L’Intelligence Artificielle et l’éducation… une menace sur les activités et l’évaluation ?
La façon dont la science se fait et se publie est déjà en transformation… Dans la revue Science, Sibel Erduran (2023) ici , titre « L’IA transforme la façon dont la science se fait. L’enseignement des sciences doit refléter ce changement ». Elle mentionne un document de l’UNESCO Guidance for generative AI in education and research ici.
Elle y discute comment les approches traditionnelles sont les plus menacées par l’IA générative (ChatGPT par exemple). Surtout lorsqu’elles font appel aux objectifs d’apprentissage les plus basiques (mémoriser, reformuler, …).
Un extrait
« Certaines des préoccupations concernant l’impact de l’IA sur l’apprentissage reposent sur des notions dépassées de l’apprentissage humain. L’enseignement scientifique traditionnel a favorisé la transmission de faits et le rappel d’informations en tant qu’indicateurs de l’apprentissage. Par exemple, on attendait traditionnellement des élèves qu’ils mémorisent l’équation chimique de la photosynthèse ou qu’ils soient capables de réciter la loi d’Ohm. Dans cette représentation de l’apprentissage, les informations seraient facilement récupérées grâce à l’IA, ce qui rendrait ambigus les résultats d’apprentissage des étudiants. En revanche, des perspectives plus contemporaines sur l’apprentissage préconisent des compétences telles que la pensée critique comme des résultats importants de l’apprentissage, qui peuvent potentiellement être copiés dans une certaine mesure mais sont difficiles à imiter grâce à l’IA. Les compétences tournées vers l’avenir Future-oriented skills, telles que la réflexion sur des scénarios, la pensée systémique et la gestion de l’incertitude et de la complexité, nécessitent plus que le rappel ou même la gestion de grands ensembles de données. Ils impliquent une créativité et une innovation considérables. Certains psychologues cognitifs soutiennent que même si l’IA peut aider à résumer et à généraliser les informations existantes, elle n’est pas conçue pour répondre à des compétences humaines plus sophistiquées qui nécessitent de l’innovation, comme la conception de théories. Cependant, la recherche et le développement émergents dans le domaine de l’IA remettent en question ces visions, par exemple en explorant le potentiel des systèmes d’IA pour mettre en évidence les angles morts des hypothèses scientifiques blind spots in scientific hypotheses et contribuer à générer de nouvelles questions. » Traduction automatique de Erduran, S. (2023) 
encourage le lecteur à aller vérifier dans l’article d’origine ici
Les objectifs d’apprentissage les plus menacés par l’IA…
Stasse, S. (2023) ici s’inspire d’un texte de l’Oregon state University ici pour montrer lesquels des objectifs de Bloom sont le plus menacés par l’IA générative Cf. Fig. 1 . On notera que le verbe « comprendre » au sens de Bloom n’a en science pas la même signification : en science on peut considérer qu’un élève a compris s’il peut utiliser les explications d’un phénomène (vivant, physique, chimique) vues en classe pour expliquer une observation ou prédire ce qui se passera dans une situation similaire ou peu différente « Appliquer » dans la classification de Bloom. De nombreux scientifiques ne se reconnaissent pas bien dans cette classification, et Crowe et al. (2008) ici clarifient en décrivant comment ces objectifs obscurs se traduisent concrètement en classe, pour concevoir des activités, les évaluer, etc. encourage le lecteur à aller vérifier dans l’article d’origine ici
Fig 1: Les objectifs d’apprentissage; ceux que l’IA menace et les compétences spécifiques humaines [img]. Source : Stasse, S. (2023) ici
Plus loin, Sibel Erduran (2023) ici , montre comment des approches pédagogiques de l’IA générative peuvent non seulement innover mais aussi stimuler les élèves et sans doute les enseignantes et enseignants. Surtout lorsqu’elles dépassent l' »appris par coeur » et font appel aux objectifs plus élevés (comprendre ( = appliquer dans le langage de Bloom), évaluer, créer, …) – qui sont d’ailleurs les plus spécifiques de la pensée scientifique. Et correspondent assez aux exigences du Plan d’action en faveur de l’éducation numérique.(DIP). (2019).ici
Elle montre que des exemples existent déjà, dont on peut s’inspirer:
« De nombreux enseignants et étudiants du secondaire utilisent déjà des plateformes telles que ChatGPT. En fait, l’utilisation de ChatGPT peut potentiellement simuler ce que font les scientifiques eux-mêmes lorsqu’ils utilisent de tels outils pour générer des connaissances documentaires pour les manuscrits académiques. Des stratégies pédagogiques telles que le questionnement (par exemple: »Comment savons-nous que ce texte produit par ChatGPT est correct ? ») peuvent être envisagées à des fins spécifiques d’apprentissage de ce qu’est la nature de la science (NOS) infusé par l’IA, par exemple pour encourager les étudiants à générer et à appliquer des critères d’évaluation de l’exactitude. De telles approches devront cependantêtre accompagnées d’une formation des enseignants non seulement pour qu’ils utilisent les outils et les données de l’IA, mais aussi pour comprendre comment la science évolue plus largement à l’ère de l’IA.Bien que le programme NOS infusé par l’IA dans l’enseignement des sciences soit un défi de taille, certaines interventions éducatives existantes (existing educational interventions) peuvent fournir des lignes directrices pour guider les objectifs au sein du système éducatif et mettre en évidence la manière de s’attaquer aux angles morts fréquents dans la réforme éducative.Par exemple, des réseaux scolaires ouverts open schooling networks peuvent être créés pour favoriser les communautés d’apprentissage impliquant un large éventail de partenaires, notamment les étudiants, les enseignants, les formateurs d’enseignants, les scientifiques et les décideurs politiques.Si l’enseignement scientifique secondaire doit former la future génération de scientifiques et les doter de compétences pertinentes et actuelles, il est essentiel qu’il s’adapte aux derniers développements de la recherche scientifique appuyée sur l’IA.Autrement, l’écart entre la science que pratiquent les chercheurs et d’autres scientifiques et la science scolaire risque de se creuser au point qu’au moment où les élèves du secondaire entreront à l’université, leur compréhension de ce qu’est la science sera déjà dépassée. » Traduction automatique de Erduran, S. (2023) encourage le lecteur à aller vérifier dans l’article d’origine ici
L’Intelligence Artificielle et l’éducation : des parallèles troublants… des pistes pour stimuler la réflexion ?
Les résultats de l’IA sont liés notamment à la manière dont on entraîne ces programmes… Depuis une perspective éducative, il est évidemment tentant d’établir des parallèles avec la façon dont on éduque les élèves. On n’est pas surpris que les IAmanifestent des mêmes biais que ce que les sources qu’on leur a donné pour les éduquer (p. ex. Castelvecchi, 2020) ici Autrefois déjà on disait en informatique GIGO (garbage in garbage out). Quand on voit discuter les stratégies d’apprentissage des IA – diverses et plus ou moins efficaces (Dennis, et al., 2020) JTS Ici ) ou produisant des apprentissages difficilement prévisibles, voire complètement orientés vers le test comme le discutent des chercheurs avec le prof. C. Lovis de l’UNIGE- HUG (Turbé, et al. 2023) ici, on est tenté d’évoquer la discussion sur les pédagogies et leur efficacité… On sait depuis longtemps en éducation que les élèves apprennent ce qui va être évalué, ils le devinent même quand l’enseignante ou l’enseignant dit le contraire (Perrenoud, 2004).
Evidemment tous ces parallèles sont discutable … Et bien discutons-en ! Il n’est pas certain que les chercheurs en IA surfant cette vague de succès voudront de notre réflexion, mais cela peut amener à repenser nos pratiques.
Une IA « se parle » à elle-même; cela lui permet de s’autocorriger, mieux transposer à des situations nouvelles, et visibilise le « raisonnement » … un peu comme la métacognition en éducation humaine ?
Abstract de de Hu, S. et Clune, J. (2023) ici
« Le langage est souvent considéré comme un aspect clé de la pensée humaine, offrant des capacités exceptionnelles pour généraliser, explorer, planifier, replanifier et s’adapter à de nouvelles situations. Cependant, les agents d’apprentissage par renforcement (RL) n’atteignent – et de loin – des performances de niveau humain dans aucune de ces capacités. Nous émettons l’hypothèse que l’une des raisons de ces déficits cognitifs est qu’ils ne bénéficient pas des avantages de la pensée linguistique et que nous pouvons améliorer les agents d’IA en les entraînant à penser comme le font les humains. Nous introduisons un nouveau cadre d’apprentissage par imitation, le clonage de pensée, dont l’idée est non seulement de cloner des comportements humains, mais également les pensées que les humains ont lorsqu’ils exécutent ces comportements. Alors que nous nous attendons à ce que le clonage de pensée brille vraiment à grande échelle sur des ensembles de données de taille Internet sur des humains pensant à voix haute tout en agissant (par exemple, des vidéos en ligne avec transcriptions), nous menons ici des expériences dans un domaine où les données de réflexion et d’action sont générées de manière synthétique. Les résultats révèlent que le clonage de pensée apprend beaucoup plus rapidement que le clonage comportemental et que son avantage en termes de performances augmente à mesure que les tâches de test sont plus loin des tâches d’apprentissage, soulignant sa capacité à mieux gérer des situations nouvelles. Le clonage de pensée offre également des avantages importants en termes de sécurité et d’interprétabilité de l’IA, et facilite le débogage et l’amélioration de l’IA. Parce que nous pouvons observer les pensées de l’agent, nous pouvons (1) diagnostiquer plus facilement pourquoi les choses ne vont pas, ce qui facilite la résolution du problème, (2) orienter l’agent en corrigeant sa pensée, ou (3) l’empêcher de faire des actes dangereux, parmi les choses qu’il envisage de faire. Dans l’ensemble, en formant les agents à penser et à se comporter, le clonage de pensée crée des agents plus sûrs et plus puissants. » Traduction automatique encourage le lecteur à aller vérifier dans l’article d’origine : ici
La métacognition dans l’apprentissage …
De nombreuses recherches mettent en évidence l’importance de la métacognition dans l’apprentissage (humain). Cf. p .ex une présentation concise de ce concept, de son efficacité et des moyens de l’utiliser en classe par Kimberly Tanner (2010) ici. Pour vous donner envie de lire son texte JTS en a extrait quelques définitions :
La métacognition fait référence à la connaissance de ses propres processus cognitifs ou de tout ce qui s’y rapporte, par exemple les propriétés des informations ou des données pertinentes pour l’apprentissage.Par exemple, je m’engage dans la métacognition si je remarque que j’ai plus de difficulté à apprendre A que B ;s’il me semble que je devrais vérifier C avant de l’accepter comme un fait.(Flavel, 1976)
Métacognition : conscience ou analyse de ses propres processus d’apprentissage ou de réflexion. (Merriam-Webster, 2012)
La métacognition comprend également l’autorégulation – la capacité d’orchestrer son apprentissage : planifier, surveiller les réussites et corriger les erreurs le cas échéant – tout cela est nécessaire pour un apprentissage intentionnel efficace… La métacognition fait également référence à la capacité de réfléchir sur sa propre performance.(Conseil national de recherches, 2000)
Les élèves apprennent à suivre et à diriger leurs propres progrès, en posant des questions telles que « Qu’est-ce que je fais maintenant ? », « Est-ce que cela me mène quelque part ? », « Que pourrais-je faire d’autre à la place ? » Ce niveau métacognitif général aide les élèves à éviter de persévérer dans des démarches improductives… (Perkins et Salomon, 1989)
Tanner y discute dans la table 1 des exemples d’auto-questions pour promouvoir la métacognition des élèves sur leur apprentissage
• De quoi parlait la séance de cours d’aujourd’hui ?• Qu’ai-je entendu aujourd’hui qui est en conflit avec ma compréhension antérieure ?• Quel est le lien entre les idées de la séance de cours d’aujourd’hui et les cours précédents ?• Que dois-je faire activement maintenant pour obtenir des réponses à mes questions et clarifier mes confusions ?• Qu’est-ce que j’ai trouvé le plus intéressant dans le cours d’aujourd’hui ?•Dans quelle mesure ai-je réussi à atteindre les objectifs de la tâche ?• Dans quelle mesure ai-je utilisé les ressources à ma disposition ?• Si j’étais l’instructeur, qu’est-ce que j’identifierais comme points forts et défauts de mon travail ?• Lorsque je refais un devoir ou une tâche comme celle-ci, qu’est-ce que je veux me rappeler de faire différemment ?Qu’est-ce qui a bien fonctionné pour moi et que je devrais utiliser la prochaine fois ?• Qu’est-ce qui dans ma préparation à l’examen a bien fonctionné et que devrais-je penser à faire la prochaine fois ?• Qu’est-ce qui n’a pas si bien fonctionné que je ne devrais pas faire la prochaine fois ou que je devrais changer ?• À quelles questions n’ai-je pas répondu correctement ?Pourquoi?Comment ma réponse peut-elle être comparée à la bonne réponse suggérée ?• À quelles questions n’ai-je pas répondu correctement ?Pourquoi?Quelles confusions ai-je et dois-je encore clarifier ?• De quoi me souviendrai-je encore dans 5 ans de ce que j’ai appris dans ce cours ?• Quels conseils pourrais-je donner à un ami sur la façon d’apprendre le mieux possible dans ce cours ?• Si je devais enseigner ce cours, comment le modifierais-je ?• Qu’ai-je appris sur la façon dont j’apprends dans ce cours et que je pourrais utiliser dans mes futurs cours de biologie/sciences ?Dans ma carrière ?
encourage le lecteur à aller vérifier dans l’article d’origine : ici
Souvent les enseignants s’irritent d’élèves qui ne semblent pas comprendre ce qui est attendu d’eux : Bromme et al. (2010) montrent ici que c’est la façon dont l’étudiant-e imagine ce qui est attendu qui détermine la façon dont il-elle oriente son apprentissage
Commentaire de Christian Lovis,
C. Lovis est -entre autres – responsable du Service des sciences de l’information médicale des HUG et professeur à la faculté de médecine de l’UNIGE, c’est un spécialiste de l’IA. « Il est l’un des principaux experts suisses dans le domaine de la gestion des données, de l’interopérabilité, de la sémantique et de l’analyse des données appliqués à la santé ainsi qu’aux contextes cliniques ».Cf. ici
« La capacité à juger de ce qui est contrefactuel, de ce qui est insuffisant, ou redondant, dépend de ses propres connaissances ou d’un gros travail de recherche. Les LLM ont d’immenses « connaissances », et une compétence objective, by design, de génération, d’où leur nom de modèles génératifs. Ce sont des créateurs ! Ils n’ont en revanche pas de compétences cognitives, ou alors éventuellement comme propriétés émergentes, mais c’est débattu et plus un objet de croyance que de science à l’heure actuelle. Il faut reconnaître qu’il est plus simple de montrer leur incompétence cognitive que de démontrer la naissance d’une propriété émergente cognitive. Ce que cela signifie pour moi par rapport à la pédagogie ne me semble pas changer beaucoup de ce que la pédagogie dit depuis Montaigne. Une tête bien faite – une tête bien pleine. Une personne qui sait tout, peut aussi être le sommet de la bêtise, et malgré tout aura des avantages compétitifs dans une société qui mise beaucoup sur le savoir. Mais doit-on véritablement se mettre dans ces extrêmes, et ne pas considérer l’IA comme une nouvelle intelligence qui s’ajoute à toute celles qu’on a déjà ? Et apprendre à l’utiliser ? »
Avec l’IA générative, on a toujours affaire à un travail de groupe !
Considérer l’IA comme une nouvelle intelligence qui intervient dans l’éducation, c’est aussi ce que propose David Wiley dans son Blog : avec les IA génératives, l’activité des élèves doit être vue et évaluée comme un travail de groupe, une collaboration des intelligences « All work is group work now : Collaborative learning as a pedagogical and assessment framework for learning with generative AI » Il propose un cadre pour penser l’éducation et l’évaluation. » L’idée centrale est de ne plus de considérer l’IA générative comme un outil mais de la considérer comme un collaborateur légitime.Ce changement de cadre vous permet de commencer à voir comment la recherche, la théorie et la pratique existantes en matière d’apprentissage collaboratif – et d’apprentissage social plus largement – pourraient être adaptées pour nous aider à comprendre comment utiliser l’IA générative pour soutenir efficacement l’apprentissage. »
S’inspirant de toute la recherche sur l’apprentissage collaboratif, Wiley propose
- « Introduire le travail avec l’IA générative au début du semestre pour définir clairement les attentes envers les étudiants.
- Établir des règles de base pour la participation et les contributions.
- Planifier chaque étape de la collaboration avec l’IA générative.
- Expliquer soigneusement à vos étudiants comment fonctionnera la collaboration avec l’IA générative et comment les étudiants seront notés.
- Aider les élèves à développer les compétences dont ils ont besoin pour réussir, […] notamment les techniques de métacognition.
- Penser à formaliser les responsabilités par des contrats écrits.
- Intégrer l’auto-évaluation et l’évaluation par les pairs pour que les apprenants puissent évaluer leurs propres contributions et celles de l’IA générative. » encourage le lecteur à aller vérifier dans l’article d’origine : ici
L‘irruption d’autres intelligences dans le triangle didactique (ou pédagogique) peut être discutée comme un Tétraèdre avec l’IA comme 4ème pôle (Lombard, F., 2007) encourage le lecteur à aller vérifier dans l’article d’origine : ici
(Les membres Jump-To-Science peuvent obtenir ces articles…).
Références:
- Bromme, R., Pieschl, S., & Stahl, E. (2010). Epistemological beliefs are standards for adaptive learning : A functional theory about epistemological beliefs and metacognition. Metacognition and Learning, 5(1), 7‑26. https://doi.org/10.1007/s11409-009-9053-5
- Castelvecchi, D. (2020). Is facial recognition too biased to be let loose? Nature, 587(7834), 347‑349. https://doi.org/10.1038/d41586-020-03186-4
- Crowe, A., Dirks, C., & Wenderoth, M. P. (2008). Biology in bloom : Implementing Bloom’s taxonomy to enhance student learning in biology. Life Sciences Education, 7(4), 368. https://doi.org/10.1187/cbe.08-05-0024.
- Département de l’instruction publique, de la formation et de la jeunesse (DIP). (2019). Plan d’action en faveur de l’éducation numérique. https://edu.ge.ch/enseignement/education-numerique/actualites/plan-daction-en-faveur-de-leducation-numerique-2768
- Erduran, S. (2023). AI is transforming how science is done. Science education must reflect this change. Science, 382(6677), eadm9788. https://doi.org/10.1126/science.adm9788
- Dennis, M., Jaques, N., Vinitsky, E., Bayen, A., Russell, S., Critch, A., & Levine, S. (2020). Emergent Complexity and Zero-shot Transfer via Unsupervised Environment Design. NeurIPS, 12.
- Hu, S., & Clune, J. (2023, juin 1). Thought Cloning : Learning to Think while Acting by Imitating Human Thinking. arXiv.Org. https://arxiv.org/abs/2306.00323v2
-
Lombard, F. (2007). Du triangle de Houssaye au Tétraèdre des TIC : Comment l’analyse des productions TIC permet d’approcher une compréhension des interactions entre les savoirs d’expérience et de recherche . In B. Charlier & D. Peraya (Eds.), Les technologies éducatives : une opportunité d’articuler les savoirs d’expérience et ceux issus de la recherche ? Bruxelles : De Boeck.pdf)
- Oregon state University. (s. d.). Advancing Meaningful Learning in the Age of AI – Artificial Intelligence Tools – Faculty Support | Oregon State Ecampus | OSU Degrees Online. Artificial Intelligence Tools Advancing meaningful learning in the age of AI. Consulté 16 janvier 2024, à l’adresse https://ecampus.oregonstate.edu/faculty/artificial-intelligence-tools/meaningful-learning/
- Perrenoud, P. (2004). Métier d’élève et sens du travail scolaire (4ème édition). E.S.F.
- Stasse, S. (2023, septembre 14). Bloom revisité à la sauce IA. CADRE21. https://www.cadre21.org/pedagogie/bloom-revisite-a-la-sauce-ia
- Tanner, K. D. (2012). Promoting Student Metacognition. Cell Biology Education, 11(2), 113‑120. https://doi.org/10.1187/cbe.12-03-0033
- Turbé, H., Bjelogrlic, M., Lovis, C., & Mengaldo, G. (2023). Evaluation of post-hoc interpretability methods in time-series classification. Nature Machine Intelligence, 5(3), 250‑260. https://doi.org/10.1038/s42256-023-00620-w
-
UNESCO pour l’éducation, la science et la culture, Miao, F., & Holmes, W. (2023). Guidance for generative AI in education and research. pdf
- Wiley, D. (September 25, 2023). All work is group work now : Collaborative learning as a pedagogical and assessment framework for learning with generative AI. Improving Learning Eclectic, Pragmatic, Enthusiastic. Consulté 23 janvier 2024, à l’adresse https://opencontent.org/blog/archives/7324
Remerciements
Merci à Christian Lovis pour son commentaire et à Laura Weiss pour une relecture et des commentaires constructifs
Révision le 24.01.2024 à 12:51 pour ajouter la référence au document de l’UNESCO