Ce que je préférais dans l’enseignement au collège n’était pas la notation. C’était le chaos de l’expérimentation.
J’ai abandonné le rapport du livre. Mort à l’arrivée. Au lieu de cela, les étudiants ont utilisé des organisateurs graphiques, limités à 100 mots, pour les réponses multimodales. Les rapports oraux étaient limités à deux minutes. Si je vous surprenais en train de lire pendant la RSS ? Points bonus. Simple.
Des examens ? Apportez vos notes. Mes diapositives. Le manuel. Rien.
Je m’en fichais si tu te souvenais des dates. Je voulais voir si vous pouviez synthétiser, évaluer et analyser.
En douze ans d’enseignement, je n’ai jamais forcé un seul élève à rédiger un essai de cinq paragraphes.
Pourquoi?
Je suis écrivain professionnel bien avant la naissance de la plupart de ces modèles d’IA. Je déteste le format. La structure compte. Mais une structure qui n’existe qu’à l’intérieur d’une salle de classe ? C’est une perte de temps.
Récemment, certains auteurs de Substack sur l’IA dans l’éducation ont ravivé mon intérêt pour le design.
J’ai fait un test.
J’ai demandé une chose aux grands LLM : Qu’est-ce qui rend un devoir facile pour vous ?
Je connaissais la réponse avant de la poser. Reconnaissance de formes.
Nous blâmons la technologie. C’est paresseux.
Le problème n’est pas que l’IA soit trop puissante.
Le problème est que nous avons conçu nos missions pour qu’elles soient prévisibles, procédurales et fastidieusement automatisables.
L’industrie le sait : si vous pouvez l’automatiser, elle le devient. L’éducation arrive juste en retard à la fête.
La formule que l’IA adore
Nous ne sommes pas tombés sur des tâches conviviales pour l’IA. Nous les avons construits.
Les LLM prospèrent grâce à la structure. Pas de perspicacité. Pas une expérience de vie. Structure.
Voici ce qui tue la créativité des étudiants et nourrit l’IA :
1. Modèles rigides
L’essai de cinq paragraphes est roi. Introduction. Trois paragraphes de corps. Conclusion. Changez de sujet. La forme reste.
L’IA n’a pas besoin de penser. Cela ne fait que combler les blancs.
2. Invites évidentes
“Expliquez le cycle de l’eau.”
“Énumérez les causes de la révolution.”
Ce ne sont pas des questions. Ce sont des commandes de recherche.
Le modèle mappe le signal à la réponse stockée. C’est l’achèvement, pas la création.
3. Pensée superficielle
Résumez. Définir. Liste.
Les scientifiques cognitifs appellent ce niveau « superficiel ». C’est là que la densité des motifs est la plus élevée. L’IA domine la surface. Il essaie à peine la profondeur.
4. Rubriques de la liste de contrôle
Inclure trois exemples.
Utilisez cinq mots de vocabulaire.
Utile ? Oui.
Adapté aux algorithmes ? C’est terrible.
Les LLM effectuent une rétro-ingénierie de votre rubrique. Ils optimisent pour les points, pas pour le sens.
5. Aucun contexte
Lorsqu’un devoir ignore qui est réellement l’étudiant, il devient une connaissance décontextualisée.
J’ai demandé aux enfants de relier des livres à des émissions de télévision. Aux jeux vidéo. À leurs vies.
L’IA n’a pas de vie. Lorsque la tâche manque de contexte, l’IA n’a aucun désavantage contre vous.
Le piège de la conception à rebours
Ironie ? Nos meilleurs frameworks ont contribué à cela.
La conception à rebours commence par les résultats. Ensuite, vous construisez le test.
C’est cohérent. C’est bien rangé.
Et c’est terrible pour penser.
Lorsque vous définissez le « succès » trop clairement (énoncé de thèse, trois citations, 800 mots), vous écrivez simplement une invite pour une IA.
J’ai vu mes nièces le faire. La première chose qu’ils font ? Copiez-collez les instructions et la rubrique dans ChatGPT.
La conformité est garantie.
Une liste de contrôle ne suffit pas. Vous avez besoin d’indicateurs de qualité. Vous avez besoin de domaines de haut niveau de la taxonomie de Bloom. Pas seulement des cases à cocher.
Oui, les nouveaux modèles imitent la synthèse. Oui, ils simulent la créativité.
Cela rend la conception plus difficile. Cela facilite la vérification.
Là où l’IA trébuche
Ne brûlez pas votre programme. Changez simplement les variables.
L’IA a du mal avec :
- Ambiguïté authentique
- Contexte local et spécifique
- Processus visible
- Jugement humain
- Synthèse originale sous contraintes
Les contraintes sont essentielles.
Parler à la mairie ? Dur.
Écrire un podcast ? Bizarre pour un LLM.
Utiliser des données locales contradictoires ? Difficile.
Réviser en fonction du courrier haineux des pairs ? Douloureux pour un bot.
Lorsqu’une tâche passe de l’exécution de modèle à la construction de sens, le bot vacille.
Nous avons besoin de « frictions productives ».
Pas le chaos.
Friction.
Les collègues de AI Friction Labs sont en train de construire ce projet. Ils remplacent l’IA « utile » par de la résistance. Dialogue socratique. Négociation avec les parties prenantes. Défendre votre argument en temps réel.
Ils évaluent la réflexion, pas le PDF.
Apprentissage par projet ?
- Définir le désordre.
- Découvrez ce que vous ne savez pas.
- Testez une solution.
- Échouer. Répéter.
Aucun modèle ne fonctionne ici. Pas de trappe de secours en cinq paragraphes.
Et maintenant ?
Nous posons la mauvaise question.
Pas « Comment pouvons-nous arrêter de tricher ? »
Mais “Pourquoi cette mission était-elle si facile à simuler ?”
Ça fait mal. Cela devrait.
Si un robot le fait en quelques secondes, avons-nous mesuré l’apprentissage ? Ou mesurions-nous l’obéissance à une formule ?
Les tâches qui brisent l’IA sont celles qui exigent :
- Idées nouvelles.
- Expertise spécialisée.
- Expérience vécue qu’aucun ensemble de données n’a.
Ce n’est pas une crise. C’est un filtre.
Cela nous montre où nos missions ont échoué.
Nous devons concevoir des expériences qui nécessitent une réflexion humaine située, itérative.
Ce genre de choses est toujours difficile pour eux.
Bonne chance.
