Vendredi dernier, on a eu la chance de croiser avec le frangin Colin de la Higuera lors d’une journée organisée par la Chaire UNESCO RELIA.

Lors de la table ronde, il a rappelé quelque chose d’assez simple, mais finalement essentiel : si l’on veut éduquer les élèves à l’intelligence artificielle, il faut aussi leur permettre de comprendre un minimum comment elle fonctionne.

Je le rejoins complètement (Arnaud aussi 🙂 ).

Évidemment, développer l’esprit critique face aux réponses produites par une IA reste indispensable. Savoir questionner une réponse, vérifier une information, repérer un biais ou une hallucination, tout cela est essentiel.

Ne les opposons pas d’ailleurs.

On peut apprendre à critiquer l’IA tout en essayant de comprendre ce qui se passe derrière.

Bref, cette idée m’est restée dans un coin de la tête.

Et ce week-end, mon cerveau a commencé à faire ses habituels petits ponts improbables (je vous assure des fois, je me perds moi-même dans mes pensées… Je loue beaucoup d’admirations à ma femme qui le supporte au quotidien)

Une nouvelle activité « IA sans IA »

J’ai donc imaginé une nouvelle activité dans la série IA sans IA, sous CANVA que j’avais déjà démarré, l’objectif toujours faire des mathématiques en même temps

Le principe est assez simple : faire travailler les élèves en binôme avec deux rôles différents.

Le premier élève joue le rôle de la machine pendant l’entraînement.

Le second joue ensuite le rôle de la machine une fois entraînée.

Et surtout : le second ne voit jamais les données d’origine.

C’est là que ça devient intéressant.

Mais pourquoi un chocolat chaud ?

Il me fallait une situation mathématique simple, parlante et permettant de construire un modèle à partir de données.

Et là, allez savoir pourquoi, j’ai pensé à Caramel (l’outil présent sur la Forge, Gauthier le co-concepteur est dans le même groupe de formateur, le fameux réseau AAN/IAN), je l’avais croisé (avec la bonne nouvelle de CARAMEL V7 et l’intégration dans ELEA).

Caramel -> Chocolat -> Chocolat chaud

Voilà.

Oui, mon cerveau fait parfois des ponts assez surprenants.

Je suis donc parti d’un grand classique : le refroidissement d’un chocolat chaud (un petit coup de mateur de recherche pour avoir la courbe (faut pas rêver, mes études de physique sont très très loin)

On dispose de plusieurs mesures de température prises au cours du temps.

L’élève 1 reçoit ces données, les place dans un repère et doit tracer une courbe qui lui semble représenter au mieux leur évolution.

Jusque-là, rien de très exotique : on fait des mathématiques.

Mais ensuite, je lui demande de recopier uniquement la courbe sur une nouvelle feuille.

Pas les points originels. Pas le tableau. Pas les valeurs.

Seulement le modèle qu’il a construit.

Cette feuille est alors donnée à l’élève 2.

Les données ont disparu

L’élève 2 doit maintenant utiliser cette courbe pour produire de nouvelles valeurs.

Par exemple, estimer la température du chocolat à 6,12 et 18…

Il n’a jamais vu les données d’entraînement. il n’a pas le contexte (oui le contexte Arnaud on y revient toujours)

Il ne dispose plus que du modèle.

Et c’est précisément ce que je voulais rendre visible.

Lors de l’entraînement, une partie de l’information précise disparaît.

Le modèle ne conserve pas simplement une liste de toutes les données qu’il a reçues.

Il construit une représentation de certaines régularités.

Cette représentation est moins précise que les données originales… mais elle permet désormais de produire beaucoup d’autres valeurs.

C’est ce compromis que permet l’IA

Prédire, mesurer l’erreur, recommencer

Une fois les prédictions réalisées par l’élève 2, on révèle les vraies valeurs.

On peut alors mesurer l’erreur :

Erreur = | valeur réelle − valeur prédite |

Il faudra expliquer evidement la notion de valeur absolue, mais c’est jouable

Puis calculer une erreur moyenne. Et ensuite ? On recommence.

L’élève 1 observe où son modèle s’est trompé et modifie légèrement sa courbe. L’élève 2 utilise ce nouveau modèle et refait des prédictions.

On obtient ainsi une version évidemment très simplifiée de ce que l’on cherche à faire lors d’un apprentissage automatique :

données → modèle → prédictions → erreur → ajustement → nouvelles prédictions.

C’est simplifié, bien sûr.

Un véritable réseau de neurones ne dessine pas une jolie courbe au crayon sur une feuille.

Mais derrière cette métaphore, on retrouve bien quelques idées fondamentales : des données d’entraînement, des paramètres que l’on ajuste, des prédictions et une erreur que l’on cherche à réduire.

Et au passage, on fait des maths

C’était important pour moi : je ne voulais pas d’une activité sur l’IA dans laquelle les mathématiques serviraient simplement de décoration.

Ici, on travaille réellement :

• la représentation graphique ;
• la lecture d’une image ;
• les valeurs approchées ;
• l’erreur absolue ;
• la moyenne ;
• l’interpolation ;
• l’extrapolation.

Et finalement, ce sont justement les mathématiques qui permettent de faire comprendre quelque chose du fonctionnement d’un modèle.

C’est exactement ce que je cherche avec mes activités IA sans IA : parler d’intelligence artificielle… sans forcément allumer une intelligence artificielle.

Et si on demande n’importe quoi au modèle ?

La dernière partie de l’activité consiste à pousser un peu le modèle dans ses retranchements.

Les données d’entraînement sont comprises entre 0 et 40 .

On demande alors aux élèves de prédire la température à 50 .

Puis à 100 .

On passe donc de l’interpolation à l’extrapolation.

Et là, le chocolat chaud devient particulièrement intéressant.

Parce qu’un élève sait intuitivement qu’un chocolat posé dans une pièce à 20 °C ne va pas continuer à refroidir indéfiniment jusqu’à atteindre -50 °C.

Il possède une connaissance du monde réel qui lui permet de questionner la prédiction du modèle.

Et là, on retombe directement sur… l’esprit critique.

La boucle est bouclée.

Comprendre pour mieux critiquer

C’est sans doute cela qui m’intéresse le plus dans cette activité.

Faire comprendre aux élèves qu’une réponse produite par un modèle n’est pas une vérité retrouvée quelque part dans une gigantesque base de données.

C’est une prédiction produite à partir d’une représentation construite pendant l’entraînement.

Cette prédiction peut être très bonne. Elle peut être approximative.

Elle peut aussi devenir franchement mauvaise lorsque l’on demande au modèle quelque chose de trop éloigné de ce qu’il a appris. Et finalement, mieux comprendre cette mécanique permet peut-être aussi de mieux questionner les réponses d’une IA.

C’est sans doute là que se situe une partie de cette fameuse littératie de l’IA dont parlait Colin de la Higuera.

Pas seulement apprendre à utiliser l’outil. Pas seulement apprendre à s’en méfier.

Mais essayer de comprendre pourquoi il peut être incroyablement performant… et pourquoi il peut aussi se tromper avec beaucoup d’assurance.

Voici l’activité en question :

Quand j’ai conçu l’activité “IA et hallucination” (présent dans cet article), je l’avais pensée au départ pour des élèves de collège, avec une idée simple : faire vivre aux élèves une erreur de modélisation avant même de parler d’intelligence artificielle.

Le principe est volontairement piégeux. On donne aux élèves un tableau de données qui semble les inviter à prolonger une régularité.
Beaucoup se lancent alors dans une extrapolation : les points semblent presque alignés, la croissance paraît régulière, donc on prolonge la tendance comme si elle pouvait continuer indéfiniment.

Et c’est précisément là que l’activité prend tout son sens.

Récemment, David Sire, collègue professeur des écoles, m’a fait un retour après l’avoir testée avec ses élèves de CM2. Il a arrondi les données du tableau afin de les rendre plus accessibles. Les élèves ont tracé le graphique, puis ont proposé des valeurs pour des âges plus avancés. Pour 20 ans, beaucoup ont trouvé autour de 190 cm ; pour 50 ans, certains sont allés jusqu’à 395 cm, voire 700 cm.

La suite de l’activité leur a permis de confronter leurs résultats au réel.
En découvrant leurs origines (âge-taille), ils ont rapidement compris que quelque chose n’allait pas. Leur conclusion a été particulièrement intéressante : ils ont expliqué qu’ils avaient cherché de la proportionnalité, alors que ce n’était pas une situation proportionnelle.

Leur formulation est très intéressante au niveau CM2 (confusion proportionnalité//régularité).
Avec un regard mathématique plus précis, le piège est sans doute davantage celui d’un modèle affine : les points semblent presque alignés, la croissance paraît régulière, alors on continue la tendance sans se demander si elle a encore du sens dans la réalité.

C’est exactement le cœur de l’activité.

L’enjeu est d’apprendre aux élèves à ne pas appliquer automatiquement une « méthode » (modélisation) parce qu’elle semble fonctionner sur quelques valeurs.

• Avant de calculer, il faut interpréter.
• Avant de prolonger une courbe, il faut se demander si cela a du sens.
• Avant de produire une réponse, il faut comprendre le contexte.

David a ensuite soumis le même tableau à ChatGPT. L’outil a produit des réponses du même ordre que celles des élèves. Ce moment a été très parlant pour la classe : les élèves ont compris que l’IA pouvait, elle aussi, prolonger une tendance apparente et fournir une réponse cohérente en surface, mais fausse dès que l’on réintroduit le contexte.

Les formulations des élèves à la fin de la séance résument très bien les apprentissages :

On a appris que tous les tableaux ne sont pas proportionnels, tout dépend de quoi on parle.

On a appris aussi que les IA peuvent se tromper, il faut donc vérifier et leur donner du contexte.

Ce retour est précieux, car il montre que l’activité n’est pas uniquement une activité sur l’intelligence artificielle. C’est d’abord une activité de mathématiques, de modélisation et d’esprit critique. L’IA arrive ensuite comme un miroir : elle permet de montrer que l’erreur commise par les élèves n’est pas une “bêtise”, mais un piège classique lorsqu’on traite des données sans interroger leur signification.

Ce test en CM2 montre aussi que l’activité peut vivre dès le cycle 3, à condition d’accompagner le vocabulaire et de choisir des données suffisamment accessibles. Les notions en jeu : tableau, graphique, croissance, proportionnalité~affine, modélisation, sont déjà présentes, au moins en partie, dans les apprentissages des élèves. L’intelligence artificielle n’est pas ici un objet technique complexe : elle devient un outil de discussion sur la fiabilité des réponses, la nécessité du contexte et l’importance de la vérification.

C’est sans doute ce qui me semble le plus intéressant dans cette activité : elle ne cherche pas à faire “utiliser l’IA” pour utiliser l’IA. Elle permet de construire une posture.

• Ne pas croire une réponse parce qu’elle est bien formulée.
• Ne pas valider un résultat parce qu’il prolonge une régularité apparente.
• Ne pas confondre cohérence mathématique locale et vérité dans le réel.
• Et surtout : apprendre à demander “de quoi parle-t-on ?” avant de répondre.

Finalement, ce retour de CM2 confirme une intuition forte : l’éducation à l’IA ne commence pas forcément par des explications techniques sur les modèles de langage. Elle peut commencer très simplement, avec un tableau, un graphique, une erreur, puis une discussion collective dès le cycle 3

Et c’est peut-être là que l’école a un rôle essentiel à jouer : apprendre aux élèves à ne pas seulement produire des réponses, mais à les questionner.

Merci à David Sire pour ce retour de terrain, qui montre que cette activité peut être transférée au cycle 3 avec des adaptations simples et un accompagnement adapté.