Points clés
Considérez l’IA comme un partenaire de réflexion, et non comme un substitut au jugement humain.
Du savoir à la réflexion. Internet a rendu l’information abondante et plus difficile à vérifier. L’IA générative change la donne: elle peut produire des brouillons, des images, des explications et des idées, si bien qu’il faut de plus en plus savoir évaluer et façonner ce qu’on reçoit. ChatGPT a atteint 100 millions d’utilisateurs quotidiens en deux mois, signe de la rapidité avec laquelle ce changement s’est imposé dans la vie publique. Les auteurs soutiennent que les enseignants devraient préparer les élèves à travailler avec l’IA, plutôt que de supposer qu’on peut la tenir à l’écart des salles de classe ou du monde professionnel.
La fluidité n’est pas la compréhension. Un grand modèle de langage prédit des suites de mots probables à partir des régularités présentes dans ses données d’entraînement. Il peut s’exprimer avec assurance sans savoir si sa réponse est vraie, et il peut inventer des faits ou reproduire les biais de ces données. Le test de Turing évalue si une personne prend une machine pour un être humain au cours d’une conversation, et non si la machine est consciente ou comprend ce qu’elle affirme.
La distinction entre un langage convaincant et un savoir fiable est essentielle à un usage responsable. En pratique, une réponse bien rédigée peut justement diminuer le scepticisme du lecteur parce qu’elle paraît cohérente. La vérification est donc une habitude qui s’apprend, et non une fonction qu’on peut simplement déléguer à un logiciel. La comparaison des auteurs avec Internet est éclairante : les nouveaux outils changent ce qu’il faut savoir faire, sans rendre le jugement obsolète. Il convient toutefois de rappeler que le terme « IA » recouvre des systèmes très différents par leurs données, leurs objectifs et leurs modes de défaillance. La littératie consiste donc à se demander quel outil a produit une réponse et quels éléments l’étayent.
Consacrez plus d’efforts à définir le problème qu’à peaufiner le prompt.
Commencez avant le chatbot. La formulation du problème consiste à repérer, analyser et définir clairement le problème à résoudre. Un prompt ne peut pas corriger une question erronée ou superficielle. Le livre l’illustre par l’exemple d’un sandwich au beurre d’arachide coincé dans un grille-pain: demander des instructions dans le style de la Bible du roi Jacques donne une réponse singulière, parce que la personne a associé un problème insolite à une voix bien précise. Une bonne partie de l’originalité résidait dans la question elle-même.
Orientez ensuite l’outil. Les auteurs décrivent un processus en « double diamant »: d’abord explorer la nature du véritable problème, puis le circonscrire; ensuite générer des solutions possibles, puis en choisir une et l’affiner. Dans le prompt, précisez la tâche, le format souhaité, le ton et le contexte pertinent. Considérez la première réponse comme un brouillon. Ajoutez des détails, demandez des options et reformulez votre demande si le résultat passe à côté de l’essentiel.
Cette démarche relie l’usage de l’IA aux pratiques du design, où reformuler le problème compte souvent davantage que produire rapidement une solution. Elle explique aussi pourquoi les conseils sur les prompts peuvent sembler contradictoires : une formule qui améliore une réponse ne saurait compenser des objectifs flous ou un contexte manquant. L’itération est la plus productive lorsque chaque révision met à l’épreuve une hypothèse précise — sur le public, les éléments probants ou le format — au lieu de demander simplement quelque chose de « meilleur ». Cette démarche a toutefois une limite pratique : dans les domaines spécialisés ou à forts enjeux, même un prompt bien conçu ne garantit pas une réponse solide. Il faut toujours une expertise du domaine pour évaluer le résultat.
Apprenez à utiliser l’IA dans votre travail, car les tâches changent avant les intitulés de poste.
Les emplois regroupent des tâches. L’IA peut automatiser certaines tâches sans faire disparaître le métier dans son ensemble. Le livre cite des estimations selon lesquelles environ 80 % des travailleurs américains pourraient voir au moins 10 % de leurs tâches affectées, tandis qu’environ 19 % pourraient en voir au moins la moitié affectées. Les métiers juridiques, administratifs et financiers semblent plus exposés que ceux de la construction et de la maintenance. Le défi pratique n’est pas simplement de prédire quels intitulés de poste subsisteront, mais d’apprendre comment le travail au sein de ces métiers évolue.
Les bénéfices sont inégalement répartis. Dans une étude portant sur des tâches de rédaction professionnelle, les participants qui utilisaient ChatGPT ont terminé 40 % plus vite et produit des travaux dont la qualité était évaluée 18 % plus haut; les rédacteurs moins expérimentés en ont tiré le plus grand bénéfice. L’aide de l’IA a également permis aux novices du service à la clientèle de résoudre davantage de problèmes par heure. Mais l’automatisation de la recherche et de la rédaction de niveau débutant peut réduire les occasions par lesquelles les débutants acquièrent de l’expertise. Les gains d’efficacité peuvent libérer du temps pour les soins aux personnes, ou se transformer en exigence de produire davantage avec moins de personnel.
L’approche par les tâches évite deux extrêmes trompeurs : supposer que des professions entières vont disparaître du jour au lendemain, ou croire qu’un intitulé de poste inchangé signifie que rien n’a bougé. Elle place aussi la répartition au cœur du débat. Si les novices sont ceux qui gagnent le plus en productivité, les organisations peuvent avoir de bonnes raisons de les embaucher ; mais automatiser les tâches de début de carrière risque aussi de supprimer les voies de formation. Les gains de productivité ne se traduisent pas automatiquement par des journées de travail plus courtes ou un meilleur service. Les institutions et les employeurs déterminent qui en bénéficie ; la transformation des postes et l’accès à la formation sont donc aussi importants que les capacités techniques.
Profitez des idées foisonnantes de l’IA, puis faites appel au goût et à la vérification humains.
Générez largement avant de juger. La création s’améliore souvent lorsqu’on produit de nombreuses possibilités avant d’en retenir une. L’IA peut générer des dizaines de concepts rapidement et sans éprouver de gêne à proposer des combinaisons insolites. Les exemples du livre vont des idées de produits à des stratégies inattendues au jeu de go. AlphaZero, entraîné en jouant contre des versions de lui-même plutôt qu’en étudiant des parties humaines, a élaboré des approches qui n’étaient pas contraintes par les conventions humaines établies.
La nouveauté doit toujours passer l’épreuve humaine. L’IA peut aussi produire de fausses affirmations, des idées superficielles ou des schémas familiers habillés en créations originales. AlphaFold apporte une contribution créative d’un autre type: il a prédit la structure des protéines avec une précision remarquable, accélérant des recherches qui nécessitaient souvent des années de travail expérimental. Dans tous ces exemples, l’IA élargit l’espace des possibilités; il revient toujours aux personnes d’évaluer les preuves, la pertinence et les conséquences. Demandez des options, comparez-les et améliorez la meilleure plutôt que d’accepter la première réponse plausible.
La distinction utile est celle entre la génération d’idées et leur sélection responsable. La rapidité de l’IA peut aider à sortir de l’attachement initial au premier concept viable, tandis que son absence d’inhibition sociale facilite l’exploration de combinaisons inhabituelles. Pourtant, une longue liste ne suffit pas à faire une création porteuse de sens. Un résultat prometteur doit être confronté à un objectif, à un public, à des contraintes et à des éléments probants. Les exemples relèvent aussi de différents types de réussite : un coup surprenant au jeu, un concept de produit et une prédiction scientifique ne se jugent pas selon les mêmes critères. Le goût humain est précieux parce qu’il engage la responsabilité à l’égard de ces critères.
Ne prenez jamais le résultat d’un détecteur d’IA pour une preuve de faute d’un étudiant.
Un score n’est pas un verdict. Dans le cas qui ouvre le livre, un professeur soupçonnait un étudiant d’avoir fait rédiger sa contribution à un forum de discussion par une IA. Les outils de détection ont donné des résultats contradictoires. L’étudiant a alors soumis le résumé publié du professeur à ces outils: l’un estimait à 36 % la probabilité d’une rédaction par IA, tandis qu’un autre l’a entièrement attribué à l’IA. L’accusation a finalement été retirée. Ces outils évaluent des régularités dans un texte; ils ne permettent pas d’établir qui l’a écrit ni si des règles ont été enfreintes.
Les erreurs peuvent être inégalement réparties. Une étude a révélé que plusieurs détecteurs classaient à tort comme générés par l’IA plus de la moitié des essais écrits par des personnes dont l’anglais n’est pas la langue maternelle. Les performances des détecteurs variaient aussi considérablement, et la paraphrase pouvait rendre les textes produits par l’IA plus difficiles à identifier. Un score peut justifier une conversation attentive, mais ne devrait pas servir de preuve concluante. Les fausses accusations peuvent éroder la confiance, accroître l’anxiété des étudiants et peser de façon disproportionnée sur ceux dont l’écriture s’écarte des schémas attendus par un détecteur.
Il s’agit autant d’une question d’équité procédurale que de précision technique. Un système qui fournit une probabilité peut orienter une enquête, mais c’est une institution humaine qui décide si cette probabilité suscite des soupçons, entraîne une sanction ou donne à la personne une chance de s’expliquer. Ces décisions nécessitent des garanties et une procédure d’appel. Le cas du livre montre de façon frappante pourquoi des scores de confiance peuvent sembler convaincants, même lorsque les outils se contredisent. Pour autant, le manque de fiabilité de la détection ne fait pas disparaître la malhonnêteté scolaire. Une meilleure réponse associe une enquête proportionnée à la conception des devoirs et à des attentes claires, au lieu de faire peser la charge de la preuve sur les étudiants.
Fondez les règles sur l’IA sur les objectifs d’apprentissage, la transparence et des valeurs professionnelles partagées.
Expliquez la raison d’être des règles. Étudiants et enseignants ne s’entendent souvent pas sur le fait que l’usage de l’IA favorise ou nuit à l’apprentissage. Une politique utile commence par les objectifs du cours: quelles compétences nécessitent un exercice autonome, et où l’IA peut-elle soutenir l’apprentissage? Les auteurs recommandent d’en discuter avec les étudiants et de rapprocher l’honnêteté en classe des attentes du monde professionnel, telles que la responsabilité, la citation des sources et le partage du mérite.
Précisez les usages autorisés. Une politique de cours peut énumérer les tâches autorisées et interdites, préciser si les étudiants doivent signaler l’aide de l’IA ou fournir leurs prompts, expliquer les risques tels que les sources inventées et les biais, et rappeler que les étudiants restent responsables du travail final. Une interdiction générale peut être difficile à faire respecter et priver les étudiants d’une pratique des outils qu’ils utiliseront après leurs études. Le livre présente également le « post-plagiat (post-plagiarism) », selon lequel l’écriture humaine-IA pourrait devenir courante, tout en laissant la citation des sources et la responsabilité essentielles.
Une politique fondée sur un objectif est plus cohérente qu’une liste d’interdictions, car elle donne aux étudiants les moyens de réfléchir à des situations que l’enseignant n’avait pas anticipées. Cette démarche rappelle les codes professionnels, où les devoirs fondamentaux comptent autant que les règles particulières. La transparence peut également rendre la collaboration visible sans prétendre que tous les usages d’outils se valent. Toutefois, des règles élaborées conjointement ne sont pas automatiquement équitables : les étudiants peuvent avoir un accès, une expérience ou une assurance différents, et le pouvoir reste entre les mains de l’institution qui applique la politique. Des exemples clairs, des procédures cohérentes et la possibilité de poser des questions sont indispensables pour compléter les valeurs partagées.
Évaluez au-delà de la moyenne compétente de l’IA en explicitant ce qui constitue l’excellence.
Un travail acceptable ne constitue plus un objectif final pertinent. Dans une expérience décrite dans le livre, des travaux produits par ChatGPT à partir de vrais devoirs de Harvard ont obtenu une moyenne de 3,34. Les auteurs s’appuient sur ce résultat pour soutenir que l’IA peut produire un travail compétent et conventionnel, qui témoignait autrefois de la maîtrise fondamentale d’un étudiant. Si un devoir ne récompense qu’une structure claire, une grammaire acceptable et une analyse familière, l’IA peut déjà atteindre le niveau attendu.
Définissez ce qui distingue un excellent travail. Les grilles d’évaluation peuvent décrire ce qui sépare une réponse simplement convenable d’un travail doté d’un point de vue original, de preuves précises, d’un raisonnement solide et d’une voix distinctive. Les étudiants peuvent comparer une réponse de l’IA à la leur, en relever les faiblesses, puis expliquer ce qu’ils ont modifié et pourquoi. L’idée n’est pas de supposer que l’IA ne peut jamais produire un travail excellent. Il s’agit de rendre visible l’apport humain valorisé et d’évaluer la qualité du raisonnement, et non seulement le fini du résultat.
Cette référence oblige à poser une question essentielle : que certifie une note lorsqu’une machine peut produire une réponse plausible à la même tâche ? La réponse ne saurait être qu’un travail humain doit paraître excentrique pour être jugé original. Un jugement solide peut s’exprimer par une synthèse rigoureuse, des preuves soigneusement choisies ou une décision bien étayée, même dans une prose conventionnelle. L’on ne devrait pas non plus faire des résultats moyens de l’IA une définition universelle du travail médiocre ; les disciplines valorisent différentes formes de rigueur. La leçon durable consiste à aligner les grilles d’évaluation sur de véritables objectifs d’apprentissage et à montrer aux étudiants des exemples concrets du niveau de qualité requis.
Concevez des devoirs qui donnent du sens aux efforts, les rendent visibles et les maintiennent à portée des étudiants.
La motivation comporte trois dimensions. Les auteurs les résument ainsi: « Je m’y intéresse, j’en suis capable et je compte ». Les étudiants s’intéressent à une tâche lorsqu’ils comprennent sa pertinence. Ils croient pouvoir réussir lorsque le travail leur propose un défi accessible et des occasions de gagner en confiance. Ils sentent qu’ils comptent lorsque leurs choix et leurs contributions influent sur le résultat.
Rendez le parcours lisible. Un devoir bien conçu précise son objectif, la tâche et les critères: pourquoi le travail compte, ce qu’il faut faire et à quel moment, et comment la qualité sera évaluée. Des listes de contrôle peuvent répartir un projet en étapes, proposer des estimations de temps et demander aux étudiants de réfléchir par eux-mêmes avant de consulter l’IA. Un processus proposé consiste à générer des options avec l’IA, à les critiquer, à améliorer le prompt, à choisir un résultat et à expliquer l’apport humain. Rendre le travail visible favorise l’apprentissage et donne aux enseignants des indices sur le processus, sans dépendre uniquement de la détection.
Ce cadre relie la conception des devoirs à la motivation, plutôt que de réduire la tricherie à une question de caractère ou de surveillance. La clarté peut diminuer l’incertitude inutile, tandis que le choix et les exemples pertinents peuvent donner du sens aux efforts. L’équilibre est important : un encadrement excessif risque d’ôter toute réelle liberté d’action, tandis que des consignes vagues peuvent avantager les étudiants qui connaissent déjà les attentes universitaires. Les traces du processus sont utiles, mais elles ne devraient pas devenir de la paperasse pour la paperasse. Chaque brouillon, réflexion ou étape de suivi exigé doit être clairement lié à l’apprentissage, faute de quoi les étudiants risquent de considérer ces mesures comme une autre forme de travail inutile.
Faites de l’IA un tuteur qui pose des questions, s’adapte et donne des retours.
Les retours peuvent être immédiats et personnalisés. Jill Watson, une assistante pédagogique fondée sur l’IA utilisée dans un cours de Georgia Tech, répondait aux questions prévisibles des étudiants. Lors d’une expérience menée dans un cours, seuls 10 % des étudiants ont correctement identifié l’un des assistants pédagogiques automatisés. Cet exemple montre que les étudiants peuvent tirer profit d’un soutien réactif, même automatisé, bien que la combinaison plus récente d’un chatbot avec des documents de cours vise à vérifier les réponses à partir de sources fiables du cours.
Guidez l’apprentissage au lieu de le remplacer. Un tuteur d’IA peut poser une question à la fois, adapter la difficulté à la réponse de l’étudiant, donner des indices et lui laisser le temps d’essayer avant d’expliquer. Le livre établit un lien avec la zone proximale de développement, soit l’éventail des tâches qu’un apprenant peut accomplir avec une aide appropriée, mais pas encore seul. De bons prompts précisent le rôle du tuteur, ses objectifs, son ton et sa méthode. Les étudiants doivent toujours vérifier les réponses et s’exercer à résoudre les problèmes par eux-mêmes.
L’usage pédagogique le plus prometteur ne consiste pas à fournir des réponses, mais à proposer un entraînement réactif : l’apprenant peut demander une autre explication sans gêne et recevoir de l’aide lorsqu’un enseignant n’est pas disponible. Cela peut élargir l’accès aux retours, notamment pour les étudiants qui ne peuvent compter sur une aide à la maison ou pendant les heures de permanence. Cependant, la personnalisation dépend des informations transmises au système et de sa capacité à interpréter correctement les besoins de l’étudiant. La vie privée, l’accessibilité et les conseils erronés restent de véritables préoccupations. Un tuteur toujours complaisant peut aussi renforcer les idées fausses ; une aide utile devrait donc inviter les étudiants à expliquer leur raisonnement et à vérifier leur compréhension.
Préservez l’écriture comme compétence et comme moyen de découvrir sa pensée.
Le processus peut faire partie de l’apprentissage. L’écriture ne se résume pas à un essai terminé; chercher ses mots peut aider un étudiant à clarifier sa pensée. Le livre distingue les outils cognitifs qui renforcent les capacités d’une personne des outils qui accomplissent une tâche sans développer les capacités sous-jacentes. L’IA peut jouer l’un ou l’autre rôle, selon que l’étudiant s’en sert pour s’exercer et réviser, ou qu’il se contente d’accepter le texte qu’elle produit.
Évaluez davantage qu’un document bien rédigé. Les devoirs peuvent demander aux étudiants de vérifier les références fournies par l’IA, d’annoter un texte, d’expliquer une application personnelle ou locale, de comparer plusieurs versions, de présenter leur raisonnement à l’oral ou de créer un projet visuel ou interactif. Ils peuvent remettre des brouillons, des révisions ou une conversation avec l’IA lorsque ces traces servent un objectif d’apprentissage. Ces approches ne rendent pas la fraude impossible; elles donnent davantage de place au jugement, aux connaissances et aux décisions de l’étudiant dans l’évaluation.
La distinction entre l’écriture comme produit et l’écriture comme pratique cognitive est particulièrement importante. Déléguer la rédaction d’un courriel de routine peut être efficace, tandis que déléguer la formulation d’un argument peut supprimer précisément l’exercice que le devoir est censé offrir. Cela n’oblige pas à considérer le travail sans assistance comme intrinsèquement vertueux : la collaboration et les outils peuvent renforcer la réflexion si les apprenants restent actifs. La question de conception la plus difficile consiste à déterminer quelles parties d’une discipline doivent devenir des automatismes grâce à une pratique directe. Un éventail de modalités d’évaluation peut aider, à condition que les autres formats mesurent toujours les connaissances visées au lieu de simplement rendre l’usage de l’IA moins commode.
Analyse
L’argument central du livre n’est pas que les enseignants devraient accueillir tous les usages de l’IA, mais que l’interdiction constitue une réponse insuffisante à une technologie qui transforme déjà les tâches professionnelles et la production des travaux étudiants. Son geste le plus important consiste à déplacer la question institutionnelle de « Comment repérer l’IA? » vers « Que devrait savoir faire un apprenant qu’une réponse de l’IA, à elle seule, ne peut démontrer? » Ce changement de perspective relie la littératie en IA, le programme d’études, l’évaluation et la préparation au monde professionnel, au lieu d’en faire des problèmes de politique distincts. Le fil conducteur le plus fort est la responsabilité humaine. L’IA élargit l’éventail des options, accélère les retours et réduit le coût de production d’un travail compétent. Les humains choisissent toujours le problème, fixent les normes, vérifient les affirmations, déclarent l’aide reçue et décident des conséquences. Les cas d’erreurs des détecteurs et de travaux créatifs ou scientifiques réalisés avec l’aide de l’IA rendent cette responsabilité concrète. Les outils ne sont pas neutres sous prétexte qu’ils produisent des probabilités ou des suggestions; leurs effets dépendent des décisions humaines concernant l’accès, l’évaluation et l’autorité institutionnelle.
L’argument comporte une tension féconde. Les auteurs présentent le travail moyen comme une référence désormais accessible à l’IA et exhortent les enseignants à relever leurs exigences, tout en soulignant que les novices tirent profit de l’IA et que l’accès peut réduire les inégalités existantes. Ces objectifs peuvent s’opposer. Si les institutions élèvent leurs attentes sans fournir l’accès à des outils performants, à l’enseignement et aux retours, la nouvelle norme risque de récompenser les privilèges plutôt que le jugement. À l’inverse, si l’aide de l’IA remplace les exercices fondamentaux, les étudiants risquent de perdre les bases nécessaires pour reconnaître les productions faibles. Les devoirs centrés sur le processus proposés dans le livre offrent une réponse, mais exigent que les enseignants repensent le travail et en expliquent l’objectif, ce qui n’est pas aussi facile dans tous les contextes.
La contribution durable du livre est donc une éthique pratique de la collaboration: utiliser l’IA lorsqu’elle élargit l’enquête ou facilite les retours, préserver la pratique humaine lorsque la pratique elle-même enseigne, et expliciter les responsabilités partout où un résultat automatisé intervient dans une décision lourde de conséquences. La question n’est pas de savoir si l’éducation reste humaine, mais quelles capacités humaines l’éducation choisit de cultiver aux côtés d’outils toujours plus performants.
Résumé des avis
Teaching with AI reçoit dans l’ensemble des critiques positives, les lecteurs saluant ses conseils pratiques et ses idées pour intégrer l’IA à l’éducation. Nombreux sont ceux qui le trouvent instructif et accessible, et apprécient les éclairages précieux qu’il offre aux enseignants. Le livre est loué pour ses nombreux prompts et exemples. Parmi les critiques, certains déplorent le manque d’attention accordée à l’éthique et aux questions de vie privée, tandis que quelques lecteurs expriment des réserves quant à l’adoption rapide de l’IA dans l’enseignement. Dans l’ensemble, les critiques apprécient les conseils du livre pour s’adapter à la présence croissante de l’IA dans l’éducation.
Les lecteurs ont aussi lu
Glossaire
littératie en IA
Utilisation compétente et critique de l’IACapacité à choisir les outils d’IA adaptés aux tâches à accomplir, à formuler des questions utiles, à améliorer les prompts par itération et à évaluer les résultats sous l’angle de l’exactitude, des biais et de la pertinence. Dans le livre, la littératie en IA comprend à la fois le jugement critique général et des compétences propres à une discipline. Elle est présentée comme une préparation aux études et au travail, et non comme une simple familiarité technique avec les chatbots.
formulation du problème
Définir le bon problèmeProcessus qui consiste à identifier, analyser et décrire clairement le problème à résoudre. Le livre le décompose en diagnostic, décomposition, recadrage et définition des contraintes. Cette étape précède la formulation du prompt : une IA peut générer des réponses possibles, mais elle ne peut pas déduire de façon fiable un objectif qui n’a pas été énoncé ni corriger une question fondée sur une hypothèse erronée.
double diamant
Explorer, puis resserrer deux foisProcessus de résolution de problèmes qui comporte deux cycles de pensée divergente et convergente. D’abord, on explore différentes interprétations possibles d’un problème, puis on le définit plus précisément. Ensuite, on génère des solutions possibles avant de resserrer les options pour faire un choix. Le livre considère que l’IA est particulièrement utile dans les étapes divergentes, où elle peut produire de nombreuses pistes à évaluer par des humains.
ingénierie des prompts
Concevoir des consignes efficaces pour l’IAPratique consistant à façonner des consignes afin qu’une IA soit plus susceptible de produire des résultats utiles. Le livre recommande de préciser la tâche, le format, la voix et le contexte, puis d’affiner le prompt en fonction de la réponse obtenue. Il présente la formulation de prompts comme une compétence pratique, tout en faisant valoir que des prompts efficaces reposent sur une définition préalable du problème et des objectifs humains clairs.
communication médiée par l’IA
L’IA au service des interactions humainesCommunication entre personnes assistée par l’IA, par exemple au moyen de suggestions en temps réel lors de conversations de service à la clientèle ou de soutien entre pairs. Le livre décrit des études dans lesquelles cette assistance a amélioré la résolution de problèmes ou l’empathie perçue, notamment chez les travailleurs moins expérimentés. Il soulève également des questions de transparence, de confiance, de vie privée et de connaissance, par les utilisateurs, du rôle de l’IA dans la communication.
zone proximale de développement
Ce qu’une aide permet d’apprendreConcept associé au psychologue Lev Vygotsky. Il décrit l’écart entre ce qu’un apprenant peut faire de manière autonome et ce qu’il peut accomplir avec l’aide d’un partenaire plus compétent. Dans le livre, un tuteur IA peut jouer ce rôle en proposant des indices, des explications et des exercices adaptés à l’apprenant, à condition de soutenir ses efforts plutôt que de s’y substituer.
Je m’y intéresse, j’en suis capable et je compte
Trois sources de motivationFormule abrégée utilisée dans le livre pour désigner trois conditions intérieures qui encouragent les élèves à faire des efforts. « Je m’y intéresse » renvoie au but et à la pertinence. « J’en suis capable » renvoie à la confiance dans le fait que la tâche est réalisable avec des efforts. « Je compte » renvoie à l’autonomie et au sentiment que ses choix ou sa contribution ont de l’importance. Ces idées inspirent la conception des travaux, au même titre que des consignes et des critères de réussite clairs.
artefacts cognitifs
Outils qui façonnent la penséeObjets ou technologies qui modifient la manière dont les personnes représentent, consultent ou traitent l’information. Le livre présente une distinction entre les artefacts complémentaires, qui peuvent renforcer les capacités d’une personne, et les artefacts concurrents, qui accomplissent une tâche sans nécessairement développer la compétence sous-jacente. Il ne tranche pas la question du rôle de l’IA, celui-ci dépendant en partie de la façon dont les gens l’utilisent.
post-plagiat (post-plagiarism)
Normes de paternité à l’ère de l’IACadre de réflexion sur l’écriture à une époque où la collaboration entre humains et IA pourrait devenir courante. Le livre en présente six principes, selon lesquels la créativité humaine peut être renforcée, la responsabilité ne peut être abandonnée et l’attribution demeure importante, même si les anciennes définitions du plagiat deviennent plus difficiles à appliquer. Il soulève des questions de reconnaissance et de paternité plutôt que de traiter toute assistance de l’IA de la même façon.
FAQ
De quoi parle « Teaching with AI: A Practical Guide to a New Era of Human Learning » ?
- Aperçu : Le livre, écrit par José Antonio Bowen et C. Edward Watson, explore l’effet transformateur de l’intelligence artificielle (IA) sur l’éducation et s’intéresse à la manière dont l’IA change notre façon de penser, d’enseigner et d’apprendre.
- Structure : Il est divisé en trois parties — Penser avec l’IA, Enseigner avec l’IA et Apprendre avec l’IA — qui abordent chacune différents aspects de l’intégration de l’IA à l’éducation.
- Objectif : Le livre vise à fournir aux enseignants des conseils pratiques pour tirer parti de l’IA afin d’améliorer l’enseignement et l’apprentissage, tout en abordant les questions d’éthique et d’équité.
- Association : Publié en association avec l’American Association of Colleges and Universities, il souligne l’importance de la littératie en IA, tant pour les enseignants que pour les étudiants.
Pourquoi lire « Teaching with AI: A Practical Guide to a New Era of Human Learning » ?
- Pertinence : À mesure que l’IA s’intègre à un nombre croissant d’aspects de la vie, il est essentiel que les enseignants, les étudiants et les responsables des politiques publiques comprennent son impact sur l’éducation.
- Conseils pratiques : Le livre propose des stratégies concrètes et des exemples d’intégration de l’IA aux pratiques pédagogiques. C’est donc une ressource précieuse pour les enseignants qui souhaitent s’adapter aux changements technologiques.
- Considérations éthiques : Il aborde les implications éthiques de l’IA dans l’éducation et offre des pistes pour l’utiliser de manière responsable et équitable.
- Préparation à l’avenir : La lecture de ce livre peut aider les enseignants à préparer les étudiants à un avenir où la littératie en IA sera essentielle à la réussite professionnelle.
Quels sont les principaux enseignements de « Teaching with AI: A Practical Guide to a New Era of Human Learning » ?
- Littératie en IA : Le livre souligne que la littératie en IA est une compétence fondamentale pour les enseignants comme pour les étudiants, nécessaire pour s’orienter sur le futur marché du travail.
- L’IA comme partenaire : Il met en lumière la capacité de l’IA à stimuler la créativité, la productivité et l’apprentissage lorsqu’elle sert d’outil de collaboration plutôt que de remplacer l’effort humain.
- Usage éthique : Les auteurs insistent sur la nécessité de prendre en compte les considérations éthiques dans l’utilisation de l’IA et préconisent des politiques garantissant un accès équitable et prévenant les abus.
- Redéfinir l’éducation : Le livre avance que l’IA transformera en profondeur les pratiques éducatives, ce qui exige de réévaluer les méthodes d’enseignement, les stratégies d’évaluation et les résultats d’apprentissage.
Comment « Teaching with AI » propose-t-il aux enseignants d’intégrer l’IA à leurs pratiques pédagogiques ?
- Outils d’assistance par l’IA : Le livre recommande d’utiliser des outils d’IA pour automatiser des tâches routinières, comme la correction et la rétroaction, afin que les enseignants puissent se concentrer sur des activités pédagogiques plus complexes.
- Apprentissage personnalisé : Il propose de tirer parti de l’IA pour offrir des expériences d’apprentissage personnalisées et adapter les contenus et les évaluations aux besoins de chaque étudiant.
- Collaboration créative : Les enseignants sont encouragés à utiliser l’IA comme partenaire dans les processus créatifs, pour aider les étudiants à générer des idées et à explorer de nouvelles perspectives.
- Discussions éthiques : Le livre conseille d’intégrer au programme des discussions sur l’éthique de l’IA et ses implications, afin de préparer les étudiants à en faire un usage responsable.
Quelles considérations éthiques sont abordées dans « Teaching with AI » ?
- Biais et équité : Le livre aborde le risque que l’IA reproduise les biais présents dans les données d’entraînement et souligne la nécessité d’un accès équitable aux outils d’IA.
- Questions de vie privée : Il insiste sur l’importance de protéger les données des étudiants et de veiller à ce que les systèmes d’IA expliquent clairement l’utilisation de ces données.
- Responsabilité : Les auteurs évoquent la nécessité de politiques claires sur l’utilisation de l’IA dans l’éducation, afin que les étudiants et les enseignants comprennent leurs responsabilités.
- Risques de désinformation : Le livre met en garde contre la capacité de l’IA à générer de fausses informations et souligne qu’il faut apprendre aux étudiants à évaluer de manière critique les contenus produits par l’IA.
Comment « Teaching with AI » aborde-t-il la question de l’IA et de la tricherie ?
- Difficultés de détection : Le livre reconnaît les limites des outils de détection de l’IA et le risque de faux positifs, et appelle à la prudence dans leur utilisation.
- Redéfinir la tricherie : Il suggère qu’il faudra peut-être réévaluer ce qui est considéré comme de la tricherie à l’ère de l’IA, en s’attachant à la valeur de l’effort et de la créativité humaines.
- Stratégies préventives : Les auteurs proposent de concevoir des travaux qui mettent l’accent sur le processus et la pensée critique, afin qu’il soit plus difficile pour les étudiants de s’en remettre uniquement à l’IA.
- Intégrité scolaire : Le livre souligne l’importance de promouvoir une culture d’intégrité et de transparence dans l’utilisation de l’IA et encourage les étudiants à signaler leur recours aux outils d’IA.
Quels sont quelques exemples pratiques d’outils d’IA mentionnés dans « Teaching with AI » ?
- Outils de recherche : Le livre cite des outils comme Consensus et Elicit, qui se connectent à des bases de données afin de fournir des références exactes et de synthétiser les résultats de recherche.
- Systèmes de rétroaction : L’IA peut fournir aux étudiants une rétroaction immédiate et personnalisée pour les aider à améliorer leur travail en temps réel.
- Applications créatives : Des outils comme Midjourney et Stable Diffusion sont présentés pour leur capacité à générer des contenus créatifs, tels que des images et des dessins.
- Soutien administratif : L’IA peut aider à accomplir des tâches administratives, comme la planification et l’organisation des interactions avec les étudiants, ce qui libère du temps pour l’enseignement.
Comment « Teaching with AI » propose-t-il de redéfinir la qualité en éducation ?
- L’IA comme niveau de référence : Le livre suggère de considérer les travaux générés par l’IA comme le nouveau niveau de référence pour un travail moyen, afin d’inciter les étudiants à le dépasser.
- Exigences plus élevées : Il préconise de relever les critères de qualité en mettant l’accent sur la pensée critique, la créativité et l’originalité.
- Adaptation des grilles d’évaluation : Les enseignants sont encouragés à adapter leurs grilles d’évaluation aux capacités de l’IA, afin de reconnaître la valeur de la contribution humaine.
- Accent sur le processus : Le livre souligne l’importance d’évaluer le processus et les efforts qui sous-tendent le travail des étudiants, et pas seulement le produit final.
Quelles sont les meilleures citations de « Teaching with AI » et que signifient-elles ?
- « L’IA va changer notre rapport à la pensée. » Cette citation souligne l’effet transformateur de l’IA sur les processus cognitifs et suggère qu’elle modifiera notre façon d’aborder la résolution de problèmes et la créativité.
- « Ce que les enseignants appellent tricherie, les entreprises l’appellent progrès. » Cette affirmation illustre la différence des points de vue sur l’utilisation de l’IA et souligne la nécessité d’aligner les pratiques éducatives sur les applications du monde réel.
- « La littératie en IA devra inclure la capacité de trouver l’IA adaptée à la tâche. » Cette citation souligne l’importance d’apprendre aux étudiants à évaluer de manière critique les outils d’IA et à choisir ceux qui conviennent à des tâches précises.
- « L’IA est un outil capable d’accroître la créativité et la productivité de chacun. » Cette citation met en lumière le potentiel de l’IA à renforcer les capacités humaines et encourage à l’utiliser comme partenaire de collaboration.
Comment « Teaching with AI » conseille-t-il aux enseignants de gérer les contenus générés par l’IA dans les travaux des étudiants ?
- Transparence : Le livre conseille d’exiger des étudiants qu’ils signalent leur utilisation des outils d’IA et fournissent des transcriptions de leurs échanges avec l’IA lorsqu’ils remettent leurs travaux.
- Documentation du processus : Il suggère de demander aux étudiants de documenter leur processus d’écriture, notamment
Télécharger le PDF
Télécharger l'EPUB
.epub est idéal pour lire des livres numériques sur téléphone, tablette ou liseuse.