Développer la littératie en AI : cadres, outils et pratiques

La littératie en AI est la capacité d'un individu à comprendre et à utiliser efficacement les outils d'AI, ce qui inclut la compréhension du fonctionnement de l'AI, l'évaluation critique de ses résultats et la reconnaissance des implications éthiques de son utilisation. La demande en compétences en AI a été multipliée par sept en deux ans, les outils d'AI générative étant passés du statut de nouveauté à celui d'utilitaire quotidien au travail, et elle devient aussi cruciale que la littératie numérique pour l'évolution de carrière.

Douze pour cent des adultes actifs utilisent désormais l'AI quotidiennement dans leur travail, et le Forum économique mondial prévoit que 40 % des compétences requises changeront d'ici cinq ans. Ce guide présente un cadre pratique de littératie en AI, des stratégies pour l'enseignement supérieur, ainsi que les outils, l'évaluation et les bases de l'informatique qui sous-tendent une véritable maîtrise de l'AI.

Qu'est-ce que la littératie en AI et l'intelligence artificielle ?

La littératie en AI est la combinaison de compétences et de connaissances qui permet à une personne d'utiliser efficacement les outils d'AI, d'évaluer leurs résultats de manière critique et de comprendre les limites des systèmes qui les produisent — une forme de maîtrise appliquée, tout comme la littératie numérique ne nécessite pas de savoir construire un ordinateur pour l'utiliser de manière productive.

L'intelligence artificielle fait référence aux systèmes informatiques conçus pour accomplir des tâches qui nécessitent généralement la cognition humaine, notamment la compréhension du langage, la reconnaissance de formes et la prise de décision. Le machine learning et le deep learning sont des sous-domaines de l'intelligence artificielle qui permettent aux systèmes de s'améliorer dans l'exécution de tâches grâce à l'exposition aux données plutôt qu'à des règles écrites à la main.

Un apprenant ayant une maîtrise de base de l'AI peut identifier quand un outil d'AI est adapté à un problème, formuler une requête qui produit un résultat exploitable et reconnaître les signes indiquant qu'un résultat peut être inexact ou biaisé — une utilisation appropriée, efficace et critique constitue le pilier de chaque cadre présenté ici.

Cadre de littératie en AI

La plupart des cadres de littératie en AI organisent les compétences autour de trois modes d'engagement : comprendre le fonctionnement des systèmes d'AI, évaluer l'exactitude et les biais des résultats de l'AI, et utiliser les outils d'AI pour accomplir des tâches. Les cadres de littératie en AI incluent souvent des domaines fonctionnels, critiques et éthiques, chacun correspondant à des compétences observables plutôt qu'à des connaissances abstraites.

Le domaine fonctionnel couvre la création de prompts et la compréhension du vocabulaire tel que les grands modèles de langage, les données d'entraînement et les modèles de machine learning. Le domaine critique couvre la vérification des résultats par rapport aux sources et la reconnaissance des informations hallucinées. Le domaine éthique couvre la confidentialité des données, l'intégrité académique et la manière dont les biais s'introduisent dans les résultats de l'AI via les données d'entraînement.

La littératie en AI favorise la réflexion critique sur les technologies d'AI et leurs applications, en associant chaque compétence à une valeur : l'exactitude, le scepticisme et la responsabilité.

Cadre élargi de littératie en AI

Une version plus détaillée du cadre divise Comprendre, Évaluer et Utiliser en niveaux de progression. Au niveau fondamental, un apprenant peut définir des termes clés et repérer l'AI dans les produits du quotidien. Au niveau intermédiaire, un apprenant peut comparer les résultats de plusieurs outils. Au niveau avancé, un apprenant peut auditer les résultats d'un système pour y détecter d'éventuels biais et concevoir des flux de travail avec une supervision humaine.

Comprendre signifie assimiler le fait qu'un modèle génère des résultats à partir de schémas appris dans les données d'entraînement plutôt qu'à partir d'une véritable compréhension. Évaluer signifie appliquer une liste de contrôle cohérente — y compris la vérification des affirmations par rapport à une source fiable — avant d'utiliser un résultat. Utiliser signifie appliquer les outils d'AI à des tâches réelles de recherche, de rédaction, de codage et d'analyse de données, ce qui aide les apprenants à percevoir la littératie en AI comme une compétence transférable.

Développer la littératie en AI dans l'enseignement supérieur

Les établissements d'enseignement supérieur portent une responsabilité particulière en matière de littératie en AI, car les étudiants obtiendront leur diplôme pour entrer sur un marché du travail où les outils d'AI générative sont déjà la norme. Les stratégies d'intégration dans les programmes d'études fonctionnent mieux lorsqu'elles sont réparties entre les départements plutôt que limitées à un seul cours à option en informatique, car l'évaluation d'un résumé juridique généré par AI requiert des compétences différentes de l'évaluation d'un rapport de laboratoire généré par AI.

En 2024, une enquête auprès des enseignants a révélé que les éducateurs maîtrisant l'AI utilisent davantage les outils d'AI, et cette tendance s'étend aux étudiants : l'exemple pratique donné par le corps enseignant favorise l'adoption et la confiance plus efficacement que les seuls documents d'orientation. Des modules spécifiques aux rôles sont importants — la formation des enseignants à l'utilisation responsable de l'AI pour la notation est différente de la formation des étudiants à la recherche et à la rédaction assistées par AI.

Les points de contrôle d'évaluation permettent aux établissements de suivre la littératie en AI de la même manière qu'ils suivent la maîtrise de l'écriture : un premier point de contrôle pourrait évaluer les définitions et les risques de base, tandis qu'un point de contrôle avant l'obtention du diplôme pourrait évaluer si les étudiants peuvent auditer un résultat généré par AI par rapport aux sources.

Exemples de cours et de devoirs

Un programme modulaire pour une unité d'AI générative commence généralement par des définitions et une démonstration, passe à une pratique guidée de rédaction de prompts, et se termine par un projet exigeant des étudiants qu'ils évaluent et révisent le contenu généré par AI plutôt que de le soumettre sans modification.

Un devoir évaluant la qualité d'un prompt demande aux étudiants de soumettre un prompt avec son résultat, puis d'expliquer ce qui a fonctionné et comment ils le réviseraient. L'utilisation efficace de l'AI inclut l'apprentissage du prompt engineering — la pratique consistant à concevoir des prompts clairs pour obtenir des résultats spécifiques — ce qui fait de l'itération des prompts une compétence visible plutôt qu'une simple tentative au hasard.

Une grille d'évaluation pour l'utilisation éthique de l'AI devrait noter séparément la divulgation, la vérification des affirmations et la proportion d'analyses originales, évitant ainsi l'erreur de traiter « a utilisé l'AI » et « a utilisé l'AI de manière irresponsable » comme une seule et même infraction.

Outils d'AI et outils d'AI générative

Les outils d'AI utilisés en classe et en milieu professionnel se répartissent généralement en quelques catégories : assistants de rédaction, outils de recherche et de synthèse, outils d'analyse de données, et outils de génération d'images ou de code. Répertorier les outils par cas d'usage, plutôt que par fournisseur, aide les enseignants à associer un outil à un objectif d'apprentissage.

Les outils d'AI générative peuvent améliorer l'apprentissage et les capacités humaines lorsqu'ils sont utilisés avec des limites claires concernant ce que l'outil produit par rapport à ce que l'apprenant doit produire de manière indépendante. La littératie en AI générative se concentre spécifiquement sur les grands modèles de langage, car ces systèmes alimentent la plupart des outils de rédaction et de conversation que les apprenants rencontrent en premier.

Comparer les points forts des outils pour des tâches spécifiques est important car aucun outil unique n'est le plus performant dans toutes les catégories — une partie de la littératie en AI consiste à reconnaître lorsqu'un outil n'est pas adapté à une tâche. Un modèle de démarrage rapide pour un outil devrait mentionner son cas d'usage, un exemple de prompt et ses limites connues, telles que la fabrication de citations.

Comment fonctionne l'AI : modèles et résultats

Les chatbots d'AI analysent les données pour générer des réponses textuelles probables plutôt que de récupérer des réponses pré-écrites dans une base de données. Un grand modèle de langage est entraîné sur de vastes quantités de texte, apprenant des schémas statistiques sur la relation entre les mots, et génère chaque nouveau mot en prédisant le prochain token le plus probable compte tenu de tout ce qui a précédé.

L'entraînement des modèles consiste à exposer un système à de grands volumes de données et à ajuster les paramètres internes jusqu'à ce que les résultats s'alignent sur les schémas de ces données ; un modèle pré-entraîné peut également être adapté à une tâche plus spécifique grâce au fine-tuning, bien que même un système ajusté n'ait aucun mécanisme intégré pour vérifier que son résultat est factuellement correct.

Les biais dans les résultats des modèles proviennent généralement des données d'entraînement elles-mêmes : les perspectives surreprésentées ou sous-représentées dans ces données se traduisent par un déséquilibre dans les résultats. La sensibilisation aux données est nécessaire pour comprendre comment la qualité des données affecte les résultats de l'AI, ce qui en fait une compétence fondamentale de la littératie en AI.

L'hallucination — un modèle générant des informations assurées, plausibles mais factuellement incorrectes — se produit parce que le modèle génère la suite statistiquement probable d'un prompt plutôt que de vérifier un fait par rapport à une source vérifiée. Les signes courants incluent des citations introuvables et des réponses qui changent lorsqu'on pose la question deux fois.

Utilisation pratique de l'AI au quotidien

La littératie en AI permet aux individus de naviguer face à l'influence de l'AI au quotidien, des résultats de recherche basés sur l'AI aux assistants de rédaction professionnels et aux outils de planification. Reconnaître où l'AI fonctionne déjà en arrière-plan des applications quotidiennes est en soi une compétence de littératie.

Une liste de contrôle pour le partage sécurisé des données avec l'AI devrait éviter de saisir des informations personnellement identifiables ou des documents de travail confidentiels dans des outils grand public, à moins qu'une organisation n'ait approuvé cette utilisation, car de nombreux outils gratuits conservent par défaut les données de conversation pour l'entraînement. L'examen des paramètres de rétention d'un outil d'AI et la séparation des comptes personnels et professionnels réduisent tous deux le risque d'exposition involontaire des données.

Évaluation critique et éthique

La littératie en AI apprend aux utilisateurs à reconnaître des problèmes tels que les biais et la confidentialité avant d'agir sur la base d'un résultat généré par AI. Une liste de contrôle d'évaluation critique étape par étape demande si une affirmation est vérifiable, si le résultat présente des signes de biais et si le fait d'agir en conséquence entraînerait un coût important en cas d'erreur. Les exercices de détection des biais fonctionnent mieux avec des prompts appariés — la même demande formulée avec des détails démographiques différents — afin que les apprenants puissent observer comment les résultats changent en fonction de la formulation.

La littératie éthique en AI inclut la compréhension des implications morales de l'AI, notamment la paternité des œuvres, le consentement et le coût de l'entraînement de grands modèles. Les pratiques d'attribution et de transparence — indiquer quand l'AI a contribué à un travail — protègent l'intégrité académique et la crédibilité professionnelle. L'US Copyright Office a clarifié le statut des droits d'auteur pour les contenus générés par AI en 2023, établissant que le contenu purement généré par AI ne peut généralement pas bénéficier de la protection des droits d'auteur sans une contribution humaine significative.

Bases de l'informatique pour la littératie en AI

Un apprenant n'a pas besoin d'un diplôme en informatique pour acquérir une culture de l'AI, mais une compréhension pratique de quelques concepts fondamentaux rend l'évaluation et le dépannage bien plus efficaces. Les concepts essentiels incluent la structuration des données, la distinction entre les programmes basés sur des règles et les modèles appris, et la manière dont les systèmes informatiques transforment les entrées en sorties.

Les parcours d'initiation à la programmation sont utiles même pour les apprenants non techniques, car écrire une petite quantité de code permet de démystifier la manière dont l'AI est intégrée aux produits que les gens utilisent déjà. Des notions de statistiques de base complètent ces fondations : ce que représente une distribution de probabilité, pourquoi un score de confiance est différent de la précision, et comment la taille de l'échantillon et la qualité des données affectent la fiabilité.

Mettre en œuvre des programmes de culture de l'AI

Une évaluation de référence de la culture de l'AI doit mesurer séparément les compétences fonctionnelles, critiques et éthiques, car une organisation peut être performante dans l'utilisation des outils mais faible dans l'évaluation critique. L'identification et la formation de champions internes accélèrent ensuite l'adoption, car une formation animée par des pairs suscite plus de confiance que des directives descendantes — les programmes de culture de l'AI sont essentiels pour une utilisation responsable de l'AI, et les champions intégrés au sein des équipes modélisent cette utilisation en contexte.

L'établissement d'une structure claire de gouvernance de l'AI et d'une politique d'utilisation acceptable donne aux apprenants un cadre concret de ce qui est autorisé, réduisant ainsi l'ambiguïté qui pousse à un évitement excessif ou à une surutilisation imprudente. Les programmes de culture de l'AI doivent inclure des considérations éthiques et de gouvernance dès le départ, et sont reconnus par les gouvernements de plusieurs pays comme faisant partie de la stratégie nationale en matière de compétences numériques. Mener des expériences itératives pilotes — tester un module avec un petit groupe avant un déploiement complet — permet aux institutions d'ajuster le contenu en fonction des retours réels.

Évaluation et indicateurs

Les objectifs d'apprentissage mesurables doivent spécifier un comportement observable, et pas seulement un sujet : « identifier trois signes d'hallucination de l'AI dans un exemple de résultat » est mesurable, contrairement à « comprendre les limites de l'AI ». Les tâches formatives fonctionnent mieux lorsqu'elles reflètent des cas d'usage réels — évaluer un résumé imparfait généré par l'AI démontre une évaluation critique de manière plus directe qu'un questionnaire à choix multiples abstrait.

Les indicateurs d'impact doivent suivre les résultats au-delà de la réussite des cours, notamment le niveau de confiance avec lequel les apprenants déclarent utiliser les outils d'AI des mois plus tard, et si l'utilisation déclarée de l'AI dans les travaux de cours augmente au fil du temps — les métriques à plus long terme importent tout autant que les scores post-formation.

Ressources, boîtes à outils et prochaines étapes

Les lectures recommandées doivent être actualisées régulièrement, car les outils d'AI évoluent plus rapidement que la plupart des autres sujets de programme. Un cours sur les principes fondamentaux de l'AI générative et une référence durable comme The Big Book of Generative AI vieillissent mieux qu'une liste de lecture construite autour de noms d'outils spécifiques, et des tutoriels pratiques associés à une courte question de réflexion transforment un guide passif en un exercice actif.

D'ici 2026, 67 % des CEO estiment que l'AI augmentera les effectifs de niveau débutant, même si les rôles évoluent vers un travail augmenté par l'AI. Une feuille de route de déploiement sur six mois doit traiter la culture de l'AI comme une compétence continue : le premier mois pour l'évaluation de référence, les mois deux à quatre pour la diffusion des modules et la formation des champions, et les mois cinq et six pour mesurer l'impact et affiner le programme.

Foire aux questions sur la culture de l'AI

Qu'est-ce que la culture de l'AI ?

La culture de l'AI est la capacité d'un individu à comprendre le fonctionnement des systèmes d'AI, à évaluer leurs résultats de manière critique et à utiliser les outils d'AI de manière efficace et éthique.

Pourquoi la culture de l'AI est-elle importante dans l'enseignement supérieur ?

Les étudiants intégreront un marché du travail où les outils d'AI générative sont déjà une pratique courante. Les institutions qui intègrent la culture de l'AI dans l'ensemble des départements préparent les étudiants à évaluer et à utiliser les outils d'AI de manière responsable dans n'importe quel domaine.

Quels sont les principaux domaines d'un cadre de culture de l'AI ?

Les cadres de culture de l'AI organisent généralement les compétences en trois domaines : la culture fonctionnelle, soit la capacité à utiliser efficacement les outils d'AI ; la culture critique, soit la capacité à évaluer l'exactitude et les biais des résultats ; et la culture éthique, soit la compréhension des implications morales et juridiques de l'AI.

Comment les éducateurs peuvent-ils évaluer la culture de l'AI ?

Les éducateurs peuvent évaluer la culture de l'AI à l'aide d'objectifs mesurables basés sur le comportement, par exemple en demandant aux étudiants d'identifier les erreurs dans un résultat imparfait généré par l'AI ou de déclarer et justifier leur utilisation de l'AI dans un projet.

Qu'est-ce qui cause les hallucinations de l'AI ?

L'hallucination de l'AI se produit parce que les grands modèles de langage génèrent la suite statistiquement la plus probable d'un prompt plutôt que de récupérer et de vérifier des faits à partir d'une source fiable, c'est pourquoi l'évaluation critique des résultats de l'AI est une compétence fondamentale de la culture de l'AI.

(Cet article de blog a été traduit à l'aide d'outils basés sur l'intelligence artificielle) Article original