Référent : Aryan RAHIMIAN
Membres de la thématique : Wiem CHAKROUN, Aristide DOUCET
IA, personnalisation et optimisation de l’apprentissage humain
Intervenant : Vie Jill-Jênn Résumé : L’IA en éducation revêt plusieurs formes : correction automatique,
IA générative : Apprendre à apprendre : une partie d’un programme non abordé en cours
Cet atelier s’adresse aux enseignantes et enseignants souhaitant prolonger leur accompagnement pédagogique au-delà des contenus
Description
La popularisation de l’IA (générative) depuis novembre 2022 avec Chat GPT a ouvert un nouveau chapitre du numérique dans le contexte éducatif :
Quel est/ sera son rôle sur l’apprentissage dans son sens le plus large, et quelles formes d’accompagnement apportera t-il auprès des émetteurs du savoir que sont les enseignantes et enseignants, et quels impacts sur les récepteurs que sont les étudiantes et étudiants ?
Il est en effet question de l’adaptabilité continue dans ce périmètre des publics avec l’usage croissant de ce type de nouvelle techno-pédagogie.
Quelles nouvelles de formes de médiations seront initiées entre les actrices – acteurs de la pédagogies et quelles transformations seront réalisées sur les ressources d’enseignement qui seront nouvellement médiatisées ?
La conclusion étant d’accompagner les nouvelles générations d’apprenants à considérer ces outils comme compétences dans leurs professions futures, quelles soient strictement applicatives ou qu’elles soient d’ordre de la recherche et de l’enseignement. Car la passerelle entre enseignement et recherche étant fine dans le cadre universitaire, quels résultats y aura-t-il à la fois sur l’intégrité scientifique et sur les pratiques pédagogiques ?
Projets en cours
- Mise en place de formations de niveau 2 et 3 à l’attention des enseignantes et enseignants chercheurs : apprendre à apprendre avec l’IA, témoignage de l’usage de l’IA par les pairs
- Création d’interventions co-animées avec des enseignants et enseignantes de type actions de sensibilisation autour des usages des IAGs
- Conception d’un parcours entièrement distanciel pour les enseignantes et enseignants
- Initiations d’actions communes avec la thématique sobriété numérique
- Réflexion sur les liens entre IA et Approche par compétences en lien avec les collègues de la thématique « APC »
- Réflexion commune avec l’équipe de la thématique « accompagnement des étudiantes et étudiants » à propos des dangers et des limites des IAs
- Formalisation d’un tableau comparatif des différents outils et modèles de langages (LLM)
- Développement d’un référentiel de compétences s’inspirant du « référentiel de compétences en IA pour les enseignants » de l’UNESCO
- Développement de tableaux typologiques d’usagers des IA génératives (enseignantes-enseignants et étudiantes-étudiants)
Projets réalisés
- Enquête puis diffusion des résultats sur l’ENT à propos du niveau de connaissance des IAs par les différents acteurs de la Faculté des Lettres
- Conception d’une charte d’utilisation à destination des étudiantes et étudiants
- Amélioration continue du premier atelier de sensibilisation aux IAs
- Développement de nouveaux ateliers de formation s’appuyant sur les théories cognitives et le témoignage d’enseignants plus avancés sur l’usage des IAs
- Publication d’un guide des usages
- Etude comparative de l’utilisation de l’IA Gen dans moodle
- Intervention Moodle Moot 2025
Ressources
Vous trouverez dans cet espace différentes ressources relatives à l’Intelligence Artificielle Générative dans le cadre de l’Enseignement Supérieur (sur Moodle, catégorie Formations et Ressources)
Bender, E. M., Gebru, T., McMillan-Major, A., & Mitchell, M. (2021). On the dangers of stochastic parrots: Can language models be too big? In FAccT ’21: Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (pp. 610–623). ACM. https://doi.org/10.1145/3442188.3445922
Bommasani, R., Hudson, D. A., Adeli, E., Altman, R., Arora, S., von Arx, S., … & Liang, P. (2021). On the opportunities and risks of foundation models. arXiv. https://arxiv.org/abs/2108.07258
Chollet, F. (2020). L’apprentissage profond avec Python (J.-I. Forien, Trad.). machinelearning.fr. (Ouvrage original publié en 2017 chez Manning Publications) [ISBN : 978-2-491674-00-7]
Desveaud, K. (2024). L’intelligence artificielle décryptée. Comprendre les enjeux et risques éthiques de l’IA pour mieux l’appréhender. Cairn. https://shs.cairn.info/intelligence-artificielle–decryptee–9782376879602 23
Haton, J.-P. (2025). Introduction à l’intelligence artificielle. In Techniques de l’Ingénieur. https://www.techniques-ingenieur.fr/actualite/articles/les-grands-modeles-de-lia-142853/
Lamri, J., Tertrais, G., & Silver, A. (2023). Travailler à l’ère des IA génératives. EMS Editions. https://www.cairn.info/travailler-a-l-ere-des-ia-generatives–9782376877806.htm
La revue IA. (2023). Introduction aux réseaux de neurones transformers. https://larevueia.fr/introduction-aux-reseaux-de-neurones-transformers/
Lewis, P., Perez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N., … & Riedel, S. (2020). Retrieval-augmented generation for knowledge-intensive NLP tasks. arXiv. https://arxiv.org/abs/2005.11401
Minsky, M. (1986). The society of mind. Simon and Schuster.
Pibourret, J., & Beaujault, S. (2024). Outil 1. ChatGPT. In La petite boîte à outils des IA génératives pour créer du contenu : 36 outils et 4 plans d’action (pp. 20–22). Dunod. https://shs.cairn.info/la-petite-boite-a-outils-des-ia-generatives–9782100865741-page-20
Touzet, C. (1992). Les réseaux de neurones artificiels : Introduction au connexionnisme. HAL AMU. https://amu.hal.science/hal-01338010
Vangrunderbeeck, P. (2024). Intégrer l’IA générative dans les stratégies pédagogiques. Cahiers LLL, UC Louvain. https://oer.uclouvain.be/jspui/bitstream/20.500.12279/1089.3/6/CahierLLL_IAG_OKOER.pdf
Wei, J., Wang, X., Schuurmans, D., Bosma, M., Ichter, B., Xia, F., … & Zhou, D. (2022). Chain-of-thought prompting elicits reasoning in large language models. arXiv. https://arxiv.org/abs/2201.11903
Yang, C., Wang, X., Lu, Y., Liu, H., Le, Q. V., Zhou, D., & Chen, X. (2024). Large language models as optimizers. OpenReview. https://openreview.net/forum?id=Bb4VGOWELI
Zelikman, E., Wu, J., & Goodman, N. D. (2022). The chain of verification: A new framework and dataset for multi-step reasoning in language models. arXiv. https://arxiv.org/abs/2204.01943