Beyond Display: From Dynamic Representation to Generative Representational Activity with Large Language Models

Les mathématiques ont toujours été un langage d'images, de symboles et d'histoires. Pendant des siècles, les étudiants ont appris à traduire un problème écrit en mots en un dessin, ou un dessin en un ensemble de nombres, et vice versa. Ces traductions étaient un travail acharné, exigeant de l'esprit qu'il maintienne en place plusieurs versions de la même idée simultanément. Au cours des dernières décennies, l'informatique a changé ce paysage. Elle a introduit des outils capables de tracer des graphiques instantanément ou de résoudre des équations sans qu'une main humaine ne déplace un crayon. Ces outils n'ont pas inventé de nouveaux types de mathématiques, mais ils ont changé la façon dont les gens interagissent avec les anciennes. Ils ont rendu possible la visualisation de la manière dont une forme change lorsqu'on tire sur un coin, ou comment un graphique se déplace lorsqu'on modifie un nombre, créant une relation dynamique entre l'utilisateur et les mathématiques. Aujourd'hui, un nouveau type de programme informatique, connu sous le nom de grand modèle de langage, est entré dans la salle de classe. Ce sont ces systèmes qui peuvent tenir une conversation, répondre à des questions et écrire du texte qui semble avoir été écrit par une personne. La grande question pour les éducateurs et les chercheurs est de savoir si ces machines parlantes sont simplement un autre outil pour faire des mathématiques, ou si elles ont fondamentalement changé la nature même de la représentation mathématique.

Un chercheur de l'Université d'East Carolina, Kwaku Adu-Gyamfi, s'est donné pour mission de répondre à cette question en examinant de près ce que ces nouvelles machines font réellement. L'article soutient que, bien que les grands modèles de langage soient puissants, ils ne créent pas un nouveau type d'objet mathématique. Vous ne pouvez pas demander à un ordinateur de dessiner un graphique, et le résultat n'est pas un nouveau type de graphique ; c'est toujours un graphique. De même, une équation générée par une machine n'est pas un nouveau type d'équation. Le véritable changement réside dans la manière dont les mathématiques sont spécifiées et dans la répartition du travail entre l'humain et la machine. L'étude suggère que nous devrions cesser de considérer ces modèles simplement comme la prochaine étape d'une lignée d'outils dynamiques, comme les calculatrices graphiques ou les logiciels de géométrie. Au lieu de cela, ils introduisent une manière de travailler distincte appelée « activité de représentation générative ». C'est un terme complexe, mais en termes simples, cela signifie un processus où une personne décrit une idée mathématique dans une conversation ordinaire, l'ordinateur construit une version candidate de cette idée, puis la personne peut discuter de cette version pour la modifier, l'affiner ou en demander une autre, le tout sans jamais avoir à apprendre un code spécial ou un langage de commande.

L'article écarte soigneusement plusieurs idées qui pourraient sembler évidentes mais qui ne sont pas tout à fait exactes. Il n'est pas nouveau que les ordinateurs génèrent des réponses à partir du langage naturel ; des systèmes existants depuis plus d'une décennie peuvent prendre une phrase telle que « montre-moi la croissance d'une population » et produire un graphique. Il n'est pas non plus nouveau que les ordinateurs créent des objets mathématiques ; les calculatrices graphiques et les programmes de géométrie le font depuis des années. Ce qui est nouveau, c'est la combinaison spécifique de caractéristiques présentes dans ces environnements conversationnels. Autrefois, si un étudiant voulait changer un graphique, il devait souvent revenir à la commande d'origine ou utiliser un curseur pour ajuster un nombre. Avec un grand modèle de langage, l'étudiant peut simplement dire : « garde le point de départ identique, mais fais descendre la deuxième ligne au lieu de la faire monter », et le système produira une nouvelle version basée sur cette description. La clé est que la conversation elle-même devient l'outil de spécification des mathématiques. L'étudiant n'a pas besoin de connaître les règles formelles exactes pour effectuer le changement ; il lui suffit de décrire la relation qu'il souhaite voir.

Cependant, l'article met en garde contre le fait que cette facilité de génération comporte un piège caché. Lorsqu'un ordinateur produit un graphique d'apparence parfaite ou un tableau d'apparence correcte en réponse à une conversation, il peut être très tentant de supposer que l'étudiant comprend les mathématiques sous-jacentes. Le chercheur soutient que cette supposition est dangereuse. Ce n'est pas parce que la machine a construit l'objet avec succès que l'étudiant a coordonné les différentes parties de l'idée dans son propre esprit. Dans un cadre traditionnel, si un étudiant dessine un graphique puis écrit l'équation correspondante, l'acte de dessiner prouve qu'il a connecté ces deux idées. Dans un cadre génératif, la machine fait la connexion. L'étudiant peut avoir demandé la bonne chose, mais il se peut qu'il ne comprenne pas pourquoi la réponse de la machine est correcte, ou qu'il ne remarque pas si la machine a commis une erreur subtile. L'article souligne qu'un produit d'apparence correcte n'est pas une preuve de compréhension. C'est simplement la preuve que la machine a suivi les instructions.

Pour illustrer cela, l'article examine comment les étudiants pourraient travailler sur un problème de géométrie. Imaginez qu'un étudiant demande à un ordinateur de créer une forme spécifique, comme une figure à quatre côtés avec certaines propriétés. Dans un programme de géométrie dynamique traditionnel, l'étudiant construirait la forme en faisant glisser des points, et l'ordinateur s'assurerait que la forme respecte les règles, comme garder les côtés opposés parallèles. Si l'étudiant faisait glisser un point et que la forme se brisait, il saurait qu'il avait violé une règle. Avec un grand modèle de langage, l'étudiant pourrait décrire la forme en mots, et l'ordinateur générerait une image. Si l'ordinateur fait une erreur et que les côtés ne sont pas réellement parallèles, l'étudiant pourrait ne pas le remarquer à moins de vérifier activement les mathématiques. La machine a fait le travail de construction, mais l'étudiant n'a pas nécessairement fait le travail de compréhension des contraintes. L'article suggère que le véritable apprentissage se produit lorsque l'étudiant doit examiner le résultat de la machine, vérifier s'il correspond à son image mentale, puis décrire comment le corriger s'il est erroné.

La recherche souligne également que cette nouvelle façon de travailler change ce qui est considéré comme une compétence. Autrefois, la capacité d'un étudiant à dessiner un graphique ou à résoudre une équation était une mesure directe de sa compétence. Désormais, si un étudiant peut obtenir la bonne réponse en discutant avec un ordinateur, nous ne pouvons pas être certains s'il a appris la compétence ou s'il a simplement appris à poser les bonnes questions. L'article propose que nous devions chercher des preuves d'apprentissage différentes. Nous devons voir si les étudiants sont capables d'expliquer pourquoi la réponse de l'ordinateur est correcte, ou s'ils peuvent repérer quand l'ordinateur se trompe. Nous devons voir s'ils peuvent prendre un exemple généré par une machine et l'utiliser pour comprendre une règle plus profonde. La capacité à solliciter un ordinateur (le "prompting") est une nouvelle compétence, mais elle n'est pas la même chose que la capacité à faire des mathématiques. L'article soutient que la partie la plus importante du processus n'est plus la production de la réponse, mais la coordination des idées. L'étudiant doit toujours être celui qui maintient les différentes versions des mathématiques ensemble dans son esprit et vérifie qu'elles font sens.

Enfin, l'article conclut que les grands modèles de langage ne sont pas une baguette magique qui résout les problèmes de l'enseignement des mathématiques, ni une menace qui remplace le besoin de compréhension humaine. Ils sont un nouveau type d'environnement qui déplace l'équilibre du travail. Ils prennent en charge la partie laborieuse du dessin et du calcul, libérant l'esprit humain pour qu'il puisse se concentrer sur la description, la critique et l'affinement des idées. Mais ce changement nécessite une nouvelle forme de vigilance. Les enseignants et les étudiants doivent veiller à ne pas confondre la capacité d'une machine à générer une réponse correcte avec la capacité d'un humain à comprendre les mathématiques. L'article suggère que l'avenir de l'enseignement des mathématiques avec ces outils dépend du maintien de l'accent sur les relations entre les idées, plutôt que sur le simple produit final. L'objectif est d'utiliser la machine pour générer des possibilités, tout en gardant l'humain dans la boucle comme celui qui décide de ce qui est vrai, de ce qui est cohérent et de ce qui mérite d'être appris. La machine peut construire la maison, mais l'humain doit toujours en comprendre le plan.