34 IA générative pour les salles de classe – Partie 1

Que faire lorsque quelqu’un vous suggère d’essayer un outil d’IA générative pour une certaine tâche ? Que faire quand vous avez une idée d’activité et vous ne savez pas comment l’adapter ?

Le but, ici, est de vous assister dans l’évaluation, le choix et la réalisation de ces tâches.

Étant donné la vitesse à laquelle évolue cette technologie et de la manière dont les performances changent en fonction des sujets et des contextes, on ne peut pas dresser à l’avance une liste de toutes les questions qu’un enseignant doit poser. Nous espérons seulement pouvoir vous fournir des pistes de réflexion recommandées par les directives publiées et étayées par des recherches et des études de cas.

Veuillez noter que, dans ce manuel, nous ne prenons en compte que les tâches dans le cadre desquelles seul l’enseignant interagit avec l’IA générative. Pour connaître les raisons de ce choix suivez le lien fourni dans l’encadré ci-dessus.

Même si vous n’êtes pas convaincu(e)que les outils d’IA générative devraient avoir leur place dans le domaine de l’éducation, nous vous encourageons vivement à tester au moins une tâche qui utilise la technologie générative. Cela pourrait vous servir à :

• Comprendre ce que l’on peut ou l’on ne peut pas faire avec les outils mis à disposition par l’IA générative ;
• Reformuler ou réorganiser les éléments du cours, en particulier pour décider ce qui peut ou ne peut pas être donné comme devoir à la maison. Par exemple, ChatGPT s’est avéré efficace pour aider les élèves à rédiger des dissertations1 et il pourrait s’avérer inutile pour donner des dissertations standard à faire à la maison, non pas si le but est de tester ou d’acquérir des connaissances.

Vous pourriez être amené(e) à recourir à plusieurs méthodes d’évaluations, telles que des projets de groupe, des tâches pratiques et des présentations orales et à aller plus loin que les simples questions nécessitant des réponses du type « oui » ou non »¹ :

• Comprendre les limites de cette technologie, de manière à pouvoir les utiliser pour encourager les élèves à s’appliquer et à recourir à leur imagination et à leur créativité² ;
• Ne pas vous sentir dépassé(e) lorsque la prochaine génération de ces technologies, dotée de caractéristiques encore plus avancées, sera une réalité ;
• Les utiliser pour réduire votre charge de travail et explorer de nouveaux sujets qui auraient été trop durs ou trop chronophages auparavant ;
• Tirer profit de nouvelles écoles de pensée et de nouvelles approches d’enseignement qui sont maintenant possibles ;
• Aider à façonner la recherche et le développement d’applications pédagogiques de ces outils qui sont maintenant mis en avant par de nombreux opérateurs³.

En même temps, vu la nouveauté de cette technologie et de ces méthodes, nous vous recommandons vivement d’enregistrer dans un journal les détails de chaque tâche et de son évolution. Ceci vous aidera à surveiller et évaluer les effets à court et long terme de chaque activité et à discuter de vos observations avec vos collègues.

Questions sur la pédagogie et la pratique

Tout le monde peut suggérer une activité à effectuer en salle de classe. Il se peut que ces personnes soient plutôt spécialisées dans la technologie et ne connaissent pas grand-chose à ce qui se passe dans une salle de classe. Ou alors, il peut s’agir d’une idée qui pourrait fonctionner pour un étudiant universitaire, mais non pas pour un collégien ou un lycéen. Si l’activité est adaptée à votre classe, mais elle ne repose pas sur une théorie pédagogique solide et n’est pas étayée par des données collectées en classe, elle peut réserver, au bout d’un certain temps, quelques surprises. Nous vous encourageons, donc, à aborder toute activité en vous posant des questions sur la pédagogie et sur la faisabilité de l’activité en question.

Questions sur l’IA générative utilisée

Au cœur d’une application d’IA générative il y à un grand modèle de langage (LLM) ou un modèle d’image (modèle de diffusion). Comme l’a dit le linguiste Noam Chomsky, “En gros, ils [les grands modèles de langage] prennent d’énormes volumes de données, cherchent à y découvrir des schémas et deviennent de plus en plus experts dans la génération de résultats statistiquement probables — tels qu’un langage et des pensées proches de ceux qu’un être humain pourrait produire⁴.” BERT, BLOOM, GPT, LLaMA et PaLM sont de grands modèles de langage. Le modèle de deep learning correspondant pour les images est appelé modèle de diffusion. Stable diffusion et Midjourney sont des exemples populaires de ces modèles.

La société mère ou un tiers peut prendre un LLM et l’entraîner ultérieurement (l’ajuster) pour certaines tâches spécifiques, telles que la réponse aux requêtes et la synthèse de textes. Ou bien, ils peuvent prendre un LLM ou un chatbot, ajouter quelques invites ou réaliser une programmation approfondie et en diffuser les résultats sous la forme de package d’applications (Chatpdf, Elicit, Compose AI, DreamStudio, NightCafe, PhotoSonic, Pictory.. ).

OpenAI a adapté ses GPT3 et GPT4 avec des échantillons d’invites-réponses et des règles d’acceptabilité du contenu pour obtenir Chatgpt. Une équipe de Google Research a entraîné PaLM avec des données scientifiques et mathématiques pour obtenir Minerva. Ce modèle de langage a ensuite obtenu des résultats avancés pour une application de modèle de langage destinée à la résolution de problèmes de Raisonnement Quantitatif : il a été en mesure de résoudre environ un tiers de problèmes de niveau premier cycle en physique, biologie, chimie, économie et dans d’autres sciences qui nécessitent un raisonnement quantitatif⁵.

Des travaux sont en cours pour le perfectionnement d’un modèle de langage à utiliser dans le domaine de l’éducation – Ed-GPT – par l’ajout de connaissances sur le sujet et la suppression des biais et, on l’espère, par l’ajout de connaissances sur les méthodes d’enseignement applicables².

Le fait qu’un modèle de langage ait été perfectionné pour une certaine tâche affectera son efficacité dans la réalisation de cette tâche⁶. Par ailleurs, le fait que le package soit entièrement fourni par la même entreprise (ChatGPT d’OpenAI) ou qu’une autre entreprise ait développé le modèle affectera la sécurité et la confidentialité des données. Lorsqu’on explore le type de modèle utilisé, il vaut la peine d’analyser, à la fois, les réussites et les limites du modèle et de savoir qui a fait quoi dans son élaboration.

Questions sur son adaptation à vos besoins et à ceux de votre classe

Même si une certaine tâche atteint tous ses objectifs et si l’outil d’IA générative utilisé est le meilleur et le plus éthique disponible, la tâche en question devra être adaptée, dans tous les cas, en fonction des besoins de votre classe. Comme pour tout outil d’IA, vous devrez probablement procéder à plusieurs itérations avant d’atteindre vos objectifs². Il se peut que vous ayez besoin de formation et de pratique à la fois en termes de techniques d’invite et d’évaluation critique des résultats¹. De plus, l’expérience doit être gratifiante, pour vous, dans son ensemble et doit être conforme à vos valeurs en tant qu’enseignant.

¹ Tlili, A., Shehata, B., Adarkwah, M.A. et al, What if the devil is my guardian angel: ChatGPT as a case study of using chatbots in education, Smart Learning Environments, 10, 15 2023.

² Holmes, W., Miao, F., Guidance for generative AI in education and research, UNESCO, Paris, 2023.

³ Becker, B., et al, Programming Is Hard – Or at Least It Used to Be: Educational Opportunities and Challenges of AI Code Generation, Proceedings of the 54th ACM Technical Symposium on Computer Science Education V. 1 (SIGCSE 2023), Association for Computing Machinery, New York, 500–506, 2023.

⁴ Chomsky, N., Roberts, I., Watumull, J., Noam Chomsky: The False Promise of ChatGPT, The New York Times, 2023.

⁵ Lewkowycz, A., Andreassen, A.,  Dohan, D. et al, Solving Quantitative Reasoning Problems with Language Models, Google Research, 2022.

⁶ Enkelejda, K., et al, Chatgpt for Good? on Opportunities and Challenges of Large Language Models for Education, EdArXiv, 2023.