Les arguments contre l’IA dans les universités

Cet article fait partie de notre série de débats estivale Regards croisés, dans laquelle des universitaires défendent des points de vue opposés sur des enjeux d’actualité en enseignement supérieur. Pour consulter tous les textes de la série, rendez-vous ici.

L’intelligence artificielle (IA) générative faisant appel à de grands modèles de langage (GML) suscite actuellement de vifs débats dans le monde de l’enseignement supérieur. L’administration, le corps professoral, le personnel ainsi que les étudiantes et étudiants s’interrogent sur ses usages acceptables, ses capacités et les conséquences de son utilisation. Qu’est-ce que l’IA peut apporter à l’enseignement et à la recherche, et quelles sont ses limites? Quelle plateforme d’IA convient le mieux à tel ou tel type de tâche? Comment assurer la confidentialité des données et le respect des droits d’auteur? Comment prévenir la malhonnêteté universitaire? 

Une question des plus fondamentales semble être restée dans l’angle mort du débat : faut-il vraiment intégrer l’IA à l’enseignement, à la recherche et aux programmes d’études universitaires? Pour pouvoir répondre à cette question, il faut tout d’abord reconnaître le fondement moral de l’utilisation de l’IA dans l’enseignement supérieur. Or, il n’y en a pas. Les membres de la communauté universitaire n’utilisent l’IA que dans un seul objectif, qui n’a rien à voir avec l’éthique : accroître leur efficacité en en faisant toujours plus, plus rapidement, à moindre coût et plus facilement – un objectif qui est au cœur du modèle des entreprises privées. 

Prenons un peu de recul pour réfléchir à ce que signifie privilégier l’efficacité dans les deux grands volets de la mission universitaire : l’enseignement et la recherche. 

Pensons, par exemple, aux travaux de cours. Avec l’aide de l’IA générative, il serait plus facile et rapide pour les étudiantes et les étudiants de réaliser leurs travaux, et pour le corps professoral de les corriger. Cependant, les travaux ont une raison d’être. Ils permettent aux étudiantes et aux étudiants de s’approprier, par la mise en pratique, les connaissances et les compétences acquises en classe. Ils permettent aux professeures et aux professeurs de soutenir chaque personne dans ses apprentissages en évaluant ses points forts et ses points faibles. 

L’objectif premier des travaux est d’inciter les personnes apprenantes à approfondir leurs connaissances en dehors du cours hebdomadaire de trois heures en continuant d’explorer la matière et en échangeant régulièrement avec le corps professoral. Chacun doit faire sa part : c’est la condition préalable essentielle pour que les travaux remplissent leur fonction. Autoriser l’IA générative à effectuer une partie de ce processus n’est pas seulement une forme de tricherie, c’est aller à l’encontre de l’objectif fondamental des travaux et, par conséquent, de l’apprentissage et de l’enseignement. 

C’est également vrai dans les disciplines où les technologies font depuis longtemps partie du programme. Prenons, par exemple, les statistiques. Dans la plupart des cours de statistiques, on doit utiliser des logiciels et faire appel à certaines notions de programmation informatique pour analyser des données. Un cours de statistique comporte généralement une séance de laboratoire qui permet de démontrer comment utiliser le logiciel d’analyse de données. 

Apprendre à utiliser le logiciel ne sert pas seulement à accélérer les calculs. Les séances de laboratoire visent à doter les étudiantes et les étudiants d’une compréhension concrète des choix méthodologiques à faire dans différentes situations réelles, ainsi que de la façon d’utiliser, voire d’adapter, diverses fonctions du logiciel en fonction de ces choix. Malheureusement, le personnel enseignant permet de plus en plus aux membres du corps étudiant de demander à ChatGPT ou à Google AI de leur fournir la syntaxe à utiliser pour effectuer certaines tâches statistiques, sans même qu’ils comprennent ce que ces commandes signifient ni comment elles fonctionnent. 

Prenons maintenant l’exemple d’une recension des écrits. Dans la quasi-totalité des travaux de recherche réalisés en sciences naturelles et en sciences sociales, les chercheuses et les chercheurs doivent effectuer une recension des écrits pour faire le point sur ce qui a déjà été dit et fait au sujet de leur objet de recherche. Les membres du corps étudiant et du corps professoral s’appuient désormais de plus en plus sur l’IA pour réaliser ce travail. Après tout, les GML ont été conçus précisément pour repérer et reproduire, à partir d’un vaste corpus, des formes récurrentes d’expression humaine, qu’elles soient orales, écrites ou même visuelles. Un agent conversationnel fondé sur l’IA bien entraîné peut repérer des dizaines de milliers d’articles scientifiques et d’ouvrages universitaires dans de multiples bases de données, puis produire des résumés logiques et corrects sur le plan grammatical en quelques minutes, voire en quelques secondes. 

Or, une recension des écrits n’est pas qu’un simple résumé. La recherche vise, après tout, à faire progresser les connaissances. Pour ce faire, nous devons d’abord cerner les problèmes, les faiblesses et les lacunes de la littérature existante afin d’y remédier et d’apporter notre propre contribution. L’originalité de notre apport repose largement sur celle de notre analyse des lacunes de la littérature, donc sur notre compréhension des connaissances existantes. 

Comme la recension des écrits est un exercice d’analyse, dès qu’une ou un membre du corps étudiant ou professoral laisse l’IA trouver et résumer les écrits à sa place, l’originalité de la recension, qui constitue le fondement même d’un projet de recherche ancré dans les connaissances existantes, s’en trouve immédiatement perdue. Dans cette optique, les questions techniques sur la fréquence à laquelle les agents conversationnels fondés sur l’IA ont des « hallucinations » et inventent de fausses citations ne sont pas pertinentes. Que l’IA accélère la recension des écrits, qu’elle invente des choses ou que son utilisation favorise la malhonnêteté chez les universitaires, ces enjeux sont secondaires par rapport au fait que son utilisation va tout simplement à l’encontre de la raison d’être d’une recension des écrits. 

Derrière l’ensemble des traditions, des structures institutionnelles et des façons de faire propres au milieu universitaire se trouvent des valeurs sociales qui vont au-delà de la simple efficacité et qui, souvent, n’ont rien à voir avec elle. Lorsqu’on fait l’impasse sur la question morale de savoir si l’utilisation de l’IA est acceptable et qu’on se concentre sur les questions pratiques, on cesse du même coup de s’interroger sur les valeurs sociales et les utilités qui sous-tendent les pratiques établies d’enseignement et de recherche, pour mieux faire place à l’IA. On laisse ainsi l’impératif d’efficacité prendre le pas sur toutes les autres valeurs et finalités qui comptent davantage en éducation. 

Le tollé entourant l’utilisation de l’IA dans le milieu universitaire ne représente qu’une partie d’un problème plus vaste. Les universités offrent désormais aux étudiantes et aux étudiants des cours généraux sur l’utilisation de l’IA générative. Le programme de certificat L’intelligence artificielle partout (Artificial Intelligence Everywhere Certificate) de l’Université de l’Alberta, en est un exemple. Il s’agit évidemment d’une réponse à l’omniprésence de l’IA générative sur le marché du travail d’aujourd’hui. L’infiltration de l’IA dans le monde universitaire n’est que le dernier symptôme de la maladie chronique touchant l’enseignement supérieur moderne : les universités sont perçues comme de simples outils au service des entreprises privées et des gouvernements, destinés à produire la prochaine génération de technologies et de main-d’œuvre qualifiée. Cette obsession pour l’utilisation de l’IA dans le milieu universitaire montre bien que les intérêts du secteur privé, mais aussi ses préceptes, ont fini par parasiter les universités. Nous devons réfléchir non pas aux façons d’utiliser l’IA, mais aux valeurs sociales et aux fondements moraux que l’enseignement supérieur risque de perdre en adoptant une mentalité d’entreprise.