ENCYCLOPÉDIE · FONDEMENTS & MODÈLES

Intelligence artificielle

Des systèmes qui apprennent, prédisent ou produisent des résultats.

Revue documentaire : 14 novembre 20264 chapitres approfondis6 sources liées2 connexions
EN BREF · COMPRENDRE AVANT D’UTILISER

L’intelligence artificielle (IA) ne désigne pas un dispositif unique. Il s’agit d’une famille de systèmes conçus pour produire des prédictions, recommandations, décisions ou contenus à partir d’entrées et d’objectifs spécifiés. Selon le système, son fonctionnement repose sur des règles explicites, des modèles statistiques, des techniques d’apprentissage ou des combinaisons de ces approches.

En éducation, distinguer les systèmes est essentiel : un correcteur orthographique, un moteur de recommandation, un modèle prédictif et un assistant conversationnel ne présentent ni les mêmes possibilités ni les mêmes risques. L’intérêt d’un outil se juge à l’apprentissage visé, à la robustesse de ses résultats et aux conditions concrètes de son utilisation.

Définition essentielle

Champ de techniques permettant à des systèmes informatiques de réaliser certaines tâches de classification, de prévision, de recommandation ou de génération, en fonction de modèles et de données.

01 / APPROFONDIR

Les grandes familles de systèmes

L’IA symbolique utilise des représentations et des règles explicites. L’apprentissage automatique ajuste un modèle à partir de données. L’apprentissage profond utilise des réseaux de neurones à plusieurs niveaux de représentation. Les systèmes génératifs produisent des contenus nouveaux au regard des exemples d’entraînement.

Une application peut réunir plusieurs briques : recherche documentaire, classement de résultats, modèle génératif et contrôles programmés. Il faut donc évaluer l’application dans son ensemble, pas seulement la technologie annoncée par son fournisseur.

  • IA à règles : utile lorsque les règles métier sont stables et explicables.
  • Apprentissage supervisé : apprendre à partir d’exemples accompagnés de réponses attendues.
  • Apprentissage non supervisé : rechercher des structures ou groupes sans étiquette fournie.
  • IA générative : élaborer un texte, une image ou une autre sortie ; la qualité apparente ne prouve pas son exactitude.
Références pour approfondir

02 / APPROFONDIR

Données, modèle, inférence et validation

Pendant l’entraînement, un algorithme ajuste des paramètres pour réduire une fonction de perte sur des données. À l’inférence, le système applique ce qui a été appris à une nouvelle entrée. Cette description vaut pour de nombreux modèles statistiques, mais pas pour toutes les approches de l’IA.

La validation doit porter sur des exemples nouveaux, représentatifs du contexte réel. Une performance moyenne élevée peut dissimuler des erreurs importantes pour certains profils d’élèves, disciplines, langues ou niveaux scolaires.

  • Identifier les données d’entrée : sont-elles pertinentes et autorisées ?
  • Préciser la tâche et les critères de réussite avant de choisir un outil.
  • Tester des cas typiques, atypiques et potentiellement défavorables.
  • Prévoir qui contrôle, corrige et peut interrompre une décision automatisée.
Références pour approfondir

03 / APPROFONDIR

Ce que change l’IA pour l’école

Les possibilités comprennent l’aide à la préparation de supports, la production de variantes d’exercices, l’accessibilité de certaines ressources et l’accompagnement de recherches documentaires. Ces possibilités ne constituent pas des preuves de gain d’apprentissage : un outil peut faire gagner du temps sans améliorer la compréhension des élèves.

Les risques comprennent l’erreur factuelle, le biais, la dépendance cognitive, la collecte excessive de données, l’inégalité d’accès et la confusion entre production d’un texte et maîtrise d’une notion. Les réponses pédagogiques appropriées dépendent du niveau des élèves et du système éducatif concerné.

  • Enseigner aussi le fonctionnement et les limites, pas seulement les manipulations.
  • Conserver des activités sans IA pour pouvoir comparer leur valeur ajoutée.
  • Documenter la provenance des contenus et les décisions de validation humaine.
  • Évaluer l’impact sur la qualité de l’apprentissage, pas uniquement la vitesse de production.

04 / APPROFONDIR

Des distinctions utiles à retenir

Automatisation et IA ne sont pas synonymes : un calculateur classique suit des instructions déterminées sans nécessairement apprendre. Un système capable de générer du texte n’a pas pour autant la compréhension, les intentions ou les responsabilités d’une personne.

L’IA dite « générale » correspond à un horizon théorique ou prospectif souvent discuté ; il ne faut pas l’assimiler aux outils spécialisés couramment utilisés en classe. Employer des catégories précises limite les promesses excessives.

  • Prédire n’est pas démontrer une causalité.
  • Classer un élève n’est pas comprendre son parcours.
  • Produire une explication n’est pas vérifier qu’elle est correcte.
  • Personnaliser une consigne n’est pas prouver une meilleure réussite.
Références pour approfondir

PASSER DU SAVOIR À LA PRATIQUE

Cartographier cinq usages de l’IA

Public : Collège ou lycée, avec une adaptation au niveau

Objectif : Distinguer type de système, donnée, sortie et besoin de contrôle.

Déroulement proposé

  1. Présenter cinq exemples : calculatrice, filtre anti-spam, recommandation vidéo, correcteur de texte et assistant génératif.
  2. Faire relever, en groupes, l’entrée, la sortie, la présence éventuelle d’un apprentissage et le risque d’erreur.
  3. Comparer deux cas où la décision humaine est indispensable et justifier pourquoi.
  4. Construire un tableau commun distinguant automatisation classique, classification, recommandation et génération.

Production attendue : Une carte de comparaison avec des exemples et des critères explicites.

Critère de réussite : L’élève sait expliquer au moins deux différences de fonctionnement, et justifier un contrôle de résultat.

Ouvrir les outils et ressources SCOLAR·IA associés

RECONNAÎTRE LES SIMPLIFICATIONS TROMPEUSES

Idées reçues et corrections

Idée reçue : Toutes les automatisations utilisent l’IA.

Ce qu’il faut retenir : De nombreuses automatisations exécutent uniquement des règles prédéfinies.

Idée reçue : Un outil d’IA comprend les situations comme un enseignant.

Ce qu’il faut retenir : Ses résultats peuvent être utiles, mais ils ne prouvent ni compréhension humaine ni responsabilité éducative.

Idée reçue : Un score global de précision suffit à choisir une IA.

Ce qu’il faut retenir : Le contexte, les données, les profils et la gravité des erreurs comptent autant que le score moyen.

OUTIL D’AIDE À LA DÉCISION

Points à vérifier

  • La tâche et le bénéfice pédagogique attendu sont décrits.
  • Le type d’outil et ses limites sont connus.
  • Les données transmises sont minimales et autorisées.
  • Un protocole de vérification est prévu.
  • Une alternative sans IA est disponible.

Cette grille est indicative et ne remplace pas les consignes de votre établissement ni les règles applicables.

POUR ALLER PLUS LOIN

Questions fréquentes

Une intelligence artificielle est-elle nécessairement générative ?

Non. Beaucoup de systèmes servent à classer, reconnaître des formes, prévoir une valeur ou recommander une action, sans rédiger de texte.

Peut-on utiliser un modèle pour évaluer un élève ?

Un outil peut contribuer à préparer des critères ou un retour provisoire. La décision pédagogique et les conséquences pour l’élève demandent une validation humaine et le respect des règles applicables.

Traçabilité éditoriale et limites

Ce dossier contient des synthèses originales fondées sur les références indiquées. Les mises en situation sont des propositions pédagogiques, et non des résultats expérimentaux établis. Les documents institutionnels, scientifiques et juridiques ont des statuts distincts ; vérifier leur version et leur applicabilité avant de prendre une décision. Aucune source n’est censée valider automatiquement toutes les phrases de la fiche.

Signaler une erreur, une nuance manquante ou une source actualisée ↗