L’apprentissage humain et l’IAG : quelles différences ? quelles ressemblances ? quelles complémentarités ?

L’intelligence artificielle (IA) fondée sur le Deep Learning s’entraîne à partir de milliers d’images ou de textes : elle génère un résultat – image, mot – en évaluant la probabilité qu’il soit pertinent. Par exemple, dans la phrase « Le chat est entré dans la cuisine par la… », le mot « chatière » apparaît non pas parce que la machine comprend, mais parce que sa probabilité est statistiquement très élevée dans ce contexte.

De façon superficielle, l’apprentissage humain ressemble à ce processus : on encode une information, on la stocke, puis on la restitue. Mais le cerveau humain n’est pas une base de données passive : il trie, oublie, réorganise, selon la pertinence. C’est pourquoi les connaissances acquises pour un examen s’effacent souvent immédiatement après (Crowder, 1976). Comme le souligne Dehaene (2014), le cerveau humain apprend en hiérarchisant, en catégorisant, et en éliminant les informations jugées non pertinentes. Une IA, en revanche, conserve tout sauf si on la programme pour effacer.

De l’utilité de retenir une information

Dans les deux cas, se pose la question de l’utilité de stocker ou de retenir une connaissance.

Chez l’humain, la nécessité vitale est une bonne raison. Si vous savez que mettre les doigts dans une prise électrique vous expose à de fortes brûlures, voire à la mort, alors vous avez de fortes chances de vous en souvenir. En revanche, retenir la date d’un fait historique comme la date de l’invention du fer à repasser est bien secondaire. Sauf, si cette information devenait importante pour vous, comme gagner à un concours impliquant de connaître cette  date… 

Pour une Intelligence artificielle, le concept de mort ou la date de l’invention du fer à repasser ont égales importances, sauf si un algorithme venait à hiérarchiser ces informations.

Dans ce contexte, stocker des informations d’Hygiène Sécurité Environnement (HSE) sur une machine est simple. Cependant, c’est l’Humain qui doit détenir la connaissance, car c’est lui qui s’expose à des accidents potentiels. Tout l’enjeu est donc de faire comprendre que chacun d’entre nous doit retenir les gestes qui sauvent ou qui permettent d’éviter des accidents à tout moment. Mobiliser l’IA pour savoir comment gérer un accident peut être pertinent, mais cela n’est pas sans risque : les serveurs de l’IA pouvant être momentanément inaccessibles.

Le paradoxe de la connaissance HSE

Si avec le domaine HSE des enjeux vitaux sont de mise, le processus de mémorisation chez l’Humain ne semble pas toujours de mise. Un mécanisme de déni peut entrer en jeu et pousser tout un chacun à se dire que finalement telle ou telle information HSE ne nous concerne pas directement ou éventuellement de manière très partielle. 

Par exemple, bons nombres de conducteurs automobiles exposés à des spots de prévention de la sécurité routière pourraient se dire que cela n’arrive qu’aux autres et de là faire abstraction des messages diffusés. Ce mécanisme de déni correspond à une forme de protection pour se soustraire à une menace. C’est pourquoi, il convient d’associer aux messages des stratégies pour augmenter les chances d’opérer des apprentissages.

Quelles stratégies mobiliser pour mieux apprendre ?

Parmi les stratégies mobilisables, le registre émotionnel peut être mobilisé. Ainsi, tenter de faire peur, de procurer de la joie, ou étonner un apprenant peut permettre d’augmenter significativement les chances d’opérer un ancrage mémoriel d’une information. Les travaux de Damasio ont ainsi montré le rôle des émotions sur le rôle du système limbique dans la mémorisation (Damasio, 1995). Mais hélas, ce n’est pas une garantie car le cerveau continue de faire le tri et d’oublier toute information non essentielle. 

Une autre stratégie, consiste à réexposer des apprenants à intervalles réguliers aux mêmes informations pour maintenir les savoirs (Cepeda et al., 2006 ; Rohrer & Taylor, 2006 ; Dehanne, 2014). Cela peut fonctionner. Cependant, il convient de trouver les situations qui permettent de conduire ces piqûres de rappels et surtout de trouver à quel rythme les opérer. 

Ainsi, aborder les questions HSE une fois par an, lors de la journée sécurité, est sans doute insuffisant. Il serait sans doute plus productif de donner à chaque personne concernée la possibilité d’être exposée et stimulée plus fréquemment. Proposer des modalités différentes pour diversifier ces piqûres de rappels peut constituer une stratégie intéressante. 

En effet, si l’on propose toujours la même simulation à chaque fois, une forme de lassitude peut s’instaurer, ce qui fait réduire l’attention et la motivation des participants (Söbke et al., 2020). De là, il est préférable une fois de proposer une simulation grande nature, une autre fois une simulation numérique, une autre fois un escape game ou un jeu sérieux, etc… le tout pouvant être ponctué par des applications sur téléphonie mobile ou autres terminaux qui viendraient challenger les personnes concernées sur leur état de connaissance et les savoir-être ou savoir-faire à mobiliser le cas échéant.

Deux leviers clés pour renforcer l’apprentissage

Ainsi, la meilleure des stratégies pour ancrer des apprentissages consiste à susciter la motivation des apprenants. En effet, c’est un moteur essentiel pour espérer opérer des apprentissages. Mais il faut bien comprendre que la motivation va au-delà d’un simple engagement. Proposer un jeu sérieux peut susciter de l’engagement… mais tout l’enjeu pour un formateur est de parvenir à transformer cet engagement en un véritable levier motivationnel. Pour y parvenir, deux stratégies phares peuvent être recensées :

La première, c’est la motivation que partage un formateur avec ses apprenants. Si cette passion est authentique alors il y a de fortes chances pour que l’engagement et l’écoute des apprenants soient au rendez-vous. Il conviendra alors pour le formateur de capitaliser sur cette attention pour conduire les participants à aimer le sujet présenté et de là susciter petit à petit une forme de passion pour la thématique abordée… Mais c’est un travail de longue haleine et qui n’est pas toujours évident à produire. Ce qui pourra être retenu sur la durée c’est le bon moment passé avec le formateur, mais pas nécessairement le propos abordé.

La seconde stratégie, c’est de mettre les apprenants en situation de créer leur propre dispositif. En effet, demander à ce qu’ils créent un dispositif sur une thématique donnée met en place un processus créatif qui peut mobiliser beaucoup d’engagement voire de motivation (Prince, 2004). En parallèle, pour parvenir à créer le dispositif, les apprenants sont obligés de devenir expert du sujet à traiter (Alvarez, 2023). Par exemple, si l’on demande à des apprenants de créer un jeu sérieux sur une thématique HSE, ils vont devoir s’approprier le sujet en question pour être à même de le traduire en jeu. Il n’est pas rare de voir des apprenants oublier de faire une pause lorsqu’ils sont ainsi engagés dans une telle activité. Actuellement, l’emploi de l’Intelligence Artificielle Générative pour accompagner les apprenants dans tels processus créatifs semble accroître leur motivation. Mais cela demandé à être vérifié par des travaux scientifiques…

Bien entendu, combiner ces deux stratégies est tout à fait possible. Cela pourrait sans doute augmenter les chances de parvenir à susciter la motivation chez les apprenants.

Importance de l’évaluation

Dernier point important, si la motivation des apprenants est au rendez-vous, encore faut-il que l’information diffusée soit interprétée comme souhaité par son auteur. Or, des interprétations erronées peuvent être opérés par les apprenants. Ainsi, chacun d’entre nous dispose de son propre filtre de perception qui se construit en fonction de notre vécu, de notre stock de connaissances, de nos expériences, de notre humeur du moment, des enjeux et éléments de contexte, du fait d’être seul ou en groupe, etc… Tous ces facteurs peuvent donner lieu à des lectures différentes d’une même expérience proposée. De là, être motivée et retenir une information de manière durable ne sert pas à rien si le savoir en question est mal interprété ou mal compris (Alvarez, 2023).

C’est pourquoi, tout apprentissage doit toujours s’accompagner d’évaluations (Biggs & Tang, 2011) pour être à même de vérifier si ce qui est interprété par les apprenants fait l’objet d’écarts interprétatifs ou non. Sur ce plan, il est intéressant de noter que les LLM sont parfois targués de produire des hallucinations, c’est-à-dire d’inventer des réponses… Pour autant, il ne s’agit pas d’erreurs. Car une machine ne se trompe jamais contrairement aux espèces vivantes dont l’une des spécificités est précisément de pouvoir se tromper.

Lorsqu’une machine hallucine, c’est tout simplement que la proposition statistique produite ne correspond pas à ce que nous les humains souhaitions obtenir. L’intelligence artificielle peut alors soumettre une nouvelle proposition et voir si cela satisfera la personne qui a lancé la requête. Si tel est le cas, l’intelligence artificielle pourra affiner sa proposition pour la fois prochaine. Mais en aucun cas, la nouvelle réponse fera réellement sens. Alors que chez l’humain et bien d’autres espèces vivantes, comprendre son erreur est essentiel pour apprendre (Astolfi, 2008). L’enjeu étant bien souvent liée à sa survie.

Références :

• Alvarez, J. (2023). Serious game, un « carcan ludique » ?, éditions Loco
• Astolfi, J.-P. (2008). Erreur, un outil pour enseigner. ESF Sciences humaines.
• Biggs, J., & Tang, C. (2011). Teaching for Quality Learning at University (4th ed.). Open University Press.
• Cepeda, N. J., Pashler, H., Vul, E., Wixted, J. T., & Rohrer, D. (2006). Distributed practice in verbal recall tasks. Psychological Bulletin, 132(3), 354–380.
• Crowder, R. G. (1976). Principles of Learning and Memory. Lawrence Erlbaum.
• Damasio, A. R. (1995). L’erreur de Descartes : la raison des émotions. Odile Jacob.
• Dehaene, S. (2014). Apprendre ! Les talents du cerveau, le défi des machines. Odile Jacob.
• Prince, M. (2004). Does active learning work? Journal of Engineering Education, 93(3), 223–231.
• Rohrer, D., & Taylor, K. (2006). The effects of overlearning and distributed practice. Applied Cognitive Psychology, 20(9), 1209–1224.
• Söbke, H., Arnold, U., & Stefan, M. (2020). Gamified Learning: What makes an educational game motivating and effective? GALA 2020 Proceedings.