Caroline du Nord : l’IA booste les tests, pas l’apprentissage

La Caroline du Nord envisage l’utilisation d’une IA générative pour améliorer les résultats des tests des étudiants, une mesure qui suscite à la fois espoir et appréhension. Selon une législation proposée, l’IA serait utilisée pour identifier et maximiser les stratégies les plus efficaces afin d’augmenter les scores aux tests standardisés. Cependant, certains analystes, comme ceux mentionnés dans le livre de Robert Wright, soulignent que des objectifs mal définis peuvent mener à des conséquences inattendues. Ainsi, la quête d’amélioration des scores pourrait ignorer l’apprentissage véritable et créatif, en privilégiant des méthodes purement orientées vers la performance immédiate.

Des résultats stagnants ont été observés aux États-Unis, avec des tests standardisés montrant une baisse notable des performances. En effet, les scores de lecture et de mathématiques des étudiants, notamment ceux de 9 ans, ont chuté respectivement de 5 et 7 points entre 2020 et 2022. Cette tendance inquiète les experts qui y voient un retour à des niveaux de performance éducative qui n’avaient pas été vus depuis des décennies. Les systèmes scolaires sont ainsi sous pression pour retrouver et dépasser les performances d’avant la pandémie. Lire l’article sur la stagnation éducative.

L’impact des objectifs mal définis

Stuart Russell, un chercheur éminent en IA, met en garde contre les risques de systèmes avancés mal alignés avec nos intentions réelles. Cet avertissement est particulièrement pertinent dans l’éducation, où l’optimisation par l’IA pourrait exacerber les tendances préjudiciables déjà présentes, comme l’enseignement axé sur les tests plutôt que sur le développement global de l’étudiant. L’analogie de Goodhart’s Law illustre ce point : lorsqu’un indicateur devient un objectif, il cesse d’être une bonne mesure de l’accomplissement réel.

Projections et adaptation des systèmes éducatifs

Les systèmes scolaires pourraient réagir différemment si l’IA est intégrée pour optimiser les scores des tests. Par exemple, l’allocation des ressources pourrait privilégier les élèves qui sont les plus proches des seuils de performance, négligeant ceux qui nécessitent une aide plus profonde. Ce phénomène a déjà été observé auparavant lorsque les pressions politiques ont conduit à des choix éducatifs discutables. Le véritable défi réside dans la conception d’IA capable de gérer cette complexité sans provoquer de résultats inattendus et négatifs. Les systèmes éducatifs devront ajuster leurs méthodes pour s’assurer que l’intégration de l’IA profite réellement à tous les élèves sans compromettre l’enseignement équilibré et inclusif.