Search

Le développement rapide de l’Intelligence artificielle (IA) dans le domaine éducatif suscite de nombreuses attentes et craintes traduisant un besoin de régulation. L’apprentissage artificiel, à la base des systèmes d’IA, est utilisé afin de personnaliser l’apprentissage et d’automatiser des tâches d’enseignement. Cet article étudie les enjeux de régulation spécifiques à ces usages de l’apprentissage artificiel et montre qu’ils entraînent une encapsulation de connaissances en raison de plusieurs facteurs à la fois techniques et sociaux. Une approche de régulation by design de l’apprentissage artificiel est proposée pour limiter l’encapsulation des connaissances en partant de l’analyse d’un dispositif pédagogique existant. The rapid development of Artificial Intelligence (AI) in the field of education raises many expectations and concerns reflecting the need for regulation. Artificial learning, the basis of AI systems, is used to personalise learning and to automate teaching tasks. This article examines the regulatory issues specific to these uses of artificial learning and shows that they lead to knowledge encapsulation due to several factors, both technical and social. A regulation by design approach to artificial learning is proposed to limit knowledge encapsulation based on the analysis of an existing pedagogical device. El rápido desarrollo de la Inteligencia Artificial (IA) en el ámbito de la educación suscita muchas expectativas y temores, lo que refleja la necesidad de regulación. El aprendizaje artificial, base de los sistemas de IA, se utiliza para personalizar el aprendizaje y automatizar las tareas de enseñanza. Este artículo examina las cuestiones de regulación específicas de estos usos del aprendizaje artificial y muestra que conducen a la encapsulación del conocimiento debido a varios factores, tanto técnicos como sociales. Se propone un enfoque de regulación por diseño del aprendizaje artificial para limitar la encapsulación del conocimiento, basado en el análisis de un dispositivo pedagógico existente.

International audience

The Wikipedia encyclopedia plays a key role in knowledge mediation toward the public. This paper analyses the representations of artificial intelligence (AI) that appear in this encyclopedia. We therefore study the evolution of the article AI (on the French edition of Wikipedia) over the last nineteen years: its content, its references and the network of linked articles. We show that this article presents a rather incomplete and unbalanced view of the topic, and that its development often follows the journalistic coverage of related events. Several plausible causes are investigated and weighted against the principles that rule Wikipedia., L’encyclopédie Wikipédia joue un rôle clef dans la médiation des savoirs auprès du grand public. Cette contribution s’intéresse aux représentations de l’intelligence artificielle (IA) qui sont véhiculées par cette encyclopédie. Elle examine pour cela l’évolution du contenu de l’article IA, des références qu’il mobilise et du réseau de liens qui l’entoure sur une période de dix-neuf ans. Il apparaît que l’article présente une image assez incomplète et déséquilibrée du sujet, et que son développement est souvent lié à la couverture journalistique d’événements connexes. Plusieurs explications possibles sont explorées et confrontées aux principes qui régissent Wikipédia.

Learning - a vital principle of evolution - ensures the transformation of primary data captured by our senses into useful knowledge or abstract and general ideas that can be used in new situations and contexts. Cognitive neuroscience shows that the mechanisms of learning are stimulated by cognitive (e.g. wondering, evaluating errors), physical (e.g. manipulating, moving) and social (e.g. debating, collaborating) engagement. The learner builds knowledge through experience, by exploring his environment, formulating hypotheses and experimenting.Learning is crucial in a context where the exponential evolution of information and communication technologies is changing objects, practices and uses. The development of the Internet of Things (IoT) transforms common objects (e.g. light bulbs, watches, cars) into connected devices (CD) that can collect data and act on the user's environment. Learning becomes both biological and artificial and allows the creation of artificial intelligence systems (AIS) that analyse large volumes of data to automate tasks and assist individuals.Technologies can support learning when the technical possibilities they offer are used to support the process of knowledge construction. Thus, this thesis focuses on learning in the context of IoT and examines how the specificities of CD can be articulated with the mechanisms of learning.In order to identify the characteristics of learning in the context of IoT, we studied existing uses of CD. Based on the state of the art, we proposed a conceptual tool describing the IoT through four dimensions of analysis: Data, Interfaces, Agents and Pervasiveness. This tool enabled us to identify, list, classify and ultimately analyse the uses of CD for learning. In the context of these uses, learning is characterised by physical commitment, contextualisation of knowledge and bringing pedagogical activities closer to reality.Building on the results of this initial work, we have developed an approach to put the specificities of CD to learn sciences. The abstract and often counter-intuitive aspect of scientific knowledge hinders their learning, partly because our perception of reality is subjective and limited by our senses. However, data collected by CD and analysed by AIS provide information about the environment that can be used to extend human perception.Therefore, the objective of our approach, translated by the Data - Representations - Interactions (DRI) model, aims at exploiting OCs and SIAs to facilitate the observation of physical phenomena. According to the DRI model, the learner interacts with representations of a physical phenomenon generated by CD and AIS. In accordance with the mechanisms of learning (e.g. constructivism, role of experience), the learner is led to make observations and manipulations, formulate hypotheses and test them. In order to evaluate the effects and constraints of the DRI model, we have designed LumIoT devices dedicated to the learning of photometric quantities (e.g. luminous flux, luminous intensity, illuminance). Then, we conducted an experiment with 17 students of the Master 1 Multimedia Products and Services of the University of Franche-Comté (Montbéliard).The results of the experiment show that the LumIoT devices, based on the DRI model, have facilitated the observation and understanding of photometric quantities. By making abstract knowledge accessible, the DRI model paves the way for learning devices using CD and AIS to mediate knowledge.; L’apprentissage – principe vital de l’évolution – assure la transformation des données primaires captées par nos sens en connaissances utiles ou idées abstraites et générales, exploitables dans de nouvelles situations et contextes. Les neurosciences cognitives montrent que les mécanismes de l’apprentissage reposent sur l’engagement cognitif (e.g. se questionner, évaluer ses erreurs), physique (e.g. manipuler, bouger) et social (e.g. débattre, collaborer). L’apprenant construit ses connaissances par l’expérience, en explorant son environnement, en formulant des hypothèses et en expérimentant.Apprendre est crucial dans un contexte où l’évolution exponentielle des technologies de l’information et de la communication change les objets, les pratiques et les usages. Le développement de l’Internet des Objets (IdO) transforme les objets physiques du quotidien (e.g. ampoule, montre, voiture) en objets connectés (OC) pouvant collecter des données et agir sur l’environnement de l’usager. L’apprentissage devient aussi bien biologique qu’artificiel et permet de créer des systèmes d’Intelligence artificielle (SIA) analysant de grands volumes de données pour automatiser des tâches et assister les individus.Les technologies peuvent favoriser l’apprentissage, lorsque les possibilités techniques qu’elles offrent sont utilisées pour soutenir le processus de construction de connaissances. Ainsi, cette thèse porte sur l’apprentissage dans le contexte de l’IdO et examine la manière dont les spécificités des OC peuvent s’articuler avec les mécanismes de l’apprentissage.Afin d’identifier les caractéristiques de l’apprentissage dans le contexte de l’IdO, nous avons étudié les usages existants d’OC. En s’appuyant sur l’état de l’art, nous avons proposé un outil conceptuel décrivant l’IdO au travers de quatre dimensions d’analyse : Données, Interfaces, Agents et Pervasivité. Cet outil nous a permis d’identifier, de répertorier, de classer et, in fine, d’analyser les usages d’OC au service de l’apprentissage. Dans le cadre ces usages, l’apprentissage est caractérisé par l’engagement physique, la contextualisation des savoirs et le rapprochement des activités pédagogiques avec la réalité.En valorisant les résultats de ce premier travail, nous avons élaboré une approche pour mettre les spécificités des OC au service de l’apprentissage des sciences. L’aspect abstrait et souvent contre-intuitif des savoirs scientifiques freine leur apprentissage, en partie car notre perception de la réalité est subjective et limitée par nos sens. Or, les données collectées par les OC et analysées par des SIA apportent des informations sur l’environnement pouvant être utilisées pour étendre la perception humaine.Ainsi, l’objectif de notre approche, traduite par le modèle Données - Représentations - Interactions (DRI), vise à exploiter les OC et les SIA pour faciliter l’observation de phénomènes physiques. Selon le modèle DRI, l’apprenant interagit avec des représentations d’un phénomène physique générées à partir d’OC et de SIA. En accord avec les mécanismes de l’apprentissage (e.g. constructivisme, rôle de l’expérience), l’apprenant est amené à faire des observations et des manipulations, à formuler des hypothèses et à les tester. Afin d’évaluer les effets et les contraintes du modèle DRI, nous avons conçu les dispositifs LumIoT dédiés à l’apprentissage des grandeurs photométriques (e.g. flux lumineux, intensité lumineuse, éclairement). Puis, nous avons conduit une expérimentation avec 17 étudiants du Master 1 Produits et Services Multimédia de l’Université de Franche-Comté (site de Montbéliard).Les résultats de l’expérimentation montrent que les dispositifs LumIoT, basés sur le modèle DRI, ont facilité l’observation et la compréhension des grandeurs photométriques. En rendant accessibles des savoirs abstraits, le modèle DRI ouvre la voie à des dispositifs d’apprentissage mettant les OC et les SIA au service de la médiation des savoirs.

International audience

International audience

National audience

International audience; The Internet of Things encompasses a multitude of connected devices with advanced functions for the automation of tasks and assistance to individuals, raising technical, political, social and economic challenges. Learning is linked to these challenges in several ways: the machine learning development contributes to the functioning of connected devices, which in turn stimulate human learning by diversifying practices and tools. Learning methods can lean on recent works in neuroscience that identify cognitive resources for learning, such as attention, engagement, feedback and consolidation. In addition, learning has been modified by technological change: after printing, computing and telecommunications, the Internet of Things is a new information medium for knowledge transmission. Based on three dimensions (data, interfaces and pervasiveness), we propose a classification of possible articulations of the Internet of Things to support learning. The study of this relationship shows that the Internet of Things promotes exploration and experimentation, the setting up of authentic situations and the contextualization of learning.; L'Internet des Objets se traduit par une multitude d'objets connectés dotés de fonctions avancées pour l'automatisation et l'assistance aux personnes, soulevant des défis techniques, politiques, sociaux et économiques. L'apprentissage est lié à ces défis en plusieurs sens : si l'apprentissage machine contribue au fonctionnement des objets connectés, ces derniers stimulent en retour l'apprentissage humain en diversifiant les pratiques et les outils. Les méthodes d'apprentissage peuvent s'appuyer sur les récents travaux en neurosciences identifiant les ressorts cognitifs de l'apprentissage : l'attention, l'engagement, le retour d'informations et la consolidation. En outre, l'apprentissage s'est vu modifié par l'évolution technologique : après l'imprimerie, l'informatique et les télécommunications, l'Internet des Objets est un nouveau support d'information pour la transmission des savoirs. À partir de trois dimensions d'analyse (données, interfaces et pervasivité), nous proposons une classification des articulations possibles de l'Internet des Objets pour soutenir l'apprentissage. L'étude de cette relation montre que l'Internet des Objets favorise l'exploration et l'expérimentation, la mise en place de situations authentiques et la contextualisation de l'apprentissage.

International audience

International audience

International audience

International audience

International audience

Technological change is profoundly changing the way we are informed, as well as we communicate and learn. Through the Internet of Things (IoT) and connected devices, automation and intelligent support invest our daily life. Education plays a crucial role in improving our adaptive capacities, but its effectiveness and technological modernization are being questioned. To cope with these challenges, we question the possibilities of knowledge mediation in the context of the IoT, at the instrumental level, namely by linking the technological offer with the learning process. By characterizing this form of mediation, it appears that the construction of scientific knowledge and the way connected devices work participate in the same movement from observation of reality to abstraction. As a result, learning is based on the diversion and media implementation of the capacities of connected devices to make physical phenomena intelligible. However, while these new devices appear to be able to stimulate science learning, their use raises several questions about their effectiveness and the constraints they pose., L’évolution technologique change en profondeur nos manières de s’informer, de communiquer et d’apprendre. À travers l’Internet des Objets (IdO) et les objets connectés, l’automatisation et l’assistance intelligente s’installent dans la vie quotidienne. L’éducation tient alors un rôle crucial pour améliorer nos capacités d’adaptation, mais son efficacité et sa modernisation technologique sont remises en question. Face à ces enjeux, nous interrogeons les possibilités de médiation des savoirs dans le contexte de l’IdO, au niveau instrumental : en articulant l’offre technologique avec le processus d’apprentissage. En caractérisant cette forme de médiation, il apparaît que la construction des savoirs scientifiques et le mode de fonctionnement des objets connectés participent d’un même mouvement allant de l’observation du réel vers l’abstraction. De ce fait, l’apprentissage est basé sur le détourne- ment et la mise en dispositif médiatique des capacités des objets connectés pour rendre intelligible des phénomènes physiques. Cependant, si ces nouveaux dispositifs semblent pouvoir stimuler l’apprentissage des sciences, leur utilisation soulève plusieurs questions quant à leur efficacité et aux contraintes qu’ils posent.

Connected devices and artificial intelligence systems transform the way we stay informed, work and interact with objects. Learning is linked to these changes: to create intelligent systems and for individuals adaptability. This article describes the relationship between connected devices, human learning and machine learning, to identify the challenges for the mediation of knowledge. Connected devices, with their sensors, facilitate observation and exploration of the world. The coupling with machine learning leads to the emergence of intelligent environments where objects adapt to the collected data. Intelligent environments enable smart campuses and social robots, and extends automation and assistance. These opportunities accentuate the need for education “to” and “by” technologies and question human development in an environment of connected devices., Les objets connectés et l’intelligence artificielle transforment nos modes d’information de travail et d’interaction avec les objets. L’apprentissage est lié à ces changements, tant en ce qui concerne la création de systèmes intelligents que l’adaptation des individus aux technologies. Cet article décrit la relation entre les objets connectés et l’apprentissage, humain et automatique, afin d’identifier les enjeux pour la médiation des savoirs. Les objets connectés facilitent l’observation et l’exploration du monde par l’humain, et leur couplage avec l’apprentissage automatique conduit à l’émergence d’un environnement intelligent. L’environnement intelligent étend les logiques d’automatisation et d’assistance, ouvrant ainsi la voie au campus connecté et aux robots sociaux. Ces effets accentuent les besoins de formation « aux » et « par » les technologies et interrogent le développement humain dans un milieu d’objets connectés.