Un peu de vocabulaire

Ensemble de techniques permettant d'imiter des processus cognitifs (analyser, apprendre, créer). En classe : soutien à la planification, différenciation, création de matériel et rétroaction.

Système informatique automatisé conçu pour générer des contenus, des prévisions, des recommandations ou des décisions pouvant influer sur un environnement physique ou virtuel. En classe : un terme plus englobant que « IAG », utile pour désigner aussi les IA non génératives (correcteurs, systèmes de recommandation, etc.).

IA capable de produire du texte, des images ou du code à partir de requêtes (prompts). Exemples : Gemini et Copilot. Toutes les IA ne sont pas «génératives»!

Système d'IA capable d'entretenir un dialogue grâce à sa compréhension et son utilisation du langage naturel. En classe : distinguer l'agent conversationnel générique d'un robot personnalisé configuré pour une tâche précise.

Modèle d'IA spécialisé dans la compréhension, la structuration et la génération du langage, entraîné sur d'immenses corpus de textes. En classe : c'est le moteur derrière la plupart des agents conversationnels utilisés en éducation.

Discipline informatique qui permet aux machines d'analyser, de comprendre et de produire le langage humain. En classe : c'est ce qui rend possible la correction automatisée, la traduction ou le résumé de texte par IA.

Architecture informatique d'inspiration biologique utilisée pour traiter l'information et entraîner des modèles d'IA. En classe : une image utile pour expliquer pourquoi les modèles « apprennent » sans être programmés étape par étape.

Méthodes permettant à un système d'apprendre à partir de données pour repérer des régularités et prédire, plutôt que d'être programmé explicitement. L'apprentissage profond (deep learning) s'appuie sur des réseaux de neurones à plusieurs couches. En classe : à expliciter aux élèves, les réponses sont probabilistes, pas « compréhensives ».

Suite d'instructions ou de règles logiques orientant le traitement des données, la prédiction ou la suggestion automatique de contenus aux utilisateurs. En classe : un point d'entrée simple pour aborder la citoyenneté numérique (réseaux sociaux, moteurs de recherche).

Technique qui combine génération et recherche dans un corpus pour ancrer les réponses sur des sources pertinentes (documents, normes, PDA).

Résultat erroné ou trompeur généré par une IA, mais présenté de façon convaincante et réaliste comme s'il s'agissait d'un fait avéré. En classe : justifie l'exigence de validation par un expert (discipline) avant d'utiliser une réponse d'IA.

Déformation ou préjugé systématique dans les résultats générés par un système, découlant souvent des données d'entraînement ou des mécanismes de filtrage. En classe : à mettre en lien avec l'esprit critique et la vérification des sources.

Tendance à attribuer des caractéristiques humaines (humour, ton familier, apparence) à un système d'IA. En classe : nommer ce biais aide l'élève à garder une distance critique face à un agent conversationnel.

Principes éthiques visant à rendre compréhensible le fonctionnement d'un algorithme, ses décisions et l'origine de ses données. En classe : un critère à considérer avant d'adopter un outil d'IA en milieu scolaire.

Évaluer la valeur ajoutée de l'IAG à travers une démarche en trois temps (avant, pendant, après son utilisation) pour soutenir l'apprentissage, la différenciation et la préparation de cours, tout en évitant la dépendance à l'outil.

Guider l'usage de l'IAG en appliquant des principes de responsabilité, de sobriété numérique (environnement, santé et bien-être), de recherche de qualité, d'équité, de transparence et de préservation de l'agentivité humaine.

Agir en conformité avec les obligations réglementaires en assurant la sécurité de l'information, la protection des renseignements personnels des élèves et du personnel, ainsi que le respect du droit d'auteur.

Capacité d'une personne à conserver le contrôle de ses propres décisions et actions. Dans le contexte de l'IA, le système ne doit jamais se substituer à la prise de décision de l'humain. En classe : un rappel du rôle de superviseur-expert que l'élève doit toujours conserver.

Volet environnemental : sensibilisation à l'impact environnemental et à la consommation énergétique liée aux requêtes d'IAG.

Volet bien-être et santé : prévenir les effets négatifs de la surutilisation du numérique sur la santé physique et mentale, pour préserver le bien-être individuel et collectif.

Adopter une posture d'analyse des réponses, vérifier les sources et reconnaître les limites des modèles. Inclut la validation par des experts selon la discipline.

Encadre la protection des renseignements personnels. En classe : limiter les données d'élèves envoyées à des services externes; privilégier les comptes et outils institutionnels.

Repères pour développer une utilisation éthique, critique et créative de l'IA; utiles pour calibrer la formation continue et la citoyenneté numérique.

Espace d'apprentissage professionnel pour partager, expérimenter et mutualiser autour de l'IA. Favorise la co-construction de stratégies d'intégration.

Posture d'écoute active et d'absorption d'information avant d'agir. Légitime l'appropriation progressive des outils d'IA par le personnel scolaire.

Approche expérimentale et ludique : tester librement des outils, documenter les découvertes et itérer sans peur de se tromper.

Trois axes de travail proposés : planifier, différencier, évaluer. Sert de cadre simple pour organiser les usages en équipe-école.

Robots personnalisés d'autoformation et de conception de tâches alignées au PFEQ/PDA. Intègrent phases d'apprentissage, triangulation des traces et justification des compétences ciblées.