Que vous soyez technophile ou non, vous avez probablement entendu parler du chatbot ChatGPT, de Gemini ou encore de MistralAI qui utilisent l’intelligence artificielle pour dialoguer et apporter des réponses aux utilisateurs. Ces modèles d’IA générative font l’objet d'investissements financiers colossaux et leurs applications se développent rapidement dans tous les secteurs de l'économie et la recherche.

L'utilisation de L'IA dans l'enseignement est aujourd’hui un sujet de controverse. De nombreuses universités américaines, australiennes mais également Sciences Po Paris encadrent strictement son utilisation l’accusant de faciliter la triche. Au contraire, de nombreux professeurs y voient un outil pédagogique.

 

À l’heure où l’IA envahit la sphère médiatique et bouleverse l’accès à la connaissance, cet article vise à préciser les potentialités actuelles des IA génératives et à inventorier quelques pistes pédagogiques en SVT.

 

 

1. IA, IA génératives : de quoi parle-t-on ?
2. Comment l'utiliser ?
3. Quelle place pour l’IA dans l’enseignement ?
4. Quels sont les cas d'usage actuels en SVT ?
5. Quelles opportunités et quels risques ?

 

 

En outre, une réflexion éthique sera engagée afin de comprendre comment l’accès à une connaissance facilitée et augmentée peut être conciliée avec l’acquisition de savoirs, savoir-faire et savoir-être par les élèves.

 

 

1. IA, IA génératives : de quoi parle-t-on ?

 

Selon la définition du centre national de ressources textuelles et lexicales (CNRL), l’intelligence est une fonction mentale d'organisation du réel en pensées chez l'être humain, en actes chez l'être humain et l'animal. Il n'y a cependant aucune incompatibilité entre l'action et la pensée dans une intelligence complète (Lamart., Voy. Orient, t. 1, 1835, p. 137). Selon F. Cuvier, comme l'intelligence et l'instinct sont communs, à divers degrés, aux animaux et à l'homme, ce qui distingue celui-ci, c'est la réflexion ou la faculté de considérer intellectuellement, par un retour sur nous-mêmes, nos propres modifications.

 

La définition de l’intelligence comme un système plus ou moins complexe permettant de comprendre, d’apprendre ou de s’adapter à des situations nouvelles peut être retenue afin de comprendre l’intelligence artificielle (IA).

 

Le terme d’intelligence artificielle existe depuis les années 50. Les premiers systèmes d’IA consistaient en des programmes informatiques qui s’appuyaient sur des règles (des moteurs de règles), capables de résoudre des problèmes assez complexes. Plutôt que d’intégrer au code chaque décision que le logiciel était censé prendre, le programme se divisait en une base de connaissances (knowledge base) et un moteur d’inférence. Les développeurs enrichissaient alors la base avec des informations factuelles et le moteur interrogeait ces dernières pour parvenir à un résultat. Mais ce type d’IA s’avérait limitée, notamment parce que son apprentissage reposait fortement sur la contribution humaine. Lorsqu’il s’agit d’apprendre et d’évoluer, ces systèmes manquent de flexibilité, et ils ne sont aujourd’hui plus guère considérés comme « intelligents ».

 

Les algorithmes modernes sont capables d’apprendre à partir de données historiques, ce qui les rend pertinents pour une plus vaste gamme d’applications : robotique, voitures autonomes, optimisation des réseaux électriques, compréhension du langage naturel (NLP)…

Le site suivant présente une chronologique de l'IA :

https://www.digitalcorner-wavestone.com/2018/08/intelligence-artificielle-decryptage-dune-singularite-technologique-preoccupante/ 

 

Bien que l'intelligence artificielle soit souvent considérée comme un système en soi, il s'agit d'un ensemble de technologies implémentées dans un système pour lui permettre de raisonner, d'apprendre et de résoudre un problème complexe. Le Machine Learning et le Deep Learning sont des sous-ensembles de l'IA, mais tous les systèmes d'IA ne sont pas basés sur ces deux sous-ensembles…

 

 

Le Machine Learning (ML) ou apprentissage automatique, est capable de reproduire un comportement grâce à des algorithmes eux-mêmes alimentés par un grand nombre de données. Confronté à de nombreuses situations, l'algorithme apprend quelle est la décision à adopter et créé un modèle. La machine peut automatiser les tâches en fonction des situations.

 

Par exemple, pour qu'une machine apprenne le concept de chat, un ingénieur compile un grand nombre d'exemples sur l'animal qu'il transmet à un algorithme. Auparavant, l'ingénieur devait établir la carte d'identité d'un chat (il a une fourrure, des moustaches, il retombe sur ses pattes, etc.) et représenter ces règles dans un programme informatique. Aujourd’hui, il lui suffit de collecter les données, ce qui rend la tâche plus facile et plus rapide. Cette nouvelle façon d’automatiser conduit à des progrès considérables.

 

Pour fonctionner, nombre d’algorithmes de ML font appel à des formules statistiques et au Big Data. D’ailleurs, c’est grâce aux avancées en matière de Big Data et à la quantité considérable de données collectées que le machine learning est devenu opérationnel.

 

 

Le Deep Learning (DL) est une branche spécifique du Machine Learning. Bien que les deux méthodes nécessitent que la machine apprenne à partir de données, le DL représente une étape significative dans le développement de l’Intelligence Artificielle (IA). Il fonctionne de manière similaire au cerveau humain, en utilisant des réseaux de neurones pour apprendre des concepts.

 

Deux types de réseaux neuronaux biologiques peuvent être rappelés, en s’appuyant sur la publication académique l’article IA et S.V.T. : un lien privilégié

Structure fine de la connectique des neurones de nos rétines, qui engendre presque automatiquement un renforcement de la perception des contrastes d’une image :

Les cellules orange sont capables de façon structurelle de moduler la transmission des informations visuelles en fonction de l’activité des cellules voisines.

Source : Pancrat (licence Creative Commons Attribution – Partage dans les Mêmes Conditions 3.0 (non transposée), 2.5 Générique, 2.0 Générique et 1.0 Générique.)

 

L'illustration suivant montre un schéma simple d'un réseau de neurones artificiels :

 

  Source : Dake, Mysid (under the Creative Commons Attribution 1.0 Generic license.). Image modifiée avec nom des couches de neurones artificiels 

 

Pour apprendre à reconnaître un cheval par exemple, les réseaux de neurones utilisés en IA passent par plusieurs couches d'apprentissage, de la reconnaissance des pixels à la reconnaissance des visages spécifiques.

 

Le journal Courrier international de décembre 2023 présente une illustration intéressante du fonctionnement algorithmique des réseaux neuronaux utilisés dans l'IA :

https://www.courrierinternational.com/grand-format/infographie-plongee-au-c-ur-du-cerveau-numerique-ou-comment-l-intelligence-artificielle-fonctionne

On notera que l’automatisation des tâches, le prélèvement et traitement d'informations pour construire un tableau par exemple, présente l’avantage d’indiquer un pourcentage d'erreurs plutôt qu'une certitude.

 

L’idée de construire une IA basée sur des réseaux neuronaux date des années 80, mais ce n’est qu’en 2012 que le DL a véritablement pris son envol. De la même manière que le Machine Learning a bénéficié de l’explosion du Big Data, le DL a profité de l’accessibilité à une puissance de calcul à faible coût (ainsi que des progrès réalisés dans ses algorithmes).

 

Le document suivant (d’après Idc seagate, Statista) traduit les relations entre big data, ML et DL :

 

 

Les grands modèles de langage (LLM) sont des modèles d'apprentissage automatique capables de comprendre et de générer des textes en langage humain. Ils fonctionnent en analysant des ensembles de données linguistiques massives.

Pour conclure, les machines ne sont plus programmées ; elles apprennent.

 

Bien que l'Intelligence Artificielle (IA) ait déjà atteint des performances exceptionnelles dans le domaine médical, de l’industrie du jeu, de la recherche de nouveaux matériaux, il reste encore un long chemin à parcourir avant qu'elle ne puisse véritablement rivaliser avec l'intelligence humaine. À l'heure actuelle, aucune IA n'est capable d'apprendre de la même manière que les humains, c'est-à-dire en se basant simplement sur quelques exemples. Pour comprendre un sujet, quelle que soit sa nature, une IA doit s'exercer sur une grande quantité de données (bien que cette quantité tend à diminuer avec l'IA "frugale").

 

Nous ne disposons pas encore d'un algorithme capable de transférer sa compréhension d'un domaine à un autre (le transfert learning permet de réutiliser un apprentissage, mais uniquement dans le même domaine).

En outre, l'intelligence humaine est capable de faire des "associations".

Prenons par exemple le mot "humain" ; nous pouvons identifier des humains sur des images ou dans des vidéos. L'IA peut également le faire. Cependant, nous savons ce qui est lié à un humain et ce qui lui est totalement étranger. Nous ne penserions jamais qu'un humain pourrait avoir quatre roues ou émettre des gaz d'échappement. Ce n'est pas aussi évident pour les IA, car aucune d'entre elles ne se rendra compte de ce qui ne va pas dans ce que nous venons d'écrire.

 

L'IA telle que nous la connaissons aujourd'hui est une IA spécialisée dite faible, par opposition à l'IA forte, qui n'existe pas encore. Les machines actuelles sont capables de reproduire un comportement humain, mais sans conscience. À l'avenir, leurs capacités pourraient évoluer au point de devenir des machines dotées de conscience, de sensibilité et d'esprit.

 

 

2. Comment l'utiliser ?

 

L'intelligence artificielle générative (IA générative) peut être utilisée de plusieurs façons, en fonction de l'objectif spécifique à atteindre. Voici quelques exemples (tableau généré avec Copilot et retravaillé avec Excel :

 

 

Grâce à l’IA, une mobilité apparaît entre le contenu et le contenant : un texte peut être converti en image, en vidéo, des images en sons, des sons en visuels… Cette faculté augmente les possibles et bouleverse l’approche sémantique traditionnelle centré autour du couple signifiant-signifié, le signifiant étant la forme graphique et acoustique d’un signe linguistique (mot) - le mot “arbre” est constitué des lettres « a-r-b-r-e » et se prononce [aʁbʁ] - et le signifié la représentation mentale associée à ce mot dans une langue donnée - on se représente un arbre comme une plante avec un tronc, des branches et des feuilles.

 

Il est important de noter que l'IA générative est un domaine en constante évolution et de nouvelles applications sont régulièrement découvertes. De nombreux services nécessitant une authentification sont accessibles gratuitement ou moyennant une participation financière.

 

Voici un tableau présentant quelques plateformes qui connaissent un succès certain.

 

 

Le site suivant liste 50 outils d’IA générative les plus utilisés dans le monde : https://www.blogdumoderateur.com/etude-50-outils-ia-generative-plus-utilises-2024/

 

 

3. Quelle place pour l’IA dans l’enseignement ?

 

Jean Houssaye au cours de sa thèse en sciences de l'éducation présentée en 1986 fait remarquer que l’acte pédagogique est une relation triangulaire basée sur le savoir, le professeur et les élèves.

 

 

Aujourd’hui, les IA renforcent principalement les relations pédagogiques et didactiques :

 

 

Sur le plan pédagogique :

 

• Remédiation : QCM enrichis de supports multimédias…

 

• Animation : diaporamas, texte en images, image en sons, sons en visuel…

 

• Evaluation : QCM enrichis de supports multimédias…

 

 

Sur le plan didactique :

 

• Recherche et conception de cours adaptés à la diversité des élèves

 

 

Sur le plan de l’apprentissage, les IA se développent autour :

 

• Du profilage : évaluation du niveau de l’élève, de la mise en évidence de difficultés ou de compétences acquises au service d’un enseignement différencié par le professeur

 

• De l’orientation : outils fondés sur la connaissance du profil de l’élève (compétences, goûts…).

 

• Des environnements personnels d’apprentissage : ensemble d'outils ou écosystème qui aide des apprenants à construire, organiser eux-mêmes leur apprentissage. L’IA regroupe les outils permettant l’accès aux notes, aux productions personnels, aux outils spécifiques…

 

 

Parmi les outils efficaces et démocratisés, on peut citer :

• Duolingo dans l’apprentissage des langues. La plateforme dresse le profil de chaque utilisateur et établit des prédictions exactes concernant leur parcours d’apprentissage afin de garantir une expérience personnalisée. Les algorithmes de Birdbrain sont intégrés dans les leçons de l’application et leurs prédictions s’améliorent avec le temps, à mesure qu’un nombre croissant d’utilisateurs utilisent la plateforme.

 

• Wooclap : création de QCM et flashcards en quelques secondes grâce à l’IA au travers de l’outil Quiz Wizard. Un Woobinar peut être consulté pour s’initier à l’utilisation de cet outil.

 

Divers tutoriels permettant de préciser les usages de l’IA dans l’enseignement sont accessibles. Le site Innovation pédagogique et transition, une initiative de l’Institut Mines-Telecom propose un guide de l’enseignant sur « L’usage de ChatGPT ».

 

le Service Universitaire de Pédagogie de l'Université Bretagne Sud qui recense des ressources d’IA utiles pour l’enseignement et présente des exemples d’usages concrets pour la classe

https://www-actus.univ-ubs.fr/fr/index/articles-chroniques/sup/l-intelligence-artificielle-au-service-de-l-enseignement.html

Une banque d’outils numériques axée sur le visuel est également proposée sur le site « Outils visuels »

 

 

4. Quels sont les cas d'usage actuels en SVT ?

 

Les ressources suivantes sont catégorisées selon le rôle de l’IA utilisée dans la démarche pédagogique.

 

L’IA, une base documentaire au service de l’argumentation

 

• L’IA peut être utilisée à la manière d’un moteur de recherche, ce qui pourrait d’ailleurs être annonciateur des nouvelles tendances dans la recherche d’informations sur l’Internet :

https://www.01net.com/actualites/google-peut-trembler-openai-chatgpt-prepare-moteur-recherche.html

Ainsi, les élèves peuvent être autorisés à recourir à l’utilisation de l’IA pour leur recherche de vocabulaire ou de réponses à leurs interrogations, en complément des interventions du professeurs, dans la classe et hors de la classe (outil de remédiation, pour la classe inversée…). L’activité proposée sur le site académique est un exemple contextualisé de l’apport de l’IA pour faire (re)découvrir les besoins des végétaux aux élèves par l'intermédiaire d'un échange avec une Intelligence artificielle et leur apprendre à se servir correctement d’une IA.

 

• L’IA peut être un outil au service de la préparation d’un exposé en vue d’un entraînement à l’oral.

Les chatbots sont de nouveaux outils de « triche » possible si on se contente de copier-coller la première réponse, mais, utilisés intelligemment, ils peuvent se révéler une véritable aide pour les apprentissages et la créativité des élèves. Pour cela, ils doivent apprendre à communiquer avec les IA en formulant des requêtes ou prompts précis et avoir un regard critique et réflexif sur ce qui est généré. C’est tout l’enjeu de l’éducation à l’IA qui doit être menée en partie par les enseignants en classe. C’est aussi une question d’égalité, pour ne pas encore creuser l’écart entre ceux qui maîtrisent les codes et les autres.

 

• L’IA peut être utilisée comme assistant pour des tâches procédurales (préciser un protocole proposé en classe, disposer de données quantitatives…) à la manière d’une calculatrice que le professeur de mathématiques peut autoriser ou non suivant le scénario pédagogique envisagé.

 

Les articles académiques suivants présentent des activités montrant comment l’IA peut être utilisée pour construire des notions et contribuer à l’éducation à l’esprit critique :

- au collège (cycle 4) : Utiliser l’IA pour faire comprendre aux élèves la différence entre météo et climat

 

- au lycée (classe de seconde) : 

• La notion de crise biologique
• Biodiversité, IA et esprit critique

- au lycée (classe de 1ère enseignement scientifique) : Le concept de cellule

 

 

L’IA, un outil d’apprentissage du cours et de remédiation :

 

• Pour aider à la mémorisation et à l’entraînement : créer en autonomie des quiz, fiches-mémos, se faire poser des questions ou se faire corriger par le chatbot, etc.

 

• Construire une carte mentale, dessiner une frise chronologique (théorie cellulaire…) à partir d'un prompt, simple ou évolué (avec nombre de dates, comparaisons...). Un des outils disponibles est accessible en suivant le lien : https://mylens.ai/dashboard/

 

 

L’IA, un assistant pour l’évaluation :

 

• QCM ou flashcards générés à partir des exposés pour mobiliser l’attention de tous les élèves

 

 

L’IA pour faciliter la compréhension de structures biologiques ou géologiques

 

Les fonction d’IA génératrices d’images peuvent constituer un outil à condition d’en faire une analyse critique. Deux exemples sont ici proposés :

• après une séance d’observation de cellules, proposer aux élèves de rédiger une description la plus précise possible sans citer le mot « cellule », et analyser l’image générée ; améliorer le prompt pour obtenir une image plus conforme à la réalité.

 

• utiliser l'intelligence artificielle pour reconstituer un paléoenvironnement

 

 

IA pour organiser un débat contradictoire :

 

L’article proposé par le site académique de Montpellier propose d’utiliser un assistant d’IA afin de faire argumenter l’élève face à un climatosceptique.

https://pedagogie.ac-montpellier.fr/argumentation-face-un-climatosceptique

 

L’intérêt est de faire travailler l’argumentation, mais aussi de sensibiliser aux dérives possibles de l’utilisation des chatbots. D’autres situations peuvent être imaginées : dialogue avec un assistant médical ou avec un patient virtuel.

 

 

IA pour programmer un algorithme en « No code »

 

Le no-code utilise la programmation déclarative : vous dites au système ce que vous voulez qu'il fasse, et vous le construisez. En no-code, le créateur de l'application définit ce que l'application fait plutôt que la manière dont elle le fait. Le chatbot Copilot (ou chatGPT) permet de créer des programmes informatiques pouvant être utiles en SVT.

 

L’article suivant recense une utilisation de cette fonction pour la construction et l’utilisation d’un algorithme permettant de coder une séquence d'acides aminés à partir d'une séquence d'ARN afin de comprendre le principe de la traduction.

jcms/c_11213132/fr/decouvrir-le-code-genetique-avec-un-programme-de-traduction-construit-par-l-ia

 

 

5. Quelles opportunités et quels risques ?

 

L’enquête de Lucile Guillermin et Benoit Arpin réalisée auprès de 5600 répondants enseignants et étudiants et présentée dans le cadre de la Biennale du numérique 2023 "Intelligence artificielle : écosystèmes, enjeux, usages" apporte de précieux renseignements sur la perception et la réalité des usages de l’IA dans l’enseignement.

 

• L’utilisation de l’IA est déjà importante : 9/10 des enseignants pensent que les étudiants ont recours aux IA pour leurs travaux tandis que la moitié des étudiants déclare utiliser un outil d’IA générative au moins occasionnellement. Paradoxalement, 2/3 des enseignants n’ont jamais utilisé ces outils dont 1/10 ne les connait pas du tout.

 

• Les étudiants s’appuient sur l’IA générative pour appréhender certains sujets (51% des étudiants sondés utilisent ChatGPT en complément des moteurs de recherche). Seulement 2 étudiants sur 5 (43%) déclarent utiliser l’IA comme un “rédacteur” parmi lesquels 28% reformulent avant de l’intégrer dans leurs travaux.

 

• La pertinence de ces outils et le seuil d’acceptabilité de l’utilisation de l’IA : 2/3 des enseignants et des étudiants sont contre l’interdiction de l’IA alors que 3/4 des enseignants et 2/3 des étudiants déclarent qu’utiliser l’IA pour des devoirs relève de la triche.

 

• La nécessité de réguler l’utilisation de l’IA : 93% des enseignants et 79% des étudiants estiment qu’il est nécessaire de cadrer les usages.

 

• L’impact de l’utilisation de l’IA : 81% des enseignants et 72% des étudiants se déclarent inquiets pour le futur de l’apprentissage.

 

Les apports de l’IA apparaissent évidents dès les premières utilisations : gain de créativité, de temps et de liberté. En effet, le modèle transmissif descendant disparaît totalement au profit d’une expérience singulière, immersive et souvent ludique.

 

Les risques liés à son utilisation sont également nombreux et peuvent être résumés ainsi :

 

 

La diminution de l’esprit critique est une préoccupation majeure, comme en témoigne l’éthique et la formation à l’esprit critique dans les usages des IA en SVT.

 

Quelques arguments témoignent de ce risque :

• l’IA ignore l’éthique, ne sait pas concevoir de concept et est incapable d’auto-saisissement de soi.

 

• L’outil suggère son propre usage (affordance) et diminue les choix conscients par la suggestion de mots, d’idées, au risque d’introduire des biais cognitifs et statistiques inhérents au processus d’IA.

 

• Perte d’autodirection de ses apprentissages conduisant à une diminution de la motivation intrinsèque.

 

• L’IA dissocie le savoir de l’apprentissage : on peut savoir des choses mais ne pas les avoir apprises…

 

Diverses postures peuvent être prises au sujet de l’utilisation de l’IA. Le guide suivant s’intéresse aux pratiques d’évaluation avec l’IA en questionnant les risques et les opportunités à utiliser ces technologies.

 

 

Conclusion :

Au-delà des menaces de l’IA (usurpation d’identité par la diffusion de fausses vidéos (Deepfakes), diffusion de fake news, cybercriminalité, impact environnemental du développement de l’IA lié au coût énergétique élevé, perte de contrôle du destin de l’humanité…), cette technologie présente une véritable opportunité en termes de gains de productivité et d’innovation.

 

Dans l’enseignement, son utilisation est croissante et nécessite une réflexion sur les avantages apportés : source d’information, argumentation, formation à l’esprit critique…

 

Ainsi, cet article a montré une variété de situations dans lesquelles l’IA apporte une valeur ajoutée.

Utiliser l’IA dans son enseignement conduit à changer profondément la relation professeur/élèves/savoir. Cependant, il ne faut pas négliger la place du professeur qui doit rester reste centrale pour contrôler son utilisation.

 

 

Nom de l'auteur et mail :

Mathieu Goirand : prenom.nom@ac-aix-marseille.fr

 

 

Sources :

• LeMagIT : IA, machine learning, deep learning : quelles différences ?

https://www.lemagit.fr/conseil/IA-machine-learning-deep-learning-quelles-differences

• Apports et limites de l’Intelligence Artificielle pour l’Imagerie Médicale :

https://travaux.master.utc.fr/wp-content/uploads/sites/16/2022/01/intelligence-artificielle-et-imagerie-medicale-version-finale.pdf

• Webinaire enjeux sociétaux et pédagogiques de l’IA par FFFOD :

https://www.fffod.org/s-informer/article/enjeux-societaux-et-pedagogiques-de-l-ia

• Guide de l’enseignant L’usage de ChatGPT « ce qui marche le mieux » :

https://www.innovation-pedagogique.fr/article13780.html

• Diaporama de l'intervention de Lucile Guillermin et Benoit Arpin, start-up Compilatio, dans le cadre de la Biennale du numérique 2023 :

https://www.enssib.fr/bibliotheque-numerique/notices/71642-regard-eclaire-sur-les-resultats-de-l-enquete-ia-dans-l-enseignement

• Courrier international décembre 2023 :

https://www.courrierinternational.com/grand-format/infographie-plongee-au-c-ur-du-cerveau-numerique-ou-comment-l-intelligence-artificielle-fonctionne

• IA ET SVT : UN LIEN PRIVILÉGIÉ :

https://www.pedagogie.ac-aix-marseille.fr/jcms/c_11130610/fr/ia-et-svt-un-lien-privilegie?hlText=ia

• Quelques propositions d’utilisation en SVT :

https://svt.ac-versailles.fr/spip.php?article1318#Quelques-propositions-d-utilisation

• Page proposée par le Service Universitaire de Pédagogie de l'Université Bretagne Sud qui recense des ressources d’IA utiles pour l’enseignement et présente des exemples d’usages concrets pour la classe

https://www-actus.univ-ubs.fr/fr/index/articles-chroniques/sup/l-intelligence-artificielle-au-service-de-l-enseignement.html

• Site académique :
• IA et SVT : un lien privilégié 
• mener une recherche avec une IA
• Utiliser l’IA pour faire comprendre aux élèves la différence entre météo et climat
• utiliser l'intelligence artificielle pour reconstituer un paléoenvironnement
• Découvrir le code génétique avec un programme de traduction construit par l’IA
• La notion de crise biologique
• Le concept de cellule
• Biodiversité, IA et esprit critique