Les progrès rapides réalisés au cours des deux dernières années dans le domaine des grands modèles linguistiques (LLM) ont conduit certains à affirmer que l'IA rendra bientôt obsolète l'enseignement supérieur, en particulier dans le domaine des arts libéraux. Selon ce point de vue, les jeunes auraient tout intérêt à renoncer à l'université et à apprendre directement sur le terrain.
Je ne suis absolument pas d'accord. L'apprentissage par l'expérience pratique est précieux et l'a toujours été. Mais il fonctionne mieux lorsque les gens ont une bonne idée des emplois et des compétences qui seront recherchés. S'il y a une chose dont nous pouvons être sûrs, c'est que l'avenir du travail est très incertain. Conseiller aux jeunes de renoncer à l'université au profit d'une entrée précoce sur le marché du travail est, au mieux, une erreur.
Geoffrey Hinton, largement considéré comme l'un des pionniers de l'IA moderne, a un jour comparé les progrès dans son domaine à une navigation dans le « brouillard » : on voit ce qui se trouve immédiatement devant soi, mais pas ce qui vient après. Par conséquent, le principal défi pour les éducateurs est de préparer les étudiants à fonctionner efficacement dans des conditions similaires au brouillard. La solution n'est pas de les former à des tâches spécifiques qui pourraient bientôt devenir obsolètes, mais de les rendre aussi adaptables que possible. Essayer de préparer les gens à un ensemble fixe de défis, alors que ces défis changent constamment, est une stratégie vouée à l'échec. Nous voulons des conducteurs compétents, capables de naviguer sur des routes inconnues et de surmonter des obstacles inattendus.
De ce point de vue, l'éducation, et en particulier l'enseignement supérieur, joue un rôle plus important que jamais. Comme nous ne savons pas quelles compétences spécifiques seront recherchées à l'avenir, il est impératif de revenir aux fondamentaux. L'enseignement libéral met l'accent sur la manière de penser plutôt que sur ce qu'il faut faire. Il apprend aux étudiants à raisonner, à lire attentivement, à écrire clairement et à évaluer les preuves. Ces compétences vieilliront beaucoup mieux que des compétences techniques étroites.
Cela ne signifie pas pour autant qu'il faille ignorer la technologie. Au contraire, les étudiants doivent apprendre à travailler avec l'IA. Mais l'objectif doit être de faire d'eux des utilisateurs critiques et des juges éclairés des outils d'IA, et non des consommateurs passifs. Il reste essentiel d'enseigner les mathématiques de base, la logique et le raisonnement, de se familiariser avec les textes fondamentaux et d'apprendre comment les arguments sont construits et testés. Ce sont ces compétences qui permettent aux individus de rester à la pointe d'une technologie en constante évolution.
Ce principe soulève deux questions pratiques : que devons-nous enseigner et comment devons-nous l'enseigner ? La première question est difficile et suscitera inévitablement des débats. Si l'importance des concepts fondamentaux fait largement consensus, les détails évolueront avec le temps. Notre expérience des technologies antérieures nous offre des indications utiles. L'introduction des calculatrices et des ordinateurs n'a pas éliminé la nécessité d'enseigner l'arithmétique. Les élèves apprennent toujours comment fonctionnent les calculs, mais les calculs manuels fastidieux sont désormais délégués à des machines. De même, l'orthographe et la grammaire restent importantes, mais les logiciels ont largement remplacé le besoin d'exercices interminables.
L'IA nécessite un ajustement similaire dans de nombreux domaines. Les LLM (modèles linguistiques à grande échelle) effectuent désormais très bien des tâches telles que le résumé de textes ou l'identification des idées principales, qui sont depuis longtemps des éléments essentiels de l'éducation. Il en va de même pour la programmation, la résolution de problèmes quantitatifs et même la rédaction de textes. Bien que ces activités ne doivent pas disparaître des programmes scolaires, l'objectif doit changer. Les élèves doivent comprendre les concepts et la logique sous-jacents, plutôt que de maîtriser chaque étape de l'exécution.
Les élèves qui réussiront sont ceux qui sauront utiliser efficacement les outils d'IA pour atteindre des objectifs bien définis. Il en va de même pour une bonne gestion : le succès dépend de la définition des priorités, de la structuration des problèmes et de l'utilisation judicieuse des ressources disponibles. Il s'agit là de compétences conceptuelles, et non de compétences techniques étroites.
La deuxième question, d'ordre pédagogique, concerne la manière dont l'apprentissage est renforcé et évalué. La compréhension nécessite une certaine pratique, mais l'IA permet aux étudiants d'éviter plus facilement que jamais de faire le travail eux-mêmes. Même les étudiants très motivés seront parfois tentés de prendre un raccourci, surtout lorsqu'ils sont pressés par le temps. Nous avons donc besoin d'un changement majeur dans l'évaluation. Les dissertations à faire à la maison, les séries de problèmes et les examens non surveillés sont de moins en moins efficaces. Ils devront être remplacés par des quiz et des examens en présentiel, des évaluations orales et des problèmes résolus en temps réel, que ce soit sur papier ou au tableau blanc.
De tels changements ont des implications profondes. Ils nécessitent une présence physique, des classes plus petites et une interaction plus directe entre les étudiants et les enseignants. À bien des égards, cela marquerait un retour aux anciens modèles d'enseignement, inversant certaines des échelles et de la standardisation introduites par les technologies précédentes. Cela pourrait même inaugurer un nouvel âge d'or pour l'enseignement des arts libéraux.
Mais ce modèle soulève également de sérieuses préoccupations. Il confère une plus grande responsabilité aux enseignants, qui doivent être prêts à appliquer des normes et à prendre des décisions difficiles. Les établissements doivent les soutenir dans cette démarche. Dans le même temps, l'évaluation basée sur l'interaction personnelle soulève des inquiétudes légitimes quant à l'existence de biais. Les examens standardisés ont leurs défauts, mais leurs biais sont au moins visibles. L'évaluation subjective basée sur les examens oraux et l'interaction personnelle peut être moins transparente.
Le défi le plus sérieux concerne peut-être les inégalités. L'enseignement en petits groupes et hautement personnalisé est coûteux. Les établissements d'élite peuvent se le permettre, mais les grandes universités publiques auront du mal à suivre. Tout comme l'enseignement à distance pendant la pandémie a creusé les écarts en matière d'éducation, le passage à un enseignement intensif en présentiel basé sur l'IA pourrait désavantager ceux qui dépendent le plus de l'enseignement public.
Certains affirment que l'IA elle-même réduira le besoin d'éducation formelle en fournissant des informations et des conseils personnalisés à la demande. Mais cela suppose que les utilisateurs sachent quoi demander et comment interpréter les réponses. Les personnes les plus motivées ou les plus douées pourraient s'épanouir dans un tel environnement, mais elles le feraient de toute façon. L'éducation formelle est surtout importante pour la grande majorité.
Si l'IA doit profiter à la société, nous aurons besoin de plus d'investissements dans l'éducation, et non moins. L'IA va supprimer des emplois, mais elle en créera également de nouveaux. L'éducation devrait faire partie des secteurs en expansion. À mesure que l'IA se généralisera, la qualité de l'éducation dépendra moins de l'accès et davantage des attentes et de la mise en œuvre. Des classes plus petites, davantage d'enseignants et une plus grande interaction personnelle ont un coût, mais les gains de productivité promis par l'IA rendent ces investissements à la fois réalisables et rentables.
By Pinelopi Koujianou Goldberg
JDF TV
L'actualité en vidéo
