Définition des concepts fondamentaux

L’intelligence artificielle (IA) n’est plus une idée lointaine et futuriste. Elle est déjà là et transforme activement notre quotidien, notre façon de travailler, de communiquer, de créer et d’apprendre. À mesure que l’IA s’intègre de plus en plus à notre quotidien, les élèves la rencontreront à l’école, mais aussi dans leurs futurs milieux de travail, leurs communautés et leur vie civique. En tant que personnel éducatif, aider les élèves à naviguer dans ce paysage en évolution signifie les préparer à comprendre l’IA, à réfléchir de façon critique à son rôle et à ses répercussions, et à faire des choix réfléchis, éthiques et créatifs quant au moment et à la façon de l’utiliser.

Tout le battage autour de l’IA peut la faire paraître complexe, voire accablante, mais elle n’a pas à l’être. Nous voulons vous aider à passer de « Mais qu’est-ce que cette technologie, au juste? » à « D’accord, je comprends et je peux prendre des décisions éclairées quant au moment et à la façon de l’utiliser dans ma classe et au-delà. » Plutôt que de considérer l’IA comme quelque chose que nous devons soit adopter, soit éviter complètement, notre objectif est de l’explorer avec curiosité et de nous demander : de quoi l’IA est-elle réellement capable? Quelles sont ses limites? Et quand est-il pertinent de collaborer avec elle en éducation?

Aujourd’hui, il existe de nombreuses définitions de la littératie en IA, mais des cadres reconnus à l’échelle mondiale nous offrent un point de départ utile. Le AI Literacy Competency Framework for Teachers (2024) de l’UNESCO définit la littératie en IA comme l’ensemble des connaissances, des compétences, des valeurs et des attitudes nécessaires pour comprendre l’IA, l’évaluer de façon critique et l’utiliser efficacement et de manière éthique, tout en préservant l’autonomie humaine.

Nous pouvons également nous appuyer sur le document Empowering Learners for the Age of AI: An AI Literacy Framework for Primary and Secondary Education (2026) de l’OCDE et de l’Union européenne. S’appuyant sur des définitions existantes de la Loi sur l’IA de l’UE (2024), de l’OCDE (2024), de l’UNESCO (Miao & Cukurova, 2024; Miao et al., 2024) et d’autres sources, ce cadre définit la littératie en IA ainsi : « La littératie en IA représente les connaissances techniques, les compétences durables et les attitudes tournées vers l’avenir nécessaires pour s’épanouir dans un monde influencé par l’IA. Elle permet aux apprenantes et apprenants d’interagir avec l’IA, de créer avec elle, de la gérer et de la façonner, tout en évaluant de façon critique ses avantages, ses risques et ses implications éthiques » (p. 5).

L’important ici, c’est ce que ces définitions incluent. La littératie en IA ne consiste pas simplement à savoir utiliser l’IA. Elle combine la compréhension, la pensée critique, le jugement éthique et la capacité de faire des choix intentionnels et éclairés concernant l’IA. Autrement dit, avoir une bonne littératie en IA ne dépend pas seulement de ce que vous pouvez faire avec l’IA, mais aussi de la façon dont vous y réfléchissez, de votre attitude à son égard, de la façon dont vous l’évaluez et de votre capacité à déterminer quand son utilisation est appropriée.

Pourquoi la littératie en IA est essentielle pour le personnel enseignant

La littératie en IA est une responsabilité partagée par l’ensemble du personnel enseignant. Elle vous permet de faire des choix éclairés en matière de technologie plutôt que de simplement l’adopter, et de déterminer si les outils d’IA ont leur place dans votre classe, quels outils sont appropriés, comment ils peuvent soutenir l’enseignement et l’apprentissage, et où des limites claires sont nécessaires.

Elle aide également le personnel enseignant à développer ces compétences chez les élèves. Comme les apprenantes et apprenants rencontrent l’IA à l’école et dans leur vie quotidienne, ils ont besoin de plus que la capacité d’utiliser les outils. Ils doivent savoir comment remettre en question ce que produit l’IA, reconnaître ses limites, comprendre qu’interagir avec l’IA est différent d’interagir avec une autre personne, protéger leurs renseignements et faire des choix réfléchis quant au moment et à la façon de l’utiliser.

Avoir une bonne littératie en IA ne signifie pas avoir toutes les réponses au sujet d’une technologie qui continue d’évoluer. Cela signifie plutôt avoir les connaissances et les compétences en pensée critique nécessaires pour poser de bonnes questions, prendre des décisions éclairées et s’adapter à mesure que l’IA évolue et façonne activement les environnements d’apprentissage.

Avant d’aller trop loin dans les technologies qui alimentent l’IA, clarifions quelques termes clés, à commencer par l’intelligence artificielle (IA) elle-même.

L’IA est peut-être un sujet très populaire en ce moment, mais cette idée existe en fait depuis des décennies. L’intelligence artificielle est une sous-discipline de l’informatique qui remonte à 1955, lorsque John McCarthy et ses collègues ont forgé le terme. Leurs travaux s’appuyaient sur les premiers travaux d’Alan Turing, qui ont contribué à jeter les bases de l’informatique moderne.

À la base, l’IA est la science qui consiste à concevoir des machines capables d’effectuer des tâches que nous associons habituellement à la cognition humaine. Ces fonctions comprennent le raisonnement, l’élaboration de stratégies, la reconnaissance de modèles et la résolution de problèmes complexes. L’IA peut donc être considérée comme un terme générique. Elle englobe de nombreuses technologies, capacités et approches. Comprendre comment elles s’articulent facilitera grandement l’exploration du reste du paysage de l’IA.

Si l’IA est le terme générique, explorons quelques autres termes clés qui s’y rattachent.

Le diagramme ci-dessous présente plusieurs termes que vous rencontrerez probablement en vous renseignant sur l’IA. Certains désignent des technologies qui s’appuient les unes sur les autres, tandis que d’autres décrivent ce que les systèmes d’IA sont conçus pour faire. Ces relations évoluent; le diagramme vise donc à vous donner un aperçu simplifié du domaine plutôt qu’à présenter une hiérarchie stricte.

Algorithmes, automatisation & modèles

Trois autres termes utiles à connaître sont les suivants : les algorithmes, l’automatisation et les modèles. Ils sont étroitement liés, mais décrivent des choses différentes.

Un algorithme est un ensemble d’instructions qu’un ordinateur suit pour accomplir une tâche ou résoudre un problème. Les algorithmes sont utilisés dans tous les domaines de l’informatique, pas seulement en IA.

L’automatisation consiste à faire exécuter automatiquement des tâches par des machines ou des systèmes en suivant un ensemble de règles fixes préprogrammées. Elle remplace l’effort manuel par une machine qui suit des instructions précises.

Un modèle est une représentation apprise des régularités ou des relations présentes dans les données. En apprentissage automatique, un modèle est créé au moyen d’un processus d’entraînement et peut ensuite utiliser ce qu’il a appris pour faire des prédictions, des classifications, des recommandations ou produire d’autres résultats.

Imaginez entraîner un système d’IA à reconnaître si une image contient un chien de race pure ou un chien croisé. Au lieu d’écrire des instructions décrivant tous les chiens possibles, le système peut apprendre à partir de nombreux exemples d’images correctement étiquetées.

Pendant l’entraînement, les algorithmes d’apprentissage automatique aident le modèle à repérer des régularités dans ces exemples. Le modèle entraîné peut ensuite utiliser ce qu’il a appris pour faire une prédiction à propos d’une nouvelle image qu’il n’a jamais vue auparavant.

L’idée importante est que les données fournissent les exemples, que l’apprentissage automatique permet de trouver des régularités dans ces exemples et que le modèle en est le résultat. Le modèle peut utiliser ce qu’il a appris pour faire des prédictions ou prendre des décisions à partir de nouvelles données, tandis que l’automatisation peut utiliser ces résultats pour déclencher des actions ou exécuter automatiquement des tâches.

Nous explorerons beaucoup plus en détail les façons dont les machines apprennent à partir des données au chapitre 2 : Comment l’IA apprend et prend des décisions.

L’IA est très douée pour repérer des tendances. Elle n’a pas de conscience et ne « connaît » pas les choses tout à fait de la même façon que les humains. Plutôt que de programmer un système avec une règle pour chaque situation possible, de nombreux systèmes d’IA apprennent à partir d’exemples. Ils repèrent des tendances et des relations dans les données, puis utilisent ces tendances pour faire des prédictions ou réagir à une nouvelle situation.

Les humains reconnaissent aussi les tendances. Si vous voyez :

janvier, février, mars, __________

il est peu probable que vous ayez besoin de vous arrêter pour trouver la réponse. Vous savez ce qui vient ensuite.

L’IA n’apprend pas et ne raisonne pas comme le cerveau humain, mais cet exemple nous offre un point de départ utile. Selon sa conception, un système d’IA pourrait analyser des mots, des images, des nombres, des comportements, des données météorologiques ou d’autres types d’information. Ce qu’il apprend peut ensuite lui permettre d’accomplir diverses tâches. Les systèmes d’IA peuvent s’en servir pour faire des prédictions, traiter le langage, organiser l’information et accomplir d’autres tâches.

À quoi cela ressemble-t-il en pratique? Voici quelques tâches que l’IA peut particulièrement bien accomplir :

Ce que l’IA fait bien

Les limites de l’IA

Et ne vous inquiétez pas, nous ne vous laisserons pas sans réponse! Nous examinerons de plus près les enjeux liés à l’évaluation assistée par l’IA et au plagiat dans le chapitre 3 : Risques et réalités.