Guide Pratique IA pour les Enseignants PDF

Intelligence arti cielle : guide pratique pour les enseignants 1 Philippe Piekoszewski-Cuq fi  En préambule L'intelligence arti cielle à l'école : entre pro...

Intelligence arti cielle : guide pratique pour les enseignants 1 Philippe Piekoszewski-Cuq fi  En préambule L'intelligence arti cielle à l'école : entre promesses et précautions Une révolution éducative en marche Il est des révolutions qui, sournoisement, s’immiscent dans le quotidien, changeant en profondeur les équilibres sans éclats ni tambours. L’essor de l’intelligence artificielle dans les écoles est de celles-ci : promesse enivrante pour certains, gouffre d’interrogations pour d’autres. L’IA ne peut prospérer dans nos écoles sans un cadre clair, solide et humain. Un cadre institutionnel : le garde-fou de l'innovation L’IA, aussi brillante soit-elle, peut se révéler aussi indomptable qu’un étalon sauvage. Les institutions internationales, européennes et françaises ont développé des directives pour encadrer ses usages en éducation. Un exemple concret : un outil d’IA évaluant des devoirs en quelques secondes. Impressionnant, mais que se passe-t-il en cas de biais ou de standardisation excessive ? Le cadre institutionnel permet d’enrichir l’expérience éducative tout en préservant la singularité des élèves. Pédagogie, éthique, technique : un trio inséparable Dé s pédagogiques : que l’on ne s’y méprenne pas, l’IA n’a vocation ni à détrôner l’enseignant ni à occuper le piédestal du savoir. Elle n’est qu’un outil – un serviteur docile – qui peut enrichir l’apprentissage, dessiner des parcours personnalisés. Dilemmes éthiques : mais qu’en est-il des dilemmes qu’elle engendre ? Peut-on décemment laisser une machine infléchir la trajectoire de jeunes vies, par l’entremise d’un algorithme d’orientation ? Respecter la liberté de choix des élèves ne saurait devenir une option, mais une exigence, et l’IA doit s’y plier sans condition. Contraintes techniques : enfin, l’impératif de sécurité s’impose, tel un dogme. Les données des élèves, reflets de leur existence, doivent être protégées avec ferveur : anonymisation, sécurité et confidentialité garantissent une utilisation respectueuse. Un futur prometteur, mais ré échi Philippe La marche de l’IA dans les arcanes de l’éducation n’est ni un Piekoszewski- sprint effréné ni une course dénuée d’obstacles. Elle Cuq s’apparente davantage à une traversée patiente et précautionneuse, où chaque pas doit peser son lot de décembre 2024 conséquences. Inclusion, égalité des chances et respect du développement humain doivent, tels des astres fixes, guider cette transformation. Faillir à ces principes, c’est risquer de voir l’outil se muer en oppresseur. 2 fi fl fi  Sommaire Introduction _________________________________________________________________5 L’intelligence arti cielle au service de l’éducation 5 Pourquoi ce guide ? 5 Les avantages de l’IA pour les enseignants 6 Un usage éclairé et éthique 7 Invitation à expérimenter 7 1ère partie : Qu’est-ce que l’Intelligence Arti cielle (IA) ? _______________________8 Dé nition de l’IA et concepts fondamentaux 9 Comprendre l’intelligence arti cielle par son évolution 11 La genèse : 12 Naissance de l’IA : 14 L’âge d’or de l’IA : 14 Le Perceptron : 15 Le printemps de l’IA : 16 Imagenet : 18 Le Perceptron multicouche : 18 Technique de rétropropagation (Back-Propagation) : 20 Plongée dans les trois grands types d’apprentissage en intelligence arti cielle 22 2e partie : l’IA dans l’éducation ______________________________________________24 Le rôle de l’IA dans l’éducation aujourd’hui 25 Le cadre de compétences IA UNESCO 27 L’IA pour aider l’enseignant 28 Un point de cadrage institutionnel 28 Le cadrage international : les orientations de l’UNESCO 29 Le cadre européen : une vision éthique et pédagogique 29 Le cadre français : un engagement pour une IA éthique et inclusive 30 Ethique de l’IA en éducation 31 Les apports de l’IA pour le métier d’enseignant 33 3e partie : l’IA comme assistant pédagogique ________________________________35 L’art du prompt : le prompt engineering 36 Bases et principes fondamentaux d'un prompt e cace 36 Et si l’IA écrivait le prompt à votre place ? 41 Votre assistant pédagogique : un allié indispensable 50 1. Conception de plans de cours : votre GPS pédagogique 50 2. Reformulation des consignes : l’art de se faire comprendre 52 3 fi fi fi ffi fi fi  3. Résumé et simpli cation des contenus : le pouvoir de la concision 54 4. Recherche d’idées et d’inspiration : le feu d’arti ce créatif 56 5. Contextualisation des apprentissages : apprendre en étant ancré dans la réalité 62 6. Évaluation et remédiation : des feedbacks sur-mesure 65 7. Adaptation aux besoins des élèves : une éducation pour tous 69 L’IA et les neurosciences : concevoir des cours e caces et engageants 72 1. Attention : capter et canaliser le regard des élèves 72 2. Engagement actif : faire participer pour mieux apprendre 73 3. Feedback : apprendre grâce aux erreurs 73 4. Consolidation : graver les apprentissages dans la mémoire 74 Conclusion de la 3e partie : 74 Du côté des outils __________________________________________________________76 Conclusion : le voyage ne fait que commencer… _____________________________80 L'IA générative en classe : opportunité ou illusion ? ___________________________83 L'IA générative en éducation : entre promesse et prudence 83 Une expérience qui lève le voile 83 ChatGPT : le génie dans la lampe 84 L’outil analytique : un professeur discret 84 L’expert humain : une discussion fructueuse 84 Quand ChatGPT devient béquille 84 Enseignants : la clé de l’équilibre 85 Bibliographie_______________________________________________________________86 4 fi fi ffi Introduction Introduction L’intelligence arti cielle au service de l’éducation L’intelligence artificielle s’impose aujourd’hui comme un outil incontournable, transformant en profondeur des domaines aussi variés que l’éducation. Elle offre des solutions nouvelles qui, hier encore, eussent relevé de la chimère : adapter les apprentissages aux besoins individuels des élèves, proposer des évaluations différenciées et concevoir des cours mieux structurés, à la fois stimulants et accessibles. Pour les enseignants, l’IA constitue un atout précieux. Elle permet non seulement de rationaliser les tâches répétitives, mais aussi de répondre aux défis de l’inclusion scolaire ou de la diversification des supports pédagogiques. Plus encore, cette technologie peut devenir un partenaire dans la conception de pratiques novatrices, contribuant à enrichir la réflexion et à diversifier les approches éducatives. Pourquoi ce guide ? L’intelligence artificielle gagne du terrain dans les systèmes éducatifs, mais elle continue de susciter des réticences, souvent liées à une perception de complexité et à un manque de familiarité avec ses outils. Ce guide a été conçu pour répondre à ces défis. Il propose aux enseignants des conseils pratiques et des exemples concrets pour les aider à intégrer ces technologies dans leurs pratiques pédagogiques de manière réfléchie et pertinente. Ce guide poursuit trois grandes ambitions. Rendre l’IA compréhensible : expliquer de manière simple les bases de l’intelligence artificielle et ses principales applications dans l’éducation. Inspirer l’innovation : montrer, au travers d’exemples concrets, comment l’IA peut booster l’efficacité au quotidien et nourrir des approches pédagogiques créatives. Encourager une utilisation éthique : sensibiliser à une adoption responsable des outils numériques, en tenant compte des enjeux humains, sociaux et éthiques qu’ils soulèvent. 5 fi Les avantages de l’IA pour les enseignants L’adoption de l’IA au sein des pratiques pédagogiques s’érige comme une réponse aux multiples enjeux auxquels l’éducation moderne est confrontée : optimisation du temps de préparation : grâce à ses capacités d’automatisation, l’IA libère les enseignants de la charge accablante des tâches routinières. Qu’il s’agisse de corriger des devoirs, de générer des supports pédagogiques, ou de trouver des ressources parfaitement ajustées aux besoins du moment, l’IA s’impose comme une artisane zélée du gain de temps et d’efficacité. inspiration et créativité pédagogiques : en qualité d’assistant éducatif, l’IA s’avère une source féconde d’idées, suggérant des scénarios interactifs, des activités collaboratives innovantes, ou des exercices différenciés susceptibles de répondre aux attentes variées des élèves. inclusion et personnalisation renforcées : les outils d’IA permettent une adaptation fine des contenus, en particulier pour les élèves à besoins éducatifs particuliers (BEP). Ils offrent également des fonctionnalités telles que la traduction multilingue ou la création de parcours différenciés, tenant compte des compétences individuelles. amélioration de la plani cation et de l’organisation : avec une rigueur méthodique, l’IA peut assister les enseignants dans la structuration d’un programme annuel, l’élaboration de séquences pédagogiques cohérentes, ou encore dans le suivi précis des progrès des élèves via des tableaux de bord dynamiques. stimulation de la créativité et de l’innovation : enfin, ces outils ouvrent des perspectives nouvelles, permettant d’imaginer des escape games pédagogiques, de concevoir des projets interdisciplinaires ambitieux, ou encore de diversifier les approches pour mieux capter l’attention et l’intérêt des élèves. 6 fi Un usage éclairé et éthique Les bénéfices apportés par l’intelligence artificielle dans l’éducation sont nombreux, mais ils ne doivent pas occulter les questions essentielles qu’elle suscite. Préservation de la confidentialité des données, limites techniques et défis éthiques sont autant d’aspects qui méritent une réflexion approfondie. Ce guide a pour vocation d’apporter des clés pour une adoption raisonnée, éthique et éclairée de ces technologies. L’IA ne remplacera jamais l’expertise humaine. Elle est et doit rester un outil conçu pour enrichir et compléter les pratiques des enseignants, tout en respectant les valeurs fondamentales de l’éducation. Invitation à expérimenter Ce guide se veut une exhortation à dépasser les hésitations : quel que soit leur niveau d’expertise numérique, les enseignants sont invités à explorer les possibilités offertes par l’intelligence artificielle. Accessible et non exclusive, l’IA se présente comme un outil pratique et inspirant, apte à simplifier les tâches quotidiennes et à enrichir les pratiques pédagogiques. Son objectif ultime est de permettre aux enseignants de renouer pleinement avec leur vocation première : accompagner chaque élève sur le chemin d’un apprentissage épanouissant et porteur de sens. Ensemble, explorons comment l’IA peut transformer l’éducation pour relever les dé s du XXIᵉ siècle. I 7 fi  1ère partie : Qu’est-ce que l’Intelligence Arti cielle (IA) ? 1ère partie Qu’est-ce que l’intelligence arti cielle (IA) ? L’intelligence artificielle, discipline scientifique en perpétuelle effervescence, interroge les frontières entre l’homme et la machine. Elle s’efforce de comprendre, de reproduire, voire d’amplifier les facultés humaines, éveillant autant de fascination que de débats. Appliquée au domaine de l’éducation, l’IA esquisse des horizons prometteurs, offrant des moyens inédits pour enrichir l’enseignement et faciliter l’apprentissage. Dans cette section, nous nous attacherons à démystifier les fondements de l’IA, à explorer ses principales catégories et à en examiner les implications concrètes dans le paysage éducatif contemporain. 8 fi fi  Dé nition de l’IA et concepts fondamentaux L’intelligence artificielle (IA) peut se définir comme un ensemble de techniques et de systèmes capables d’accomplir des tâches que l’on associe communément aux facultés humaines : raisonner, résoudre des problèmes complexes, reconnaître le langage parlé ou encore tirer des enseignements de vastes ensembles de données (Russell & Norvig, 2020). Là où les outils traditionnels se cantonnent à des instructions rigides, exécutées sans dévier de leur programmation initiale, les systèmes d’IA se distinguent par leur souplesse remarquable. Ils possèdent cette capacité singulière d’évoluer de manière autonome, d’apprendre de leurs erreurs et d’affiner leurs performances au fil du temps, sans nécessiter l’intervention directe de l’homme. Cette adaptabilité fondamentale les élève bien au-delà des logiciels classiques, tributaires de mises à jour laborieuses et ponctuelles. Concepts fondamentaux de l’intelligence arti cielle L’intelligence artificielle repose sur des principes diversifiés, parmi lesquels se détachent plusieurs piliers essentiels. Apprentissage automatique (Machine Learning) : ce domaine central de l’IA permet aux systèmes de progresser et de se perfectionner grâce aux données, sans qu’une programmation explicite ne soit requise pour chaque tâche. L’apprentissage automatique englobe des techniques variées, telles que les réseaux de neurones, l’apprentissage supervisé et non supervisé. Pour qui souhaite explorer ces concepts en profondeur, l’ouvrage Deep Learning(Goodfellow, Bengio, & Courville, 2016) constitue une référence incontournable, dévoilant les mécanismes théoriques et pratiques à l’œuvre dans ces approches. Réseaux de neurones arti ciels : inspirés par l’architecture du cerveau humain, ces réseaux se composent de couches interconnectées de « neurones », capables de déceler des motifs complexes dans des ensembles de données variés, qu’il s’agisse d’images, de sons ou de séquences textuelles. Ils sont au cœur des avancées récentes de l’IA, facilitant des analyses d’une précision autrefois inimaginable. Traitement du langage naturel (NLP) : le traitement du langage naturel s’efforce de doter les machines de la capacité de comprendre, d’interpréter et de générer du langage humain. Cette discipline a donné naissance à des outils comme ChatGPT, dont la cohérence et la pertinence des réponses reposent sur des réseaux de neurones avancés, entraînés sur d’immenses corpus de texte. Ces concepts trouvent leur fondement dans trois piliers techniques : les volumes massifs de données (Big Data), des algorithmes d’une sophistication croissante, et des infrastructures de calcul toujours plus puissantes. Ce triptyque confère à l’IA la capacité de traiter et d’analyser en temps réel des millions de données, ouvrant la voie à des applications d’une ampleur inédite. 9 fi fi fi Ce schéma illustre les diverses approches et ramifications de l’intelligence artificielle, structurant un domaine aussi vaste que fascinant. Deux paradigmes majeurs y émergent : l’approche symbolique : ancrée dans des modèles explicitement définis, elle englobe les systèmes experts, bâtis sur des règles précises et des bases de connaissances, ainsi que l’apprentissage classique, fondé sur des algorithmes déterministes. l’approche connexionniste : inspirée des structures biologiques, cette voie regroupe des avancées telles que le Machine Learning, les réseaux de neurones et le Deep Learning, où les systèmes apprennent à partir des données en imitant les connexions neuronales du cerveau humain. Le schéma illustre les liens entre les deux grandes familles de l’IA et leurs prolongements, dont l’IA générative, qui se distingue par sa capacité à créer divers contenus comme textes, images, vidéos et musiques. 10 Comprendre l’intelligence arti cielle par son évolution Le 30 novembre 2022 a marqué l’avènement d’une ère technologique inédite, déclenchant une fascination générale qui s’est rapidement emparée des gros titres, qu’ils fussent imprimés ou télévisés. La science-fiction semblait s’incarner dans le réel, bien que dépourvue de sabres laser et autres artefacts spectaculaires. Ce progrès, tout à la fois exaltant et inquiétant, soulève une kyrielle de questions, au premier rang desquelles se trouve celle de son impact sur l’emploi. Dans l’univers de l’éducation, la perspective d’une obsolescence programmée fait vaciller les certitudes des enseignants, tandis que les étudiants, malicieux, imaginent déjà les mille et une façons de détourner ces technologies à leur avantage. Samantha Lock, journaliste pour The Guardian, relevait d’ailleurs, quelques jours après cet événement, une problématique saisissante : les textes générés par des machines peuvent rivaliser avec ceux d’un étudiant moyen, allant jusqu’à réussir des concours académiques. En d’autres termes, nos alliés technologiques pourraient bien s’inviter sur les podiums des prochaines joutes littéraires, au détriment des plumes humaines. Cette révolution porte un nom : l’intelligence artificielle, incarnée ici par ChatGPT d’OpenAI, dont l’essor fulgurant défie l’imagination avec un million d’utilisateurs conquis en l’espace de cinq jours. C’est un peu comme si l’on dévoilait tardivement un secret de famille jalousement gardé, une vérité discrète enfin révélée au grand jour. L’intelligence artificielle, bien qu’en apparence nouvelle, n’est pourtant qu’une vieille connaissance, semblable à cette tante excentrique que tout le monde côtoie mais dont on évite d’évoquer les excentricités lors des grandes réunions familiales. Elle existe depuis près de soixante-dix ans. Même les exploits passés, tels que la victoire du calculateur d’IBM, Deep Blue, face à Garry Kasparov, ou encore celle d’AlphaGo contre Lee Sedol au jeu de go, bien qu’impressionnants, n’avaient pas su marquer durablement l’imaginaire collectif. Ces triomphes technologiques, bien qu’éblouissants, paraissaient confinés aux laboratoires de recherche, distants et presque irréels, sans véritable écho dans notre quotidien. Les enseignants doivent s’approprier cette technologie avec promptitude, sous peine de se retrouver rapidement distancés. L’urgence est d’autant plus grande que cette révolution soulève des enjeux éthiques majeurs. Il ne s’agit pas seulement de préparer les élèves à affronter les défis posés par l’intelligence artificielle, mais également à naviguer dans ses eaux tumultueuses, peuplées d’inconnues et, qui sait, peut-être de futurs robots au comportement pour le moins inquiétant. Mais alors, qui accompagnera les enseignants dans cette transition vers une nouvelle ère pédagogique ? La formation devient ici primordiale, et pas seulement pour résoudre les mystères d’un tableau blanc interactif récalcitrant ou d’un réseau WiFi capricieux. Intégrer le numérique dans sa pratique ne peut plus se limiter à une touche décorative destinée à « pimenter » un cours. Croire que l’on motive une génération d’élèves connectés en brandissant fièrement un smartphone rudimentaire encore à clapet serait aussi vain que de tenter de captiver leur attention à l’aide d’un pigeon voyageur. Certes, l’idée aurait le mérite de l’originalité ! Avant d’introduire l’intelligence artificielle dans nos salles de classe, il me semble essentiel que les enseignants en comprennent les rouages fondamentaux. Toute 11 fi  formation digne de ce nom doit débuter par une démystification de cette technologie et une initiation à ses principes élémentaires. Permettez-moi de vous convier à un voyage dans l’univers fascinant du neurone artificiel, cet ancêtre méconnu qui, à l’image d’une tante excentrique que l’on tolère en silence lors des réunions familiales, a longtemps été relégué dans l’ombre. Aujourd’hui, ce neurone, en réseau, est devenu la vedette incontestée des calculateurs. Son parcours au fil de l’histoire de l’intelligence artificielle n’a pas été sans embûches, mais le voilà qui triomphe, prenant une revanche éclatante sur des décennies de discrétion. Imaginez donc notre vieille tante transformée en star de la soirée, captivant enfin l’attention de tous. Dans l’univers de l’IA, les renversements de fortune ne sont jamais exclus ! La genèse : Les premiers neurones artificiels sont inventés en 1943 par 2 mathématiciens, Warren McCulloch et Walter Pitts. Ils se sont inspirés du fonctionnement des neurones biologiques pour programmer des neurones artificiels. Corps Dendrites Syna Axon Les neurones, ces acteurs fondamentaux de notre système nerveux, sont en quelque sorte les messagers de notre cerveau. Imaginez-les comme des petites usines de traitement d'informations, connectées les unes aux autres dans un réseau complexe. Chaque neurone reçoit des messages par le biais de ses dendrites, des sortes de tentacules spécialisés dans la réception de signaux provenant d'autres neurones. Ces signaux peuvent être de deux types : excitateurs, comme une petite poussée (+1) pour encourager le neurone à réagir, ou inhibiteurs, qui ont plutôt tendance à freiner son activité (-1). Maintenant, imaginez un neurone comme un petit comptable : il reçoit tous ces signaux excitateurs et inhibiteurs et les additionne. Si la somme dépasse un certain seuil, alors c'est le moment où le neurone se met en action ! Il génère alors un signal électrique, une sorte d'impulsion nerveuse, qui se propage le long de son axone, une longue fibre nerveuse, pour communiquer avec d'autres neurones. Et ainsi, le message est transmis. 12 Comprendre le fonctionnement d'un neurone artificiel n'est pas aussi complexe qu'on pourrait le penser. Pour simplifier, imaginez-le comme une petite usine de traitement de données. Son corps cellulaire correspond à la fonction f de transfert, tandis que ses dendrites représentent les entrées (x1, x2 et x3 ) et son axone, la sortie y. La première étape de fonctionnement du neurone est ce qu'on appelle l’agrégation : il additionne les différentes entrées, chacune ayant un poids spécifique (ou coefficient) représentant l'activité synaptique (pour simuler un signal excitateur ou inhibiteur). On peut modéliser avec la formule suivante : f = w1x1 + w2x2 + w3x3 Ensuite vient la phase d’activation. Lorsque le résultat de ce calcul dépasse un certain seuil (>=0), le neurone s’active et la sortie est fixée à y=1, sinon y=0. À l'origine, ces neurones étaient conçus pour traiter des entrées binaires, c'est-à-dire des 0 ou des 1, afin de simuler des fonctions logiques telles que la porte ET (AND) et la porte OU (OR). C'est ainsi que Warren McCulloch et Walter Pitts ont révélé, dans un article fondateur, que la connexion de plusieurs de ces neurones artificiels permettrait de résoudre n'importe quel problème logique. C'était le début de l'aventure pour les réseaux de neurones ! f f f f f f f f f Vous n'avez pas eu peur des propos de notre fameuse tante excentrique ? Parfait, continuons l’aventure. Un courant vient de naître avec les réseaux de neurones : le connexionnisme. Mais dans les débuts de l'intelligence artificielle, l'approche symbolique dominait, s'inscrivant dans un cadre de référence où penser était assimilé à un calcul de symboles dotés à la fois d'une réalité matérielle et d'une signification sémantique. On va laisser la tante de côté, elle raconte n’importe quoi. Le principal obstacle des réseaux de neurones résidait dans la nécessité pour l'opérateur de régler de nombreux paramètres. Vous pouvez facilement imaginer à quel point cette multitude de réglages rendait la tâche incroyablement complexe. En 13  effet, les réseaux de neurones étaient incapables d'apprendre par eux-mêmes et de régler automatiquement ces paramètres. Cette limitation a poussé les chercheurs à mettre de côté cette approche au profit des systèmes experts. Naissance de l’IA : Alan Turing est souvent considéré comme le précurseur de l’intelligence artificielle, bien que ce terme n’eût pas encore vu le jour à son époque. Il faut attendre l’été 1956, lors d’une conférence au Dartmouth College, pour que l’expression « intelligence artificielle » soit officiellement introduite. Ce moment décisif fut orchestré par des figures telles que John McCarthy, Marvin Minsky, Claude Shannon, Allen Newell et Herbert Simon, un aréopage d’esprits brillants qui, avec une certaine audace, cherchèrent à convaincre la Fondation Rockefeller de soutenir leur vision novatrice. Leur ambition était rien de moins que de concevoir une machine capable d’égaler, voire de reproduire, les capacités cognitives humaines. Ainsi naquit l’intelligence artificielle en tant que discipline scientifique, s’inscrivant dans le sillage du mouvement symbolique. L’époque était marquée par un enthousiasme débordant : c’était l’âge d’or de l’IA, une période où l’innovation semblait sans limite. Quant à notre tante excentrique, elle n’avait pas encore trouvé sa place dans ce tableau grandiose. Son heure viendrait bien plus tard. L’âge d’or de l’IA : Cette période est dominée par l’approche symbolique, qui voit naître les systèmes experts, ces programmes conçus pour reproduire le raisonnement et les compétences d’un spécialiste humain dans un domaine donné. Imaginez, par exemple, que vous soyez confronté à une problématique médicale. Plutôt que de consulter un médecin, vous pourriez interroger un système expert, capable de fournir un diagnostic ou des recommandations en s’appuyant sur ses connaissances programmées avec une rigueur presque monastique. Le cœur battant d’une telle merveille réside dans sa base de connaissances, une mine d’informations recueillies auprès d’experts humains : des faits, des règles et des heuristiques propres au domaine dans lequel il opère. À partir de ces éléments, un moteur d’inférence applique des règles de raisonnement pour analyser les données disponibles et déduire de nouvelles informations. Quant à l'utilisateur, humble solliciteur, il dialogue avec le système en lui soumettant interrogations ou données spécifiques. Ce dernier, en retour, profère suggestions et solutions, d'une pertinence à même de rivaliser avec celle d'un praticien aguerri. Ainsi, dans l'art délicat de la médecine, un tel système pourrait collecter les symptômes d'un malade et, dans un élan de sagacité calculée, offrir un diagnostic ou des recommandations dignes d'un maître en son art. 14  Le premier système expert digne de ce nom, DENDRAL, voit le jour en 1965 à l’Université Stanford, sous la direction de Feigenbaum et Buchanan. Conçu pour identifier des composés chimiques complexes, il repose sur une base de connaissances experte en chimie organique. Grâce à des règles de raisonnement, il analyse des données spectrales pour formuler des hypothèses sur la structure moléculaire. Cette avancée majeure ouvre la voie à d’innombrables applications dans divers domaines. Dans le même esprit pionnier, la fin des années 1960 marque l’apparition d’ELIZA, le premier chatbot développé par Joseph Weizenbaum. Conçu pour simuler un psychothérapeute, ce programme repose sur des techniques simples de reconnaissance de motifs et de réponses préprogrammées. Malgré sa simplicité, ELIZA surprend par sa capacité à créer l’illusion d’une conversation humaine. Beaucoup d’utilisateurs, bien qu’informés de sa nature logicielle, se prennent au jeu et établissent un lien émotionnel avec cette entité artificielle. Cette expérience amène Weizenbaum à une réflexion critique sur l’intelligence artificielle. Alarmé par la désarmante aisance avec laquelle les utilisateurs semblent projeter des émotions sur une machine, il exhume alors des questions éthiques et sociales cruciales concernant les répercutions de ces technologies sur la société. Pendant ce temps, sur un tout autre front, notre fameuse tante excentrique continue ses expérimentations. En 1957, le psychologue et informaticien américain Frank Rosenblatt propose un algorithme d’apprentissage qui révolutionnera les systèmes connexionnistes : le Perceptron. Ce modèle, inspiré des réseaux de neurones biologiques, pose les bases d’une nouvelle ère dans le développement des intelligences artificielles, même s’il faudra attendre plusieurs décennies pour que cette approche connaisse un véritable essor. Le Perceptron : Le Perceptron, c'est un peu comme un cousin éloigné du neurone artificiel, mais avec un super pouvoir supplémentaire : un algorithme d'apprentissage intégré qui lui permet de trouver automatiquement les valeurs de ses coefficients, les fameux w. Ce super pouvoir s'inspire en partie de la théorie de Hebb en neurosciences. En gros, lorsque deux neurones sont excités simultanément, ils renforcent leurs connexions synaptiques. C'est ce qu'on appelle la plasticité synaptique. Dans le langage de l'IA, cela se traduit par le renforcement des coefficients w à chaque fois qu'une entrée x est activée en même temps que la sortie y attendue (ayant la même valeur, 0 ou 1) des données de référence. Cela se traduit par le fait de renforcer les paramètres w à chaque fois qu’une entrée x est activée en même temps que la sortie y présente dans les données de référence. x1 w1 w2 x2 f y x3 w3 15  Les valeurs des w sont mis à jour selon la formule ci-dessous qui se base sur la différence entre la valeur y attendue et la valeur y donnée par le neurone, différence multipliée par la valeur de l’entrée x correspondante et d’un coefficient de vitesse d’apprentissage α. w = w + α(ya endu - y)x Imaginez que la sortie attendue est y = 1 mais que le neurone donne une sortie y = 0, la formule devient pour les entrées x qui valent 1 (prenons l’exemple ici que seule l’entrée x1 = 1, les autres valent 0) : w1 = w1 + α(1 - 0)1 w1 = w1 + α Nous aurons w2 et w3 qui ne changent pas. Ainsi, le poids de l’entrée x1 prend plus de valeur (on dit qu’il renforcé), nous avons un premier réglage automatique. C’est le principe général qui s’applique à tous les neurones et toutes les entrées/sorties. Tant que la sortie du neurone sera mauvaise, le cycle continue en renforçant le poids de la bonne entrée jusqu’au moment ou la sortie du neurone sera égale à la valeur y attendue, les paramètres arrêteront d’évoluer puisque selon la formule nous aurons alors : w1 = w1 + α(1 - 1)1 w1 = w1 Voilà le principe général de l’algorithme d’apprentissage. Cependant, cette avancée reste vaine face à l’approche symbolique qui est l’ambition posée au collège de Dartmouth. Les promesses de l’IA n’arrivent pas même si l’invention du Perceptron semble optimiste, il a ses limites : c’est un modèle linéaire, alors que dans la nature, les données sont rarement linéaires. L’approche connexioniste est mise de côté, la tante excentrique n’arrive toujours pas se faire entendre, on la traite même de mystique. Le manque de puissance des calculateurs annonce le premier hivers de l’IA, entraînant un arrêt des investissements. Le printemps de l’IA : Après l’hiver, vient le printemps. Cette période de renouveau marque l’essor des systèmes experts, désormais rendus viables grâce à des calculateurs toujours plus performants et à une profusion croissante de données. Il ne s’agit plus seulement de démonstrations en laboratoire, limitées à des échantillons restreints, mais bien de déployer ces systèmes dans des contextes pratiques et spécialisés. Les données utilisées par ces systèmes sont structurées sous forme de règles conditionnelles simples du type « SI… ALORS ». Ces longues listes de règles, élaborées par des experts humains, sont dissociées du moteur d’inférence, ce composant central 16 qui décide quand et comment appliquer ces instructions. Le moteur d’inférence, véritable cœur du système expert, traite les données entrantes, applique les règles pertinentes et produit des conclusions ou des recommandations en suivant une logique rigoureuse. Un exemple emblématique de cette période est le système MYCIN, développé dans les années 1960. Ce programme, novateur pour son époque, s’appuyait sur une base de connaissances médicales composée de règles et d’heuristiques expertes. Il analysait les symptômes et les résultats de tests de laboratoire pour formuler des hypothèses diagnostiques et proposer des plans de traitement. MYCIN démontrait avec éclat la capacité des machines à imiter le raisonnement humain dans des domaines hautement spécialisés, inaugurant ainsi une nouvelle ère pour l’intelligence artificielle. Dans les années 1980, il devint une référence incontournable pour le développement des systèmes experts dans d’autres disciplines. Cependant, l’enthousiasme pour les systèmes basés sur des règles se heurta rapidement à une contrainte majeure : la complexité croissante des listes de règles elles-mêmes. À mesure que leur longueur augmentait, leur efficacité diminuait, entraînant un déclin temporaire de l’IA, souvent qualifié de deuxième hiver de l’IA. Le réveil survint en 1996, lorsque Deep Blue, un système expert d’IBM, triompha de Garry Kasparov, alors champion du monde d’échecs. Cet exploit raviva l’intérêt pour l’intelligence artificielle, mais ce fut véritablement l’avènement d’Internet et l’explosion des données massives (big data) au tournant des années 2000 qui insufflèrent un nouvel élan à ce domaine, ouvrant la voie aux avancées que nous connaissons aujourd’hui. Akinator est un jeu en ligne interactif qui fonctionne comme un "génie du web". Créé en 2007 par le Français Arnaud Megret et développé par Elokence. C’est un jeu de devinettes où les joueurs pensent à un personnage réel ou fictif, et le programme tente de deviner de qui il s'agit en posant une série de questions. Il a la capacité de deviner un vaste éventail de personnages en utilisant l'intelligence artificielle et l'apprentissage automatique (Machine Learning). Au fur et à mesure que les utilisateurs jouent et répondent aux questions, Akinator analyse les réponses et affiche une liste de suggestions basées sur les similarités entre les caractéristiques du personnage choisi et les réponses données. Le succès d'Akinator réside dans sa capacité à surprendre les joueurs en devinant des personnages obscurs ou peu connus. Il est devenu un phénomène mondial et continue d'attirer des millions de joueurs à travers le monde. https://fr.akinator.com/ 17  C’est à cette époque que la fameuse tante excentrique, longtemps reléguée dans l’ombre, redevint un sujet d’intérêt pour sa famille. Les regards se tournèrent à nouveau vers elle, intrigués par son potentiel inexploré. Une date symbolique marque ce renouveau : le retour en force des réseaux de neurones, réhabilitant cette branche prometteuse de l’intelligence artificielle qui, après des années d’oubli, trouvait enfin sa place au cœur des avancées technologiques. Imagenet : Geoffrey Hinton est souvent considéré comme l'un des pionniers de l'apprentissage profond, une branche de l'intelligence artificielle qui implique l'utilisation de réseaux de neurones artificiels pour apprendre à partir de données non structurées ou complexes. Ses contributions majeures comprennent le développement des réseaux de neurones convolutionnels (CNN) et des réseaux de neurones récurrents (RNN), qui sont largement utilisés dans des domaines tels que la vision par ordinateur, le traitement du langage naturel et la reconnaissance vocale. Il invente le Perceptron Multicouche. En 2012, Hinton et son équipe ont remporté le célèbre défi ImageNet Large Scale Visual Recognition Challenge en utilisant des réseaux de neurones convolutionnels, ce qui a marqué un tournant dans le domaine de la vision par ordinateur et a accru l'intérêt pour l'apprentissage profond (Deep Learning). Notre fameuse tantine ne rend plus indifférent la famille, on s’aperçoit qu’elle devient même plus intéressante que sa famille ! Le Perceptron multicouche : L’ajout de couches de neurones présente un avantage par rapport au simple perceptron : il élimine la contrainte de linéarité qui limitait son efficacité pour modéliser la complexité des problèmes réels. En incorporant des couches supplémentaires, les réseaux de neurones deviennent capables de capturer des relations plus complexes entre les données, ce qui les rend plus adaptables et performants pour une gamme plus étendue de tâches. x2 f = w1x1 + w2x2 + w1 w2 b 18 x1 Le perceptron est donc linéaire. C’est très bien pour séparer un ensemble de données qui se trouvent au-dessus ou au-dessous de la droite ajustable par les paramètres w et b (biais). Le monde réel n’est pas linéaire, mais ressemble plus à cela : x2 x1 En connectant des neurones, il est possible de résoudre des problèmes plus complexes. f1 = w11x1 + w12x2 + b1 x1 f1 y1 f3 y3 f2 = w21x1 + w22x2 + b2 x2 f2 y2 f3 = w31y1 + w32y2 + b3 Voici le résultat : x2 x1 19  Nous n’avons plus un système linéaire ! La première couche est composée de 2 neurones (f1 et f2) et la 2e couche d’un neurone (f3). Plus on ajoute de neurones aux couches et plus on ajoute de couches (ce que l’on appelle profondeur du réseau, d’où apprentissage profond, Deep Learning), plus le système est capable de résoudre des problèmes complexes. Bien sûr, la multiplication des paramètres (comme les poids, les seuils, etc.) d'une part, et la nécessité d'entraîner la machine pour obtenir le meilleur modèle, posent un défi qui est habilement résolu par la technique de la rétropropagation (Back-Propagation). Technique de rétropropagation (Back-Propagation) : La technique de rétropropagation est un algorithme essentiel dans l’apprentissage des réseaux de neurones artificiels, en particulier dans les réseaux neuronaux profonds (deep learning). Le principe de la rétropropagation est de calculer les gradients des poids du réseau (w) par rapport à une fonction de perte (ou coût) donnée, généralement une mesure de l’écart entre la sortie prédite du réseau et la valeur attendue. L’erreur calculée est propagée de la sortie du réseau vers ses couches internes, de couche en couche, en utilisant la dérivation de la fonction d’activation pour calculer la contribution de chaque neurone à l’erreur. Ces gradients sont ensuite utilisés dans un algorithme d’optimisation tel que la descente de gradient stochastique pour ajuster les poids du réseau et améliorer sa performance. X1-2-3-4-5 y nal Chaîne de gradients Erreur calculée 20 La fonction évalue la variation entre le résultat prédit et le résultat attendu (l’erreur), en partant de la dernière couche du réseau, puis elle remonte progressivement en analysant comment cette erreur se propage à travers les couches précédentes jusqu’à atteindre la première couche. Ce processus se répète pour chaque nouvelle série de données jusqu’à ce qu’un modèle soit obtenu, optimisé couche par couche pour minimiser l’écart entre sa sortie et le résultat souhaité. Cette séquence de calculs est communément désignée sous le nom de « chaîne de gradients ». Vous trouverez un frise chronologie interactive de l’histoire de l’IA ici : https://ppc-formation.fr/ap/histoire-IA/frise.html Pour enrichir cette exploration de l’IA, nécessaire à tous les enseignants, nous conclurons par une explication des 3 principaux types d’apprentissage de modèles : - L’apprentissage supervisé - L’apprentissage non-supervisé - L’apprentissage par renforcement 21  Plongée dans les trois grands types d’apprentissage en intelligence arti cielle Quand on parle de machines apprenant à imiter notre cerveau (ou presque), trois méthodes se distinguent : l’apprentissage supervisé, non-supervisé et par renforcement. Mais démêlons tout ça, pas à pas. L’apprentissage supervisé : le professeur modèle Ici, la machine joue un peu les élèves studieux avec un cahier d’exercices bien annoté. Les données : ce sont des exemples parfaitement étiquetés, comme si on disait à un enfant : "Ceci est un cercle, cela un carré". Chaque forme a son nom (ou "label") soigneusement attribué. Le processus : l’algorithme reçoit ces données et cherche à établir des liens entre les formes et leurs noms. Pour a ner ses prédictions, il utilise une technique magique (mais pas trop) appelée rétropropagation du gradient. En gros, c’est comme s’il corrigeait ses erreurs après chaque essai pour devenir de plus en plus précis. La sortie : à la n, le modèle est capable de prédire, avec un certain pourcentage de con ance, à quelle catégorie appartient une nouvelle donnée. Impressionnant, non ? 22 fi fi fi ffi  L’apprentissage non-supervisé : le détective curieux Pas de professeur ici, juste une machine face à un tas de données non étiquetées. Et là, c’est un peu comme si elle jouait au détective. Les données : pas de labels, juste des formes. Le modèle doit trouver tout seul ce qui relie un cercle à un autre cercle, ou pourquoi un carré n’est pas un triangle. Le processus : L’algorithme organise et regroupe ces données en fonction de leurs caractéristiques similaires. C’est ce qu’on appelle l’analyse des clusters. La sortie : On obtient des groupes ou des structures organisées, sans jamais attribuer un nom ou une catégorie précise. Par exemple, le modèle pourrait dire : "Tous ces objets sont similaires", mais sans préciser que ce sont des triangles. L’apprentissage par renforcement : le joueur persévérant Ici, la machine devient un aventurier dans un environnement inconnu, cherchant à maximiser ses récompenses. Les données : quelques infos de base sur l’environnement où l’IA va opérer. Par exemple, dans un jeu vidéo, cela pourrait être le terrain ou les règles. Le processus : le modèle agit en trois étapes clés. Action : il fait un choix (par exemple, bouger à gauche ou à droite). Récompense ou sanction : selon le résultat, il reçoit une récompense (comme marquer un point) ou une sanction (game over !). Auto-correction : il ajuste sa stratégie pour améliorer ses performances lors des prochains essais. La sortie : après un grand nombre d’essais (et pas mal de sanctions au passage), la machine devient une experte dans son domaine, capable d’atteindre son objectif e cacement. 23 ffi  2e partie : l’IA dans l’éducation 2e partie L’IA dans l’éducation 24 Le rôle de l’IA dans l’éducation aujourd’hui L’intelligence artificielle s’impose progressivement comme un allié de choix dans le domaine éducatif. Ses applications touchent à des aspects variés de l’enseignement, contribuant à enrichir et à transformer les pratiques pédagogiques. Voici les principaux domaines où elle s’illustre. ➡ Personnalisation de l’apprentissage : Grâce aux systèmes de tutorat intelligents (Intelligent Tutoring Systems), l’IA analyse les performances des élèves pour ajuster les contenus pédagogiques à leurs besoins spécifiques. Elle identifie les lacunes, propose des exercices ciblés, et offre un apprentissage individualisé, rendant l’éducation plus équitable. Exemple : des plateformes comme Carnegie Learning ou Mathia permettent aux élèves de progresser à leur rythme grâce à des parcours d’apprentissage personnalisés. ➡ Automatisation des tâches répétitives : L’IA allège la charge des enseignants en automatisant des tâches chronophages telles que la correction des évaluations, la gestion des notes ou la recherche de ressources pédagogiques. Cette automatisation leur permet de se recentrer sur la pédagogie et l’accompagnement des élèves. Cependant, l’intervention humaine reste cruciale pour superviser et garantir la qualité des retours produits. 25  Exemple : OpenEssayist fournit des retours détaillés sur les dissertations, aidant les élèves à s’améliorer de manière autonome, tout en laissant aux enseignants la responsabilité de valider ces corrections. ➡ Facilitation de l’inclusion : Les outils d’IA créent des supports adaptés pour les élèves en situation de handicap ou non francophones, renforçant leur accès à une éducation équitable. Reconnaissance vocale, traduction automatisée et simplification des contenus permettent de surmonter certaines barrières pédagogiques. Exemple : traductions automatiques pour les élèves allophones ou outils aidant les élèves dyslexiques à rédiger leurs travaux. ➡ Soutien aux enseignants dans la conception de cours : L’IA inspire les enseignants en leur proposant des idées originales, des plans détaillés et des activités différenciées. Elle facilite la conception de projets innovants, stimulant ainsi la créativité pédagogique. Exemple : générer des scénarios pour des activités interactives ou concevoir des projets interdisciplinaires, comme lier mathématiques et histoire. ➡ Amélioration de la plani cation et de l’organisation : L’IA structure les programmes annuels, planifie des séquences pédagogiques et suit les progrès des élèves grâce à des tableaux de bord dynamiques. Ces outils permettent une visualisation claire des besoins et une adaptation en temps réel. Exemple : utiliser un tableau de bord pour ajuster les séquences en fonction des progrès des élèves et planifier les cours mensuels en fonction des objectifs définis. ➡ Encouragement à l’innovation pédagogique : L’IA ouvre de nouvelles perspectives pour rendre l’apprentissage plus immersif et engageant. Jeux sérieux, activités interactives et escape games pédagogiques font partie des approches innovantes encouragées par ces outils. Exemple : créer un escape game sur un sujet historique ou scientifique, avec des défis conçus pour favoriser l’apprentissage ludique. ➡ Analyse des données d’apprentissage : L’IA traite des volumes importants de données pour identifier des tendances, des lacunes et des réussites. Les enseignants peuvent ainsi affiner leurs pratiques et personnaliser davantage leur pédagogie. Toutefois, il est essentiel d’interpréter ces analyses avec discernement, tout en respectant scrupuleusement les réglementations sur la protection des données personnelles, comme le RGPD. 26 fi  Exemple : utiliser un tableau de bord analytique pour cibler les difficultés des élèves et adapter les méthodes pédagogiques en conséquence. Le cadre de compétences IA UNESCO Le cadre de compétences IA pour enseignants (UNESCO, 2024) identifie 15 compétences clés, réparties en 5 dimensions : 1. Éthique Comprendre les implications éthiques de l’IA en éducation. Identifier et gérer les biais algorithmiques dans les outils IA. Favoriser une utilisation respectueuse des droits humains et de la diversité. 2. Utilisation pédagogique Intégrer l’IA pour personnaliser l’apprentissage selon les besoins des élèves. Exploiter les outils IA pour l’évaluation formative et sommative. Concevoir des scénarios pédagogiques utilisant l’IA de manière active. 3. Gestion des données Protéger la confidentialité des données des élèves et respecter le RGPD. Utiliser les données générées par l’IA pour améliorer les pratiques éducatives. Anticiper les risques liés à la gestion et à la sécurité des données. 4. Culture numérique Sensibiliser les élèves aux bases de l’IA et à son rôle dans la société. Encourager une utilisation critique et réfléchie des outils numériques. Développer des activités pour éduquer à la littératie numérique. 5. Développement professionnel S’inscrire dans une démarche continue d’apprentissage des outils IA. Partager les bonnes pratiques au sein de communautés éducatives. Évaluer les impacts de l’IA sur les méthodes pédagogiques et les ajuster. 27 L’IA pour aider l’enseignant Il serait vain de prétendre dresser une liste exhaustive des applications d’intelligence artificielle disponibles pour les enseignants, tant le paysage technologique évolue à une vitesse vertigineuse. Une veille active s’impose donc comme une démarche essentielle pour rester informé des avancées et des opportunités qu’offre l’IA. Dans ce guide, nous explorerons les différentes formes d’assistance que l’intelligence artificielle peut apporter aux enseignants. Il est possible d’envisager une classification claire et structurée des multiples services qu’elle propose, permettant ainsi de mieux appréhender les potentialités de cette technologie dans le cadre pédagogique. Un point de cadrage institutionnel L’intégration de l’intelligence artificielle (IA) dans le domaine éducatif exige l’établissement d’un cadre institutionnel solide, à même de garantir une utilisation éthique, efficace et inclusive de ces technologies. Les initiatives internationales, européennes et françaises soulignent avec insistance les multiples enjeux associés à l’IA en éducation : défis pédagogiques, dilemmes éthiques et contraintes techniques. Ce chapitre propose une synthèse des cadres élaborés par différentes institutions pour accompagner les enseignants dans cette transition numérique. Ces recommandations et lignes directrices visent à clarifier les rôles de l’IA, à en baliser les usages et à en maximiser le potentiel tout en préservant les valeurs fondamentales de l’éducation. 28 Le cadrage international : les orientations de l’UNESCO L’UNESCO joue un rôle majeur dans l’élaboration de cadres pour l’IA en éducation. Deux initiatives structurent cette approche : consensus de Beijing (2019) : ce document promeut une collaboration éthique homme-machine pour atteindre les objectifs d’éducation (ODD 4). Il encourage des politiques inclusives pour réduire la fracture numérique et développer des compétences adaptées à l’ère de l’IA. Lien orientations pour l’IA générative (2024) : ces recommandations encadrent l’utilisation des modèles d’IA générative comme EdGPT dans l’éducation. Elles insistent sur la formation à l’éthique de l’IA et l’exploitation de son potentiel pédagogique. Lien Le cadre européen : une vision éthique et pédagogique En 2022, la Commission européenne a publié des lignes directrices sur l’utilisation de l’IA dans l’éducation, mettant l’accent sur : considérations éthiques : protection des données personnelles et réduction des biais algorithmiques. opportunités pédagogiques : personnalisation des apprentissages et soutien aux enseignants. Source : Commission européenne Lien 29 Le cadre français : un engagement pour une IA éthique et inclusive Référentiels et dispositifs clés Le ministère de l'Éducation nationale a mis en place plusieurs cadres pour développer les compétences numériques et l'utilisation de l'IA en classe : référentiel de compétences : lien définit les compétences pour intégrer les outils numériques, y compris l’IA, dans les pratiques pédagogiques. met en avant l’importance de la maîtrise des savoirs disciplinaires et de la prise en compte de la diversité des élèves. Source : Éducation Nationale CRCN (Cadre de Référence des Compétences Numériques) : lien inspiré du cadre européen DIGCOMP, il fixe des objectifs pour les élèves et enseignants dans cinq domaines : information et données, communication, création de contenu, sécurité et environnement numérique. Source : Éducation nationale Pix+ Édu (2023) : lien plateforme en ligne pour évaluer et développer les compétences numériques des enseignants. Source : Éducation nationale Lien Eduscol Stratégie numérique 2023-2027 : lien vise à renforcer les compétences numériques des élèves et enseignants, en soutenant une éducation inclusive et sécurisée. Source : Éducation nationale Initiatives spéci ques à l’IA État des lieux et apports de la recherche : en 2024, la Direction du numérique pour l’Éducation a publié un rapport sur les enjeux éthiques et pédagogiques de l’IA, avec des recommandations pour son intégration. Lien 30 fi  Axes stratégiques pour l’IA : un rapport du Sénat identifie trois priorités : formation des enseignants et élèves, évaluation des outils d’IA, et promotion d’une culture citoyenne de l’IA. Lien CREIA (Communauté de ré exion en éducation sur l’IA) : réunit des experts et enseignants pour réfléchir aux usages pédagogiques et éthiques de l’IA dans l’éducation. Lien Recommandations pour une IA éthique et inclusive : favoriser des outils pédagogiques inclusifs et éthiques. Lien Ethique de l’IA en éducation L'intelligence artificielle (IA) transforme les pratiques enseignantes, mais pose des enjeux éthiques majeurs. Ce chapitre met l'accent sur les usages responsables de l'IA par les enseignants. 1. Utilisation de l'IA pour la personnalisation des apprentissages Les enseignants peuvent utiliser l'IA pour mieux répondre aux besoins des élèves, tout en évitant certains risques : adapter les contenus : créer des parcours d'apprentissage individualisés selon le niveau des élèves. corriger les biais : s'assurer que les algorithmes respectent l'équité entre les différents profils d'élèves. promouvoir l'inclusion : intégrer des outils capables d'aider les apprenants à besoins spécifiques. 2. Transparence et responsabilité Les enseignants doivent comprendre et expliquer les décisions prises par l'IA : explicabilité des outils : savoir comment l'IA arrive à certaines conclusions. validation humaine : superviser les recommandations de l'IA avant leur application. publication de guides : fournir aux élèves des explications claires sur le rôle de l'IA. 31 fl 3. Formation continue des enseignants Pour une utilisation efficace et éthique de l'IA : modules d’apprentissage : initier les enseignants aux bases de l’IA et à ses enjeux éthiques. partage de bonnes pratiques : créer des communautés d’échange entre enseignants. mise à jour régulière : suivre l'évolution des technologies pour adapter les usages. 4. Protection des données L’IA repose sur des données souvent sensibles. Les enseignants doivent : garantir la con dentialité : respecter les règlements sur la protection des données. informer les parties prenantes : expliquer clairement l’usage des données aux parents et élèves. choisir des outils sécurisés : préférer des solutions conformes aux standards éthiques et juridiques. L'IA peut être un allié puissant pour les enseignants, à condition de l'utiliser avec prudence et responsabilité. En suivant ces principes, elle contribuera à enrichir les pratiques éducatives tout en préservant les valeurs d'équité et d'inclusion. 32 fi  Les apports de l’IA pour le métier d’enseignant Concrètement, comment un enseignant peut tirer parti de l’intelligence artificielle, et plus particulièrement de ChatGPT, pour optimiser et enrichir ses préparations de cours ? Bien que cette exploration ne puisse prétendre à l’exhaustivité, nous avons choisi de mettre en lumière des exemples significatifs dans la troisième partie de ce guide, illustrant la diversité et la richesse des applications offertes par cet outil. Ces cas d’usage visent à inspirer les enseignants dans leur démarche pédagogique et à démontrer le potentiel transformateur de l’IA dans l’éducation. Création de contenu Plans de cours structurés : générer des plans détaillés, incluant objectifs, étapes d'apprentissage et évaluations. Exercices différenciés : proposer des activités adaptées à divers niveaux, comme des exercices de vocabulaire, rédaction ou compréhension. Quiz interactifs : créer des évaluations avec des réponses justifiées, offrant un feedback immédiat pour les élèves. Simpli cation du contenu Adaptation des contenus : résumer et reformuler des ressources complexes pour les rendre accessibles à tous. Simpli cation des textes : transformer des textes académiques en versions adaptées pour des élèves plus jeunes ou en difficulté. Exemple concret : illustrer des concepts abstraits avec des situations du quotidien ou des analogies compréhensibles. Activités interactives Scénarios pédagogiques : proposer des idées pour des débats ou discussions en classe sur des thématiques spécifiques. Projets collaboratifs : concevoir des activités comme l’écriture collective d’histoires ou la création de journaux de classe. 33 fi fi Support visuel Supports graphiques : générer des tableaux comparatifs, graphiques explicatifs ou schémas pour les cours. Synthèses visuelles : fournir des résumés clairs et attractifs pour des présentations en classe. Apprentissage personnalisé Parcours individualisés : créer des séquences d’apprentissage personnalisées, adaptées aux besoins et niveaux de chaque élève. Remédiation ciblée : proposer des exercices spécifiques pour combler des lacunes identifiées. Traductions et adaptations Traduction multilingue : adapter des contenus pédagogiques en différentes langues, en préservant leur clarté et leur pertinence. Adaptation stylistique : réécrire des documents pour s'adresser à différents publics ou niveaux scolaires. Idéation Brainstorming créatif : utiliser ChatGPT comme outil d’idéation pour développer de nouvelles approches pédagogiques. Exploration interdisciplinaire : faciliter la création de projets intégrant plusieurs disciplines, en suggérant des activités ou des thématiques combinées. Gain de temps Ces divers usages témoignent de l'émergence de l'intelligence artificielle – et de ChatGPT en particulier – comme un véritable arsenal de ressources, aussi polyvalent qu'astucieux, mis au service de la noble tâche éducative. En délestant les maîtres de ces besognes répétitives qui érodent leur temps et leur énergie, tout en enrichissant les contenus pédagogiques et en affinant la personnalisation des apprentissages, l'IA leur octroie une rare et précieuse opportunité : celle de réinvestir leurs efforts dans l'art délicat de l'accompagnement des élèves, ainsi que dans l'audacieuse exploration de méthodes d'enseignement novatrices. 34  3e partie : l’IA comme assistant pédagogique 3e partie L’IA comme assistant pédagogique de l’enseignant 35 L’art du prompt : le prompt engineering L’intelligence artificielle s’érige désormais en instrument incontournable pour les pédagogues, et la maîtrise de l’art subtil du prompting s’impose tel un savoir clé, presque alchimique. Ce chapitre vous guidera dans l’élaboration de consignes claires et précises pour interagir efficacement avec des modèles comme ChatGPT. Vous y découvrirez l’art de structurer vos demandes, qu’il s’agisse de bâtir des cours captivants, de concevoir des activités finement différenciées ou d’élaborer des outils d’évaluation taillés sur mesure pour vos besoins. En vous initiant à des techniques avancées et en apprenant à intégrer vos propres documents dans vos requêtes, vous saurez décupler la pertinence et la profondeur des réponses de l’IA. Ainsi, non content de nourrir vos pratiques pédagogiques, vous ouvrirez la voie à des innovations audacieuses et enrichirez l’art d’enseigner d’un souffle nouveau. Bases et principes fondamentaux d'un prompt e cace Un prompt efficace se définit comme une instruction claire et précise, donnée à un modèle d’intelligence artificielle (IA) pour obtenir une réponse pertinente et utile. La qualité du prompt détermine directement la pertinence des résultats générés. Les modèles de langage, ou Large Language Models (LLM), fonctionnent en prédisant la probabilité de la prochaine séquence de mots, à partir d’un immense corpus de données textuelles. Contrairement à l’humain, ces modèles ne « comprennent » pas les mots : ils ne leur attribuent aucun sens intrinsèque. Les mots ne sont pour eux que des signaux manipulés selon des probabilités, établies à partir des données observées. 36 ffi  C’est pourquoi la clarté et la précision des prompts sont essentielles. Un vocabulaire précis et en lien direct avec le sujet guide le modèle dans la bonne direction. Plus le prompt est structuré et spécifique, mieux il oriente l’IA vers l’identification des séquences les plus probables pour répondre efficacement à la demande. En fournissant des instructions bien formulées et détaillées, l’utilisateur maximise les chances d’obtenir une réponse cohérente et alignée sur ses attentes. Pour maximiser la pertinence et l’utilité des réponses fournies par une intelligence artificielle, il est essentiel de respecter plusieurs principes clés lors de la rédaction des prompts : clarté et précision : un prompt doit être formulé de manière explicite, en évitant toute ambiguïté. L’utilisation d’un vocabulaire précis et adapté au contexte est indispensable pour que l’IA interprète correctement la demande. Des phrases simples et bien structurées facilitent également la compréhension. contexte approprié : fournir un contexte pertinent permet de guider l’IA vers une réponse alignée sur les attentes. Cela inclut des informations telles que le rôle attendu de l’IA, le public cible, ou encore le ton et le style souhaités. Par exemple, préciser que l’IA doit répondre en tant qu’expert dans un domaine spécifique peut affiner la nature et la profondeur de la réponse. structure du prompt : organiser le prompt avec une introduction, un développement, et éventuellement une conclusion, aide à réduire les risques d’interprétation erronée. Une structure claire agit comme un guide pour l’IA, facilitant la formulation d’une réponse cohérente et précise. spéci cation des détails et du format : l’inclusion de détails spécifiques et la définition du format attendu permettent d’améliorer la qualité des résultats. Par exemple, demander une liste à puces, un tableau ou une réponse organisée en paragraphes apporte davantage de clarté à la demande. utilisation de délimiteurs et adoption de personas : l’emploi de délimiteurs, comme des balises ([contexte], [question]) ou des séparateurs (---), permet de clarifier les différentes sections d’un prompt. De même, adopter un persona précis influence le style de la réponse. Par exemple, un ton pédagogique conviendra à un public de débutants, tandis qu’un style technique sera plus adapté à des experts. En appliquant ces principes, il devient possible d’optimiser les interactions avec les modèles d’intelligence artificielle, garantissant ainsi des réponses mieux adaptées et alignées sur les attentes de l’utilisateur. 37 fi  Exemple de prompt respectant ces principes : [Contexte] : Vous êtes un expert en pédagogie en mathématiques, et vous allez aider un enseignant de 5ème à concevoir un plan de cours sur les fractions. [Public cible] : Élèves de 5ème, niveau collège, débutants en concepts avancés de fractions. [Objectif] : Générer un plan de cours structuré qui permettra aux élèves de comprendre les bases des fractions, incluant la définition, des exemples concrets, des exercices pratiques et une activité ludique. [Format attendu] : Fournir une introduction sur les fractions, un développement avec trois activités progressives (avec des exemples concrets) et une conclusion qui résume les apprentissages. Présenter le tout sous forme de liste à puces pour chaque étape du cours. Voici le résultat (version chatGPT 4o) : 38 Je ne prétends nullement être un érudit en didactique des mathématiques, mais il serait vain de nier cette vérité éclatante : un prompt soigneusement structuré et énoncé avec précision engendre des résultats d'une tout autre tenue. Sinon, c’est un peu comme essayer de résoudre une équation en mangeant une soupe avec une fourchette : techniquement possible, mais terriblement inefficace. 39 ChatGPT est un chat interactif : vous pouvez lui demander des précisions, affiner des éléments de sa réponse, développer ou reformuler, notamment en sélectionnant une partie spécifique de son contenu. Par exemple, si vous sélectionnez la phrase « évaluation rapide : un quiz oral pour évaluer la compréhension des notions essentielles », des guillemets apparaissent. En cliquant dessus, ChatGPT reprendra cette sélection en citation, et vous pourrez lui demander, par exemple, de proposer des questions pour ce quiz. L’un des atouts de ChatGPT est qu’il garde en mémoire le fil de la discussion, ce qui lui permet de fournir une réponse qui reste dans le contexte. À l’inverse, dans une nouvelle discussion, demander des questions pour un quiz oral sur les fractions ne tiendrait pas compte des échanges précédents. Sa réponse (extrait) : 40 Et si l’IA écrivait le prompt à votre place ? Et si l’intelligence artificielle se chargeait de transformer votre manière de travailler en élaborant, à votre place, le prompt idéal ? Ça paraît paradoxal, non ? Et pourtant, c’est une des clés pour tirer le meilleur parti de l’IA. On vous montre comment. L’intelligence artificielle, dans sa sagacité presque inquiétante, ne manquera pas de vous soumettre un flot de questions, chaque interrogation soigneusement ciselée pour affiner la portée de votre requête. Une fois ce labeur achevé, elle vous offrira, tel un oracle magnanime, un prompt d’une précision éclatante qu’il vous suffira de copier et de déposer dans une nouvelle conversation. Et, comme par magie – mais est-ce encore de la magie, ou simplement l’ingéniosité humaine portée à son paroxysme ? – vous recevrez une réponse, exhaustive et parfaitement calibrée. N’est-ce pas là une manière exquise de célébrer les miracles de la modernité ? Mission : Créer un prompt optimal pour une tâche éducative Voici le mega prompt à utiliser : 41  Tu es un expert en ingénierie de prompt, spécialisé dans l'éducation. Ta mission est de concevoir un prompt précis et efficace pour la tâche suivante : [écrire ici la tâche que vous souhaitez réaliser, par exemple « créer un cours de mathématiques sur les fractions »]. Instructions détaillées : 1. Analyse initiale par questionnement séquentiel : Pose une série de questions, une par une, en attendant ma réponse avant de passer à la suivante. Ces questions doivent permettre de recueillir des informations essentielles sur les aspects suivants : Objectifs pédagogiques : Quel est le but précis de ce cours (ex. : compréhension conceptuelle, application pratique, préparation à un examen) ? Public cible : Quel est le niveau des élèves (ex. : primaire, collège, adultes) et leurs caractéristiques (ex. : élèves à besoins éducatifs particuliers) ? Contexte d'apprentissage : S'agit-il d'un cours en présentiel, en ligne, ou hybride ? Quelles sont les ressources disponibles ? Contraintes et exigences : Y a-t-il des limitations de temps, de matériel ou des points spécifiques à aborder ? Approche pédagogique souhaitée : Préfères-tu un style interactif, ludique, ou centré sur la pratique ? Autres éléments de contexte : Y a-t-il des considérations spécifiques à intégrer (ex. : outils numériques, différenciation pédagogique) ? 2. Analyse et création du prompt optimisé : Une fois les réponses obtenues, synthétise les informations pour formuler un prompt détaillé intégrant les éléments suivants : Une description claire de la tâche, tenant compte des objectifs pédagogiques et des contraintes identifiées. Des suggestions de différenciation pédagogique, adaptées aux élèves ayant des besoins éducatifs particuliers ou à des niveaux de compréhension variés. L’intégration d’outils numériques, comme des logiciels interactifs ou plateformes éducatives, pour enrichir le cours et favoriser l'engagement des élèves. Exemple d’utilisation : La tâche demandée : créer un cours de mathématiques sur les fractions. Je copie/colle le mega prompt en prenant soin de modifier la tâche dans les [ ]. L’IA me pose des questions auxquelles je réponds : 42 43 Voici la réponse finale et le prompt proposé : Je copie le prompt proposé et je le colle dans une nouvelle conversation. Voici la réponse générée : 44  Plan général pour une séance d'introduction aux fractions (1 heure) Objectifs pédagogiques Comprendre ce qu'est une fraction et son utilité. Identi er et nommer le numérateur et le dénominateur. Représenter visuellement des fractions simples. Appliquer ces notions à travers des exercices concrets. 1. Introduction engageante (10 minutes) Objectif : Capter l'attention des élèves et contextualiser les fractions. 1. Situation problème : ◦ Posez une question ouverte : « Imaginez que vous partagez une pizza en parts égales entre vos amis. Si vous mangez 2 parts sur 8, comment exprimer cela ? » ◦ Engagez une courte discussion pour que les élèves réalisent qu’on peut représenter ce partage par une fraction. 2. Contexte pratique : Donnez des exemples concrets : ◦ Les recettes de cuisine (1/2 litre, 3/4 tasse). ◦ Les parts d’un gâteau ou d’un objet partagé. Différenciation : Utiliser des images concrètes (dessins de pizzas, gâteaux) pour les élèves ayant des dif cultés avec l’abstraction. 2. Phase de découverte : dé nir les fractions (15 minutes) Objectif : Introduire la notion de fraction, numérateur et dénominateur. 1. Explication guidée : ◦ Dé nir une fraction : Une manière de représenter une partie d’un tout. ◦ Introduire les termes numérateur (nombre de parts prises) et dénominateur (nombre total de parts). 2. Exemples concrets : ◦ Utiliser des objets manipulables comme des bandes de papier découpées en parties égales pour montrer des fractions simples (1/2, 1/3, 2/4). ◦ Insister sur le fait que les parts doivent être égales. 3. Questionnement interactif : ◦ Demandez aux élèves : « Si je prends 3 parts sur 6, comment puis-je écrire cela en fraction ? » Différenciation : Utilisez des questions simples pour les élèves en dif culté (« Combien de parts en tout ? Combien as-tu pris ? »). Ajoutez des exemples plus complexes pour les élèves avancés. 3. Phase d’explication : représenter les fractions (15 minutes) Objectif : Apprendre à représenter les fractions visuellement. 1. Représentations graphiques : ◦ Dessinez des formes géométriques simples (cercles, rectangles) et montrez comment diviser ces formes en parts égales. ◦ Colorez des parties pour illustrer des fractions (ex. : 3 parts sur 4). 45 fi fi fi fi fi  2. Manipulations concrètes : ◦ Distribuez des feuilles de papier où les élèves doivent diviser des formes en parts égales et colorier pour représenter une fraction donnée. 3. Comparaison de fractions : ◦ Montrez que 2/4 est équivalent à 1/2 en superposant des dessins ou bandes de papier. Différenciation : Proposez des fractions plus simples (1/2, 1/3) pour les élèves en dif culté, et des représentations impliquant plus de divisions pour les élèves avancés. 4. Activité d’application : exercices simples (10 minutes) Objectif : Véri er la compréhension à travers une activité individuelle ou en binôme. 1. Exercice 1 : Les élèves identi ent la fraction représentée par des dessins (ex. : 3 parts colorées sur 5). 2. Exercice 2 : Ils représentent eux-mêmes des fractions sur des gures données. 3. Exercice 3 (optionnel pour élèves avancés) : Compléter une gure pour obtenir une fraction donnée. Différenciation : Fournir des gures déjà partagées pour les élèves en dif culté. Proposer des fractions non simpli ées ou des représentations atypiques pour les élèves avancés. 5. Synthèse : consolidation des notions (10 minutes) Objectif : Résumer les notions abordées et répondre aux questions. 1. Résumé oral : ◦ Une fraction représente une partie d’un tout. ◦ Le numérateur indique combien de parts sont prises. ◦ Le dénominateur indique combien de parts forment le tout. ◦ On peut représenter une fraction de manière visuelle. 2. Questions-réponses : ◦ Sollicitez les élèves pour reformuler ce qu’ils ont appris. ◦ Répondez aux éventuelles questions. 3. Lien avec la prochaine séance : ◦ Expliquez que dans les séances suivantes, ils apprendront à comparer et additionner des fractions. Matériel nécessaire Bandes de papier découpées. Feuilles blanches avec des gures géométriques à diviser. Crayons de couleur pour les représentations. Suggestions de différenciation supplémentaires Pour les élèves en dif culté : Intégrer plus d’exemples concrets et répétitifs, utiliser des manipulations avec des objets. Pour les élèves avancés : Introduire rapidement la simpli cation de fractions ou des fractions équivalentes. Ce plan structuré et progressif permet de maintenir l’attention des élèves tout en consolidant les bases des fractions. 46 fi fi fi fi fi fi fi fi fi fi fi Aviez-vous réellement envisagé, dès le départ, de recevoir une réponse d'une telle exhaustivité ? Peut-être espériez-vous une ébauche concise, réduite à l'essentiel. Et pourtant, c’est précisément dans cette méthode que réside la force de l’approche proposée : offrir une réponse à la fois rigoureuse et captivante, dès les prémices de l’échange. Qui, mieux que l’intelligence artificielle elle-même, saurait concevoir des requêtes parfaitement adaptées à ses capacités, sculptées sur mesure pour produire des réponses empreintes de précision et d’une redoutable efficacité ? Après tout, n’est-ce pas là l’essence même de son fonctionnement : exceller dans l’art de se conformer aux attentes tout en surpassant les exigences de son utilisateur ? Expérimentez par vous-même ! Envisageons maintenant, par exemple, l’usage stratégique de la méthode dite de la chaîne de pensées – ou Chain of Thought, pour ceux qui apprécient le charme des anglicismes. Cette technique consiste à guider la réflexion artificielle pas à pas, en l’amenant à explorer avec minutie les méandres d’une problématique complexe. Imaginez alors le résultat : un prompt d’une précision alchimique, conçu pour structurer une session de réflexion ou d’enseignement au potentiel inégalé. Et pourtant, que cela soit bien entendu : le jugement souverain demeure le vôtre. Car, aussi sophistiqué soit- il, aucun outil ne saurait rivaliser avec la clairvoyance et l’intuition d’un expert en chair et en os. Nous vous invitons donc à tester ce prompt minutieusement élaboré et à en observer les subtilités dans les résultats obtenus. Transmettez cette requête raffinée à votre intelligence artificielle de prédilection, et laissez le processus s’enrichir des interactions successives. Chaque réponse affinera davantage la pertinence de l’ensemble, jusqu’à atteindre une finesse de conception digne d’un artisan du verbe. Certes, la perfection absolue est une chimère, mais ne nous y trompons pas : le produit de cette démarche sera, sans conteste, une base de réflexion admirable. Une fondation robuste, prête à être façonnée et sublimée sous le regard aiguisé de votre expertise incomparable. Voici le mega-prompt ultime ! 47  Tu es un expert en ingénierie de prompt, spécialisé dans l'éducation. Ta mission est de concevoir un prompt précis et ef cace pour la tâche suivante : [Notez ici la tâche que vous souhaitez faire, exemple : Créer un cours de mathématique sur les fractions]. Instructions détaillées : 1. Analyse initiale par questionnement séquentiel : Pose une série de questions, une par une, en attendant ma réponse avant de passer à la suivante. Ces questions doivent permettre de recueillir des informations essentielles sur les aspects suivants : ◦ Objectifs pédagogiques : Quel est le but précis de ce cours (ex. : compréhension conceptuelle, application pratique, préparation à un examen) ? ◦ Public cible : Quel est le niveau des élèves (ex. : primaire, collège, adultes) et leurs caractéristiques (ex. : élèves à besoins éducatifs particuliers) ? ◦ Contexte d'apprentissage : S'agit-il d'un cours en présentiel, en ligne, ou hybride ? Quelles sont les ressources disponibles ? ◦ Contraintes et exigences : Y a-t-il des limitations de temps, de matériel ou des points spéci ques à aborder ? ◦ Approche pédagogique souhaitée : Préfères-tu un style interactif, ludique, ou centré sur la pratique ? ◦ Autres éléments de contexte : Y a-t-il des considérations spéci ques à intégrer (ex. : outils numériques, différenciation pédagogique) ? 2. Analyse et création du prompt optimisé : Une fois les réponses obtenues, synthétise les informations pour formuler un prompt détaillé qui : ◦ Structure la tâche en étapes claires, en décrivant le contexte pédagogique et les objectifs. ◦ Utilise la technique de Chain-of-Thought Prompting (CoT), en incluant les consignes suivantes pour guider l'IA : ▪ Explique chaque étape de raisonnement nécessaire pour générer une réponse complète et structurée. ▪ Énumère les étapes de manière logique et séquentielle, en commençant par les concepts fondamentaux avant d'aller vers les détails spéci ques. ▪ Encourage l’IA à justi er chaque choix pédagogique dans le contexte de l’objectif du cours. ◦ Propose des suggestions de différenciation pédagogique, adaptées aux élèves ayant des besoins spéci ques ou des niveaux variés de compréhension. ◦ Inclut l’utilisation d’outils numériques, comme des logiciels interactifs ou plateformes éducatives, pour enrichir l’apprentissage. 3. Exemple d’application de Chain-of-Thought Prompting : Assure-toi que le prompt demande à l’IA d’appliquer la méthode CoT pour résoudre des problèmes ou répondre aux questions éducatives, en suivant ce modèle : ◦ Commence par décrire le problème ou la question principale. ◦ Analyse les étapes nécessaires pour atteindre la solution, en expliquant clairement chaque phase de raisonnement. ◦ Fournis une conclusion synthétisant les résultats ou les choix pédagogiques. 4. Suggestions d’amélioration ou variations : ◦ Propose des adaptations du prompt pour des contextes alternatifs (ex. : niveaux scolaires différents, cours thématique spéci que). ◦ Suggère des pistes pour rendre le prompt plus polyvalent ou innovant. 48 fi fi fi fi fi fi fi Certains d’entre vous pourraient être intimidés par la longueur apparente d’un prompt bien construit. Pourtant, loin d’être une contrainte chronophage, ce format est conçu pour vous simplifier la vie. En réalité, il suffit de copier-coller ce prompt et de n’y modifier que la tâche à effectuer, indiquée entre crochets en début de texte. Ainsi, loin de représenter une charge supplémentaire, ce modèle se révèle un véritable gain de temps. Vous profitez d’une réponse pertinente et directement exploitable, sans avoir à reformuler entièrement vos requêtes à chaque nouvelle interaction. C’est là l’intérêt d’un prompt bien conçu : il devient un outil réutilisable, une sorte de « mode d’emploi » qui vous libère des ajustements laborieux et optimise vos échanges avec l’IA. Prenez donc le temps d’expérimenter cette méthode. Aussi impressionnantes que puissent paraître les réponses générées par l’intelligence artificielle, il est essentiel de garder à l’esprit une vérité fondamentale : aucune technologie, aussi avancée soit-elle, ne saurait remplacer l’expertise professionnelle que vous incarnez. Vos compétences, forgées par l’expérience, l’intuition et une compréhension nuancée des besoins de vos élèves, demeurent irremplaçables. L’IA, en revanche, doit être perçue comme un assistant – un outil puissant, certes, mais limité. Contrairement à votre esprit capable d’interpréter, de ressentir et d’adapter des contenus complexes à des contextes spécifiques, l’IA repose sur des instructions explicites. Elle est littéralement incapable de comprendre ce qui ne lui est pas clairement formulé. Si une idée ou une intention n’est pas développée dans le prompt, l’IA ne peut pas la deviner, ni la restituer correctement. C’est pourquo