IA éducative : parler plusieurs langues ne suffit pas à représenter plusieurs cultures
Les outils d’intelligence artificielle peuvent être multilingues tout en reproduisant une vision culturelle dominante. Pour les formateurs, la vérification doit aussi porter sur les exemples et les savoirs absents.
Un outil d’intelligence artificielle capable de répondre dans plusieurs langues n’est pas nécessairement multiculturel. Un article publié par Thot Cursus le 21 octobre interroge la place des cultures et des savoirs sous-représentés dans les données d’entraînement. La question concerne directement la formation : un contenu grammaticalement correct peut rester inadéquat s’il présente comme universelles des normes, des situations ou des références issues d’un contexte dominant.
Les modèles apprennent principalement à partir des ressources disponibles en ligne et accessibles à leurs concepteurs. Une langue, une pratique professionnelle ou une tradition peu documentée numériquement a donc moins de chances d’être représentée. Le problème ne se limite pas à la traduction. Une langue porte aussi des manières de classer les connaissances, d’argumenter, de raconter et de transmettre qui peuvent disparaître dans une réponse apparemment fluide.
L’article rapporte une expérience simple : demander l’image d’un professeur sans préciser le contexte culturel conduit certains outils à produire spontanément une figure occidentale. Ajouter une consigne corrige parfois le résultat, mais transfère la responsabilité à l’utilisateur, qui doit penser à nommer ce que le modèle invisibilise. En pédagogie, le même biais peut affecter les études de cas, les personnages, les environnements de travail ou les exemples de réussite proposés aux apprenants.
Pour un formateur, contrôler uniquement les erreurs factuelles ne suffit donc pas. Il peut comparer plusieurs productions, relever les groupes absents, vérifier les sources locales et demander à des personnes connaissant le contexte de relire le support. Lorsque l’IA propose un exemple, la consigne peut exiger le pays, le secteur, le public, les contraintes matérielles et plusieurs points de vue.
Cette vigilance ne consiste pas à bannir les outils, mais à documenter leurs limites. Une fiche de contrôle peut distinguer exactitude, pertinence pédagogique, diversité des représentations et traçabilité des sources. Les apprenants peuvent eux-mêmes comparer une réponse générique à des ressources produites dans leur territoire. L’exercice développe une compétence utile : reconnaître qu’un contenu convaincant par sa forme peut rester partiel par ce qu’il ne montre pas.
Former à l’IA sans masquer ses limites : quatre réflexes pédagogiques
Les outils génératifs savent résumer, classer et produire rapidement une réponse convaincante. Leur efficacité ne dispense pourtant ni de vérifier les faits, ni de comprendre le contexte, ni d’exercer son jugement professionnel.
L'Institution des Charmilles lance un audit pour encadrer l'usage de l'intelligence artificielle
Confrontée à l'utilisation croissante des outils d'intelligence artificielle par ses étudiants et ses collaborateurs, l'Institution des Charmilles a mené un audit pour évaluer ces pratiques et structurer un cadre pédagogique adapté.
Évaluation des œuvres de l'esprit et intelligence artificielle : quels défis pour la formation ?
L'émergence des outils d'intelligence artificielle générative bouscule les pratiques traditionnelles d'évaluation des productions créatives et intellectuelles, soulevant de nouvelles questions pour les équipes pédagogiques.