Cet article de Huang Ronghuai a été publié initialement dans Academic Frontiers, n° 14 de 2024. Son analyse et ses exemples conservent le contexte de cette publication.
Sommaire de l’article
Résumé
L’évolution itérative des grands modèles d’IA éveille la conscience d’une transformation systémique de l’éducation. Les systèmes éducatifs traversent une étape décisive, passant de l’acceptation passive des changements extérieurs à une adaptation active et à l’impulsion de transformations internes. Leur intégration continue accélère de nouvelles conceptions : un savoir fondé sur la création et le partage collectifs ; un apprentissage construit par les connexions intelligentes ; des programmes intégrés et ouverts ; et un enseignement collaboratif humain–IA.
Dans la pratique, leurs applications approfondies suscitent un enseignement collaboratif diversifié et transversal, un apprentissage renforçant réciproquement les partenaires, et une décision collaborative sûre et digne de confiance. Il faut donc développer continuellement les compétences des enseignants et des élèves, améliorer les mécanismes d’admission des produits intelligents dans les écoles, organiser les pratiques collaboratives, établir des normes d’application éducative de l’IA générative et assurer sécurité technique et éthique, pour bâtir un nouvel écosystème d’éducation intelligente.
Les nouvelles technologies de l’information, dont Internet, les mégadonnées et l’IA, réorganisent les structures et les processus de production et de la vie quotidienne, tout en transformant l’organisation et les services éducatifs. Le secrétaire général Xi Jinping a décrit l’IA comme un moteur important d’une nouvelle révolution scientifique et technologique et d’une transformation industrielle, modifiant profondément les manières de produire, de vivre et d’apprendre, et ouvrant une ère de collaboration humain–IA, d’intégration entre secteurs, de création commune et de partage. Il a appelé à promouvoir activement une intégration profonde de l’IA et de l’éducation pour stimuler transformation et innovation éducatives.
Les grands modèles se caractérisent par leur échelle, leur généralisation, l’émergence et la polyvalence. Leurs capacités de génération multimodale de textes, images, sons et vidéos, de dialogue contextuel, de raisonnement logique, de calcul et de traitement de tâches accélèrent la transformation intelligente des secteurs et créent de nouvelles possibilités pour la transformation numérique éducative. Comprendre leurs effets sur les conceptions et les formes d’éducation et assurer une intégration raisonnable, ordonnée et sûre constitue un enjeu central de l’ère intelligente.
L’évolution itérative des grands modèles d’IA éveille la conscience d’une transformation éducative systémique
Les technologies de rupture intensifient la concurrence internationale et la transformation sociale
L’innovation mondiale connaît une période d’activité et de concentration exceptionnelles. Une nouvelle révolution technologique et industrielle redessine la carte de l’innovation et l’économie mondiale. Les technologies de rupture influencent profondément l’avenir des pays et le bien-être des populations.
Premièrement, le développement technologique rapide est irréversible. IA, informatique quantique, biotechnologies et autres technologies pénètrent production et vie quotidienne de façon continue, groupée et multidimensionnelle. Leurs effets dépassent parfois les attentes et les capacités d’adaptation sociales, économiques et politiques, voire la perception et la prévision intuitives, introduisant de nouvelles variables dans la concurrence internationale.
Deuxièmement, l’IA est un foyer de cette concurrence. Les grandes puissances recherchent des percées et élaborent des stratégies nationales, faisant de son développement accéléré un moyen de prendre l’initiative dans la compétition technologique mondiale.
Troisièmement, le progrès technologique impose une transformation sociale globale. Ses pressions affectent les structures industrielles, l’emploi, les modes de vie et la gouvernance. Le livre blanc du Forum économique mondial Jobs of Tomorrow: Large Language Models and Jobs présente les métiers répétitifs, tels que les agents d’autorisation de crédit, caissiers et employés administratifs, comme particulièrement exposés à l’IA : jusqu’à 81 % de leurs tâches pourraient être automatisées. Il faut suivre le rythme technologique, mais aussi adapter la formation des talents, optimiser les structures industrielles et innover en gouvernance pour répondre activement aux défis et possibilités.
La logique du capital favorise les applications des grands modèles dans des contextes multiples
Le capital, autrefois simple fournisseur de ressources économiques, catalyse désormais l’intégration de l’IA et d’autres technologies dans différents milieux. Ses flux annoncent souvent les orientations technologiques, accélèrent les évolutions et renforcent l’intégration entre secteurs.
Premièrement, l’investissement soutient l’amélioration continue. En un peu plus d’une décennie, l’IA est passée des modèles spécialisés entraînés sur données étiquetées, aux modèles préentraînés sur données non étiquetées puis affinés sur données étiquetées, et enfin aux grands modèles combinant préentraînement massif, ajustement sur instructions et alignement humain. Le développement accélère et les cycles se raccourcissent. Les types se diversifient : modèles dans le nuage ou sur appareil, généraux ou sectoriels, linguistiques ou multimodaux. Depuis 2022, OpenAI a présenté ChatGPT, GPT-4, Sora et GPT-4o.
Interaction multimodale et génération de contenu ont mûri, avec des orientations vers la multimodalité, la génération vidéo, l’intelligence incarnée et l’IA pour la recherche (AI4R).
Deuxièmement, le capital stimule les déploiements. La maturité technologique invite à exploiter des données abondantes et des contextes variés. L’innovation privilégie l’utilisation efficace des données existantes et de nouveaux usages : aider au diagnostic médical, au contrôle des risques et aux décisions d’investissement, ou optimiser la circulation et réduire les embouteillages. Le développement répond de plus en plus aux besoins d’application. Associés à l’Internet des objets, aux mégadonnées et à l’informatique en nuage, les grands modèles peuvent proposer des solutions plus intelligentes et accompagner la transformation industrielle.
L’éducation s’adapte activement à la nouvelle vague des grands modèles
Elle passe de l’acceptation passive des changements externes à une adaptation active et à la conduite de transformations internes. Cet éveil en fait un acteur du changement, au-delà d’une réponse à la technologie et au capital. Les autorités doivent comprendre les applications et la logique éducative sous-jacente pour préparer les personnes à l’avenir.
Premièrement, l’enseignement supérieur est à l’avant-garde. Les établissements intègrent rapidement des technologies : assistants pédagogiques d’IA et environnements connectés modifient transmission et organisation, tandis que recherche et apprentissage interdisciplinaires renouvellent les paradigmes scientifiques, intègrent les connaissances et favorisent les applications innovantes.
Deuxièmement, les besoins de la formation professionnelle sont plus urgents. Avec la demande croissante de travail qualifié, elle relie éducation et emploi. Établissements et pouvoirs publics investissent davantage et renforcent les partenariats industriels pour adapter les programmes au marché.
Enfin, l’éducation scolaire progresse régulièrement sous une forte impulsion politique. Les autorités soutiennent les plateformes intelligentes, les mégadonnées et l’IA pour l’enseignement et la gestion, ainsi que la formation numérique des enseignants et des élèves.
L’éducation est un domaine clé pour accélérer les applications des grands modèles
Organisations internationales, gouvernements, chercheurs et entreprises explorent ensemble leur intégration.
Premièrement, des documents encouragent, encadrent et orientent les usages. Le Guide de l’UNESCO pour l’IA générative dans l’éducation et la recherche vise une meilleure intégration. La publication du ministère britannique de l’Éducation sur l’IA générative expose sa position concernant ces usages, notamment les grands modèles de langage comme ChatGPT.
Deuxièmement, recherche et pratique explorent des voies d’application ordonnées. L’Université Vanderbilt propose de nombreuses formations et ateliers à son personnel et à ses étudiants. L’Université Tsinghua a lancé un programme de cours pilotes enrichis par l’IA, développant des applications de grands modèles de langage adaptées aux disciplines et des situations pédagogiques variées.
Les réactions positives des différents acteurs révèlent le passage d’une impulsion externe à une conscience interne du changement. Les parties prenantes doivent rester lucides et prudentes face à l’accélération technologique et éviter d’être entraînées par la logique du capital. Elles doivent aussi comprendre le potentiel éducatif, les risques techniques et les limites. Une démarche centrée sur l’humain doit favoriser une évolution interactive des modèles et des besoins pédagogiques. La coopération peut transformer conceptions et formes éducatives et construire un écosystème plus intelligent, souple et efficace.
L’intégration continue des grands modèles accélère l’évolution des conceptions éducatives et pédagogiques
Les percées des grands modèles ont profondément marqué l’éducation et suscité une réflexion sociale sur l’ère intelligente. Le secrétaire général Xi Jinping a souligné un cercle vertueux entre éducation, sciences et technologies et talents ; la coordination des stratégies de revitalisation par la science et l’éducation, de renforcement par les talents et de développement par l’innovation ; et la progression intégrée de l’éducation, de l’innovation et de la formation. La Chine a adopté des politiques optimisant systématiquement objectifs de formation, structures scolaires et normes des programmes.
Elles traduisent une volonté stratégique nationale de répondre aux changements et de former les talents nécessaires.
Cependant, la logique des examens fait des taux de passage, d’excellence et d’admission dans les établissements sélectifs des critères habituels. Une formation standardisée ne satisfait pas les besoins divers de la société. Éducateurs, chercheurs et public doivent réexaminer les évolutions et défis des grands modèles et construire un consensus large et solide. Cela peut renforcer la cohérence de l’écosystème et une interaction constructive entre État, écoles et société. Sous l’impulsion des politiques, de la technologie et des attentes sociales, la transformation est urgente. Elle passe par quatre nouvelles conceptions du savoir, de l’apprentissage, des programmes et de l’enseignement.
Une nouvelle conception du savoir fondée sur la création et le partage collectifs
Elle privilégie des connaissances métacognitives diverses et de grande dimension : savoirs relationnels issus d’un « apprentissage fédéré » entre réseaux neuronaux, sociaux et conceptuels ; savoirs contextuels issus de la cognition incarnée, par interaction entre corps et environnement technologique ; et savoirs de règles produits par apprentissage automatique, notamment profond et par renforcement. Ils présentent intelligence collective, ouverture, fragmentation et ambiguïté. En modélisant, analysant et prédisant à partir de vastes données, les modèles découvrent relations et régularités implicites.
Instructions humaines et contexte permettent une génération créative, tandis que la simulation de modes de pensée soutient l’analyse multidimensionnelle de problèmes complexes et modifie la production du savoir.
Une nouvelle conception de l’apprentissage par connexions intelligentes et construction
Les technologies ouvrent des possibilités de création de situations. Les apprenants doivent passer de la réception passive à l’autodirection, acquérant connaissances, compétences et attitudes par construction collaborative avec pairs, enseignants et agents. Dans des espaces partagés par humains et machines, les agents des grands modèles peuvent devenir des partenaires. Environnements interactifs, assistants et compagnons intelligents soutiennent correction de rédactions, pratique orale, tutorat, programmation, écriture, accompagnement psychologique et simulations d’entretien, améliorant l’expérience d’apprentissage.
Une nouvelle conception des programmes intégrés et ouverts
Les technologies ouvrent leurs frontières, structurent les contenus fragmentés en réseaux et font évoluer les disciplines séparées vers l’intégration et la contextualisation. L’apprentissage associe compréhension scientifique, expérience technologique, participation sociale, conscience culturelle et compréhension de la vie. Les modèles renouvellent systématiquement conception et gestion des programmes, favorisant des parcours individuels intégrés et diversifiés, personnalisés et interactifs. La plateforme Siyuan AI d’aide à l’apprentissage de l’Université Jiao Tong de Shanghai permet de dessiner des graphes pour consolider les acquis et des cartes disciplinaires repérant chevauchements et différences pour optimiser les programmes.
Une nouvelle conception de l’enseignement collaboratif humain–IA
Les modèles complètent, renforcent et prolongent les capacités enseignantes et favorisent le passage de la transmission à la création de situations et à l’organisation et l’accompagnement d’activités. La collaboration privilégie la communication enseignant–élève–machine et des interactions sûres, fiables et éthiques. Robots éducatifs, avatars et enseignants jumeaux numériques peuvent assister les tâches administratives et pédagogiques ou coenseigner. Dans le cours Mind, Individual and Culture de Tsinghua, par exemple, un assistant d’IA fournit un retour précis et efficace pour améliorer l’écriture des étudiants.
Les applications approfondies des grands modèles suscitent de nouvelles formes d’éducation collaborative humain–IA
Les grands modèles constituent un tournant historique de l’intelligence des machines. Ils accélèrent les changements systémiques du savoir, de l’apprentissage, des programmes et de l’enseignement, et stimulent de nouvelles formes éducatives. La collaboration consiste à faire interagir humains et machines comme un ensemble, dans différents environnements, pour atteindre des objectifs communs et améliorer les résultats. Elle repose sur la complémentarité des forces et une coopération efficace face à des besoins divers. Comparés aux anciens outils d’assistance peu intelligents et adaptables, les modèles représentent un saut et élargissent les modalités d’interaction.
Ils ouvrent des possibilités de transformation par l’enseignement, l’apprentissage et la décision collaboratifs.
Un enseignement collaboratif humain–IA diversifié et transversal
Les modèles accélèrent le passage de la structure enseignant–élève à enseignant–élève–machine. Les relations se complexifient, avec coexistence et interactions multiples, favorisant le coenseignement.
Premièrement, les situations s’élargissent. Les modèles renforcent les capacités des machines et dépassent les limites d’application. Leur association avec les robots humanoïdes produit une intelligence incarnée capable de perception multimodale, de compréhension, d’adaptation, de planification et de décision autonomes dans le monde physique. Cela peut soutenir des classes à deux enseignants, humain et IA. Plateformes, tutoriels intelligents et autres agents franchissent les obstacles temporels, spatiaux et pédagogiques pour offrir une aide efficace, immédiate et adaptative aux besoins variés en ligne.
Deuxièmement, la collaboration s’approfondit. L’élargissement des tâches technologiques conduit à un espace dirigé et contrôlé conjointement par intelligence enseignante et artificielle. Rôles, autorité du savoir et conception pédagogique évoluent. La collaboration dépasse répartition et substitution des tâches : elle exige culture technologique, gestion de classe, réactivité et coordination souple. Les enseignants doivent mobiliser expérience et sagesse pratique dans des relations de travail diverses et approfondies avec les agents.
Un apprentissage collaboratif humain–IA renforçant réciproquement les partenaires
Les applications modifient progressivement l’apprentissage. Les apprenants complètent leur traitement cognitif par une externalisation vers l’intelligence des machines, qu’ils améliorent par retour itératif, créant un coapprentissage.
Premièrement, l’expérience s’améliore. Des interactions plus intelligentes permettent aux machines d’être tuteurs, compagnons ou assistants. Elles recueillent et analysent naturellement les données multimodales pour explorer les changements émotionnels implicites et états cognitifs, et proposer présence émotionnelle immédiate, soutien précis et parcours personnalisés.
Deuxièmement, les mécanismes évoluent. Le traitement de l’information ne se limite plus aux échanges de l’apprenant avec son environnement : une structure intelligente collaborative apprenant–machine apparaît. Lors d’activités communes, les machines partagent les tâches cognitives autrefois entièrement réalisées par le cerveau humain. Les modèles deviennent une ressource cognitive externe pour comprendre et traiter ensemble les contenus, permettant aux intelligences humaine et artificielle de se compléter et se renforcer.
Une décision collaborative humain–IA sûre et digne de confiance
Les percées successives peuvent faire évoluer la gouvernance éducative vers les preuves, les données et la collaboration, avec davantage de rigueur scientifique, de précision et d’intelligence.
Premièrement, les méthodes changent. Les données éducatives croissent rapidement en volume et en vitesse, sont fragmentées et diverses. Les modèles extraient et traitent l’information entre modalités et révèlent des régularités implicites. Suivi, évaluation et retour dynamiques fournissent des analyses actuelles, complètes et objectives. Cela réduit la surcharge décisionnelle et aide à corriger déformations, biais cognitifs et ajustements tardifs à plusieurs niveaux, passant d’une gestion approximative fondée sur l’expérience à une gouvernance scientifique et précise fondée sur les preuves.
Deuxièmement, la pensée de gouvernance évolue. La collaboration génère aussi des idées et connaissances nouvelles. L’entraînement et l’analyse de vastes données et l’extraction des caractéristiques des objets physiques peuvent créer des environnements de représentation par jumeaux numériques. Les simulations révèlent des régularités et prédisent éléments et processus pour guider les pratiques réelles. Cela favorise une gouvernance proactive et anticipatrice plutôt que seulement réactive.
Initiatives clés pour construire un écosystème d’éducation intelligente avec les grands modèles
Renforcer continuellement les compétences des enseignants et des élèves à l’ère intelligente
Les effets technologiques sur l’emploi et les carrières imposent de privilégier les compétences, la créativité numérique, l’adaptation et la capacité à évoluer.
Pour les élèves, d’abord améliorer la formation à la culture et aux compétences numériques : enseigner efficacement les technologies de l’information et établir évaluation et suivi des progressions pour décrire les trajectoires. Ensuite, développer l’autonomie par un apprentissage actif favorisant planification, contrôle et évaluation personnels. Enfin, améliorer l’apprentissage avec les technologies intelligentes. Les modèles soutiennent acquisition du savoir, autonomie et accompagnement, aident à réviser et apprendre, enrichissent l’expérience et facilitent la gestion du temps, des tâches et des processus.
Pour les enseignants, d’abord encourager exploration et application actives. Leur engagement peut passer par prise de conscience, expérience, pratique et diffusion. Ils doivent apprendre les principes de l’IA, soutenir leurs propres apprentissages et enseignements et partager leurs expériences. Ensuite, prendre conscience des nouveaux rôles : les écoles doivent proposer une formation adaptée aux besoins individuels, renforcer le coenseignement et encourager soutien émotionnel et formation du caractère. Enfin, mener une recherche pédagogique ciblée. Des données de types, sources et dimensions multiples identifient les lacunes en pédagogie, connaissances disciplinaires et usages techniques.
Synthèses et rapports soutiennent recherche collaborative, compréhension de la classe, réflexion et amélioration.
Améliorer les mécanismes d’admission des produits intelligents à l’école
Leur intégration et la prévention des atteintes à la vie privée, à la sécurité ou des contenus nuisibles nécessitent des garanties pour un environnement sain et sûr.
Premièrement, instaurer un examen complet et différencié : classer produits et risques, les étudier par discipline et analyser la chaîne des moments, lieux, personnes, ressources, fonctions et matières concernés. Examen et adaptation rigoureux doivent assurer l’intégration dans des situations diverses et la réponse aux besoins personnalisés selon les étapes scolaires.
Deuxièmement, explorer une supervision dynamique globale et permanente. Évaluer sécurité et adéquation éducative, effectuer contrôles ponctuels et quotidiens, gérer dynamiquement listes noires, grises et blanches et développer alertes et réponses d’urgence adaptées aux situations. Évaluer sécurité et efficacité.
Troisièmement, développer des modèles éducatifs plus précis, cohérents et adaptés. Renforcer les tests éthiques, réduire erreurs, biais et contenus inappropriés pour un environnement numérique sûr, conforme et éthique.
Quatrièmement, améliorer les guides pratiques des campus. Autorités, praticiens et chercheurs doivent préparer ensemble des orientations pour élèves, enseignants et transformation scolaire, couvrant enseignement différencié, augmenté et collaboratif, acquisition du savoir, autonomie, développement du campus et liens famille–école, pour des usages raisonnables et conformes.
Organiser les pratiques éducatives collaboratives humain–IA de manière ordonnée
L’évolution et l’intégration technologiques en font une orientation importante de l’avenir. Il faut encourager les enseignants à explorer et appliquer ces technologies efficacement.
Premièrement, adopter la pédagogie numérique comme fondement : ancrer les pratiques dans un enseignement efficace et un apprentissage profond, optimiser l’environnement, utiliser ressources et technologies comme moyens et privilégier l’apprenant et l’autonomisation technologique dans un espace numérique fiable.
Deuxièmement, approfondir la recherche sur les mécanismes par des méthodes pluri- et interdisciplinaires. Étudier les comportements pédagogiques et les interactions complexes enseignant–machine–élève pour enrichir la théorie. Évaluer systématiquement les effets globaux et améliorer structures et procédures de façon itérative à partir de preuves.
Troisièmement, publier guides pratiques et normes. Favoriser l’IA générative dans l’analyse des besoins, la recherche de ressources, la création de questions, la conception et le retour d’évaluation, tout en guidant l’usage raisonnable des élèves.
Quatrièmement, diffuser l’expérience. Identifier les cas améliorant la qualité et mobiliser des enseignants exemplaires. Organiser la formation selon les besoins réels et partager les pratiques avancées, transférables et de qualité. Créer communautés et plateformes pour échange, coopération et partage de ressources, et explorer ensemble de nouvelles voies.
Établir des normes pour les applications éducatives de l’IA générative
Prévenir des risques imprévisibles et protéger les apprenants dont le jugement se construit exige principes éthiques, règles de service et normes éducatives.
Premièrement, des normes techniques fondamentales, générales et directrices : notamment architectures stables et extensibles, accès commodes et sûrs, chiffrement strict et protection de la vie privée, protocoles d’échange communs pour l’interopérabilité, et propriété et droits d’usage clairs des contenus.
Deuxièmement, des normes de qualité mesurant valeur, efficience et efficacité : tests réguliers de précision et stabilité, sources fiables et diverses, contrôle de l’exactitude, de la pertinence et de l’adéquation des contenus et évaluation de leur soutien effectif aux objectifs pédagogiques.
Troisièmement, des normes de service couvrant assistance, droits, orientations et retour. Définir périmètre, publics et situations, fournir guides pour enseignants et élèves, procédures détaillées et bonnes pratiques. Prévoir assistance permanente et formation régulière ; clarifier la propriété intellectuelle pour prévenir les atteintes ; expliquer les procédures et règles ; proposer des canaux accessibles répondant rapidement aux questions et suggestions.
Construire un cadre de sécurité technique et d’éthique des grands modèles
Leur usage à grande échelle peut entraîner informations erronées ou fausses, fuites de données et de vie privée, biais et discriminations algorithmiques. Plusieurs acteurs doivent coopérer pour une conception, un développement et une utilisation ordonnés et conformes.
Premièrement, renforcer réglementation et contrôle externe : élaborer des politiques, protéger données et vie privée contre fuites, accès non autorisés et autres atteintes, appliquer gouvernance des données et informatique de confiance, imposer chiffrement rigoureux, audits réguliers et évaluations des risques.
Deuxièmement, responsabiliser organismes et personnels de recherche et développement. Améliorer traçabilité et explicabilité, concevoir des cadres algorithmiques transparents, enregistrer les décisions et fournir une documentation détaillée. Renforcer l’autorégulation et intégrer des principes fiables pour prévenir, détecter et éliminer biais et discriminations ; établir normes et engagements professionnels et publier régulièrement des rapports de transparence.
Troisièmement, renforcer la responsabilité et les règles d’usage. Respecter les lois et règlements sur les données et la cybersécurité, agir raisonnablement et de façon responsable, éviter illégalité, comportements contraires à l’éthique, atteintes à la vie privée et abus de données. Formation et communication internes doivent développer conscience juridique et responsabilité morale, avec des mécanismes de supervision et de réclamation.
Auteur : Huang Ronghuai
Source : Academic Frontiers, n° 14 de 2024
DOI de la publication originale：10.16619/j.cnki.rmltxsqy.2024.14.003
Lien original: https://aiedchair.bnu.edu.cn/news-9689-fr/
