Retour sur la préhistoire
Langues, listes, dessins, écrits, technologies rendent l’apprentissage de plus en plus exigeant, dans l’espoir de développer la puissance de la société humaine. A chaque époque, les inventions sont à la fois la promesse d’une augmentation de la puissance individuelle de chaque individu, et le moyen d’un pouvoir accru des industriels sur les individus. Dans ce paradoxe, les découvertes d’Engelbart, dans les années soixante, améliorent l’utilisabilité des machines : souris, fenêtres, visioconférence, copier-coller, système hypertexte, traitement de texte collaboratifs sont inventés par son équipe, avant qu’il ne soit licencié par l’université en 1976 pour défaut de publication. Même si l’informatique collaborative est prête, c’est IBM avec la bureautique et le traitement de texte sous DOS…
Deux modalités d’apprentissages opposés
S’il est facile de comprendre comment les humains apprennent dans la vie (apprentissages adaptatifs à partir de leur action et de leurs interactions, dans certains environnements), ce qui se passe dans l’enseignement est bien plus compliqué : il faut concevoir des situations, des tâches, des modalités qui sont beaucoup plus complexes que l’enseignement par adaptation. Une des difficultés qu’ont les concepteurs de logiciels est d’avoir souvent peu de connaissances sur cette différence fondamentale entre apprentissages adaptatifs et apprentissages scolaires, beaucoup plus complexes. « Si vous ne connaissez pas le métier d’enseignant et que vous concevez des ressources, c’est très difficile d’être pertinent ».
Les différentes tentatives pour y parvenir depuis plus de cinquante ans (Ludo-éducatif, apprentissage programmée, enseignement assisté par ordinateur, hypermédia, « tuteurs intelligents », E-learning, collaboratif à distance, machine learning, IA génératrice) sont très souvent décevantes, parce qu’elles simplifient trop les pratiques enseignantes. Elles ne s’attaquent pas au problème qu’elles prétendent régler. L’analyse des erreurs des élèves, notamment, reste très complexe. La seule réussite actuellement attestée est le « feed-back » instantané (correct/pas correct). La plus-value se cantonne donc aux exerciseurs, dans des contextes bien définis. Les résultats ne dépassent souvent pas la porte des laboratoires : ce qui est vrai en laboratoire échoue souvent dans la vraie vie (plus de 90% selon ses sources). Les ressources ne sont que des outils que l’enseignant doit organiser, utiliser, mettre à sa main.
Les « discours sur le numérique » sont aussi trop souvent, dans le monde de l’enseignement, des discours naïfs sur les apports du numérique : digital natives, amélioration de la motivation ou de l’autonomie sont souvent des croyances qui ne reposent sur aucune expérimentation prouvée.
Des nouveaux champs de recherche pour répondre à de nouvelles exigences ?
De nouveaux courants de recherche cherchent donc à contourner les échecs précédents en proposant des supports pour enrichir l’environnement, ou de nouvelles connaissances sur l’enseignement : comment améliorer les connaissances des lecteurs ? Comment outiller les apprenants sur les enjeux des grandes questions environnementales ? Comment développer des compétences psychosociales dans le milieu professionnel
Eriger le « ça dépend » en règle d’action : la longue histoire de l’intelligence artificielle
Conséquence des points précédents, l’orateur appelle donc à être plus contrasté dans ses appréciations de l’apport du numérique. Ça dépend des disciplines, ça dépend des tâches, ça dépend des situations. Filmer un élève qui fait du saut en hauteur peut être très efficace en EPS, mais pas transférable dans d’autres contextes.
Est-ce que les outils numériques qui se développent actuellement pourraient permettre d’aborder des tâches plus complexes que « correct/pas correct » ? Des logiciels comme e-rater (https://www.ets.org/erater.html) peuvent proposer aux élèves des premiers retours sur leur texte centré soit sur l’orthographe, soir sur le style. Depuis les années 90, les micro-robots savent, sur des comportements élémentaires, adapter leur action et leur déplacement et même avoir quelque chose qui ressemble à des comportements sociaux lorsqu’on les met en réseau ou en action coordonnée. C’est ce qu’on appelle « l’IA comportementale ».
L’IA symbolique, c’est-à dire-l’idée qu’on puisse programmer des machines à partir de connaissances, de textes, des règles, pour qu’elles puissent résoudre des problèmes : jouer aux échecs ou aux dames. On qualifie « d’intelligente » une machine qui imite tellement un comportement humain qu’on pourrait la qualifier ainsi, à partir de règles et de connaissances. Eliza, en 1966, savait faire des relances qui ressemblaient à celles d’un psychothérapeute rogerien… C’est le même chemin avec des machines « intelligence statistique » qui apprendraient à reconnaitre des animaux par les corrections répétées des milliers de fois par des humains qui lui diraient « c’est juste » ou « tu te trompes ». Mais ces trois premières intelligences artificielles n’ont que peu d’effet pour la classe.
Quid de l’arrivée de Chat-GPT et de l’IA « générative » ? Si le principe reste le même (apprentissage par apport de connaissance), on change d’échelle avec la capacité des machines de digérer des milliards de supports de données, qui surprend tout le monde. Cependant, les performances des machines ne sont toujours pas capables de supprimer deux grands types d’erreur : la production de réponses « probables » peut provoquer l’invention de références ou d’auteurs, ou générer des biais de conformité en relation avec ce qui se passe dans la société (conformité avec les stéréotypes de la majorité).
Quel impact sur l’enseignement ?
La recherche sur les usages de l’IA en contexte éducatif nous permet d’avoir déjà du recul. On sait que 90% des élèves de Seconde ont déjà utilisé une IA générative, notamment dans le contexte des devoirs à la maison. Les IA pourraient, en l’état actuel des connaissances, réussir aux examens de licence dans certaines disciplines. Les conséquences ne peuvent que questionner les éducateurs, qui expriment des demandes de formation sur le sujet.
Les recherches sur l’effet de l’usage des IA sur les connaissances des élèves montrent des résultats plus que contrastés : la plupart des recherches concluent à un fort effet illusoire, même si certains concluent sur des résultats intéressants lorsqu’on apprend aux élèves à comprendre l’impact de la nature de leur question sur les résultats renvoyés par la machine. Certaines études font état de résultats intéressants lorsqu’on articule feed-back immédiat sur leur travail par la machine (nécessairement superficiel) et évaluation formative par l’enseignant.
Résultat peu surprenant : lorsqu’on demande à des élèves de faire eux-mêmes leur texte avant de les autoriser à le faire corriger par Chat-Gpt, on constate dans le temps une amélioration de leur performance et de leur engagement, là où ceux qui font créer leur texte par Chat-GPT régressent. En formant un binôme avec la machine, on arrive à progresser, là où l’illusion de facilité détériore les apprentissages, si on pense que la machine va penser à sa place.
« L’enjeu est donc bien éducatif » conclut Tricot. Il revient aux enseignants de convaincre les apprenants que, comme depuis longtemps dans les apprentissages scolaires, rien ne se passe s’ils ne s’en occupent pas, sur le long terme. Sur ce point, ses conclusions seraient sans doute partagées par Patrick Rayou, qui lui aussi a fait salle comble dans la même salle dans la conférence précédente.
Patrick Picard
