Dans le cadre d’une formation que je prépare, je me suis intéressée à un article de Claire Guille-biel Winder sur le Pliox.
Aujourd’hui, j’avais décidé de me lancer avec mes sixièmes. Ils ont dû, au club maths, plier leur papier coloré pour obtenir mon pliage, et ensuite m’expliquer et s’expliquer entre eux comment ils avaient procédé. Mon but était de les laisser se débrouiller, puis de poser avec eux un peu de vocabulaire (grand carré, centre, milieu, diagonale, médiane…) et de recommencer. L’effet est garanti et ils ont adoré et super bien joué le jeu. Que je leur ait expliqué que j’avais besoin de cobayes pour réfléchir a bien aidé.
Énième jour de prise de chou intensive sur le thème de la géométrie en élémentaire, pour préparer une formation que j’aimerai dans une autre académie. Mes collègues formateurs m’ayant envoyé leurs plans, leurs ressources, voire pour certains leurs contenus, j’ai pu cogiter sur des bases hyper riches et solides.
Je m’étais dit boooon, c’est dimanche, vas-y mollo cocotte, tu es relativement à jour (traduisez : tu es débordée de façon raisonnable), alors tu réfléchis et tu jettes un plan plus ou moins définitif mais global, et on verra dans la semaine et le week-end prochain, ça te laissera le temps de réfléchir encore. Et puis paf, je suis littéralement tombée dedans. Pourquoi tel collègue insiste sur ce point et tel autre non, ou pourquoi celui-ci fait-il ce choix-ci et celui-là ce choix-là, etc. Passionnant. Absolument passionnant. J’ai hyper avancé, pratiquement bouclé le premier module (il y en a deux), et je sais ce que je mets dans le deuxième. En plus, j’ai compris des tas de choses que je n’avais pas comprises, en particulier quant à la progressivité en géométrie au cycle 2, quant aux choix très très variés des manuels. J’ai pu réinvestir les cours que j’avais reçus de Catherine Houdement, utiliser les super travaux d’Édith Petitfour qui vient dans ma classe depuis plusieurs années… Alors j’y ai passé mon dimanche, mais je me suis éclatée.
C’est vraiment ça qui est super quand on est formateur : on apprend encore plus. On n’a pas le choix : on doit comprendre pour expliquer, on doit éclairer toutes les zones d’ombre pour pouvoir expliciter, on doit se cultiver pour être le plus réactif possible.
Le numéro 551 de février 2019 des Cahiers Pédagogiques est consacré au dossier « Expliciter en classe ». Sa lecture est tout à fait intéressante, mais un article a particulièrement retenu mon attention : il s’agit de celui de Maria-Alice Médioni, professeur de didactique des langues à l’université Lyon 2. Son article s’intitule : « Un leurre : la transparence« .
Le chapeau de l’article est le suivant : « Sans dénier à l’explicitation ses vertus indéniables, l’auteure alerte sur les dangers de la fétichiser : l’énigme, le mystère ont aussi une valeur pédagogique« . En le lisant, j’ai autant été attirée que perplexe devant ce résumé.
Dans l’article, madame Médioni met en garde contre « l’illusion de la transparence et le danger qui s’y rattache« . Ce danger est de penser garantir la compréhension, croire qu’en explicitant (forcément partiellement et de façon subjective) on lève toutes les difficultés de tous les élèves. Elle écrit aussi que « les situations les plus porteuses sont celles qui articulent deux nécessités, celle de l’explication et celle de l’énigme« . On n’oppose donc pas mystère et explicitation, ici, mais on les combine. D’accord, j’adhère mieux au propos. Il est question de nuances, pas de simple controverse.
« L’insolite, le défi, les surprises créent des attentes, de l’enjeu et du plaisir« . II est question de désir, d’énergie, de mystère, de « jeter le trouble« . En effet, comment faire apprendre sans déstabiliser, sans remettre en cause des croyances et des représentations souvent incomplètes, éventuellement erronées ?
En fait, Maria-Alice Médioni veut simplement mettre en garde contre une sorte de simplification de l’explicitation : « la tentation de l’exhaustivité ou de l’explicitation totale, la volonté d’aplanir les difficultés peuvent mener, au contraire, à l’affadissement ou à une impression de gavage« .
Autrement dit, il n’y a pas de méthode, mais il y a de multiples réflexions à mener simultanément pour nous adapter et faire réussir le mieux possible tous nos élèves, chacun de nos élèves.
J’ai reçu aujourd’hui un ouvrage édité par l’Harmattan : Peut-on encore parler de méthodes pédagogiques ?, sous la direction de Richard Etienne, Serge Ragano et Laurent Talbot. Je trouve amusant de recevoir aujourd’hui ce livre, alors que mon article d’hier sur un diaporama de monsieur Bissonnette (et non sur la PEx en général… 😉 ) a fait couler tant de caractères sur Tweeter (de façon civilisée, je le précise).
« Si on définit une méthode pédagogique comme un ensemble de moyens raisonnés pour arriver à un but, elle suppose une cohérence entre les finalités de l’enseignement et les pratiques enseignantes en précisant la façon d’être et d’agir à l’égard des élèves. La demande de méthodes qui délivreraient les enseignants de leur obligation d’invention nous a incités à nous poser cette question : peut-on encore parler de méthodes pédagogiques ?
Nous avons examiné la notion ainsi que les injonctions formulées par la hiérarchie des systèmes éducatifs et les demandes pressantes de méthodes exprimées par les « novices ». Le recours à l’étude de l’activité des enseignants et l’exploration de la complexité de leur agir ont permis une étude fine de leurs pratiques étudiées dans quatre disciplines : éducation physique et sportive, enseignement de la lecture et de l’orthographe ainsi que géographie.
Cet ouvrage collectif fait le point sur les réponses qui peuvent être apportées par la recherche à six grandes questions : existe-t-il des méthodes qui s’appliqueraient en classe ? Par quoi remplacer le discours général et flou sur les méthodes pédagogiques ? Comment traiter la demande de méthode exprimée par les personnes en formation ? Que nous disent les recherches sur les pratiques et l’activité des enseignants dans des disciplines et des niveaux de scolarité différents ? Peut-on élaborer une théorie de la coopération entre enseignants, formateurs et chercheurs afin d’améliorer les pratiques d’enseignement-apprentissage à partir d’une analyse des situations ? Cette théorie peut-elle montrer en quoi les pratiques d’enseignement sont liées aux pratiques d’apprentissage ainsi qu’établir que l’environnement des professeurs est aussi constitué de l’activité des élèves et que l’activité du maître fait partie également de l’environnement des apprenants ? »
La question posée est très directe : comment se fait-il que les statistiques conduisent si souvent les scientifiques à nier des différences que ceux qui n’ont pas de formation en statistique peuvent voir clairement ?
Le propos tourne donc autour du « significatif » et du « non significatif ». On sait qu’un résultat statistiquement non significatif ne constitue pas une preuve d’invalidation de l’hypothèse. Et des résultats statistiquement significatifs ne constituent pas non plus une preuve.
Le collectif de scientifique auteurs du texte en a manifestement joliment assez des raccourcis pris au titre d’une probabilité supérieure 0,05 ou d’un intervalle de confiance incluant 0. Exemples à l’appui. Il évoque un dossier de la revue sur » L’inférence statistique au 21e siècle : un monde au-delà de P < 0,05 « , titre alléchant.
Le collectif remet en cause la validité et l’existence même des seuils, et argumente : il décrit les nombreux biais, propose de renommer les intervalles de confiance en » intervalles de compatibilité » et à les interpréter de manière à éviter tout excès de confiance, de réfléchir au cas par cas plutôt que d’automatiser : selon les scientifiques qui s’expriment ici, comme le seuil de 0,05 dont il est issu, le 95 % par défaut utilisé pour calculer les intervalles est lui-même une convention arbitraire. Cependant, ils ne considèrent pas leurs propositions comme idéales : en éliminant de mauvaises pratiques, on peut aussi en introduire de nouvelles.
« Les déductions doivent être scientifiques, et cela va bien au-delà de la simple statistique. «
Ici, vous trouverez un diaporama canadien sur le courant de l’enseignement explicite. Que ce soit son contenu, ses sous-entendus ou les commentaires associés ici et là, je trouve bien dommage de déployer autant d’énergie pour éviter le débat et caricaturer. Se contenter ainsi d’opposer « enseignement explicite » et « lubies socio-constructivistes » est décevant et même méprisant.
Heureusement, la « cousine française » oublieuse que je suis continuera de s’enrichir de tous les apports intéressants, enseignement explicite compris, en évitant soigneusement les dogmes.
La journée de l’APMEP Normandie d’aujourd’hui commence par une conférence sur l’intelligence artificielle – Le point de vue du Machine Learning, par Alain Rakotomamonjy (Université de Rouen Normandie – Litis). C’est très très intéressant, avec un propos parfaitement accessible.
Les années 50 on vu l’émergence de l’IA : on se pose la question de comment simuler la pensée et le langage, mais aussi comment faire apprendre une machine.
Qu’est-ce qu’une IA ?
Une fois qu’on a défini la notion d’IA, on distingue IA faible et IA forte :
Une IA faible est capable de résoudre une tâche unique, et le fait très bien : reconnaître un visage, transcrire la parole en texte. Mais la même machine ne peut pas faire les deux.
Une IA forte est une IA qui, éventuellement, est capable de jouer au tennis tout en traduisant de l’anglais en malgache. C’est actuellement super difficile.
Actuellement, nous sommes dans des IA faibles.
Nos téléphones, l’analyse de SPAM d’il y a 20 ans, la traduction automatique, des systèmes de recommandations sur des sites marchands, les véhicules autonomes, sont pleins d’IA.
Le machine learning n’est rien d’autre qu’une partie des statistiques, une réalisation un peu améliorée avec un peu d’informatique.
On essaie de faire apprendre les machines à partir d’exemples : on cherche à ce qu’elle apprenne à reconnaître une entité à partir de certaines de ses caractéristiques, pertinentes. C’est un contexte d’apprentissage supervisé.
On réalise des approximations, par le biais de fonctions :
La fonction sigma va donner des 0 ou des 1, s’activer ou pas.
Un réseau de neurones contient des millions de neurones. On parle de deep learning car il y a plusieurs couches de neurones artificiels pour obtenir une représentation pertinente des données en entrée.
Si on regarde ce qui se passe un peu plus en détail dans un réseau de neurones, on a tout un ensemble de réseaux de neurones qui s’activent ou s’inhibent en fonction de leurs entrées, et selon les couches de neurones on a des réactions aux contours, ou des textures, ou des formes particulières, des parties d’objets…
On ne sait pas encore toujours exactement comment cet apprentissage se fait, si j’ai bien tout compris, ce qui est étrange pour mon petit cerveau… On apprend à une machine à faire des choses mais on ignore partiellement comment elle apprend ? Ouhaou…
Ce qui fait la différence aujourd’hui, c’est la puissance des outils de calcul, et le fait qu’on a de plus en plus de données. Il a presque dix ans, on faisait 30% d’erreurs. Avec le deep learning on avait progressé considérablement deux ans plus tard, et aujourd’hui la machine est parfois plus performante que l’homme. Un bémol : la machine doit être entraînée beaucoup plus, la plupart du temps, que l’homme.
Différentes autres applications commencent à émerger, comme l’analyse de mélanomes, la découverte d’exo planètes, etc.
Ce qui fait que ça marche, c’est qu’on a été capable de donner à la machine des données labellisées, qui ont permis à la machine d’apprendre des signaux faibles et des relations. Mais il y a beaucoup d’efforts à faire pour générer ces données étiquetées. Derrière l’IA il y a donc tout un pan caché qui consiste à générer ces données.
Une autre partie du machine learning est l’apprentissage non supervisé : on cherche à générer une partition des données qui soit homogène à partir de données plus hétérogènes.
C’est que font les sites marchands, mais c’est aussi utile dans le diagnostic médical : pour pouvoir soigner certains types de cancers et bien cibler les tumeurs, on essaie de savoir précisément où sont les muscles par exemple, sans avoir préalablement ciblé telle ou telle région, ce qui est impossible autrement.
Le troisième paradigme d’apprentissage, c’est l’apprentissage par renforcement. On va apprendre en interagissant.
Le robot obtient une récompense lorsqu’il réalise une tâche et il va être puni si il fait une erreur. Ce sont des stratégies qui marchent par essais-erreurs. Il faut faire des milliers et des milliers d’essais, mais la machine comprend au final comment elle reçoit des récompenses. Evidemment, il faut définir la notion de récompense.
On peut faire émerger des stratégies assez inattendues, et parfois au contraire on retrouve des stratégies que nous humains avons essayé de développer.
Ce n’est pas adapté à tout : pour les véhicules autonomes, va-t-on faire se crasher un véhicule un grand nombre de fois pour laisser la machine tâtonner ?
Les réseaux génératifs adverses (GAN) vident à générer des données qui « ressemblent » à des exemples. C’est important pour apprendre à une machine à compléter des données manquantes, par exemple. Quand on apprend à la machine à jouer à un jeu de police et de faussaire, la machine essaie de générer de fausses images, mais il n’est pas très fort. A coté, on fait reconnaître les vraies images des fausses à une autre machine. Au début du coup, le problème est facile. Mais au fur et à mesure, avec une boucle de rétroaction sur la machine faussaire, cette machine faussaire s’améliore. A la fin, la machine est très forte. Pour le moment, il n’y a aucune application : c’est beau les maths :-). D’ailleurs, on ne comprend pas encore bien comment la machine fait pour combiner les images (femme souriante-femme neutre=homme souriant, par exemple), mais ça marche bien et c’est intéressant.
Des questions sociétales se posent. Dans les prochaines années, on peut s’attendre à un changement fort dans les interactions entre l’homme et la machine. La machine va sans doute comprendre de mieux en mieux le langage naturel, comme on le voit avec les outils actuels d’assistants personnalisés, comme Alexa. Des questions morales se posent, par exemple dans les conversations machines-humains, lorsque l’humain ignore qu’il parle en fait à une machine. De même, l’homme est-il prêt à être diagnostiqué à 100% par une machine, et comment organiser la coopération entre l’humain et la machine dans ce cadre ? Idem sur les véhicules autonomes, domaine dans lequel on vise plutôt actuellement des véhicules partiellement autonomes.
Côté créativité, on peut produire des oeuvres, mais ce n’est pas « magique », selon Alain Rakotomamonjy.
Un algorithme de machine learning ne se fonde que sur ce qu’on lui donne : on peut donc aussi faire un peu tout et n’importe quoi, comme on l’a vu parfois dans des médias : prédire l’orientation sexuelle en fonction du visage, prédire la criminalité en fonction de photos policières.
On cherche donc à réduire les biais, les biais sur les images, les biais de langue. Maintenant, il est facile de transformer la voix d’une personne en la voix d’une autre et la coller sur une vidéo, ce qui génère facilement des fake news. On n’a pas vraiment de solution pour le moment contre cela, mais des projets se montent.
Les algorithmes de machine learning sont gourmands en données. Beaucoup de données cont collectées lors de nos usages quotidiens numériques, dont il faut être conscient si on veut l’éviter : il existe des moyens de se protéger. On peut apprendre à une machine à être intelligente sans pour autant partager : c’est l’apprentissage décentralisé, où on crypte ou on stocke sur son disque dur.
(traduisez : tu es débordée de façon raisonnable), alors tu réfléchis et tu jettes un plan plus ou moins définitif mais global, et on verra dans la semaine et le week-end prochain, ça te laissera le temps de réfléchir encore. Et puis paf, je suis littéralement tombée dedans. Pourquoi tel collègue insiste sur ce point et tel autre non, ou pourquoi celui-ci fait-il ce choix-ci et celui-là ce choix-là, etc. Passionnant. Absolument passionnant. J’ai hyper avancé, pratiquement bouclé le premier module (il y en a deux), et je sais ce que je mets dans le deuxième. En plus, j’ai compris des tas de choses que je n’avais pas comprises, en particulier quant à la progressivité en géométrie au cycle 2, quant aux choix très très variés des manuels. J’ai pu réinvestir les cours que j’avais reçus de Catherine Houdement, utiliser les super travaux d’Édith Petitfour qui vient dans ma classe depuis plusieurs années… Alors j’y ai passé mon dimanche, mais je me suis éclatée.
« 
