Trajectoires de l’IA en éducation

Serge Pouts-Lajus, Education & Territoires

Mars 2024

Il existe deux façons d’envisager l’avenir d’une technologie. On peut partir de la situation présente et s’efforcer de déceler en son sein les forces qui l’orientent et pourraient déterminer son évolution. On peut aussi élargir le regard vers le passé et situer le moment présent dans un continuum que l’analyse cherchera à prolonger dans le temps. S’agissant du sujet qui nous intéresse ici, l’avenir de l’IA dans l’éducation, il est tentant de s’en tenir à la première approche : identifier, parmi les réalisations disponibles ou annoncées de l’IA, celles qui pourraient être mises au service de l’éducation. Je me propose ici d’adopter un point de vue plus historique en revenant à la source des réalisations et des promesses initiales de la première IA, à la fin des années 80, et en tentant de reconstituer une continuité de son parcours dans le champ éducatif.

Aux origines : le rêve de l’enseignement automatisé

Avant même l’apparition des ordinateurs, plusieurs inventeurs nord-américains dont le plus célèbre est certainement B. F. Skinner (1904-1990), ont cherché à concevoir une machine capable de délivrer un enseignement contrôlé sans intervention humaine. La machine de Skinner et toutes celles qui lui ont succédées reposent sur le principe du questionnaire à choix multiple (QCM), encore aujourd’hui très répandu sous de multiples formes : le système présente une question et plusieurs réponses possibles parmi lesquelles l’apprenant doit trouver la bonne ou les bonnes.

Ce type d’interaction entre une personne et un système automatique pose, dans son application à l’enseignement, deux questions principales qui vont nous servir de guide :

• Le questionnement, c’est-à-dire à la fois les questions posées, les réponses proposées et l’enchaînement des questions ;

• La modalité d’interaction avec le système, c’est-à-dire les actions que l’apprenant est invité à réaliser et les retours (ou feed-back) que le système lui adresse.

De cette époque pré-informatique, Audrey Watters a rendu compte dans son livre « Teaching Machines – The History of Personalized Learning » (MIT Press, 2023). Elle montre que les initiatives des inventeurs rivaux se succédaient, porteuses de promesses généralement abusives, entrainant des déceptions que de nouvelles inventions et de nouvelles promesses parvenaient à faire oublier.

L’informatique est venue prendre le relais de cette première époque, lui donnant un puissant coup d’accélérateur. Des pédagogues se sont inscrits dans le sillage de l’enseignement programmé de Skinner, en le débarrassant de ses présupposés comportementalistes et en enrichissant considérablement les modalités du questionnement et de l’interaction mais sans renoncer à l’habitude des promesses abusives que les progrès de la technologie permettaient de renouveler d’une génération d’ordinateurs à l’autre.

L’éducation et la première IA

Au début des années 90, les progrès de l’IA éveillent naturellement l’intérêt des pédagogues et des industriels. Elle leur ouvre des perspectives nouvelles qu’il est intéressant d’examiner à travers le filtre des deux thématiques qui nous servent de fil rouge.

Parmi les outils de cette première IA, aujourd’hui appelée IA symbolique (IAS), figurent les systèmes experts, des modèles formels capables de représenter des mécanismes cognitifs qui peuvent être, soit ceux d’un expert c’est-à-dire d’un « sachant », soit, pour ce qui nous intéresse ici, ceux d’un « apprenant ». Pour construire des « modèles de l’apprenant », les concepteurs font appel aux apports de la pédagogie, de la didactique mais également des sciences cognitives, émergentes à cette époque. Ces modèles aident à concevoir des parcours d’apprentissage individualisés composés d’exercices et d’activités tenant compte des succès et des échecs de l’élève à chaque étape de son parcours, en les confrontant de façon dynamique avec le modèle expert et le modèle de l’apprenant.

En matière d’interaction, les concepteurs s’efforcent de s’extraire du strict cadre QCM et de ses réponses fermées en exploitant au maximum les potentialités multimédias de l’ordinateur. Les simulations par exemple invitent l’utilisateur à manipuler des objets numériques variés, à constater par lui-même les effets de ses actions et à les confronter à ceux suggérés par le modèle expert.

Cette première incursion de l’IA en éducation donne lieu une fois encore à son lot de promesses qui se heurteront vite à la réalité des résultats, rares et décevants. Mais l’éducation n’est pas le seul champ d’application où l’IAS déçoit. Partout, les financements et les recherches s’étiolent. L’IA disparait du paysage.

Les travaux du chercheur américain, Roger Schank (1946-2023) éclairent les ambitions de cette première période et, par anticipation, celles des épisodes suivants. A l’université de Yale, Schank explore les potentialités de l’IA pour l’apprentissage de notions complexes. Il s’associe avec le psychologue Robert Abelson pour élaborer une conception de la cognition basée sur des scénarios, des récits porteurs de sens qui lui serviront de supports pour concevoir des environnements pédagogiques qu’il base sur le principe des cas (case based) : plutôt qu’à un questionnement artificiel, Schank préfère confronter l’élève à des situations réelles. Cette approche le conduit à s’intéresser aux interactions homme-machine qui, pour être stimulantes sur le plan cognitif, devraient selon lui être conduites en langage naturel. Dans ce but, Schank développe une théorie du langage qu’il propose de structurer non par les mots comme le feront les futurs systèmes de modélisation du langage mais par les concepts. Ces objectifs ambitieux ne rencontreront pas l’écho attendu. Ils donneront lieu aux habituelles promesses de révolution pédagogique puis finiront par être abandonnés. Schank manifestera tout au long de sa carrière une forte acrimonie contre les systèmes scolaires traditionnels et à la fin de sa vie contre ChatGPT qu’il estimera être une imposture.

Nous retiendrons ici que la volonté de placer la question de la compréhension du langage naturel au centre des applications de l’IA en éducation fait écho à ce qui apparaitra comme une avancée majeure d’une nouvelle génération d’IA dont les résultats les plus convaincants émergent au cours des années 2010.

Printemps de l’IA

La puissance de calcul accrue des ordinateurs donne un nouvel élan à une branche de l’IA baptisée IA connexionniste (IAC) fondée sur l’exploitation de données (data) et des algorithmes d’apprentissage sophistiqués (deep learning). Dans le domaine de l’éducation, apparaissent les learning analytics qui sont les traces laissées par les utilisateurs de dispositifs éducatifs automatisés tout au long de leurs parcours d’apprentissage. Ces données, dès lors qu’elles sont en grand nombre, peuvent être analysées afin de repérer, dans la distribution des succès et des échecs de chaque utilisateur, des corrélations révélatrices de styles cognitifs différentiés, ce qui permet ensuite de construire une typologie de parcours qui jouera le même rôle que les « modèles de l’apprenant » de l’IAS, mais sans passer par une construction théorique préalable. Dans le mouvement qui s’amorce alors, l’apport des learning analytics est renforcé par celui des sciences cognitives et des neurosciences qui inspirent la conception du questionnement, c’est-à-dire la nature et l’enchainement des activités proposées aux apprenants, en les fondant sur des modèles qui se veulent scientifiquement établis. Avec cette double contribution, les systèmes d’enseignement individualisé, rebaptisés adaptive learning, espèrent pouvoir surmonter une partie des obstacles qui ont jusqu’à présent empêché leur plein développement.

Reste aujourd’hui encore une difficulté insurmontée, celle de la maitrise du langage naturel pour la gestion des interactions homme/machine, rêve inabouti de Roger Schank et seule façon de surmonter le caractère « fermé » du traditionnel QCM. Or, les IA génératives font à présent la démonstration, grâce notamment à ChatGPT, qu’elles pourraient être en mesure de surmonter cet ultime obstacle. Au moment où ces lignes sont écrites, une telle démonstration est encore partielle. Il reste en effet à passer d’un système qui se contente de répondre à des questions exprimées en langage naturel, à un système capable de poser des questions et de maintenir un dialogue, c’est-à-dire capable d’entretenir une conversation.

En route vers l’avenir !

Entre la fin de la première époque de l’IAS à la fin des années 90 et l’émergence de l’IAC près de vingt ans après, la rupture n’a pas été aussi nette qu’il y parait : les recherches dans la lignée de l’IAS se sont poursuivies, à bas bruit, et poursuivent encore leur chemin tandis que l’histoire de l’IAC prend naissance bien en amont de sa récente mise en visibilité. Il existe ainsi une continuité qui invite à envisager l’avenir de l’IA à partir de la convergence des contributions de l’IAS et de l’IAC. On peut tenter de voir de quelle façon une telle convergence pourrait se réaliser dans le domaine de l’éducation.

Pour devenir des « IA conversationnelles » d’apprentissage, les IA génératives issues de l’IAC devront être dotées d’une intentionnalité éducative, c’est-à-dire d’une modélisation du savoir à transmettre et des formes possibles de son appropriation, sans laquelle on voit mal comment un dialogue pédagogique serait possible. C’est du côté de l’IAS et de ses systèmes experts que des solutions pourraient être recherchées. Des modèles théoriques à partir desquels de telles intentionnalités pourraient être conçues existent. Ils ont été conçus par des spécialistes en sciences de l’éducation que se sont intéressés au rôle des technologies. C’est le cas par exemple du modèle conversationnel de Diana Laurillard (Rethinking University Teaching - A Conversational Framework for the Effective Use of Learning Technologies, 1993).

Dans le modèle de Laurillard, l’enseignant-précepteur et son élève s’engagent dans une conversation leur permettant de confronter leurs représentations respectives d’un certain savoir (en haut du schéma). Le cycle des interactions entre les deux acteurs s’inscrit ensuite dans un environnement d’action conçu par l’enseignant et dans lequel l’élève est invité à agir (en bas du schéma), ce qui devrait le conduire à enrichir et à modifier sa représentation du savoir jusqu’à la rapprocher de celle du professeur, lequel aura parallèlement ajusté son environnement d’action et sa propre représentation du savoir à transmettre en tenant compte des actions de l’élève.

A quelle échéance, le remplacement de l’enseignant-précepteur par une IA conversationnelle peut-il être envisagé ? Les modèles pédagogiques sur lesquels l’IA pourra s’appuyer pour conduire le dialogue dans le langage naturel de l’élève restent à construire. Des prototypes simples traitant de savoirs élémentaires pourraient être développés dans un délai raisonnable. On peut aussi imaginer qu’ils donneront lieu aux habituelles promesses enflammées. La suite est plus difficile à prévoir…

Un autre courant dans le numérique éducatif

La généalogie prospective qui précède ne rend pas justice à elle seule des incursions de l’IA dans le champ de l’éducation. Un second courant, établi en réaction à celui en faveur de l’enseignement automatisé, a choisi de privilégier une relation avec l’informatique radicalement différente. De même que Roger Schank illustre bien les ambitions du premier courant, Seymour Papert aidera à bien saisir les racines du second.

Seymour Papert (1928-2016) est surtout connu comme inventeur du langage de programmation Logo qui rencontra un succès mondial au début des années 80. Au-delà de la célèbre tortue Logo dont on retrouve aujourd’hui la trace dans les robots mobiles programmables, très populaires dans les écoles, Papert inaugure une perspective pédagogique ambitieuse. Il voit l’ordinateur comme une « machine à connaitre » pilotée par l’enfant, à l’opposé donc de l’ordinateur précepteur qui dirige et contrôle l’activité de son utilisateur. Il date lui-même cette révélation de 1965 alors qu’il travaille au MIT avec des informaticiens : « Tout à coup, une idée évidente m’a traversé l’esprit : l’ordinateur devait être un instrument de travail et d’élaboration de la pensée, un moyen de mener à bien des projets, une source pour de nouveaux concepts et de nouvelles idées. » (L’enfant et la machine à connaître – Repenser l’école à l’ère de l’ordinateur, Dunod, 1993).

Les espoirs de Papert ne se sont pas concrétisés comme il l’espérait mais il est, sans conteste, l’initiateur d’un puissant courant pédagogique qui fait de l’ordinateur un outil de production et de création auquel une majorité d’enseignants adhèrent encore aujourd’hui. Le traitement de texte, le tableur, les logiciels de création graphique et sonore, de programmation ou de géométrie dynamique, les outils de communication et d’édition en ligne sont des ressources numériques très utilisées à des fins pédagogiques dans tous les établissements scolaires.

La première période de l’IA, celle de l’IAS et de ses systèmes experts qui répondaient surtout aux attentes des adeptes de l’enseignement programmé, a eu peu d’attrait pour les pédagogues qui s’inscrivaient dans la dynamique initiée par Papert. Les IA génératives de la deuxième époque qui se présentent comme des outils de production de textes ou d’images les interpellent davantage. Mais les performances de ces nouvelles ressources, celles de ChatGPT en particulier, qui en font un moyen potentiel de tromperie et de tricherie les incitent aussi à la prudence.  Pour que les IA génératives puissent servir à autre chose qu’à faire « à la place » de l’élève, un avantage évidemment ambigu, les pédagogues se voient contraints d’élaborer des scénarios d’usage qui lèvent cette ambiguïté, par exemple en faisant de l’IA générative un partenaire inspirant et tenu à distance par le sens critique. De nombreuses propositions émergent dont l’avenir dira si elles suffiront à éviter que ces nouveaux services soient utilisés à des fins pédagogiquement néfastes.

Signalons avant de conclure que dans les établissements scolaires, beaucoup d’enseignants naviguent sans difficulté entre ces deux courants. Ils peuvent, à certains moments, faire travailler leurs élèves avec des logiciels d’apprentissage individualisé qui disposent généralement d’un module de suivi de la progression de chaque utilisateur. Ce qui ne les empêche pas, à d’autres moments, d’engager leur classe dans une activité collective de production utilisant des outils numériques.

Les IA génératives à la porte de l’école ?

Les contributions de l’IA à chacun des deux courants qui nourrissent depuis plus de 40 ans la réflexion et les pratiques du numérique en éducation permettent d’isoler deux trajectoires de développement. La première, portée par la dynamique de l’enseignement programmé et de l’ordinateur précepteur, a certainement plus à gagner ou du moins plus à espérer des avancées de l’IA et notamment de celles qui résulteraient d’une convergence des acquis de l’IAS et de l’IAC en combinant l’expérience acquise par les automates poseurs de questions de l’enseignement programmé avec celle, émergente, des automates répondeurs tels que ChatGPT. Mais les promesses dont ce courant est porteur ne sont encore que des promesses…

La situation est différente pour la seconde trajectoire. Des professionnels de l’éducation, enseignants et cadres des systèmes éducatifs, se déclarent partisans de l’exploitation pédagogiques des IA génératives, dans la continuité du courant favorable aux usages productifs et créatifs du numérique. Ils ne manquent pas d’argument pour justifier ce choix. Premier argument : quoique l’on en pense, ces objets existent, ils « sont là » et rien ne pourra empêcher les enfants et les jeunes de les utiliser, mieux vaut donc les former à le faire de façon éclairée plutôt que les abandonner à eux-mêmes. Deuxième argument : d’ores et déjà, de nombreuses pistes d’usages pédagogiques des IA génératives sont explorées par des pédagogues ayant le goût de l’innovation, dans de nombreuses disciplines et à des niveaux de scolarité variés. Les exemples abondent et les promesses d’utilité pédagogique abondent elles aussi. Troisième argument : l’école a le devoir de préparer les enfants et les jeunes à trouver leur place, lorsqu’ils seront adultes, dans un monde où l’IA sera certainement omniprésente, et pour cela, elle doit les familiariser à ces outils, à leurs capacités et à leurs limites.

Ces arguments sont de peu de poids. Il est utile de rappeler ici quelques principes. Les acteurs de l’éducation restent maitres de ce qu’ils vont chercher dans le monde extérieur à l’école pour l’intégrer dans leurs pratiques. Face aux IA génératives, ils sont en droit d’hésiter. Il ne suffit pas en effet qu’une chose « soit là » pour qu’elle ait sa place dans l’éducation. Que des pistes d’usage pédagogique de cette chose puissent être envisagées est évidemment une condition nécessaire pour justifier sa présence dans l’éducation mais ce n’est certainement pas une condition suffisante. Le monde offre aux éducateurs un choix immense de ressources produites par des auteurs humains dignes de confiance, capables de nourrir l’expérience d’apprentissage des élèves. Pourquoi faudrait-il leur préférer des objets techniques sans autre éthique revendiquée que celle de leurs concepteurs, lointains et anonymes ? D’autant plus que les IA génératives actuelles ne sont généralement pas conçues pour l’éducation, ce qui rend les enseignants utilisateurs dépendants de concepteurs indifférents à leurs besoins. Former les enfants et les jeunes à connaitre les limites de ces choses que le marché ne cesse de mettre entre leurs mains, c’est se placer dans une situation de dépendance dont l’école ne peut sortir que vaincue.  Enfin, s’il s’agit de préparer les enfants et les jeunes à trouver leur place dans le monde de demain, est-ce une si bonne idée de les former à des outils qui auront été remplacés par d’autres lorsqu’ils sortiront de l’école ?

L’avenir de l’IA dans l’éducation apparait ainsi, pour chaque trajectoire et quelles que soient les promesses avancées par ceux qui les soutiennent, relativement incertain. Mais un autre facteur, externe celui-ci, pourrait assombrir cette perspective. Le monde de l’éducation ne peut pas en effet être insensible aux questions éthiques soulevées par la diffusion des IA génératives et leurs possibles effets nuisibles sur les sociétés. Si les dispositions mises en place pour réguler la production et la diffusion de ces outils ne parviennent pas à en limiter les conséquences négatives, qu’elles soient sociales, culturelles et surtout écologiques, l’éducation ne devrait-elle pas se placer plutôt comme un rempart que comme un allié ? Les menaces que l’IA fait peser sur certaines professions pourraient l’impacter elle aussi. La question du remplacement d’acteurs humains par des automates ne s’est pas encore posée de façon déterminante dans l’enseignement scolaire. Mais elle pourrait progressivement gagner en intensité dans l’hypothèse d’une amélioration substantielle des performances des IA conversationnelles. L’enseignant humain resterait certes indispensable pour prendre en charge certaines interactions avec les élèves mais cette part de l’éducation pourrait se réduire et menacer ainsi la fonction enseignante elle-même.