Ce texte n’est pas une leçon de pédagogie : c’est ce qu’un collègue donnerait avant un premier cours sur le sujet. Le cours suit déjà le bon ordre, chaque chapitre s’appuie sur le précédent. Ce qui manque à qui le découvre, c’est de savoir ce qui se projette, ce qui se dit à l’oral, comment regrouper les neuf chapitres en séances, et les pièges du sujet.

Dans quel ordre aborder les notions

Neuf chapitres, quatre séances. Chaque ligne dit ce qui se projette et ce qui se traite à l’oral, et pourquoi.

1. Séance 1 : les mots en morceaux, projeté. Une phrase proposée par la classe plutôt qu’un exemple préparé : le découpage d’un mot familier convainc plus qu’un exemple abstrait. Cinq minutes suffisent.
2. Séance 1 : le prochain mot, projeté. La suite directe de la notion précédente, pas une séance à part : faire varier le réglage devant la classe et lire à voix haute les mots proposés à chaque valeur.
3. Séance 1 : pourquoi il invente, à l’oral. Aucune projection de plus : le mécanisme vu juste avant suffit à expliquer une réponse fausse dite avec assurance. Demander qui en a déjà reçu une.
4. Séance 2 : d’où viennent les biais, projeté. La démonstration sur un jeu de données montre le biais avant qu’on le nomme, ce qui évite l’effet leçon de morale.
5. Séance 2 : ce qu’on lui donne, à l’oral. La notion la plus utile à la vie de classe se discute mieux qu’elle ne se démontre. Question concrète : que devient un devoir tapé dans un outil gratuit ?
6. Séance 3 : une image fabriquée, projeté. La démonstration des artefacts se regarde à plusieurs : une classe entière repère plus de détails qu’une seule personne.
7. Séance 3 : une voix fabriquée, à l’oral. Le doute s’installe à l’oreille, pas sur un graphique : faire écouter plutôt que projeter.
8. Séance 3 : les filigranes, projeté. La réponse directe à la question que les deux notions précédentes font naître : « comment le sait-on, alors ? ». À montrer comme une piste partielle, jamais comme une solution.
9. Séance 4 : quand ne pas s’en servir, à l’oral. Clôture du cours, en débat plutôt qu’en liste lue : trois questions suffisent à trancher un cas, le coût d’une erreur, la vérifiabilité, la légitimité.

Le sommaire complet du cours, dans cet ordre, est à la page comprendre.

Une séance type

La première séance ci-dessus tient dans un cours ordinaire et se reprend telle quelle.

Les deux démonstrations tournent hors connexion et sans compte : elles s’ouvrent la veille sur un poste, une fois, et fonctionnent ensuite même si le réseau de l’établissement tombe pendant le cours. Dans une salle sans réseau fiable, c’est souvent ce qui décide si la séance a lieu ou non.

Ce que vous pouvez faire de ce contenu

Le cours est publié sous licence CC BY 4.0 : le projeter en classe, l’imprimer, le traduire, l’intégrer à un support ou à un manuel existant sont autorisés d’avance, sans demande préalable et sans en informer l’association. La mention exacte à faire figurer est sur la page licence et réutilisation, elle ne se recopie pas d’ici.

Les pièges de ce sujet

Deux pièges reviennent souvent, à éviter avant qu’ils ne s’installent.

Promettre de détecter un texte fabriqué en est un. Aucun détecteur de texte généré par IA n’est à la fois fiable et précis, et l’erreur ne se répartit pas au hasard : plusieurs détecteurs très utilisés classent à tort la majorité des textes écrits par des élèves qui n’écrivent pas dans leur langue maternelle comme générés par une machine, alors qu’ils identifient correctement les textes de locuteurs natifs. Accuser un élève sur la foi d’un pourcentage revient donc à sanctionner d’abord celui qui écrit dans une langue seconde. Le chapitre quand ne pas s’en servir détaille ce dossier, et une lecture plus longue est publiée au blog : les détecteurs d’IA à l’école.

• Testing of detection tools for AI-generated text Debora Weber-Wulff, Alla Anohina-Naumeca, Sonja Bjelobaba, Tomas Foltynek, Jean Guerrero-Dib, Olumide Popoola, Petr Sigut, Lorna Waddington, 2023. Établit qu’une évaluation indépendante de quatorze outils de détection, dont des outils commerciaux vendus à l’enseignement, ne montre aucune exception fiable et précise à la fois.
• GPT detectors are biased against non-native English writers Weixin Liang, Mert Yuksekgonul, Yining Mao, Eric Wu, James Zou, 2023. Établit que plusieurs détecteurs très utilisés classent à tort la majorité des textes de locuteurs non natifs de l’anglais comme générés par une IA.

Le second piège est de présenter comme établi ce qui reste débattu. Le chapitre pourquoi il invente marque explicitement la part qui fait consensus et celle qui ne l’est pas. Reprendre cette distinction en classe, plutôt que de la lisser, ne coûte rien et évite d’avoir à se corriger plus tard.

Les cadres qui encadrent ce travail

Trois cadres publics servent la préparation d’un cours, chacun à un moment différent.

• AI Competency Framework for Teachers UNESCO, 2024. Sert à situer ses propres compétences avant de préparer un cours, en cinq dimensions et trois niveaux de progression.
• AI Competency Framework for Students UNESCO, 2024. Sert à fixer ce que les élèves doivent savoir faire en sortant du cours, par niveau de progression.
• Empowering Learners for the Age of AI (« AILit Framework ») OCDE et Commission européenne, 2026. Sert à découper une séquence en compétences précises : s’engager avec l’IA, créer avec elle, la gérer, la façonner.

Le détail de chacun, avec ce qu’il permet d’affirmer, est sur la page les cadres officiels.

Ce que ce site ne fournit pas

Trois choses, et ce parcours le dit avant qu’on les cherche en vain.

• Une progression officielle, année par année.
• Une évaluation notée, avec un barème.
• Une conformité à un programme national.

Si l’une de ces pièces vient à exister sur ce site, ce sera un module à côté du cours, jamais dans son socle.