IA-tuteur, IA-coach, IA-mentor, IA-équipier, IA-outil, IA-simulateur et IA-étudiant

« En incitant les étudiants à rester « l’humain dans la boucle », les auteurs de cette étude visent à améliorer les résultats de l’apprentissage tout en veillant à ce que l’IA serve d’outil de soutien plutôt que de remplacement. Le cadre proposé constitue un guide pour ceux qui souhaitent intégrer l’apprentissage assisté par l’IA. » Traduction libre
Mollick, Ethan R. & Mollick, Lilach, Assigning AI: Seven Approaches for Students, with Prompts (06/12/2023)

7 approches pour utiliser l’IA générative avec les étudiant·es.

Voici une étude qui examine le rôle de l’IA générative en tant qu’outil d’aide à l’apprentissage. Selon les deux auteurs de la Wharton School de l’Université de Pennsylvanie, ce n’est qu’en apprenant à l’utiliser que nous pourrons commencer à mieux comprendre son impact. C’est inévitable, l’IA générative occupera une place de plus en plus importante en éducation.

Les 7 approches mentionnées dans cette étude visent à aider les enseignant·es à accompagner les étudiant·es dans leur apprentissage de l’utilisation et de la compréhension de l’IA. Les auteurs proposent des recommandations et des stratégies qui visent à réduire les risques associés à un tel outil d’aide à l’apprentissage de façon à garder un esprit critique face aux résultats potentiellement erronés et aux biais de l’IA.

Les deux auteurs proposent sept approches pour l’utilisation de l’IA :

l’IA-tuteur, pour accroître les connaissances;
l’IA-coach, pour accroître la métacognition;
l’IA-mentor, pour fournir une rétroaction équilibrée et continue;
l’IA-équipier, pour accroître l’intelligence collaborative;
l’IA-outil, pour améliorer les performances des personnes étudiantes;
l’IA-simulateur, pour aider à la pratique;
et l’IA-étudiant, pour vérifier la compréhension.

Nous reproduisons les bénéfices et les risques associés dans le tableau suivant.

Utilisation	Rôle	Bénéfice	Risque
IA-mentor	Fournir des rétroactions	Une rétroaction fréquente améliore l’apprentissage, même si tous les conseils ne sont pas suivis.	Ne pas examiner de manière critique les réponses, qui peuvent contenir des erreurs.
IA-tuteur	Enseignement direct	L’enseignement direct personnalisé est très efficace.	Connaissance inégale de l’IA. Risques sérieux de fabulation.
IA-coach	Favoriser la métacognition	Des occasions de réflexion et de révision, qui améliorent les résultats d’apprentissage	Le ton ou le style de l’encadrement peut ne pas correspondre à l’étudiant. Risques de conseils incorrects
IA-équipier	Accroître la performance d’équipe	Fournir des points de vue alternatifs, aider les équipes à fonctionner mieux.	Fabulation et erreurs. Conflits de « personnalité » avec d’autres membres de l’équipe.
IA-étudiant	Obtenir/donner des explications	Enseigner aux autres est une technique d’apprentissage puissante	La fabulation et l’argumentation peuvent faire perdre de vue les avantages de l’enseignement
IA-Simulateur	Aider à la pratique	La pratique et l’application des connaissances facilitent le transfert.	Non fidèle à la réalité
IA-outil	Améliorer la performance	Aide les étudiants à accomplir plus dans le même laps de temps.	Sous-traiter la réflexion plutôt que réfléchir.

Chacune de ces approches offre donc des bénéfices et des défis uniques dans un contexte pédagogique. Les auteurs encouragent les enseignant·es à explorer en proposant des exemples de requêtes (prompts) pour expérimenter chacune des sept façons différentes d’utiliser l’IA.

Exemple de requête (prompt)

Les auteurs élaborent des exemples qui combinent les meilleures pratiques en matière d’écriture de requête (prompt) et de rétroaction efficace. L’exemple ci-dessous illustre une requête pour l’approche IA-Mentor.

Les risques associés

Dans le cadre de cette étude, les auteurs n’abordent pas les risques à long terme liés au développement de l’IA ni les questions d’éthique. Les enseignant·es devront tenir compte de ces facteurs avant d’utiliser l’IA en éducation et devront s’assurer qu’ils enseignent aux étudiant·es les risques liés.

L’utilisation de l’IA en éducation pose des problèmes tels que :

Risques de fabulation : L’IA générative est susceptible de produire des faits incorrects, mais plausibles, un phénomène connu dans la littérature sous le nom d’hallucination. Les auteurs recommandent vivement de rendre les étudiant·es responsables de l’exactitude des faits dans leur production.
Risques de partialité : L’IA générative est susceptible d’introduire ses propres biais, qui peuvent être subtils.
Risques pour la vie privée : Lorsque des données sont entrées dans les outils de l’IA, elles peuvent être utilisées par les organisations qui développent cette technologie.
Risques pédagogiques : L’IA générative utilise les grands modèles de langage (LLM). Les outils alimentés par l’IA génèrent parfois des « points de vue » bien arrêtés sur des faits et des théories que les modèles « croient » corrects. Les résultats erronés peuvent être parfois très convaincants et persistants.