillies, puissent être correctement informés afin de fournir ou refuser de donner leur consentement au recueil et à l'analyse des données les concernant. Pour la prise en compte de ces enjeux, il est souhaitable de pouvoir encourager la coopération entre chercheurs en sciences de l'éducation et en sciences du numérique. Cette collaboration doit permettre un regard multidisciplinaire qui pourrait donner lieu à de meilleurs modèles d'analyse de traces d'apprentissage. Il faut par ailleurs engager fortement les enseignants dans la modélisation des systèmes de récolte et d'analyse des traces afin de s'assurer que ces modèles répondent à leurs besoins. Nous sommes face à des chantiers d'envergure afin que l'analyse des traces d'apprentissages médiatisées (Learning Analytics) devienne un atout pour le soutien aux processus d'enseignement et d'apprentissage, tout en respectant les enjeux éthiques liés à la récolte, à l'analyse et à l'usage des données.

Bibliographie

Des DOI (Digital Object Identifier) sont automatiquement ajoutés aux références par Bilbo, l'outil d'annotation bibliographique d'OpenEdition.
Les utilisateurs des institutions abonnées à l'un des programmes freemium d'OpenEdition peuvent télécharger les références bibliographiques pour lesquelles Bilbo a trouvé un DOI.

Bruneau, T. J. (2007). Time, change, and sociocultural communication : A chronemic perspective. Σημειωτκή-Sign Systems Studies, 35(1-2), 89-117.

Cerezo, R., Esteban, M., Sánchez-Santillán, M., et Núñez, J. C. (2017). Procrastinating Behavior in Computer-Based Learning Environments to Predict Performance : A Case Study in Moodle. Frontiers in Psychology, 8, 1403. Récupéré de : https://doi.org/10.3389/fpsyg.2017.01403
DOI : 10.3389/fpsyg.2017.01403

Del Blanco, Á., Serrano, Á., Freire, M., Martínez-Ortiz, I. et Fernández-Manjón, B. (2013). E-Learning standards and learning analytics. Can data collection be improved by using standard data models ? Dans 2013 IEEE Global Engineering Education Conference (EDUCON) (p. 1255-1261).

Fallery, B. (2004). Les trois visions de la formation ouverte et leurs propositions de normes : Standardiser les contenus, les activités ou les interfaces ? Systèmes d'information et Management, 9(4), 11–31.

Gebers, E. et Arnaud, M. (2004). Standards et suivi des apprenants. Distances et savoirs, 2(4), 451–485.

Goda, Y., Yamada, M., Kato, H., Matsuda, T., Saito, Y. et Miyagawa, H. (2015). Procrastination and other learning behavioral types in e-learning and their relationship with learning outcomes. Learning and Individual Differences, 37, 72–80. https://doi.org/10.1016/j.lindif.2014.11.001
DOI : 10.1016/j.lindif.2014.11.001

Kalman, Y. M., Scissors, L. E., Gill, A. J. et Gergle, D. (2013). Online chronemics convey social information. Computers in Human Behavior, 29(3), 1260–1269. Récupéré de : https://doi.org/10.1016/j.chb.2012.12.036
DOI : 10.1016/j.chb.2012.12.036

Liu, D. Y., Taylor, C. E., Bridgeman, A. J., Bartimote-Aufflick, K., Pardo, A. (2016). Empowering Instructors Through Customizable Collection and Analyses of Actionable Information. PCLA@ LAK, 3–9.

Luna, J. M., Castro, C. et Romero, C. (2017). MDM tool : A data mining framework integrated into Moodle. Computer Applications in Engineering Education, 25(1), 90–102.
DOI : 10.1002/cae.21782

Paquelin, D. (2016). D'une université campus à une université multi-modale. Analyse d'une dynamique québécoise, le cas de l'Université Laval. Distances et médiations des savoirs, 16.

Peraya, D. (2019). Les Learning Analytics en question. Distances et médiations des savoirs, 25. Récupéré de : https://journals.openedition.org/dms/3485

Romero, M. (2010). Gestion du temps dans les activités projet médiatisées à distance : le facteur temporel en e-learning. [S.l.] : Éd. universitaires européennes.

Romero, M., Lepage, A. et Lille, B. (2017). Computational thinking development through creative programming in higher education. International Journal of Educational Technology in Higher Education, 14(1), 42.
DOI : 10.1186/s41239-017-0080-z

Shyles, L. (2002). Authenticating, Identifying, and Monitoring Learners in the Virtual Classroom : Academic Integrity in Distance Learning. Presented at the National Communication Association, New Orleans, Louisiana.

Westgate, E. C., Wormington, S. V., Oleson, K. C. et Lindgren, K. P. (2017). Productive procrastination : academic procrastination style predicts academic and alcohol outcomes : Productive procrastination and alcohol. Journal of Applied Social Psychology, 47(3), 124–135. Récupéré de : https://doi.org/10.1111/jasp.12417
DOI : 10.1111/jasp.12417

Pour citer cet article

Margarida Romero, « Analyser les apprentissages à partir des traces », Distances et médiations des savoirs [En ligne], 26 | 2019, mis en ligne le 17 juin 2019, consulté le 27 juin 2019. URL : http://journals.openedition.org/dms/3754

Auteur
Margarida Romero

Laboratoire d'Innovation et Numérique pour l'Éducation (LINE), ESPE de Nice, Université Côte d'Azur

margarida.romero@unice.fr

Intelligence artificielle et pensée humaine

2018-05-14T16:10:07Z

Ecole à Tallin, Estonie. Arno Mikkor (EU2017EE)/Wikimedia, CC BY

Cet article est co-publié avec le Blog Binaire

Parler encore d'intelligence artificielle ? Au milieu de tout le bruit médiatique sur ce sujet une chercheuse en sciences de l'éducation, Margarida Romero, va répondre à une question rarement posée et jamais analysée de façon aussi profonde à notre connaissance : comment éduquer nos concitoyen.ne.s dans un monde où l"intelligence artificielle" devient omniprésente ? Binaire.

Comme toute nouvelle technologie, l'intelligence artificielle fait l'objet à la fois d'espoirs et de peurs et ce qu'elle recouvre aujourd'hui présente de grands enjeux (Villani et al, 2018). Elle pose aussi des questions profondes sur notre propre humanité. La machine dépassera-t-elle l'intelligence des humains qui l'ont conçu ? Quel sera le rapport entre ce qu'on appelle des intelligences artificielles et nos intelligences humaines ?

Dans un ouvrage récent (2017), Jean-Gabriel Ganascia répond à la première question : il montre très simplement que se développe une intelligence algorithmique dite artificielle (il parle d'"intelligence artificielle technique"), dont les performances font que notre société est effectivement bouleversée, car nous vivons au temps des algorithmes (Abiteboul-Dowek, 2017). Cependant l'idée d'une intelligence artificielle forte qui dépasserait l'intelligence des humains n'est pas une idée vraie ou fausse, c'est une croyance car elle n'est pas étayée par des arguments scientifiques. Il se trouve qu'il est de l'intérêt de ceux qui dominent le marché du numérique de nous le faire croire et de médias en quête d'audience de relayer cette croyance.

Pensée critique et créativité

Alors, avant de s'inquiéter de nos compétences face à ce monde présupposé d'intelligences artificielles - disons, IA pour désigner cette croyance, nous nommerons autrement les éléments scientifiques établis -, nous devons aiguiser nos compétences humaines clés : la pensée critique et la créativité. Tout d'abord, si nous faisons preuve de pensée critique, il faudrait commencer par nous questionner sur l'expression IA.

Est-ce que le terme d'intelligence est pertinent pour désigner des applications informatiques basées notamment sur l'apprentissage machine (machine learning) ? Ces algorithmes ont pour objectif de développer des systèmes capables de capter, de traiter et de réagir face à des informations (massives) selon des mécanismes qui s'adaptent au contexte ou aux données pour maximiser les chances d'atteindre les objectifs définis pour le système.

Ce comportement qui peut paraître “intelligent” a été créé par des humains et présente des limites liées d'une part à la capacité humaine actuelle de définir des systèmes d'apprentissage machine efficaces, et d'autre part à la disponibilité de données massives pour que les systèmes s'adaptent. Le constat est que ces systèmes sont plus performants que des humains sur des tâches bien spécifiques comme la reconnaissance de sons, d'images ou encore, récemment, des tests de lecture comme le Stanford Question Answering Data Set.

Avoir un meilleur test de lecture, signifie-t-il être capable de comprendre, dans un sens humain et intelligent, le texte lu ? La capacité statistique à identifier des réponses peut paraître intelligente, mais rien ne prouve que ce soit dans le sens critique et créatif des humains.

Compétences du 21ème siècle. @margaridaromero, CC BY

Que doit-on apprendre aujourd'hui ? Les compétences du 21ème siècle tiennent compte de l'omniprésence du numérique et du besoin de renforcer le développement humain tant du point de vue des attitudes (tolérance à l'ambiguïté, tolérance à l'erreur et prise de risque), que du rapport au savoir et aux technologies.

Lorsque dans les années 1950 Turing propose un test basé sur une confrontation purement langagière entre un humain et un autre agent, qui pourrait être une machine ou un autre humain, il ne cible pas l'intelligence de la machine, mais l'intelligence que nous pourrions lui attribuer.

Si l'humain juge qu'il est en train d'interagir avec un agent humain et non une machine, le test d'intelligence artificielle est considéré comme réussi. Et peut-on se contenter d'une bonne capacité de réponse à une conversation humaine pour considérer qu'une machine est intelligente ?

Définir l'intelligence humaine

Si nous considérons l'intelligence comme la capacité d'apprendre (Beckmann, 2006) et l'apprentissage comme l'adaptation au contexte (Piaget, 1953), il serait possible de considérer les systèmes capables d'améliorer leur adaptation au contexte à partir de la collecte et le traitement de données comme étant intelligents. Cependant, si nous considérons l'intelligence comme la « capacité à résoudre des problèmes ou à créer des solutions qui ont une valeur dans un contexte socioculturel donné » (Gardner et Hatch, 1989, p. 5), sous une approche diversifiée et dynamique, il est plus difficile de considérer qu'un système, si adaptatif et si massivement nourri aux données soit-il, puisse porter un jugement métacognitif sur son processus et ses produits en lien à un contexte socioculturel donné.

La définition d'intelligence humaine de Gardner et Hatch se rapproche fortement de celle de la créativité comme processus de conception d'une solution jugée nouvelle, innovante et pertinente en lien au contexte précis de la situation-problème (Romero, Lille et Patino, 2017).

L'intelligence n'est pas donc la capacité à performer selon des règles préétablies ou prédictibles (y compris avec des mécanismes d'adaptation ou d'apprentissage machine sur des données), mais plutôt l'aptitude à créer du nouveau en démontrant une faculté de sensibilité et d'adaptation au contexte socio-culturel et l'empathie sur le plan intra et inter-psychologique aux différents acteurs. Ceci implique de comprendre la nature humaine et socio-historique pour être en mesure de porter un jugement sur son propre processus et création, de manière autonome.

Si nous adoptons cette deuxième approche critique et créative de l'intelligence, nous devrions être prudents sur l'usage du terme IA pour des solutions qui “se limitent” à s'adapter selon des mécanismes préétablis qui ne peuvent pas engendrer de jugement auto-réflexif de valeur, ni de perspective socio-culturelle.

Les systèmes d'apprentissage machine qui sont étiquetés d'IA peuvent être très performants en base à des modèles très élaborés nourris avec des données massives, mais ils ne sont pas “intelligents” à la manière critique et créative des humains.

Ainsi, mon téléphone peut apprendre à reconnaître les mots que je dicte vocalement, même si j'ai un accent qu'il va inférer d'autant plus que j'utilise le système. Mais pour autant, lui attribuer une vraie intelligence face à ma dictée vocale, relève d'une projection subjective, c'est à dire d'une croyance.

Développer l'esprit critique

Nous pouvons également questionner “l'intelligence de l'IA” en lien avec la pensée critique qui caractérise l'intelligence humaine. Dans le cadre du projet #CoCreaTIC, nous définissons la pensée critique comme la capacité de développer une réflexion critique indépendante, qui permet l'analyse des idées, des connaissances et des processus en lien avec un système de valeurs et de jugements propres.

C'est une pensée responsable qui s'appuie sur des critères et qui est sensible au contexte et aux autres. En revanche, si nous pensons aux systèmes d'apprentissages algorithmiques, et les résultats politiquement incorrects qu'ils ont produits face à des images et des réponses textuelles pouvant être cataloguées comme discriminatoires, nous ne devons ni redouter, ni condamner, ni accepter ce résultat, car il n'a aucune valeur morale. L'explication la plus probable est que en “apprenant” des données issus d'humains, le mécanisme met en avant des éléments racistes et sexistes, il n'y a pas de système de valeurs propre. Ici, cette soi-disant IA ne dispose pas de pensée responsable, mais exacerbe certaines dérives que l'humain est capable de produire mais aussi de limiter et de corriger par ses critères et sa sensibilité aux autres.

Voici ici une tentative de définition de l'esprit critique, elle même critique, proposée par l'éducation nationale, y compris sous forme de ressource éducative :

Dans le #RapportVillani, la pensée critique est évoquée face à ces technologies tant sur les aspects éthiques qu'en lien avec le besoin de développer « l'esprit critique » dans l'éducation sur ces sujets.

D'autre part, le rapport souligne l'importance de la créativité dans l'éducation comme une manière de préparer les citoyens aux défis de ce qui est rendu possible avec ces algorithmes. L'éducation au fondement du numérique, notamment dans des approches critiques, créatives et participatives, peut permettre également de développer un rapport à l'informatique qui permette aux citoyen.ne.s de démystifier l'IA, de développer une exigence éthique, et d'adopter une attitude éclairée (acceptation ou non, de ce qui sera utilisé au niveau de leurs activités personnelles, sociales ou professionnelles).

Pour ces raisons, le développement de la compétence de pensée informatique est également un atout qui vient compléter les besoins de développement de la pensée critique et créative face au numérique.

Le levier de la pensée informatique

En 2006, Jeannette Wing nomme « pensée informatique » (computational thinking) la capacité d'utiliser les processus informatiques pour résoudre des problèmes dans n'importe quel domaine. La pensée informatique est présentée par Jeannette Wing comme un ensemble d'attitudes et de connaissances universellement applicables, au delà de l'usage des machines.

Pour la développer, les apprenant·e·s (dès la maternelle, et à tous âges) peuvent combiner l'apprentissage des concepts et des processus informatiques qui font l'objet de la « littératie numérique » (objet, attribut, méthode, patron de conception, etc.) et une démarche de résolution de problèmes créative faisant appel aux concepts et aux processus informatiques (Romero, Lepage et Lille, 2017).

Des projets comme Class'Code en France ou CoCreaTic au Québec ont développé des ressources et une communauté pour soutenir cette approche dans laquelle il ne s'agit pas d'apprendre “le codage” (au sens de coder avec un langage informatique) pas à pas, mais de résoudre des problèmes de manière créative et sensible au contexte du problème.

En d'autres termes, dépasser le codage permet de s'ancrer dans une démarche plus large de programmation créative. Celle ci engage les apprenants, car c'est un processus critique et créatif de résolution de problèmes qui fait appel aux concepts et aux processus informatiques.

Il ne s'agit pas de coder pour coder, ou d'écrire des lignes de code les unes après les autres, mais de développer une approche de résolution de problèmes complexes qui engage dans une analyse réflexive et empathique de la situation, de sa représentation et de l'opérationnalisation d'une solution qui profite des stratégies métacognitives liées à la pensée informatique.

Le développement d'une approche critique et créative du numérique par le biais de la pensée informatique, permet aux apprenant.e.s d'aller au delà d'une posture d'utilisateurs qui pourrait percevoir l'IA comme une boîte noire plein de mystères, de dangers ou d'espoirs illimités.

La compréhension des enjeux d'analyse de problèmes en lien à des situations-problèmes ancrés dans des contextes socio-culturels précis (par exemple, les enjeux migratoires) est une manière de voir l'informatique comme à la fois une science et une technologie qui vont permettre, à partir des limites et contraintes de nos modélisations d'un problème, de tenter de donner des réponses qui vont se nourrir de données de plus en plus massives, sans pour autant, pouvoir être considérées comme pertinentes ou de valeur sans l'engagement du jugement humain.

Pour une éducation qui permette de vivre à l'ère numérique

Comme le signale le le #RapportVillani, nous avons besoin face à l'émergence de l'IA d'une éducation plus critique et créative.

Mais nous avons aussi beoisn d'une approche plus orientée vers la pensée informatique de la culture numérique afin que les citoyen.ne.s (petits et grands) puissent comprendre le facteur humain dans la modélisation et la création des systèmes artificiels, le fonctionnement basique des algorithmes et de l'apprentissage machine ou encore les limites de l'IA face au jugement nécessaire pour considérer la valeur des solutions produites par les algorithmes.

Pour une citoyenneté éclairée à l'ère du numérique, nous avons besoin de continuer à aiguiser notre pensée critique, créative, de résolution collaborative de problèmes tout en ajoutant une nouvelle corde à notre arc : le développement de la pensée informatique

Margarida Romero does not work for, consult, own shares in or receive funding from any company or organization that would benefit from this article, and has disclosed no relevant affiliations beyond their academic appointment.