Intelligence artificielle et pédagogie de la littérature

On pourrait imaginer que les modèles de langue et la littérature entretiennent un rapport simple — les premiers produisent du texte, la seconde en est faite, donc les premiers servent la seconde. Mais cette symétrie apparente masque une difficulté réelle : ce qui fait la littérature, ce n'est pas le texte, c'est ce qu'on en fait. L'analyse littéraire est un exercice d'attention, de contextualisation, de mise en rapport ; elle suppose un lecteur actif, capable de reconnaître une ironie, de situer une allusion, de sentir un rythme. Peut-on former ce lecteur avec l'aide d'une machine qui, par construction, ne lit pas ?

C'est la question que nous avons voulu poser — non pas en théorie, mais dans la pratique de l'enseignement universitaire, auprès d'étudiants en lettres modernes.

L'expérimentation

Le protocole est simple dans son principe, plus délicat dans son exécution. Nous avons utilisé des modèles génératifs (GPT-4 notamment) et des modèles de classification automatique comme supports d'exercices d'analyse textuelle. L'idée n'était pas de demander à la machine d'analyser la littérature à la place des étudiants — ce serait à peu près aussi utile que de demander à quelqu'un d'autre de faire ses gammes au piano — mais de l'utiliser comme un miroir déformant.

Concrètement : on soumet un texte au modèle, on obtient une analyse, puis on demande aux étudiants de la critiquer. Où le modèle a-t-il raison ? Où se trompe-t-il ? Pourquoi confond-il une litote et une euphémisme ? Pourquoi prend-il au premier degré ce que Voltaire écrivait manifestement au second ? L'erreur de la machine devient un outil pédagogique ; elle rend visible ce que l'analyse littéraire a de spécifiquement humain — le jugement, le doute, la capacité à maintenir plusieurs lectures en tension.

Ce que nous avons observé

Les résultats sont encourageants sans être miraculeux — ce qui, en pédagogie, est probablement le signe qu'on touche à quelque chose de réel plutôt qu'à un effet de mode. L'engagement des étudiants augmente sensiblement : critiquer une IA semble moins intimidant que produire une analyse ex nihilo, et la discussion en classe s'anime autour des erreurs repérées. La qualité des analyses s'améliore elle aussi, mais de manière inégale selon les profils ; les étudiants déjà à l'aise avec l'exercice du commentaire en tirent davantage profit que ceux qui peinent sur les bases.

Plus intéressant peut-être : plusieurs étudiants ont spontanément remarqué que le modèle produisait des analyses « trop lisses », trop bien rangées, dépourvues de cette hésitation productive qui caractérise une vraie lecture critique. L'observation est juste, et elle en dit long sur ce que les modèles de langue font réellement quand ils « analysent » un texte : ils produisent un discours sur le texte qui ressemble à un discours analytique, sans en être un. La distinction est subtile mais pédagogiquement féconde.

Les limites qu'il faut dire

L'IA générative n'est pas un substitut au cours magistral, au séminaire, à la lecture patiente et répétée. Elle ne remplace pas non plus l'enseignant, dont le rôle devient si possible plus important : il faut savoir guider la critique de la machine, poser les bonnes questions, éviter que l'exercice ne devienne un simple jeu de « trouvez l'erreur ». Le risque existe aussi que les étudiants, à force de lire des analyses générées, finissent par en adopter inconsciemment le style — ce pseudo-style académique fluide et vide que les anglophones appellent slop. La vigilance est de mise, et l'expérimentation continue.