Séminaire Olivier CLERC

Qu’on le veuille ou non, ChatGPT et les autres grands modèles de langage (LLM) sont devenus partie intégrante de la vie quotidienne, aussi bien à l’école qu’au travail. En éducation, on cherche souvent à en limiter l’usage auprès des plus jeunes, tandis que dans les contextes de recherche et professionnels, on s’appuie de plus en plus sur eux. Leur attrait est évident : ils sont rapides, polyvalents, peu coûteux, et soulagent d’une grande partie de l’effort cognitif.
Cela soulève toutefois un défi plus profond qui dépasse la simple question de la performance : comment concevoir des interactions homme/IA permettant un usage contrôlé, réflexif et méthodologiquement rigoureux de ces systèmes ?
Dans la première partie de cette présentation, je présenterai une étude menée en classe auprès de 116 élèves (niveaux 4e-3e) visant à déterminer si une courte intervention de formation à l’IA générative, compatible avec les contraintes scolaires, peut aider les élèves à utiliser un chatbot de manière plus réflexive et stratégique lors de la résolution de problèmes scientifiques. Une étude pilote préalable a suggéré que les élèves ont souvent du mal à distinguer les bons des mauvais prompts, et que leur connaissance auto-évaluée de l’IA générative ne prédit pas de manière fiable la qualité réelle de leur interaction avec un chatbot.
Dans la seconde partie, je présenterai LLM4Humanities, une bibliothèque open source conçue pour soutenir le traitement de données qualitatives en sciences humaines, en particulier les tâches d’annotation. Le traitement de ces données repose sur des processus chronophages qui, idéalement, nécessitent plusieurs annotateurs et des analyses de fiabilité inter-annotateur, mais qui sont en pratique souvent limités par le manque de temps et de ressources. Le système intègre l’annotation assistée par LLM, l’analyse statistique de ces annotations, ainsi que la
génération de variantes contrôlées de matériel expérimental. Je ferai une brève démonstration du système et discuterai de la manière dont des outils de ce type peuvent permettre de tirer parti de la puissance des LLM tout en préservant la rigueur méthodologique.