Le 22 avril et le 6 mai 2024, se déroulaient deux sessions de formation continue autour des “IA génératives dans l’éducation et la formation – des usages aux postures critiques”.
Suite à une première capsule vidéo qui présente, entre autres, le fonctionnement des intelligences artificielles génératives (IAG) et quelques IAG à priori utilisables dans le contexte éducatif, l’heure était au questionnement de l’utilité, des usages individuels et institutionnels ! Est-ce que les IAG peuvent aider les enseignant·e·s à une meilleure organisation de leurs leçons ? À les assister dans la variation des modalités d’enseignement-apprentissage et d’évaluation ?
Les tests ont montré en tout cas qu’elles étaient capables, si les bonnes pratiques de prompts (formulation d’instructions) sont respectées, de proposer des organisations de séances plutôt cohérentes, avec des modalités diverses et applicables, et proposer parfois de nouvelles idées. Toutefois, le résultat est en général peu révolutionnaire.
Des limites sont rapidement constatées par un participant, lorsque celui-ci demande à une IAG de proposer une séance de cours de 90 minutes traitant des compétences liées à l’objectif d’apprentissage EN22 du Plan d’Etudes Roman, mais que celle-ci était incapable d’en saisir les bouts touchants, malgré son accès au Web. Il a donc été constaté que la valeur ajoutée était ainsi plus sur la forme que sur le fond.
Une collègue partage ensuite son expérience avec une appli d’IAG pour l’apprentissage de langues. Cette appli nommée « Univerbal » intègre un système d’apprentissage automatique pour donner des feedbacks sur les éléments lexicaux ou grammaticaux non maitrisés d’une langue choisie par l’utilisateur∙trice. Cette interaction auditive rappelle l’interaction sociale et génère de l’émotion chez l’apprenant∙e. Cela semble se rapprocher d’une expérience avec un enseignant humain. Mais voici que le débat se lance autour de la place de l’enseignant dans ce nouvel écosystème. Si la machine est aujourd’hui capable de proposer une structure de leçon satisfaisante, de générer des émotions chez les apprentnant∙e∙s, de simuler une interaction sociale, pourrait-elle demain (avec un peu plus d’apprentissage et de fonctionnalités) remplacer l’enseignant ?
Nous sommes rapidement et unanimement d’accord que cela n’est pas si simple et que les limites des systèmes informatiques ne permettront pas d’égaler à tous les niveaux l’être humain. Cela nous a menés vers le questionnement de la comparaison constante entre la machine et l’humain. Une autre collègue questionne alors si cette comparaison n’est pas contre-productive et pouvait induire en erreur. Si on comprend davantage comment les machines informatiques et les IAG fonctionnent, sans les mettre continûment en opposition à l’être humain, on pourrait supposer que les craintes basées sur les émotions seraient moins grandes. Alan Turing dans les années 1950 comparait déjà la machine aux êtres humains, lorsqu’il parle pour la première fois du Turing-Test. Cette comparaison reste encore de mise aujourd’hui et va surement perdurer, mais elle provoque certainement des craintes basées principalement sur des émotions et peut-être pas assez sur les faits… : Hypothèses et réflexions à approfondir.
Est-ce que le terme des IAG ne pousse finalement pas à une confusion entre « intelligence » et « performance » ? s’interroge un collègue. Les IAG sont-elles vraiment si intelligentes ? Pour tenter de répondre à cela, nous avons dans un premier temps besoin de savoir ce qu’est l’intelligence, chose que nous peinons encore à définir. Si la définition n’est pas si claire, la proposition de Beat Döbeli-Honegger est rappelée (2024, https://gmls.phsz.ch/GMLS/WarumWirDenBegriffKIVermeiden), invitant plutôt à utiliser le terme « GML-Système » (Generative Machine Learning Systems). Une terminologie qui semble plus juste et moins marketing, en tout cas pour les personnes autour de la table.
source : Beat Döbeli Honegger: Antworten auf Knopfdruck? (youtube.com) (2024)
Au-delà des questions de terminologie et des débats passionnants sur le futur des IAG ou GML, les échanges se sont poursuivis sur des aspects plus pragmatiques, dont notamment les solutions institutionnelles proposées et la nécessité d’identifier des préconisations en termes d’outils et de pratiques pour l’ensemble du corps enseignant de l’institution, ainsi que pour les étudiant∙e∙s, afin de tendre vers une égalité des chances et une vision institutionnelle commune. Pour ce faire, il semble opportun de proposer d’une part un cours spécifique sur les IA génératives, mais également d’aborder leur intégration dans les différents domaines disciplinaires.
Afin de continuer de nourrir ces réflexions, une communauté de pratiques s’est concrétisée. Le but étant que chacune et chacun puisse amener son retour d’expérience, de pouvoir apprendre les uns des autres, et de définir collectivement une stratégie commune d’utilisation et de déploiement.
Timon Rimensberger & Aous Karoui
Comments