Ten recommendations for the use of generative artificial intelligence into epidemiology teaching: Results from an expert workshop
À la suite d'un atelier d'experts de 2026, cet article présente dix recommandations fondées sur des données probantes, organisées en domaines de gouvernance, de compétences et de rétroaction, afin de guider les enseignants en épidémiologie dans l'intégration responsable de l'IA générative dans l'enseignement tout en préservant les compétences scientifiques fondamentales et en abordant les préoccupations éthiques.
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'étude de la propagation des maladies et de la manière dont les populations restent en bonne santé, un domaine connu sous le nom d'épidémiologie, le travail de fond a toujours reposé sur le jugement humain. Les experts doivent examiner les données, repérer des modèles et décider de ce que ces modèles signifient pour la santé publique. Cela nécessite une compréhension profonde de la cause et de l'effet, la capacité de repérer les erreurs dans la collecte d'informations et la compétence d'expliquer clairement des résultats complexes. Pendant des décennies, enseigner ces compétences consistait à guider les étudiants à travers le travail difficile de penser par eux-mêmes, en s'assurant qu'ils construisent une base solide de connaissances avant même d'essayer de résoudre un problème. Aujourd'hui, un nouveau type de technologie est arrivé, capable d'écrire du texte, d'analyser des chiffres et de générer des réponses presque instantanément. Cette technologie, appelée intelligence artificielle générative, offre des outils puissants qui peuvent aider l'apprentissage, mais elle porte aussi un danger caché. Si les étudiants utilisent ces outils trop tôt ou trop facilement, ils pourraient sauter le travail difficile de la pensée, devenant incapables de résoudre des problèmes par eux-mêmes lorsque la technologie n'est plus là. La question à laquelle les enseignants sont confrontés aujourd'hui n'est pas de savoir s'ils doivent utiliser ces outils, mais comment les utiliser sans perdre les compétences mêmes qui font d'un expert un expert.
Un groupe d'experts issus d'universités et d'instituts de recherche de l'Allemagne, de la Norvège et de l'Autriche s'est réuni pour répondre à cette question. Ils se sont réunis pendant trois jours lors d'un atelier pour créer un ensemble de règles pour l'enseignement de l'épidémiologie à l'ère de l'intelligence artificielle. Ces dix recommandations sont conçues pour aider les instructeurs à équilibrer les avantages de la nouvelle technologie avec la nécessité de maintenir les étudiants vifs et capables. Le groupe, qui comprenait des enseignants expérimentés, des étudiants et des spécialistes de l'intelligence artificielle, a décidé que l'objectif n'est pas d'interdire ces outils, mais de les intégrer prudemment afin que les étudiants apprennent à les utiliser de manière responsable tout en maîtrisant les bases de leur domaine.
La première et la plus importante étape que recommandent les experts est d'établir des règles claires. Chaque cours doit avoir une politique écrite qui indique précisément aux étudiants ce qu'ils peuvent et ne peuvent pas faire avec l'intelligence artificielle. Cela inclut des règles sur le type de données qui peuvent être partagées avec ces outils, puisque certaines informations sont privées et doivent être protégées. Les règles doivent également expliquer comment les étudiants doivent admettre lorsqu'ils ont utilisé la technologie, tout comme un scientifique doit admettre lorsqu'il a utilisé une méthode spécifique pour obtenir un résultat. Si un étudiant utilise l'outil pour vérifier sa grammaire ou pour obtenir de l'aide pour comprendre un concept difficile, il doit le dire. S'il l'utilise pour écrire un devoir entier, cela est généralement interdit. Les enseignants eux-mêmes doivent suivre ces mêmes règles, montrant aux étudiants comment utiliser la technologie de manière honnête et transparente.
Au-delà de l'établissement de règles, les experts soulignent que les enseignants doivent rester à jour. La technologie évolue si vite qu'un enseignant qui en a appris sur le sujet l'année dernière pourrait déjà être en retard. Les instructeurs ont besoin d'une formation régulière pour comprendre comment ces outils fonctionnent, quelles sont leurs limites et comment les utiliser de manière à favoriser l'apprentissage plutôt qu'à remplacer le processus d'apprentissage. Cette formation ne doit pas seulement porter sur la façon de taper une question dans l'ordinateur, mais sur la façon de juger si la réponse donnée par l'ordinateur est correcte. Les enseignants doivent également apprendre à repérer quand un étudiant s'appuie trop sur la machine, un problème que les chercheurs appellent « l'absence d'acquisition de compétences » (never-skilling), où un étudiant n'apprend jamais la compétence car la machine a fait le travail pour lui.
Pour éviter cela, les experts suggèrent que les étudiants doivent d'abord apprendre les bases sans aucune aide de l'intelligence artificielle. Avant d'être autorisés à utiliser les outils pour écrire du code ou analyser des données, ils doivent être capables de faire ces choses à la main ou avec des logiciels standards. Ils doivent comprendre comment calculer un risque, comment repérer une faille dans une étude et comment interpréter un résultat par eux-mêmes. Ce n'est qu'après avoir construit ce fondement qu'ils devraient être autorisés à utiliser les outils pour vérifier leur travail, affiner leur rédaction ou explorer de nouvelles idées. Cela garantit que la technologie agit comme un assistant, et non comme une béquille. Si un étudiant ne peut pas expliquer pourquoi il a pris une certaine décision dans son analyse, il n'a pas vraiment appris la matière, même si la réponse finale semble correcte.
En ce qui concerne l'évaluation de ce que les étudiants ont appris, les experts préviennent que les anciennes méthodes comme les dissertations à la maison ne sont plus suffisantes, car un étudiant pourrait simplement demander à l'ordinateur d'écrire la dissertation. Au lieu de cela, les enseignants devraient utiliser différentes méthodes pour tester les étudiants, telles que des examens oraux, des présentations en personne ou des sessions d'écriture supervisées où l'utilisation de l'intelligence artificielle n'est pas autorisée. Ces méthodes forcent les étudiants à montrer leur réflexion et à expliquer leur raisonnement en temps réel. Les experts déconseillent également l'utilisation de logiciels qui prétendent détecter si un étudiant a utilisé l'intelligence artificielle. Ces outils de détection sont souvent peu fiables et peuvent commettre des erreurs, punissant injustement des étudiants qui n'ont pas violé l'intégrité académique. Il est préférable de compter sur des règles claires, une divulgation honnête et le jugement humain pour garantir l'équité.
Les recommandations soulignent également l'importance d'enseigner aux étudiants comment parler efficacement à l'ordinateur. C'est ce qu'on appelle l'ingénierie de requêtes (prompt engineering), ce qui revient simplement à la compétence de poser les bonnes questions pour obtenir la meilleure réponse. Un étudiant qui pose une question vague obtiendra une réponse vague, tandis qu'un étudiant qui pose une question spécifique et bien structurée peut obtenir un bien meilleur résultat. Les enseignants doivent guider les étudiants dans cette compétence, en leur montrant comment décomposer des problèmes complexes en étapes plus petites et comment vérifier l'information que l'ordinateur leur donne. Cela inclut la vérification des faits, la recherche d'erreurs et la vérification que l'ordinateur n'a pas inventé de sources ou de données qui n'existent pas.
Enfin, les experts exhortent les enseignants à partager ce qu'ils apprennent les uns avec les autres. Comme il s'agit d'un nouveau domaine, personne n'a encore toutes les réponses. Les enseignants devraient essayer différentes approches, voir ce qui fonctionne et ce qui ne fonctionne pas, puis en informer leurs collègues. Cela peut signifier partager un plan de cours qui a bien fonctionné, ou admettre qu'un certain outil a causé plus de problèmes qu'il n'en a résolu. En travaillant ensemble et en apprenant des expériences des autres, l'ensemble du domaine de l'épidémiologie peut s'adapter à cette nouvelle technologie d'une manière qui garde les étudiants en sécurité, compétents et prêts pour l'avenir. L'objectif ultime est de produire des épidémiologistes capables d'utiliser ces outils puissants pour accomplir un meilleur travail, mais qui possèdent également les capacités de pensée critique nécessaires pour savoir quand faire confiance à la machine et quand faire confiance à leur propre jugement.
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.