Quelques idées sur l'usage des IAs génératives dans un contexte pédagogique

Le titre de cette communication est volontairement modeste — « quelques idées » — parce que quiconque prétendrait avoir la théorie de l'usage pédagogique des IA génératives en mars 2024 serait soit un visionnaire, soit un charlatan, et la proportion de charlatans dans ce domaine incite à la prudence. Ce que nous savons, c'est que les étudiants utilisent déjà ces outils, que les enseignants les découvrent avec un mélange variable d'enthousiasme et d'effroi, et qu'entre l'interdiction pure et l'adoption béate, il existe probablement un espace praticable. C'est cet espace que cette présentation, donnée dans le cadre des ateliers « Pédagogiquement vôtre » à Lille, tente de cartographier.

Trois usages, trois postures

Les IA génératives — ChatGPT, Claude, Gemini, et celles qui apparaîtront entre le moment où j'écris ces lignes et celui où vous les lirez — peuvent servir l'enseignement de trois manières assez différentes, qui impliquent trois postures distinctes de l'enseignant.

La première est instrumentale : l'IA comme outil de préparation. Générer des exercices, reformuler un énoncé, produire des variantes d'un sujet d'examen, créer des QCM à partir d'un support de cours. L'enseignant reste maître du contenu ; la machine accélère la production de matériau pédagogique. C'est l'usage le moins controversé et le plus immédiatement utile — à condition de relire ce que la machine propose, ce qui n'est pas toujours fait.

La deuxième est tutorale : l'IA comme assistant de l'étudiant. Un « répétiteur automatique » disponible à toute heure, qui peut reformuler une explication, proposer des exemples supplémentaires, répondre à des questions que l'étudiant n'ose pas poser en amphithéâtre. Cette posture soulève des difficultés plus sérieuses — que se passe-t-il quand le répétiteur se trompe ? quand il donne une réponse plausible mais fausse avec l'assurance tranquille d'un oracle ? L'expérience d'ArchéoBot, notre agent conversationnel pour l'archéologie, montre qu'on peut atténuer ce risque par une architecture RAG et un référencement systématique des sources, mais la solution n'est ni simple ni complète.

La troisième est critique : l'IA comme objet d'étude. Faire analyser un texte par ChatGPT, puis demander aux étudiants de critiquer l'analyse. Comparer les réponses de plusieurs modèles sur une même question. Observer comment un LLM traite une ironie, un sous-entendu, une ambiguïté calculée. Cette posture est peut-être la plus féconde pédagogiquement, parce qu'elle transforme les limites de la machine en exercice de pensée critique.

Ce qu'on ne sait pas encore

Je serais malhonnête si je prétendais que ces « quelques idées » constituent un programme. Nous manquons de recul, nous manquons de données longitudinales, nous manquons surtout d'un cadre théorique solide pour penser ce que fait un modèle de langue quand il « enseigne ». Jean-Marie Gilliot, informaticien de l'IMT Atlantique, comparait l'impact prévisible de l'IA générative à celui de la calculette scientifique sur l'enseignement des mathématiques : « Si la calculette n'a pas supprimé la nécessité d'apprendre les concepts des quatre opérations, mais évite de devoir s'entraîner trop longtemps, la diffusion de la calculette scientifique a modifié la manière de dérouler un cours de maths ou de physique. » L'analogie est éclairante et ses limites aussi — car un modèle de langue ne calcule pas, il produit du discours, et le discours, en sciences humaines, c'est le terrain même sur lequel on travaille. On ne peut pas externaliser la rédaction comme on externalise le calcul sans perdre quelque chose d'essentiel.

La présentation se conclut donc sur une note d'honnêteté méthodologique : nous expérimentons, nous observons, nous ajustons. Le reste viendra — ou ne viendra pas.