Comment faire comprendre aux élèves le lien entre une modélisation mathématique et la prédiction statistique d’un Large Language Model (LLM) ?
Cette activité propose d’utiliser un exercice de traitement de données pour mettre en lumière les « hallucinations » de l’intelligence artificielle face au bon sens.
Le point de départ : Un nuage de points « presque » alignés.
L’activité commence par une tâche familière : on fournit aux élèves un tableau de données numériques. Ce qu’on ne leur dit pas immédiatement, c’est que ces données représentent la croissance d’un enfant (âge en haut, taille en cm en bas). La consigne : Représenter ces données graphiquement et deviner les valeurs manquantes pour x=0, x=20 et x=30.
Le scénario : Les points fournis (de 4 à 13 ans) sont quasi-alignés.
Le réflexe de l’élève : Tracer une droite de régression pour extrapoler.
L’erreur de modélisation : Le piège du hors-contexte
Sans le contexte « humain », l’élève se comporte comme une machine : il prolonge la droite.
AU verso de la feuille d’activité se trouve l’origine de données.
À 0 an, il trouve une taille qui lui semble plausible (oui, oui 78cm pour les élèves, ça passe). Il y a moins de doute à 20 ou 30 ans, la modélisation linéaire l’amène à prédire des tailles absurdes (comme 2m40).
C’est ici que réside le cœur de l’activité : modéliser sans contexte peut conduit à l’absurde.
L’agentivité de l’élève : Apprendre de son propre modèle
Le dispositif s’appuie sur quatre piliers de l’apprentissage :
Intentionnalité : L’élève veut prédire.
Pensée Prospective : Il utilise son graphique pour prédire.
Autoréaction : Il est confronté au verso (la réalité).
Autoreflexion : Il comprend pourquoi son modèle a echoué.
Conclusion : L’élève apprend à ne plus faire confiance aveuglément à un « prolongement logique », il doit questionner ses propres manières de modéliser.
Et si on demandait à l’IA ?
Proposition : Faire faire l’exercice à un LLM (ici Gemini) devant les élèves.
Observation : Gemini prédit aussi 2m57,
On passe de la curiosité de l’élève sur ce que va répondre un LLM à la nécessité d’une vigilance accrue.
La réponse d’un LLM est statistiquement correcte au regard de ses données d’entrainement et celui-ci, mais elle n’est pas vérité, car le LLM appose le même modèle que l’élève. L’erreur vient du manque de contexte. C’est bien le coeur du problème dans l’utilisation des LLM, s’assurer qu’ils ont le contexte et l’entrainement suffisant pour pouvoir apposer le bon modèle, sans quoi il y aura des hallucinations. Cela permet d’insister sur l’importance du prompt
Corrélation ne vaut pas causalité.
Ce qu’on en retient en classe de maths
Cette activité permet de travailler des points essentiels du programme tout en développant l’esprit critique :
La limite de l’extrapolation : Un modèle mathématique n’est valide que dans un intervalle donné (ici, la période de croissance) et sous certaines conditions réelles.
Corrélation n’est pas causalité : Ce n’est pas parce que deux variables semblent liées sur un échantillon qu’elles le sont de manière universelle et infinie.
La nature des LLM : La réponse d’une IA est statistiquement correcte au regard de ses données d’entraînement, mais elle n’est pas « la vérité ».
En confrontant leurs propres erreurs à celles de la machine, les élèves comprennent que la mathématique est un outil de compréhension du monde, et non une simple manipulation de symboles. Pour ne pas « halluciner » comme une IA, il faut garder les yeux ouverts sur le réel !
Depuis un an, j’anime des FIL IA auprès d’équipes d’établissements.
En un an, le paysage a profondément évolué.
Les modèles de langage se sont perfectionnés. Le cadrage institutionnel s’est précisé. Les usages élèves se sont banalisés. Les inquiétudes des enseignants se sont structurées.
La formation que j’animais il y a un an ne ressemble plus à celle d’aujourd’hui.
Elle s’est enrichie :
au fil des évolutions techniques des LLM,
à la lumière des textes officiels,
à partir d’expérimentations menées en classe,
grâce aux échanges parfois très francs avec les collègues rencontrés lors des FIL.
grâce aux discussions approfondies avec mon binôme de toujours, Arnaud, avec qui je confronte régulièrement les idées,
et dans le cadre de la DRANE (sous couvert de l’EAFC), au sein de laquelle je travaille depuis huit ans comme animateur au numérique, et qui m’a permis de conduire ces formations.
Aujourd’hui, j’ai décidé de (re)mettre ce diaporama à disposition.
Pourquoi partager ?
Parce que l’IA en éducation n’est pas un sujet individuel.
Chaque établissement se pose les mêmes questions :
Que peut-on autoriser ?
Que doit-on interdire ?
Comment gérer la triche ?
Que dit réellement le RGPD ?
Peut-on faire créer un compte IA aux élèves ?
Faut-il détecter les productions générées ?
Laisser chacun reconstruire seul un cadre serait une perte d’énergie collective.
Mutualiser, c’est accélérer la réflexion.
Ce que contient réellement ce support
Ce n’est pas que un tutoriel d’outil.
Le diaporama aborde :
le fonctionnement réel des LLM (pré-entraînement, fine-tuning, alignement),
leurs limites (hallucinations, biais),
le cadre institutionnel récent,
les enjeux RGPD,
la question de la triche et de l’évaluation,
l’esprit critique à développer auprès des élèves
l’impact environnemental,
la nécessité d’une charte d’établissement.
Former à l’IA ne consiste pas à apprendre à “faire un bon prompt”.
Former à l’IA consiste à comprendre ce que l’on fait et ce que l’on en fait.
Un partage encadré
Le support est publié sous licence CC-BY-NC-SA :
utilisation libre,
adaptation possible,
citation obligatoire,
pas d’usage commercial,
partage sous la même licence.
Il s’agit d’une version datée (mars 2026). Le sujet évoluant rapidement, le document continuera d’être ajusté.
Et soyons clairs : un diaporama, à lui seul, ne suffit pas pour se former.
Seule une formation encadrée et un travail collectif permettent d’aborder sereinement les enjeux pédagogiques, juridiques et éthiques liés à l’IA.
Un enjeu de pilotage
La DRANE de Nantes et l’EAFC proposent des FIL IA à destination des établissements.
Ces formations permettent :
de poser un cadre juridique clair,
d’ouvrir un débat structuré,
d’accompagner les équipes,
de travailler à une charte IA contextualisée.
À l’heure de l’IA, piloter un établissement, ce n’est pas simplement gérer des outils numériques.
C’est structurer une vision et sécuriser les pratiques.
Le véritable risque
Le risque n’est pas que les élèves utilisent l’IA.
Le risque serait que les adultes ne soient pas formés.
Partager ce support n’est pas un aboutissement. C’est une contribution à une réflexion collective qui doit continuer.