Formation IA pour les enseignants

# Formation IA pour les enseignants

- 🎯 Objectifs : Présenter le fonctionnement des modèles de langage et explorer des usages pédagogiques encadrés.
- 🤖 Certaines parties ont été rédigées avec l'aide de ChatGPT5 ou de Perplixity AI
- ✍️ Source au format markdown disponible à la demande 
- 📧 [frederic.junier@ac-lyon.fr](mailto:frederic.junier@ac-lyon.fr)

[![alt](./by-nc-sa.png)](https://creativecommons.org/licenses/by-nc-sa/4.0/)

---

# Plan de la formation

1. <a href="#p1">Intelligence artificielle et présentation des grands modèles de langage</a>
2. <a href="#p2">Etat des lieux de l'usage des IA dans l'éducation en France</a>
3. [Exemples d'usages pédagogiques des IA génératives](#p3)
4. [Sélection d'outils](#p4)
5. [Quel chatbot choisir ?](#p5)
6. [Cadre d'usage](#p6)
7. [Sitographie](#p7)
 
---

<h1 id="p1">Partie 1 : intelligence artificielle et présentation des grands modèles de langage (LLM)</h1>
 
---

## Intelligence Artificielle

_Source :_ [CNIL](https://www.cnil.fr/fr/definition/intelligence-artificielle)
 
Le terme **intelligence artificielle** a été introduit par [John McCarthy](https://fr.wikipedia.org/wiki/John_McCarthy) en 1956 à la [conférence de Dartmouth](https://fr.wikipedia.org/wiki/Conf%C3%A9rence_de_Dartmouth) qui a lancé le domaine de recherche. Il désigne un procédé logique et automatisé reposant généralement sur un algorithme et en mesure de réaliser des tâches caractéristiques de  l'intelligence humaine. La conception des ces tâches "intelligentes" a évolué dans le temps. Pour le Parlement européen, constitue une intelligence artificielle tout outil utilisé par une machine afin de « reproduire des comportements liés aux humains, tels que le raisonnement, la planification et la créativité ».

---

## Intelligence artificielle générative

_Source :_ [50 termes clés de l'intelligence artificielle](https://www.culture.gouv.fr/thematiques/langue-francaise-et-langues-de-france/agir-pour-les-langues/moderniser-et-enrichir-la-langue-francaise/nos-publications/50-termes-cles-de-l-intelligence-artificielle)

Branche de l'intelligence artificielle mettant en œuvre des modèles génératifs, qui vise à produire des contenus textuels, graphiques ou audiovisuels.

---

## Traitement Automatique du Langage (TAL, NLP en anglais)

_Source :_  [Apprendre les langues aux machines](https://www.college-de-france.fr/sites/default/files/media/document/2024-04/Sagot_fiche%20de%20pr%C3%A9sentation_LI_0.pdf) Benoît Sagot (Collège de France)

Applications principales :

* _Analyse de texte_ (ex.: correction orthographique, détection de contenus haineux)
* _Génération de texte_  (ex.:  sous-titrage de vidéos)
* _Transformation de texte_ (ex.: traduction automatique, résumé de texte)
* _Interaction homme-machine au moyen du texte_ (ex.: agents conversationnels, le premier chatbot [Eliza](https://en.wikipedia.org/wiki/ELIZA) dès 1964)

---

## Différentes approches dans l'histoire de l'IA et  du TAL

* Idée ancienne d'une représentation intermédiaire pour la traduction automatique(*Athanasius Kircher* en 1663,  *Cercle de Vienne* en 1934)
* Aujourd'hui les **tokens** (unité élémentaire de texte, mot ou partie de mot) sont représentés dans les grands modèles de langage par des vecteurs (**embedding**)
* Jusqu'aux années 1990 a dominé une **approche symbolique** : modélisation du langage par des règles et perfectionnement de l'analyse syntaxique (nouvelle linguistique, [Chomsky](https://fr.wikipedia.org/wiki/Noam_Chomsky)).
* À partir des années 2000, nouvelles **approches statistiques et connexionnistes** (réseaux de neurones artificiels) basées sur **l'apprentissage automatique** à partir de données massives.

---

## Neurone artificiel

_Source :_  [Deepmaths](https://exo7math.github.io/deepmath-exo7/)

![alt](./neurone_artificiel.png)

---

## Réseau de neurones

_Source :_  [Deepmaths](https://exo7math.github.io/deepmath-exo7/)

![alt](./reseau_neurone.png)

---

## Grands modèles de langage (LLM)

Un **grand modèle de langage**   (Large Language Model ou **LLM**)  est un modèle  d'IA génératif qui, entraîné à partir de grands volumes de données textuelles, calcule des probabilités des enchaînements de jetons textuels en vue de la génération automatique de texte ou de code informatique.

- Réseaux de neurones entraînés sur de vastes corpus textuels.
- Tâche principale : prédire le mot suivant le plus probable dans un texte.
- Technologie clé : **Transformers** ([mécanisme d'attention](https://en.wikipedia.org/wiki/Attention_Is_All_You_Need), Google 2017).
- Entraînement très coûteux en énergie et en données.  
- Limites : biais, hallucinations, absence de sources, dépendance aux données.

---
## Du LLM au chatbot

Un **agent conversationnel** ou **chatbot** comme ChatGPT est une application construite au-dessus d'un **LLM** : il exploite GPT, mais avec une interface de dialogue et des réglages spécifiques.

ChatGPT intègre par exemple un entraînement supplémentaire ([RLHF](https://fr.wikipedia.org/wiki/Apprentissage_par_renforcement_%C3%A0_partir_de_r%C3%A9troaction_humaine), apprentissage par renforcement basé sur les retours humains) pour rendre les échanges plus naturels et adaptés aux attentes d'un utilisateur

---

## Un LLM est un modèle statistique

👉 Exemple : prédiction du mot suivant  
 
Phrase incomplète : *"Le chat poursuit la..."*  
- Probabilités :  
  - "souris" (65%)  
  - "voiture" (10%)    
 
➡️ Le modèle choisit selon la distribution statistique, modulée par un paramètre appelé **température** (pour ne pas choisir toujours le mot le plus probable).

---
## Transformers (1/2)

![alt](./transformer1.png)

--- 
## Transformers (2/2)

![alt](./transformer2.png)

---

## 🏊‍♀️ Exercice pratique 1

🎯 **Objectif** : Manipuler la prédiction de mots

<a class="btn" href="https://fr.vittascience.com/ia/text" target="_blank">🛠️ Outil : Vittascience IA Texte</a>

- Suivre le tutoriel  
- Générer une réponse à partir d'un prompt, observer l'effet de la modification du paramètre *Aléatoire* (équivalent de la température) 
- Cliquer sur un token pour regénérer le texte à partir de celui-ci
- Afficher la consommation en équivalent CO2 (panneau latéral droit)
- Soumettre un prompt irrespectueux, comment réagit le bot ? 
- Explorer les différents modèles disponibles (volet latéral droit). Quel est le préprompt de tous les chatbots ?

---
## Vittascience IA sélection d'un nouveau Token

![alt](./vittascience1.png)

---

## Vittascience IA générer une nouvelle réponse, paramètre aléatoire (= température)

![alt](./vittascience2.png)

---

## Vittascience consommation carbone

![alt](./vittascience3.png)

---
## 🏊‍♀️ Exercice pratique 2

🎯 **Objectif** : Découvrir l'ingénierie de prompts avec le modèle ACTIF

**Action·Contexte·Tonalité·Identité·Format**

<a class="btn" href="https://prompting.numedu.org/" target="_blank">🛠️ Outil : Numedu Prompting</a>

- Choisir un thème de sa discipline.  
- Générer un **quiz de 5 questions** avec le modèle ACTIF.  
- Comparer les réponses  entre 2 chatbots (par ex. Gemini et Mistral).  
- Demander un export au format Moodle XML et importer le Quiz dans Éléa.

---

## L'empreinte carbone de nos usages numériques

En France, chaque personne émet en moyenne 10 tonnes de eq CO₂ par an. Le numérique (Internet, smartphones, ordinateurs, etc ...) représente 4 % de cette pollution, soit 400 kg de eq CO₂ par an.

<div class="center">
  <a class="btn" href="https://fr.vittascience.com/co2-calculator" target="_blank">🖩 Calculateur d'empreinte carbone numérique de Vittascience</a>
</div>

---

## Coût énergétique des LLM et de l'IA générative

Il est difficile d'évaluer le coût énergétique des IA comme ChatGPT  basées sur des LLM car les entreprises ne rendent pas publiques toutes les données. Il faut distinguer :

* le coût de **l'entraînement**  du modèle de fondation qui est massif : jusqu'à 50GWh pour GPT-4, soit l'équivalent de la consommation électrique de Paris pendant deux jours.
* le coût de **l'inférence** qui dépend du type de requête (la génération d'image consomme entre 2 et 10 fois plus que la génération de texte). Avec les modèles récents, le coût pour une requête standard semble se rapprocher de celui d'une requête Google (on l'estimait à 10 fois plus) mais l'augmentation globale du nombre de requête fait exploser le coût total de l'inférence.

---
## IA un gouffre énergétique ?

_Source :_ Le Monde : [Pourquoi notre utilisation de l'IA est un gouffre énergétique](https://www.lemonde.fr/les-decodeurs/article/2025/06/08/pourquoi-notre-utilisation-de-l-ia-est-un-gouffre-energetique_6611132_4355770.html)

![alt](./cout_ia.png)

---
## Comparaison entre coût d'une recherche sur un moteur par indexation (Google) et une IA générative (Chat GPT)

_Généré avec_ [Perplixity AI](https://www.perplexity.ai/)

[2]: https://www.lemonde.fr/les-decodeurs/article/2025/06/08/pourquoi-notre-utilisation-de-l-ia-est-un-gouffre-energetique_6611132_4355770.html

[3]: https://blog.ekip.app/quelle-est-lempreinte-carbone-de-chatgpt/

[5]: https://3615vincent.com/chatgpt-consomme-autant-quune-recherche-google/

[7]: https://ekwateur.fr/blog/enjeux-environnementaux/empreinte-carbone-recherche-google/

[8]: https://www.lecese.fr/sites/default/files/pdf/Avis/2024/2024_14_IA_Environnement.pdf

[9]: https://www.polytechnique-insights.com/tribunes/energie/ia-generative-la-consommation-energetique-explose/

[11]: https://www.mister-ia.com/article/ia-consommation-energetique

[12]: https://drane-versailles.region-academique-idf.fr/spip.php?article1167
---

<a id="p2"></a>
# Partie 2 : état des lieux de l'usage de l'IA dans l'Éducation Nationale

---

## Questionnaire

Le questionnaire en lien ci-dessous reprend celui posé par l'IGESR à 4943 enseignants dans le cadre de sa mission sur [L'intelligence artificielle dans les établissements scolaires, sur le plan administratif et pédagogique](https://www.education.gouv.fr/l-intelligence-artificielle-dans-les-etablissements-scolaires-450655).

<div class="center">
  <a class="btn" href="https://questionnaire.apps.education.fr/visualizer/gWdnNw9A9Fuei3tiH" target="_blank">❓ Accéder au questionnaire</a>
</div>

---

## Synthèse du rapport de l'IGESR

_Source :_ [Rapport de l'IGESR (mai 2025)](https://www.education.gouv.fr/media/227799/download)

__Des potentialités__

> L'IA offre la possibilité d'un apprentissage hautement personnalisé, en adaptant les contenus éducatifs aux besoins spécifiques de chaque élève, permettant  ainsi de répondre plus efficacement à divers profils et niveaux scolaires. De même, l'automatisation des tâches administratives grâce à l'IA libérerait du temps pour les enseignants, leur permettant de   se concentrer davantage sur des activités au service des élèves.

--- 
## Synthèse du rapport de l'IGESR

_Source :_ [Rapport de l'IGESR (mai 2025)](https://www.education.gouv.fr/media/227799/download)

__Des risques appelant à la vigilance__

> L'intégration accrue des technologies d'IA pourrait entraîner une dépendance excessive à ces outils numériques, potentiellement négligeant l'importance des compétences traditionnelles telles que le raisonnement critique et l'autonomie intellectuelle. De plus, il existe un risque d'exacerber les inégalités sociales si l'accès aux technologies avancées n'est pas équitablement réparti entre tous les élèves.  Enfin, la collecte et l'utilisation de données personnelles par les systèmes d'IA soulèvent des préoccupations importantes en matière de protection de la vie privée et d'éthique.