A Sovereignty Centred Model of AI Literacy for African Higher Education
Cet article critique la nature aveugle au contexte des cadres de littératie en IA prévalant dans l'enseignement supérieur africain et propose le modèle de Littératie en IA pour un Apprentissage Souverain (AIL-SL), qui intègre des capacités cognitives-techniques, critiques-épistémiques, éthiques-normatives et socio-culturelles afin de favoriser la souveraineté épistémique plutôt qu'une simple dépendance technique.
Article original sous licence CC BY 4.0 (https://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
Dans l'université moderne, une révolution tranquille redessine la manière dont la connaissance est créée, partagée et jugée. Pendant des siècles, l'éducation reposait sur des auteurs humains et des textes physiques, où un étudiant pouvait remonter une idée jusqu'à sa source et comprendre le contexte dans lequel elle était née. Aujourd'hui, les systèmes d'intelligence artificielle génèrent du texte, résument des recherches et décident quelles informations apparaissent comme les plus crédibles. Ces systèmes agissent comme de puissants intermédiaires, se tenant entre l'apprenant et le monde des idées. Alors que les écoles s'empressent d'enseigner aux étudiants comment utiliser ces outils, une question critique reste sans réponse : savoir comment faire fonctionner une machine signifie-t-il que l'on comprend réellement la connaissance qu'elle produit ? C'est au cœur d'une nouvelle perspective émergeant de l'enseignement supérieur africain, où des chercheurs se demandent si apprendre à utiliser une technologie importée sans comprendre ses hypothèses cachées ne pourrait pas, au lieu de rendre les étudiants plus libres, les rendre plus dépendants.
Les chercheurs derrière cette perspective, une équipe de savants de la République démocratique du Congo et d'ailleurs, soutiennent que la manière actuelle d'enseigner la « littératie de l'IA » est fondamentalement erronée pour leur contexte. La plupart des programmes existants traitent les compétences en IA comme une liste de tâches à cocher : apprendre à rédiger un prompt, apprendre à repérer les erreurs, apprendre à utiliser le logiciel. Ils supposent que si un étudiant s'améliore dans ces tâches, il devient un penseur plus indépendant. Les auteurs suggèrent que c'est une erreur dangereuse. Ils proposent que dans les lieux où la technologie est construite ailleurs, entraînée sur des données provenant d'autres cultures et gouvernée par des entreprises lointaines, le simple fait de s'améliorer dans l'utilisation de l'outil peut approfondir la dépendance de l'étudiant à son égard. Un étudiant pourrait devenir expert pour demander des réponses à la machine, tout en perdant la capacité de se demander si ces réponses sont vraies ou pertinentes pour sa propre réalité.
Pour remédier à cela, l'équipe a développé un nouveau cadre appelé le modèle de Littératie de l'IA pour l'Apprentissage Souverain (AI Literacy for Sovereign Learning). Au lieu de voir la littératie comme un amas de compétences séparées, ils la voient comme une relation complexe entre quatre capacités différentes. La première est la compétence technique pour faire fonctionner le système. La deuxième est la capacité critique de questionner ce que le système sait et d'où provient sa connaissance. La troisième est le sens éthique pour juger comment le système affecte l'équité et la justice. La quatrième est la capacité culturelle de comprendre comment le système s'insère — ou échoue à s'insérer — dans les modes de pensée locaux et les besoins de la communauté. Les auteurs soutiennent que l'indépendance véritable, ou « souveraineté épistémique », ne survient que lorsque ces quatre capacités croissent ensemble. Si un étudiant devient hautement qualifié pour utiliser la technologie mais manque de compétences critiques ou culturelles pour la questionner, il ne devient pas autonome ; il devient un serviteur plus efficace de la machine.
L'article conteste l'idée que l'on puisse simplement ajouter une leçon sur l'« éthique » ou la « souveraineté » à un cours d'informatique standard et s'attendre à un bon résultat. Les chercheurs suggèrent que l'ordre dans lequel les étudiants apprennent importe profondément. Si un curriculum enseigne aux étudiants comment utiliser les outils avant qu'ils n'apprennent à analyser de manière critique les biais du système, les étudiants peuvent développer un faux sentiment de confiance. Ils pourraient faire confiance au résultat de la machine simplement parce qu'ils savent comment la faire fonctionner efficacement. Les auteurs préviennent que cela crée un type spécifique de dépendance où l'apprenant est si à l'aise avec la technologie qu'il cesse de remarquer ses limites. Ils soutiennent que pour les étudiants en Afrique, et partout ailleurs où la technologie n'est pas détenue localement, la pensée critique doit être le fondement sur lequel les compétences techniques sont construites, et non une réflexion après coup.
Cette perspective met également en lumière une lacune dans la mesure du succès. Les auteurs soulignent que bien qu'il existe seize tests différents conçus pour mesurer la littératie de l'IA, aucun d'entre eux n'a été correctement testé pour voir s'ils fonctionnent à travers différentes cultures. Un test conçu dans une partie du monde peut supposer que la « pensée critique » prend une certaine forme, manquant les manières spécifiques dont un étudiant d'une culture différente pourrait identifier un biais ou une erreur. Les chercheurs suggèrent que sans corriger cela, les universités risquent d'importer des outils qui mesurent les mauvaises choses, donnant un faux sentiment de sécurité à des institutions qui deviennent en réalité plus dépendantes de systèmes étrangers.
Les implications pour les enseignants sont significatives. L'article soutient que le principal goulot d'étranglement dans ce nouveau type d'apprentissage est l'enseignant lui-même. Si un étudiant peut apprendre à taper un prompt en lisant un manuel, apprendre à questionner de manière critique la vision du monde du système nécessite un enseignant capable de modéliser ce comportement. Si un enseignant n'a pas développé sa propre compréhension critique et culturelle de l'IA, il ne peut pas guider ses étudiants pour qu'ils fassent de même. Les auteurs suggèrent que le développement professionnel des éducateurs doit changer de focus, passant de l'enseignement du simple logiciel à l'aide apportée aux enseignants pour comprendre les questions plus profondes de connaissance, de pouvoir et de culture que le logiciel soulève.
Enfin, les chercheurs soulignent que l'apprentissage individuel ne peut résoudre le problème seul. Même si une université produit des penseurs brillants et critiques, ces étudiants ne peuvent pas changer le système si l'université elle-même n'a aucun mot à dire sur les technologies qu'elle achète ou sur la manière dont elles sont utilisées. L'article appelle les institutions à créer des canaux où les étudiants et le personnel peuvent influencer les décisions concernant l'adoption de l'IA. Sans ces canaux, le travail acharné de développement d'esprits critiques peut être gaspillé, car l'institution continuera d'acheter et d'utiliser des systèmes qui renforcent les dépendances mêmes que les étudiants apprennent à résister.
Les auteurs précisent avec prudence que leur travail est une proposition conceptuelle, une carte pour penser le problème plutôt qu'un rapport d'expériences terminées. Ils n'ont pas encore testé leurs prédictions spécifiques avec de nouvelles données, mais ils ont construit leur argument sur un examen minutieux de la recherche existante et de l'expérience vécue des savants africains. Ils proposent un ensemble de revendications claires qui peuvent être testées à l'avenir, invitant d'autres chercheurs à vérifier si leur modèle tient la route. En déplaçant l'accent de la simple compétence technique vers une forme d'indépendance plus profonde et culturellement ancrée, ce travail offre une nouvelle direction vitale pour l'éducation à l'ère des machines intelligentes. Il suggère que l'objectif de l'éducation ne doit pas seulement être d'enseigner aux étudiants comment utiliser les outils du futur, mais de s'assurer qu'ils restent les maîtres de leur propre esprit tout en le faisant.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.