💻 computer science

AI Unplugged: Embodied Interactions for AI Literacy in Higher Education

Cet article présente une approche pédagogique novatrice intégrant des activités « débranchées » et incarnées dans un cours d'introduction à l'IA au niveau universitaire, permettant aux étudiants de développer une intuition des concepts complexes avant d'aborder leurs formalisations mathématiques et leur implémentation en code.

Auteurs originaux : Jennifer M. Reddig, Scott Moon, Kaitlyn Crutcher, Christopher J. MacLellan

Publié 2026-03-20

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Jennifer M. Reddig, Scott Moon, Kaitlyn Crutcher, Christopher J. MacLellan

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

🤖 L'Intelligence Artificielle sans Ordinateur : Une Aventure Physique pour les Étudiants

Imaginez que vous voulez apprendre à conduire une voiture. La plupart des cours vous donnent d'abord un manuel de mécanique très complexe, des formules mathématiques sur le moteur, et vous attendent que vous sachiez déjà comment le moteur fonctionne avant de vous laisser toucher le volant. Résultat ? Beaucoup d'étudiants apprennent à "conduire" (coder) sans vraiment comprendre ce qui se passe sous le capot.

C'est exactement le problème que les auteurs de ce papier (des chercheurs de l'Université de Technologie de Géorgie) ont voulu résoudre. Ils ont créé un cours d'IA pour l'université où on ne touche pas à un ordinateur pendant les premiers cours. À la place, on utilise des cartes, des dés, des pions et... les étudiants eux-mêmes !

C'est ce qu'ils appellent l'approche "Débranchée" (Unplugged).

🎭 Le Concept : Devenir l'IA

Au lieu de regarder un écran, les étudiants deviennent l'IA. Ils jouent à des jeux de rôle physiques pour comprendre comment une machine "pense".

Voici les quatre grands jeux qu'ils ont inventés, expliqués avec des analogies simples :

1. Le Jeu de la Recherche (Becoming Search) : Le Labyrinthe Humain

Le problème : Comment une IA trouve-t-elle son chemin dans un labyrinthe sans voir la carte complète ?
Le jeu : Imaginez un groupe de 4 amis. Chacun a un rôle secret et ne connaît qu'une petite partie de l'information (comme un puzzle).
- L'un a la liste des portes (les connexions).
- L'autre sait où est le trésor (l'objectif).
- Un autre garde la liste des pièces à visiter.
- Le dernier est le chef qui donne les ordres.
La leçon : Ils doivent se passer des cartes pour trouver le chemin. Cela leur apprend que l'IA ne voit pas tout d'un coup (comme nous, humains, qui voyons la carte entière), mais qu'elle avance pas à pas, en se fiant à des indices locaux.

2. Red and Black Jack : Le Pari de l'Incertitude

Le problème : Comment prendre une décision quand on ne connaît pas le futur ? (C'est ce qu'on appelle les "Processus de Décision de Markov").
Le jeu : C'est une version spéciale du Blackjack avec des cartes rouges et noires. Mais au lieu de juste gagner de l'argent, les étudiants doivent calculer la probabilité de "casser" (perdre) en fonction des cartes qu'ils tirent.
La leçon : Ils apprennent que l'IA ne devine pas. Elle calcule des risques. Si le jeu change (plus de cartes rouges, moins de noires), la meilleure stratégie change aussi. C'est comme apprendre à un enfant à ne pas traverser la rue si la voiture est trop proche, même si le feu est vert.

3. Q-Maze : Le Labyrinthe à l'aveugle

Le problème : Comment une IA apprend-elle par l'expérience (le "Renforcement") sans qu'on lui donne de règles au départ ?
Le jeu : Les étudiants marchent dans un labyrinthe dessiné au sol. À chaque case, il y a un panneau avec une récompense (ou une punition). Au début, tout est à zéro. Ils doivent choisir : explorer au hasard (essayer de nouvelles choses) ou suivre le chemin qui a déjà rapporté des points.
La leçon : Ils ressentent physiquement le dilemme de l'IA : "Dois-je continuer à explorer pour découvrir de nouveaux trésors, ou dois-je me contenter de ce que je sais déjà ?". C'est la base de l'apprentissage automatique.

4. Two Spies (Les Deux Espions) : La Chasse au Fantôme

Le problème : Comment savoir où se trouve quelque chose si vos capteurs sont brouillés ? (Les "Modèles de Markov Cachés").
Le jeu : Un étudiant est un espion qui se déplace secrètement sur une carte. L'autre étudiant est le chasseur. Le chasseur ne voit pas l'espion, mais reçoit des indices flous (ex: "Il est dans la région Nord").
La leçon : Le chasseur doit mettre à jour sa "croyance" (sa carte mentale) à chaque nouvel indice. C'est comme essayer de localiser un ami qui vous envoie des messages SMS avec une mauvaise connexion : vous devez déduire sa position probable en croisant les indices.

🌉 Le Pont : Du Jeu au Code

Une fois que les étudiants ont joué, ils ont "vécu" le problème. Ensuite, le cours passe à l'étape suivante : le branchement (Plugged).

Puisqu'ils ont déjà compris la logique en jouant avec des cartes, coder l'algorithme en Python devient beaucoup plus facile. C'est comme si, après avoir appris à conduire avec un simulateur de jeu vidéo, monter dans une vraie voiture était une formalité. La logique est la même, mais maintenant, ils écrivent les règles au lieu de les jouer.

🚀 Pourquoi c'est génial (et un peu difficile) ?

Les Succès :

Engagement maximal : Les étudiants étaient là, ils parlaient fort, ils rigolaient et débattaient. C'était le contraire d'un cours magistral où tout le monde regarde son téléphone.
Confiance : Les étudiants qui avaient peur des maths ont compris qu'ils pouvaient raisonner comme une IA. Ils ont réalisé que l'IA n'est pas de la magie, mais juste une suite logique de décisions.
Compréhension profonde : Ils ne se contentaient pas de copier du code. Ils savaient pourquoi l'algorithme prenait telle décision.

Les Défis :

Le temps : Jouer prend plus de temps que de lire un cours. Dans un été court (12 semaines), c'est un défi de tout couvrir.
La taille de la classe : Ces jeux fonctionnent bien avec 40 étudiants. Avec 300 étudiants, organiser le chaos devient très difficile pour les professeurs.
L'habitude : Les étudiants sont habitués à être passifs (écouter le prof). Les forcer à bouger et à réfléchir activement peut d'abord les surprendre ou les inquiéter.

💡 En Résumé

Ce papier nous dit que pour enseigner l'Intelligence Artificielle aux adultes, il faut parfois revenir à l'enfance : jouer, manipuler, se tromper et rire.

En transformant des concepts abstraits (comme les probabilités ou les graphes) en jeux physiques, les chercheurs ont créé un pont solide entre l'intuition humaine et la logique des machines. C'est une façon de dire : "Avant d'apprendre à construire un robot, apprenez à penser comme lui."

1. Problématique

L'intelligence artificielle (IA) est de plus en plus intégrée à la vie quotidienne, mais l'éducation supérieure en IA souffre de plusieurs lacunes critiques :

Perceptions erronées : Les étudiants conceptualisent souvent l'IA comme une technologie « magique » ou surhumaine, façonnée par la culture populaire plutôt que par la réalité technique.
Décalage pédagogique : Les cours d'introduction à l'IA se concentrent généralement sur les techniques algorithmiques, les formules mathématiques et les tâches de codage intensives, souvent enseignées par des cours magistraux.
Absence de compréhension holistique : Les étudiants apprennent à construire des systèmes sans comprendre pleinement leurs fondements algorithmiques, ni les implications éthiques ou les limites des modèles.
Barrières à l'entrée : L'accent mis sur les mathématiques et la programmation crée des barrières pour les étudiants souffrant d'anxiété face aux mathématiques ou ayant une faible auto-efficacité.
Manque d'approche « Unplugged » : Bien que les activités « CS Unplugged » (sans ordinateur) soient efficaces dans le primaire et le secondaire (K-12) pour concrétiser des concepts abstraits, elles sont rares dans l'enseignement supérieur.

2. Méthodologie

Les auteurs ont conçu et mis en œuvre un cours d'introduction à l'IA (été 2025, Georgia Institute of Technology) basé sur une approche pédagogique hybride combinant cognition incarnée (embodied cognition) et activités « unplugged » (sans ordinateur), suivies d'une transition vers le codage (« plugged »).

Principes directeurs :

Cognition incarnée : Utiliser des interactions physiques et collaboratives pour internaliser les concepts de prise de décision des agents IA.
Perspective à la première personne : Les étudiants simulent le processus de décision d'un agent IA, plutôt que de l'observer de l'extérieur.
Cycle d'apprentissage : Activité Unplugged (physique) $\rightarrow$ Formalisation mathématique $\rightarrow$ Implémentation codée (Python/Jupyter).

Les quatre activités principales proposées :

Recherche (Search) - « Becoming Search » :
- Concept : Comprendre comment un agent navigue dans un espace d'états sans vue d'ensemble.
- Mécanique : Les étudiants travaillent en groupes de quatre avec des rôles distribués (Dictionnaire des successeurs, Test de but, Frontière, Algorithme). Chaque rôle détient une partie de l'information (comme des cartes index).
- Objectif : Simuler des algorithmes comme BFS, DFS, A* et la recherche à coût uniforme en modifiant la structure de données de la « Frontière » (file d'attente, pile, file de priorité) et les fonctions d'heuristique.
Processus de Décision de Markov (MDP) - « Red and Black Jack » :
- Concept : La prise de décision dans des environnements stochastiques.
- Mécanique : Jeu de cartes inspiré du Blackjack. Les étudiants jouent le rôle du joueur et du croupier. Les actions (« Tirer » ou « Rester ») mènent à des états terminaux avec des récompenses différentes (Bust, Single, Double, Triple, Jackpot).
- Objectif : Formaliser le jeu en MDP (états, transitions, récompenses) et calculer manuellement l'itération de valeur pour trouver une politique optimale, en visualisant l'impact des probabilités de transition.
Apprentissage par Renforcement (Q-Learning) - « Q-Maze » :
- Concept : Apprendre une politique sans connaître les probabilités de transition a priori.
- Mécanique : Une grille physique (GridWorld) où chaque case représente un état avec une récompense. Les étudiants agissent comme un agent unique par « épisode ». Ils utilisent un dé pour décider d'explorer (action aléatoire) ou d'exploiter (action avec la meilleure valeur Q).
- Objectif : Mettre à jour manuellement la table Q en utilisant l'équation de Bellman. Les étudiants visualisent la convergence des valeurs Q et la transition de l'exploration à l'exploitation.
Modèles de Markov Cachés (HMM) - « Two Spies » :
- Concept : Déduire un état caché à partir de données de capteurs bruitées.
- Mécanique : Un jeu de rôle où un « Espion Profond » se déplace secrètement sur une carte et rapporte des observations bruitées. Un « Chasseur » doit déduire la position réelle de l'espion.
- Objectif : Simuler le modèle de transition et le modèle de capteur, puis formaliser le processus d'inférence (calcul des croyances) pour affiner la localisation de l'espion.

3. Contributions Clés

Curriculum Unplugged pour l'Enseignement Supérieur : Présentation d'un cadre structuré intégrant des activités physiques dans un cours universitaire d'IA, comblant le fossé entre les pratiques K-12 et l'enseignement supérieur.
Pont Conceptuel-Technique : Démonstration de la manière de faire le lien entre l'intuition physique (jeux de cartes, dés, mouvement) et la formalisation mathématique rigoureuse, facilitant ensuite l'implémentation en code.
Matériel Pédagogique Complet : Mise à disposition de ressources (GitHub) incluant les règles des jeux, les cartes de rôles et les guides de transition vers le codage.
Modèle de Cognition Incarnée : Validation de l'hypothèse selon laquelle l'engagement sensorimoteur améliore la compréhension des algorithmes complexes (recherche, incertitude, apprentissage).

4. Résultats et Observations

L'implémentation sur un échantillon de 40 étudiants a montré des résultats positifs significatifs :

Engagement Élevé : Le taux de présence en cours est passé de 25-30 % (cours magistraux traditionnels) à 75-80 %, avec une participation active et des discussions bruyantes sur les stratégies.
Compréhension Conceptuelle : Les étudiants ont réussi à faire le lien entre leurs intuitions de jeu et les algorithmes formels. Par exemple, ils ont compris naturellement le compromis exploration/exploitation dans Q-Learning et la nature des heuristiques dans la recherche.
Réduction des Barrières : L'approche a permis aux étudiants de surmonter l'anxiété mathématique en manipulant des concepts probabilistes concrets avant d'aborder les matrices et les équations.
Transfert de Connaissances : Les étudiants ont pu traduire plus facilement leurs expériences physiques en implémentations Python, car les contraintes du problème étaient déjà familières via le jeu.

Défis identifiés :

Contraintes de temps : La durée du semestre d'été (12 semaines) a limité la couverture du contenu par rapport à un semestre standard (16 semaines).
Échelle : La gestion de ces activités nécessite une implication importante de l'enseignant et des assistants, ce qui pose problème pour les grands groupes (jusqu'à 300 étudiants).
Résistance des étudiants : Certains étudiants habitués aux cours magistraux passifs ont perçu ces activités comme une charge de travail supplémentaire.

5. Signification et Perspectives

Cette étude démontre que l'intégration d'activités « unplugged » et incarnées dans l'enseignement supérieur de l'IA est non seulement viable, mais essentielle pour une littératie IA holistique.

Impact Pédagogique : Cette méthode permet de passer d'un apprentissage purement technique à une compréhension profonde des mécanismes de décision des agents IA, y compris leurs limites et leurs biais.
Avenir de l'Enseignement : Les auteurs suggèrent d'étendre ces méthodes à des classes plus grandes, d'allonger la durée des activités sur plusieurs jours pour une analyse plus profonde, et d'appliquer plusieurs méthodes d'IA à un même scénario (ex: utiliser Q-Learning sur le jeu de cartes).
Conclusion : L'approche « Unplugged » ne remplace pas le codage, mais elle le prépare et le renforce, créant un pont robuste entre le raisonnement conceptuel et la compétence technique, préparant ainsi les étudiants à concevoir et évaluer des systèmes d'IA dans des contextes réels.