L'intelligence artificielle dans l'éducation : contexte, règles et limites

 

Mesdames et Messieurs, bonjour, je vous transmets mes salutations du Canada. Merci de m’avoir invité à prendre la parole à cet important forum sur l’intelligence artificielle et l’éducation. Voici un code QR que vous pouvez scanner pour accéder à ces diapositives, avec une transcription, juste au cas mon français ne serait pas compréhensible.

Contexte, règles et limites

Nous allons parler de l’intelligence artificielle dans l’éducation en termes généraux. Je commencerai par expliquer ce qu’est l’IA et comment elle fonctionne, très brièvement, puis j’aborderai les trois principaux thèmes de la conférence : le contexte, les règles et les limites.

J’interprète le contexte comme « l’utilisation » et j’examinerai les nombreuses façons dont l’IA peut être utilisée dans l’éducation.

J’interprète les règles comme des « principes » et j’examinerai quels sont les principes fondamentaux qui régissent la manière et les raisons pour lesquelles nous utilisons l’IA dans l’éducation.

Et j’interprète les limites comme des lignes directrices pratiques et j’examinerai les mécanismes appropriés pour l’enseignement et l’apprentissage, la gouvernance et la sécurité.

 

Qu'est-ce que l'IA

Nous avons deux types d’IA. L’IA faible, également appelée IA étroite, est capable d'effectuer une tâche spécifique pour laquelle elle a été conçue. L'IA forte, en revanche, est capable d'apprendre, de penser et de s'adapter comme le font les humains. Cela dit, les systèmes d'IA forts n'existent pas encore. En ce sens, le terme « IA » désigne une aspiration et non une description de ce qui a réellement été créé.

 

IA faible

Ensuite, nous avons deux types d’IA faible. Un système expert est basé sur des règles, des faits, des objectifs et des connaissances spécifiques à un domaine fournies par des experts humains. Les systèmes experts sont basés sur des ontologies, qui définissent quels types d’objets ont quels types de propriétés. Les connaissances, les règles et les ontologies sont décrites à l’aide d’un système de symboles formels, c’est-à-dire d’un langage.

 

Les modèles d’apprentissage automatique, en revanche, sont entièrement pilotés par les données. Les données d’entrée sont traitées par des algorithmes mathématiques et statistiques, ce qui donne lieu à ce que l’on appelle des « modèles ». Les données peuvent se présenter sous n’importe quelle forme et sont représentées sous forme de « vecteurs » mathématiques de données.

 

Apprentissage automatique

L'apprentissage profond est un type d'apprentissage automatique. L'apprentissage automatique traditionnel est « supervisé », ce qui signifie qu'il nécessite une intervention humaine pour entraîner le modèle. L'apprentissage profond, en revanche, utilise des réseaux neuronaux artificiels pour imiter le processus d'apprentissage du cerveau humain et est capable d'un apprentissage non supervisé.

 

Apprentissage profonde

Presque toutes les avancées récentes en intelligence artificielle reposent sur l’apprentissage profond. L’apprentissage profond est une méthode qui permet aux ordinateurs d’apprendre par l’exemple, à la manière des humains. Il utilise une structure en couches d’algorithmes appelés réseaux neuronaux pour traiter les données, reconnaître des modèles et prendre des décisions.

 

Réseaux neuronaux

Que veut-on dire quand on dit qu’un réseau neuronal apprend ? Les neurones reçoivent des entrées, les traitent et produisent une sortie. Ils sont organisés en couches distinctes : une couche d’entrée qui reçoit les données, plusieurs couches cachées qui traitent ces données et une couche de sortie qui fournit la décision ou la prédiction finale. Il existe des paramètres ajustables au sein de ces neurones appelés pondérations et biais. Au fur et à mesure que le réseau apprend, ces pondérations et biais sont ajustés. Ainsi, lorsque nous disons qu’un réseau neuronal a « appris », cela signifie donc que ses pondérations et ses biais ont été ajustés avec succès.

 

Les neurones

Que sont donc les pondérations et les biais ? La pondération est la force de la connexion entre un neurone et un autre. Toutes les connexions ne sont pas égales. Certaines sont plus importantes que d'autres.

Le biais est la sensibilité du neurone récepteur. Quelle est sa probabilité de réagir aux signaux d'entrée. C'est une façon de comprendre l'importance de ce neurone particulier. Le résultat est envoyé via une « fonction d'activation » qui détermine si le neurone envoie un signal à la couche suivante de neurones connectés.

Il existe de nombreux types d'algorithmes de réseaux neuronaux. Ils sont tous basés sur différentes manières d'ajuster les paramètres présentés ici.

 

Le flux de travail de l'IA

La création et l’utilisation d’une intelligence artificielle sont le résultat d’un flux de travail complet qui commence par la collecte de données et se termine par l’application d’un modèle d’IA à grande échelle. Lorsque nous pensons, par exemple, à ChatGPT, nous parlons de la façon dont il a collecté des données à partir d’endroits comme Twitter et Reddit et d’autres sources sur le Web, traité les données et les a appliquées à grande échelle sous la forme d’une application que les gens peuvent utiliser sur le Web.

Parce qu’il existe de nombreux types et méthodes différents de conception d’algorithmes d’IA, À ce stade, il devient plus pertinent de parler des différents types d’intelligence artificielle en considérant leur contexte d’utilisation.

 

Comment pensons-nous ?

Aussi, les différents types d’intelligence artificielle soulèvent une question fondamentale importante pour les éducateurs : comment les humains pensent-ils ? Que faisons-nous réellement lorsque nous voyons, planifions et décidons ?

Beaucoup de gens pensent que la connaissance et l’apprentissage humains sont basés sur des règles et des catégories. Cette croyance va souvent de pair avec la croyance selon laquelle toute pensée se déroule dans le langage. Le langage est la base de la logique et de la raison. Mais alors, comment pensent les bébés et les animaux ? Ou peut-être pensons-nous qu’ils ne pensent pas du tout.

D’autres personnes pensent que le raisonnement humain est basé sur les probabilités et les statistiques. Les économistes semblent parfois penser de cette façon. Existe-t-il des lois de la pensée, comme il pourrait y avoir des lois de la nature ?

Je pense que la connaissance et l’apprentissage sont basés sur la reconnaissance de modèles. Tout ce que nous vivons, tout ce que nous pensons, forme un réseau neuronal profond et complexe qui fonctionne en reconnaissant des modèles dans les données. La plupart de ces choses se produisent automatiquement, inconsciemment.

Mais si c’est vrai, comment expliquer pourquoi nous avons fait ce que nous avons fait, ou pourquoi nous avons cru ce que nous avons cru ? Avons-nous vraiment des raisons ? Ou les raisons que nous donnons sont-elles simplement des phrases qui sonnent bien dans le contexte ?

 

Nous devrions réfléchir à ces questions à mesure que nous avançons.

 

Contexte

Comme je l’ai dit plus tôt, j’interprète le contexte comme une « utilisation » et j’examinerai les nombreuses façons dont l’IA peut être utilisée dans l’éducation.

Dans la littérature, on distingue quatre applications traditionnelles de l'IA : descriptive, diagnostique, prédictive et prescriptive. Récemment, on a ajouté l'IA générative. Et je prédis un sixième type d'application : l'IA déontique.

 

 

IA descriptive - « Que s'est-il passé ?»

L'analyse descriptive comprend des analyses axées sur la description, la détection et la création de rapports, y compris des mécanismes permettant d'extraire des données de plusieurs sources, de les filtrer et de les combiner. Le résultat de l'analyse descriptive comprend des visualisations telles que des graphiques à secteurs, des tableaux, des graphiques à barres ou des graphiques linéaires. L'analyse descriptive peut être utilisée pour définir des indicateurs clés, identifier les besoins en données, définir les pratiques de gestion des données, préparer les données pour l'analyse et présenter les données à un spectateur. (Vesset, 2018).

Les applications typiques incluent :

·   Suivi

·   Analyse des systèmes

·   Conformité institutionnelle

·   Profils des étudiants

·   Tableau de bord (dashboard)

Il dépend souvent de l'étiquetage (labeling) ou de la catégorisation humaine.

Il existe ici un chevauchement (overlap) important entre l'analyse descriptive et la science des données et la l’alphabétisation des données.

Diagnostic IA « Pourquoi est-ce arrivé?»

L'analyse diagnostique examine plus en profondeur les données afin de détecter des modèles et des tendances. Un tel système pourrait être considéré comme étant utilisé pour tirer une inférence sur un élément de données en fonction des modèles détectés dans les données d'échantillon ou de formation, par exemple, pour effectuer des tâches de reconnaissance, de classification ou de catégorisation.

Les applications incluent :

Détection d'anomalies

La détection d'anomalies implique des tâches ciblant l'identification de valeurs aberrantes ou de points de données extrêmes dans un vaste ensemble de données.

·   Par exemple, détection de spam, détection de plagiat, détection de contrefaçons

·   Sécurité

·   Contrôle d'accès

·   Surveillance

Modélisation des dépendances et régression

La modélisation des dépendances cible l'identification d'associations spécifiques entre des points de données qui pourraient autrement passer inaperçues.

·   Par exemple, analyse des sentiments

·   Échantillonnage d'opinion

Regroupement et classification

Ces tâches segmentent les données en clusters similaires en fonction du degré de similitude entre les points de données.

·   Par exemple, Notation automatisée

·   Évaluation des compétences

Résumé

Condenser les données pour faciliter la création de rapports et leur utilisation tout en évitant la perte d'informations plus précieuses et plus détaillées que nous pouvons utiliser pour une prise de décision plus claire.

Par exemple, résumé du contenu

-

Transcription audio et vidéo

Soutenir les besoins spéciaux

Analyse des commentaires des pairs

 

IA prédictive – « Que va-t-il se passer ?»

L'analyse prédictive répond à la question : que va-t-il se passer (probablement), en se basant sur l'identification de modèles et de tendances dans les données existantes, et sur une extrapolation de ce modèle ou de cette tendance aux états futurs probables. Par exemple, un tel système d'analyse peut examiner la participation d'un étudiant à un cours, puis prédire si l'étudiant réussira ou échouera.

Les applications typiques incluent :

·   Planification des ressources

·   Conception de l'apprentissage

·   Tests utilisateurs

·   Identification des étudiants à risque d'échec

·   Conseils pédagogiques

·   Éducation de précision

·   Recrutement d'étudiants

 

IA prescriptive : « Comment pouvons-nous y parvenir ? »

L'analyse prescriptive recommande des solutions. L'utilisation de l'analyse prescriptive peut informer un utilisateur humain ou un système informatique d'un besoin qui doit être satisfait. De tels besoins peuvent être générés à partir de règles ou de principes, de limites ou de limites de fonctionnement, d'équations ou de mécanismes d'équilibrage, ou d'une saisie utilisateur. L'exigence d'une solution peut être basée sur l'existence d'un besoin combiné à une prédiction suggérant que le besoin n'a pas été ou ne sera pas satisfait. Par exemple, l'analyse peut prédire des niveaux de pression croissants qui dépassent la tolérance d'un pipeline.

Quelques applications typiques :

·   Recommandations d'apprentissage

·   Apprentissage adaptatif

·   Formation de groupes adaptatifs

·   Appariement de placement

·   Embauche

·   Tarification

·   Prise de décision

 

 

 

 

IA générative : "créer quelque chose de nouveau"

L'analyse générative utilise des analyses de données antérieures pour générer du contenu original basé sur des paramètres ou des propriétés des données étudiées, combinés à des prédictions ou des exigences pour les données futures. Par exemple, l'analyse générative peut utiliser comme données la bibliothèque de peintures de Picasso, puis générer de nouvelles peintures de style Picasso basées sur des photographies ou des dessins.

Quelques exemples d'IA générative :

·   Chatbots

·   Contenu généré par l'IA

·   Animation générée automatiquement

·   Coaching et tutorat

·   Enseignants artificiels

·   Curation de contenu

·   Robotique

Nous disposons aujourd’hui de nombreuses applications d’IA générative qui ont fait la une des journaux, comme ChatGPT, Claude, Anthropic, qui peuvent générer de nouveaux contenus tels que des articles et des essais, des logiciels, des enregistrements audios, des œuvres d’art, etc. Pour beaucoup de gens, cela ressemble à toute l’IA, mais comme nous pouvons le constater, ce n’est qu’une petite partie de celle-ci.

 

Deontic AI - « Que devrait-il se passer ? »

L'analyse déontique répond à la question « que devrait-il se passer ? » Il s'agit d'une classe d'analyses qui examinent les expressions de sentiments, de besoins, de désirs et d'autres facteurs de ce type afin de déterminer quel type de résultat serait le meilleur, puis s'efforcent d'atteindre ce résultat. En ce sens, il s'agit de l'utilisation de l'analyse pour injecter un ordre éthique, politique ou culturel dans l'environnement, qu'il s'agisse d'une liste de discussion, d'une allocation de ressources ou de la gestion du personnel.

Les applications incluent :

·   Normes communautaires

·   Influencer le comportement

·   Identifier le mal

·   Amplifier le bien

·   Définir ce qui est juste

·   Changer la loi

·   Modérer le discours

·   Apaiser la détresse

 

 

En savoir plus

Vous pouvez en savoir plus sur toutes ces applications dans le MOOC en ligne que j’ai rédigé sur l’éthique et l’analyse de l’apprentissage.

 

 

Règles

Comme je l’ai dit plus tôt, j’interprète les règles comme des « principes » qui régissent l’utilisation éthique et responsable de l’IA dans l’éducation.

 

Approches actuelles

De nombreuses études ont été menées par des institutions du monde entier sur l’utilisation appropriée de l’IA. Elles ont porté sur l’utilisation de l’IA en général et sur son utilisation dans des contextes spécifiques, comme l’éducation.

Les liens vers toutes ces études peuvent être trouvés dans les notes de cette page dans les diapositives Powerpoint

·   DÉCLARATION DE MONTRÉAL POUR UN DÉVELOPPEMENT RESPONSABLE DE L'INTELLIGENCE ARTIFICIELLE 2018

·   Principes de l'OCDE pour une gestion responsable d'une IA digne de confiance - 2024

·   Processus d'Hiroshima - Principes directeurs internationaux pour les organisations développant des systèmes d'IA avancés - 2023

·   UNESCO - L'intelligence artificielle dans l'éducation

·   Alberta School Boards Association - Orientations stratégiques sur l'intelligence artificielle

 

Approches actuelles

J'ai également mené une étude sur ces études et d'autres il y a quelques années ; vous pouvez trouver la référence dans mon cours d'éthique.

Je présente ici un sous-ensemble des principes éthiques que bon nombre de ces rapports ont trouvés et qui, selon les auteurs, devraient régir notre utilisation de l’intelligence artificielle dans l’éducation.

Ces conclusions sont souvent présentées comme un consensus, mais, selon ma propre analyse, elles sont interprétées différemment selon les professions et les sociétés. Bien que je les décrive ici, il est important que vous les considériez selon votre propre point de vue.

 

La transparence

La transparence est l’idée de dire quand l’IA est utilisée, comment elle est utilisée, quelles recommandations ou décisions elle a prises, et pourquoi elle les a prises.

L’idée d’une « IA explicable » est liée à la transparence, c’est-à-dire la compréhension des raisons pour lesquelles une IA a fonctionné comme elle l’a fait, de telle manière que nous sachions qu’elle a fonctionné conformément aux faits, aux valeurs et aux attentes.

 

Justice et équité

La justice est souvent associée à l'équité, même si ces deux concepts sont bien sûr distincts. La justice est liée au respect et à l'application des lois, ainsi qu'à l'idée d'une « société juste » ou d'une « société équitable ». En conséquence, dans la plupart des ouvrages décrivant les lois ou les règles régissant l'utilisation de l'IA, la justice est souvent citée aux côtés de concepts tels que la cohérence, l'inclusion, l'égalité et l'accès.

 

Non-malfaisance

Cela découle du principe d’éthique médicale : ne pas nuire. Dans le domaine de l’éducation, cela concerne particulièrement la sécurité des étudiants et des enfants.

Mots clés : Non-malfaisance, sécurité, sûreté, préjudice, protection, précaution, prévention, intégrité (corporelle ou mentale), non-subversion

 

Confidentialité

Ce principe inclut les concepts de de sécurité et de confidentialité. Dans l'ensemble du flux de travail de l'IA, cette condition entre en jeu à de nombreux endroits.

Il est important d'établir des lois sur la protection des données qui rendent la collecte et l'analyse des données éducatives visibles, traçables et vérifiables par les enseignants, les élèves et les parents. En Europe, la collecte de données personnelles est régie par le RGPD, qui inclut le « droit à l'oubli ».

De nombreuses personnes soutiennent que l'efficacité de l'IA dépendra de la surveillance, ce qui aura un impact sur la confidentialité des élèves et des enseignants.

La question de l'utilisation des données se pose également. Seront-elles limitées à des fins éducatives ou seront-elles utilisées à des fins publicitaires ?

 

Bienfaisance

L'idée de bienfaisance est de faire du bien aux individus et à la société. Cela comporte de nombreux aspects, mais le but de chacun est une intention ou un objectif bénéfique dans l'utilisation de l'IA.

Dans l'éducation, cela comprend des choses telles que l'amélioration des résultats d'apprentissage, l'augmentation de l'accès et la réduction des coûts.

Comment ces objectifs doivent-ils être accomplis ?

Parmi les éléments pris en compte, on peut citer l’idée selon laquelle nous devrions « mettre l’accent sur l’autonomie et le bien-être social des étudiants dans le processus d’intégration des outils basés sur l’IA » (IENESCO 2021) et également le principe du « devoir de diligence », qui est l’idée selon laquelle vous devez tenir compte du bien-être de toute personne à qui vous avez été confié un service.

Cela se fonde sur une éthique de la diligence, qui est l’idée que l’éthique repose sur une relation entre le prestataire de services et le destinataire basée sur une communication ouverte et confiante. C’est l’idée d’écouter la personne et d’accepter ce qu’elle dit sur ses besoins comme étant honnête et factuel.

 

Liberté et autonomie

Dans le domaine de l’éducation, les concepts de liberté et d’autonomie sont liés à l’idée d’agentivité des élèves. Cela ne signifie pas que les élèves peuvent faire ce qu’ils veulent, mais cela reconnaît que dans certains paramètres, il est préférable de leur permettre et de leur permettre de faire leurs propres choix et décisions.

Pour soutenir l’agentivité, il est recommandé aux enseignants de cultiver une utilisation de l’IA centrée sur l’apprenant, c’est-à-dire de renforcer et de réitérer l’autorité et l’autonomie de l’humain sur son propre apprentissage et sur les outils qu’il utilise pour soutenir son apprentissage.

Cela inclut le principe de « l’IA centrée sur l’humain », c’est-à-dire une définition de l’IA basée sur les besoins et les valeurs humaines, avec une supervision et une prise de décision humaines.

Par exemple, le mandat de l’UNESCO exige intrinsèquement une approche de l’IA centrée sur l’humain. « L’objectif est de recentrer le débat sur le rôle de l’IA dans la lutte contre les inégalités actuelles en matière d’accès au savoir, à la recherche et à la diversité des expressions culturelles, et de veiller à ce que l’IA n’aggrave pas les fractures technologiques au sein des pays et entre eux. »

Le principe du « consentement éclairé » joue ici un rôle essentiel. Il s’agit de l’idée de transparence combinée à l’idée que les individus ont le choix d’utiliser ou non l’IA.

 

Adapté à l'usage

Cet objectif est celui que j’ai créé pour rassembler un certain nombre d’objectifs différents et liés provenant de diverses sources. Il comprend, par exemple :

·   La ​​quête de la connaissance

·   Les cinq objectifs des maqasid (la protection de la religion, de la vie, de l'intellect, de la descendance et des biens) (Talal Agil Attas Alkhiri, p. 743)

·   Valeur et bénéfice – nous devons nous demander qui bénéficie de l’utilisation de l’IA, par opposition à qui en paie le coût

·   Pertinence pédagogique – Utilisation appropriée, fondée sur la recherche pédagogique, fondée sur des preuves, pertinence aux besoins des apprenants, IA centrée sur l’enfant, adaptée au développement

·   Fiabilité et précision – par exemple, les gens utilisent l’IA pour détecter la tricherie et le plagiat, mais l’IA ne peut pas détecter ces cas avec précision

Un autre, cela sort de notre domaine, mais il y a la question de l’utilisation de l’IA dans le maintien de l’ordre et dans la guerreriate

 

Quelques observations

On présume souvent, voire affirme explicitement, que les valeurs contenues dans ces codes éthiques, et dans l’éthique en général, sont communes, fondamentales et universelles. Mais ce n’est pas le cas.

Par exemple, certaines discussions sur l’éthique en intelligence artificielle et en analyse supposent simplement que la vie privée est un droit et doit être respectée. Mais lorsque nous nous opposons à cela, et nous devons nous opposer à cela, nous devons alors nous demander sur quoi se fonde une telle affirmation.

Après tout, la vie privée protège les criminels comme les innocents.

Et peut-être que nous aurons l’impression que nous devrions simplement trouver un équilibre entre les deux options, mais qu’est-ce qui fait qu’une telle approche conséquentialiste, une approche technique, de l’équilibre est la bonne approche ? Vous ne trouveriez pas un équilibre entre tuer et ne pas tuer. Le feriez-vous ?

Chaque société aborde ces questions sous un angle différent, en tirant ses propres conclusions sur des bases différentes. Certaines sociétés sont fondées sur les droits individuels. D’autres adoptent une approche qui équilibre les risques et les avantages. D’autres encore privilégient le bien social ou l’ordre social.

Personne ne peut déterminer quelles sont les règles de votre propre société, sauf vous. Comment vous décidez, ce que vous décidez, comment vous mettez en œuvre l’IA dans l’apprentissage et dans la société en général, c’est à vous de décider.

 

Limites

Comme je l’ai dit plus tôt, j’interprète les limites comme des lignes directrices pratiques, Maintenant, j’examinerai les mécanismes appropriés pour l’enseignement et l’apprentissage, la gouvernance et la sécurité.

 

Directives pratiques

Nous parlons de limites, et c’est normal, mais ce dont nous avons besoin en classe et sur le campus, ce sont des lignes directrices pratiques pour agir. Dans cette partie de mon exposé, je m’inspirerai des lignes directrices de l’Alberta, car elles constituent une base solide pour structurer la conversation, même si je vous préviens encore une fois qu’il vous appartient de décider à quoi elles ressemblent dans vos propres écoles et si elles sont suffisantes pour vos besoins.

Je recommande également aux enseignants et aux étudiants les cadres de compétences en IA de l’UNESCO (les liens sont dans les notes des diapositives)

Et pour revenir au sujet précédent sur la façon dont nous pensons – même si je sais qu’il est tentant, surtout pour les administrateurs, de définir une approche de l’IA en termes de règles et de principes, ce n’est peut-être pas ainsi que nous envisageons des sujets complexes comme celui-ci, car comme nous le savons, les règles ont tendance à nous aider uniquement dans les cas faciles, mais il existe de nombreux cas où nous devons nous fier à notre propre jugement et à notre intuition.

Apprentissage

Le premier principe pratique est la nécessité de soutenir l’apprentissage de l’IA. Nous ne pouvons pas l’utiliser de manière pratique si nous ne la comprenons pas. Cela implique, par exemple, que nous :

-     Renforcions les capacités d’alphabétisation en IA pour les enseignants et les élèves – ce qu’est l’IA, comment l’utiliser, où il est approprié de l’utiliser, où il ne faut pas l’utiliser

-     Discutons de l’IA – créons une communauté pour parler des endroits où nous voyons l’IA autour de nous et pour réfléchir à ce que nous en pensons

-     Repensons aux tests et aux devoirs. Pouvons-nous réellement empêcher les élèves d’utiliser l’IA ? Comment pouvons-nous structurer l’éducation pour qu’ils puissent bénéficier de l’utilisation de l’IA

-     Accès. Tous les élèves n’auront pas accès à l’IA. Cela peut créer des inégalités dans la classe.

 

 

 

 

 

Structure

Le deuxième principe concerne la création de structures institutionnelles :

-     Le soutien est important, il faut donc une structure ou une organisation qui envisage l’utilisation responsable et éthique de l’IA

-     Lorsque l’IA est utilisée, des personnes informées doivent être impliquées ; lorsque la politique de l’IA est discutée, elle doit inclure des personnes qui connaissent l’IA

-     Il devrait y avoir une liste ou un inventaire des outils d’IA, et ceux-ci devraient être contrôlés, afin qu’il y ait une liste d’outils d’IA « sûrs »

-     Tous les outils ne sont pas adaptés aux enfants

Ces choses peuvent être faites par le gouvernement national, mais elles peuvent également être faites dans des écoles et des institutions individuelles pour répondre à des cas spécifiques et aux exigences locales

 

La sécurité

La sécurité est une priorité absolue.

-     Assurez-vous que les protocoles de cybersécurité prennent en compte l’IA

-     Faites particulièrement attention à ce que ces protocoles s'étendent à la sécurité des données

La maîtrise de l'IA doit inclure une base de maîtrise des données

 

Gouvernance

La gouvernance concerne la question de savoir comment les décisions seront prises concernant l’utilisation de l’IA dans l’éducation et ce que ces décisions devraient prendre en compte.

Par exemple :

•     Mettre à jour ou établir des politiques pour décrire les utilisations interdites de l’IA

•     Déterminer le statut juridique des données utilisées par l’IA et du contenu créé par l’IA (ces questions sont encore en cours de décision en Amérique du Nord et en Europe)

Merci

Comme je l'ai dit au début de cette conférence, il est important de noter qu'il ne s'agit là que d'un sujet parmi d'autres dans le domaine beaucoup plus vaste de la technologie dans l'éducation.

L'IA sera intégrée aux systèmes de gestion de l'apprentissage, aux réseaux sociaux, à la réalité virtuelle, à la sécurité et à la cryptographie, y compris la blockchain. Il y aura un effet synergétique à mesure que ces technologies se combineront.

Ce dont nous avons parlé aujourd'hui n'est que le début de ce qui sera, je pense, une période très passionnante pour l'enseignement et l'apprentissage, ici au Maroc et dans le monde entier.

Merci, et encore une fois, voici un code QR que vous pouvez scanner pour accéder à ces diapositives, à une transcription, à l'audio et, espérons-le, à la vidéo de cette présentation.