Notre glossaire de l’IA dans l’éducation démystifie la terminologie liée au domaine en croissance rapide de l’intelligence artificielle.
Bienvenue dans le glossaire de D2L sur l’IA dans l’éducation, dans lequel nous visons à démêler les subtilités de la terminologie de l’intelligence artificielle. Que vous soyez un enseignant, un concepteur de programmes d’études ou un étudiant, notre glossaire couvre tout, des réseaux de neurones aux mégadonnées. Dans la mesure du possible, nous avons essayé de partager des exemples de la façon dont ces termes sont utilisés dans des contextes éducatifs.
IA (Intelligence artificielle) : capacité d’un ordinateur numérique ou d’un robot contrôlé par ordinateur à effectuer des tâches communément associées aux êtres intelligents, même s’ils ne sont peut-être pas en mesure de reproduire entièrement la flexibilité et la compréhension humaines. Ces tâches peuvent inclure le raisonnement, la découverte du sens, la généralisation et l’apprentissage des expériences passées.
L’intelligence artificielle dans l’éducation couvre un large éventail de technologies, de la notation automatisée et de la détection du plagiat aux systèmes d’apprentissage adaptatifs qui personnalisent le contenu pour chaque étudiant.
Pour un aperçu pratique de la façon dont ces concepts se traduisent en produits réels, explorez notre guide des plateformes d’apprentissage par l’IA qui prennent en charge un enseignement personnalisé à grande échelle.
En des termes plus simples, l’IA est l’intelligence démontrée par les machines, en particulier les systèmes informatiques.
Certains exemples de la façon dont l’intelligence artificielle est utilisée dans l’éducation incluent :
Algorithme : processus ou ensemble de règles à suivre dans les calculs ou d’autres opérations de résolution de problèmes, en particulier par un ordinateur.
Dans l’IA, les algorithmes consistent en des instructions guidant les ordinateurs dans l’apprentissage et le fonctionnement autonome. Ils forment un sous-ensemble de l’apprentissage automatique, permettant aux ordinateurs d’effectuer des calculs et des tâches qui exigent généralement une intelligence humaine
API (Application Programming Interface) : une API est un ensemble de règles qui permet aux applications logicielles de communiquer et d’échanger des données, des fonctionnalités et des capacités. Il simplifie le développement en permettant l’intégration avec d’autres applications et agit comme un pont entre différents composants logiciels
Données volumineuses : dans le contexte de l’IA, les données volumineuses font référence à des ensembles de données vastes et complexes utilisés pour former et alimenter les systèmes d’IA. Ces ensembles de données permettent aux modèles d’IA de prendre des décisions et des prédictions basées sur les données.
Un exemple de mégadonnées et de l’IA dans l’éducation peut être vu dans les cours en ligne ouverts à grande échelle (MOOC). Les MOOC génèrent des données étendues sur les interactions des étudiants, les taux d’achèvement et les modèles d’apprentissage. L’IA peut ensuite analyser ces données pour identifier les domaines dans lesquels les étudiants ont des difficultés, apporter des améliorations à la conception des cours et améliorer la participation et la rétention des étudiants.
Chatbot : un programme automatisé ou un système d’IA conçu pour participer aux conversations avec les utilisateurs, souvent par texte ou par la voix, en fournissant des informations, en répondant aux questions ou en aidant à l’exécution des tâches.
Les chatbots peuvent être utilisés dans l’éducation sur les sites Web universitaires ou scolaires pour répondre aux questions couramment posées concernant les programmes étudiants, les expériences, l’administration, les frais et bien plus encore.
ChatGPT : ChatGPT est un modèle linguistique basé sur l’IA développé par OpenAI, capable de générer un texte proche de l’humain en fonction du contexte et des conversations passées.
Science des données : le processus d’analyse de grands ensembles de données pour découvrir des modèles et obtenir des informations qui éclairent la prise de décision.
Dans l’éducation, les scientifiques des données analysent souvent de grands ensembles de données des étudiants pour dégager des tendances, puis recommander des moyens d’augmenter la rétention, les inscriptions, et plus encore.
Apprentissage en profondeur : un sous-ensemble spécialisé de l’apprentissage machine qui utilise des réseaux de neurones avec trois couches ou plus. Ces réseaux de neurones tentent de simuler le comportement du cerveau humain — bien qu’ils soient loin d’égaler sa capacité à « apprendre » — à partir de grandes quantités de données.
Comportement émergent : désigne les actions ou les modèles qui n’ont pas été explicitement programmés dans un système d’IA, mais développés comme un résultat naturel de sa complexité et de ses interactions.
IA générative (GenAI) : fait référence à une catégorie de modèles d’apprentissage machine qui utilisent les données de formation pour produire un nouveau contenu. Ce contenu peut inclure des images, du texte, des vidéos, de l’audio et d’autres formes de médias. Les modèles GenAI tirent parti des réseaux de neurones pour reconnaître les tendances dans les données existantes et générer un nouveau contenu en fonction de ce sur quoi ils ont été formés.
Certains exemples d’IA générative dans l’éducation incluent :
Hallucination : l’hallucination de l’IA fait référence aux situations où un modèle d’IA produit des résultats qui divergent de la réalité. Reconnaître les raisons derrière ce phénomène et comprendre son impact sont essentiels à une mise en œuvre responsable de l’IA.
Hyperparamètre : un hyperparamètre est une configuration définie à l’extérieur avant la formation à l’apprentissage automatique. Contrairement aux paramètres de modèle, qui sont appris pendant la formation, les hyperparamètres guident le processus d’apprentissage, mais ne sont pas adaptés à partir des données.
Modèle linguistique grand format (LLM) : un algorithme d’apprentissage approfondi avancé qui utilise de nombreux paramètres et données de formation pour comprendre et prédire le texte. Ces modèles d’intelligence artificielle générative peuvent effectuer diverses tâches de traitement du langage naturel au-delà de la simple génération de texte, notamment la révision et la traduction du contenu.
Apprentissage automatique : un domaine de l’IA et de l’informatique qui vise à permettre aux systèmes d’IA d’apprendre à partir de données et d’algorithmes, en imitant les processus d’apprentissage humains. Il y parvient en analysant des ensembles de données complets sans nécessiter d’instructions de programmation explicites.
Certains exemples d’apprentissage automatique dans l’éducation incluent :
Traitement du langage naturel (PNL) : le PNL combine la linguistique computationnelle, qui implique une modélisation du langage humain basée sur des règles, avec des modèles statistiques et d’apprentissage automatique pour permettre aux ordinateurs et aux appareils numériques de reconnaître, de comprendre et de générer du texte et de la parole.
Un réseau de neurones est un modèle qui imite la façon dont les neurones biologiques travaillent ensemble pour prendre des décisions. Il se compose d’unités interconnectées appelées neurones qui s’envoient des signaux les uns aux autres, ce qui lui permet d’effectuer des tâches complexes. Par essence, les réseaux de neurones traitent les informations comme le cerveau humain, en utilisant des couches de neurones artificiels pour identifier les tendances et parvenir à des conclusions.
OpenAI : une organisation de recherche visant à créer une intelligence artificielle générale (AGI) sûre et bénéfique. Ils ont développé de puissants modèles linguistiques tels que GPT-4 et continuent de faire progresser la recherche en IA.
Reconnaissance de schémas : la reconnaissance de schémas dans l’IA fait référence à la capacité des machines à identifier des schémas dans les données, ce qui leur permet de faire des prédictions et de catégoriser les informations. Il joue un rôle crucial dans les systèmes d’intelligence artificielle modernes, en leur permettant d’apprendre des données et de généraliser les modèles à des fins pratiques.
L’application d’apprentissage des langues Duolingo est un exemple de la façon dont la reconnaissance de schémas par l’IA est utilisée dans l’éducation. Duolingo utilise les données, la reconnaissance de schémas et l’apprentissage automatique pour améliorer ses cours de langue. En analysant les interactions des utilisateurs et les nuances de diverses langues, Duolingo peut optimiser ses exercices et adapter le contenu en conséquence.
Analyse prédictive : l’analyse prédictive dans l’IA consiste à utiliser des données historiques et des algorithmes statistiques pour faire des prédictions sur les événements ou les résultats futurs. Dans l’éducation, il aide les écoles et les établissements postsecondaires à anticiper les tendances, à identifier les modèles et à optimiser les processus de prise de décision. L’analyse prédictive est particulièrement utile dans les modèles éducatifs basés sur les compétences, où l’identification précoce des apprenants en difficulté peut améliorer les taux d’achèvement.
Analyse prescriptive : l’analyse prescriptive dans l’IA va au-delà de la prédiction des résultats futurs. Il recommande des actions ou des décisions spécifiques pour optimiser les résultats en fonction des données et des modèles historiques, ce qui aide les organisations à faire des choix éclairés.
Prompt : dans le contexte de l’IA, un prompt fait référence à une entrée ou à une requête fournie à un modèle linguistique ou à un autre système d’IA. Il sert de point de départ pour générer une réponse, que ce soit sous forme de texte, de code ou de tout autre résultat.
Les invites d’IA ont explosé dans l’éducation et joueront un rôle important à l’avenir. De bonnes invites aident les étudiants à interagir avec les systèmes d’IA et à améliorer leurs expériences d’apprentissage. Ils peuvent également aider les enseignants à gagner du temps.
Un exemple de la façon dont une invite d’IA pourrait être utilisée dans l’éducation est la conception d’un plan de leçon. Un enseignant pourrait saisir le type de leçon et inclure des paramètres tels que la longueur, la structure, les types de questions, etc., dans un outil d’IA générative et obtenir un plan qu’il pourrait ensuite affiner à sa guise.
Informatique quantique : permet aux systèmes d’IA de traiter de grandes quantités de données et d’exécuter des algorithmes complexes à une vitesse sans précédent, ce qui permet de réaliser des progrès transformationnels dans les applications d’IA.
Apprentissage par renforcement : un domaine de l’apprentissage automatique dans lequel un agent interagit avec un environnement, apprenant à prendre des actions qui maximisent les récompenses cumulatives. Il s’agit d’équilibrer l’exploration et l’exploitation pour optimiser les processus de prise de décision dans des scénarios dynamiques.
Analyse des sentiments : implique l’analyse de texte ou de données pour déterminer le ton émotionnel ou le sentiment exprimé. Il aide à déterminer si un contenu (tel qu’un avis, un tweet ou les commentaires de clients) est positif, négatif ou neutre.
L’analyse des sentiments peut jouer un rôle crucial dans l’éducation. Voici deux façons de l’utiliser :
Données structurées : dans le contexte de l’intelligence artificielle, les données structurées font référence aux données qui suivent des modèles de données prédéfinis, ont une structure cohérente et claire, et peuvent être facilement accessibles et traitées par des humains et des programmes informatiques.
Apprentissage supervisé : dans l’IA, l’apprentissage supervisé fait référence à une méthode d’apprentissage utilisant des données qui adhèrent à des modèles de données prédéfinis, ont une structure cohérente et claire, et peuvent être facilement accessibles et traitées par des humains et des programmes informatiques.
Jeton : un jeton d’IA représente la plus petite unité dans laquelle les données textuelles peuvent être décomposées. Ces jetons permettent aux modèles linguistiques de traiter et d’interpréter efficacement le texte, ce qui aide à des tâches telles que la compréhension et la génération du langage naturel.
Données de formation : servent d’ensemble de données initial utilisé pour former les algorithmes d’apprentissage automatique. Il fournit la base pour la création et l’affinement des règles au sein de ces modèles. Qu’elles soient étiquetées (avec des étiquettes significatives) ou non étiquetées (données brutes), les données de formation permettent aux modèles d’IA d’apprendre des schémas et des relations, ce qui leur permet en fin de compte de faire des prédictions précises ou d’effectuer des tâches spécifiques.
Test de transfert : un test de transfert dans l’IA fait référence à l’évaluation des performances d’un modèle préformé, développé pour une tâche, lorsqu’il est appliqué à une tâche connexe mais distincte. Il évalue l’efficacité du transfert des connaissances de la tâche source à la tâche cible.
Alors que le rôle de l’IA dans l’éducation continue de s’amplifier, rester à jour sur ces termes aide les enseignants, les administrateurs et les concepteurs de programmes d’études à prendre des décisions éclairées sur les outils qu’ils adoptent.
Join us as we explore the practical applications of AI for educators and instructional designers, with real-world examples of how you can use tools like ChatGPT, Google Bard and DALL-E to design better online learning experiences.
Written by:
L’application de l’IA dans des contextes éducatifs n’est pas un parcours singulier : c’est un vaste…
Une comparaison côte à côte des plateformes LMS d’IA, axée sur les fonctionnalités réelles, les…
Les outils d’IA sont de plus en plus courants dans l’enseignement supérieur. Mais le fait…
