I, Creative Cyborg: An Autoethnographic Account of Poietic Rumination, GenAI, and the Act of Academic Research

Dans le monde moderne, la frontière entre l'humain et la machine est devenue de plus en plus floue. Nous avons longtemps accepté que nos outils nous façonnent, de la manière dont nous écrivons avec un stylo à la façon dont nous naviguons avec un GPS. Dans le domaine de l'enseignement supérieur, un nouveau type d'outil est arrivé : l'intelligence artificielle générative. Ces systèmes peuvent rédiger des essais, résumer des livres et résoudre des problèmes avec une rapidité et une fluidité qui imitent souvent la pensée humaine. Cela a déclenché un débat acharné parmi les universitaires et les étudiants : cette technologie est-elle un partenaire qui nous aide à mieux réfléchir, ou un raccourci qui nous empêche de réfléchir du tout ? Pour répondre à cela, des chercheurs ont commencé à examiner de près le processus réel du travail académique. Ils se demandent quelles parties de la recherche peuvent être confiées à une machine et quelles parties doivent rester strictement humaines. La question fondamentale n'est pas seulement celle de l'efficacité, mais celle de la nature même de la compréhension. Si un ordinateur peut produire un paragraphe parfait, cela signifie-t-il qu'il a compris l'idée, ou a-t-il simplement agencé des mots d'une manière qui ressemble à la compréhension ?

Ray Grewal, chercheur à l'University of the Arts London, a décidé d'étudier cette question en tournant la lentille sur son propre travail. Il a écrit un mémoire de master sur le sujet même de la manière dont l'intelligence artificielle affecte la créativité et l'apprentissage, mais il a fait une chose inhabituelle : il a tenu un journal détaillé et honnête de chaque fois qu'il utilisait un programme informatique pour l'aider. Il a enregistré chaque question posée à la machine, chaque réponse donnée, et comment il a utilisé ces réponses. Il a ensuite comparé ce journal au travail écrit final pour voir exactement où la machine l'a aidé et où elle a échoué. Son objectif était de cartographier les limites de l'esprit humain lorsqu'il travaille aux côtés d'un puissant assistant numérique. Il voulait savoir si la machine pouvait véritablement partager le fardeau de la pensée, ou si elle était seulement capable de gérer la lourde tâche des données pendant que l'esprit humain devait faire le travail réel de donner du sens.

L'étude révèle que la relation entre le chercheur et la machine n'est pas un partenariat d'égaux, mais une division du travail entre la périphérie et le cœur. À la périphérie, la machine s'est révélée être un outil incroyablement utile. Elle a agi comme un tuteur infatigable, expliquant des idées complexes en termes simples lorsque le chercheur se sentait bloqué. Elle a servi d'assistant de recherche, passant au crible des centaines d'articles académiques pour trouver les plus pertinents, économisant ainsi des heures de lecture. Elle a fonctionné comme un processeur de données, organisant les résultats d'enquêtes et créant des graphiques à partir de chiffres bruts avec une précision parfaite. Elle a même aidé à concevoir les questionnaires et les plans de cours nécessaires à l'étude. Dans ces domaines, la machine a étendu la portée du chercheur, permettant de faire plus de travail en moins de temps. C'était une prothèse qui rendait le chercheur plus capable, tout comme un télescope aide un astronome à voir plus loin.

Cependant, la machine s'est heurtée à un mur dur lorsque le travail est passé de la périphérie au cœur du processus de recherche. L'étude identifie un cycle spécifique de la pensée humaine que la machine ne pouvait pas reproduire. Ce cycle comprend cinq étapes : recevoir l'information, réfléchir profondément à celle-ci, connecter différentes idées pour former une nouvelle compréhension, exprimer cette compréhension par des mots, et enfin réfléchir au feedback pour améliorer le travail. La machine pouvait aider à la première étape en trouvant l'information, mais elle ne pouvait pas véritablement lire ou comprendre la résistance d'un texte difficile. Elle ne pouvait pas s'attarder sur une idée déroutante jusqu'à ce qu'elle devienne claire. Plus important encore, elle ne pouvait pas faire le saut de connecter deux théories distantes pour créer une nouvelle intuition. Lorsque le chercheur a tenté de combiner deux cadres différents pour l'étude, la machine a approuvé le plan avec enthousiasme, même si les deux cadres étaient en fait incompatibles. C'est le chercheur humain, par le travail lent et difficile de la pensée, qui a finalement réalisé l'erreur et a dû écarter la suggestion de la machine.

La machine a également échoué lors des étapes de l'écriture et de la réflexion. Elle pouvait générer des phrases fluides, mais elle ne pouvait pas écrire avec l'intention de transférer une pensée spécifique d'un esprit à un autre. Lorsque le chercheur utilisait la machine pour rédiger des sections du document, ces brouillons n'étaient souvent que des espaces réservés vides qui devaient être complètement réécrits pour porter le poids de sa propre compréhension. De même, la machine ne pouvait pas fournir le type de feedback qui change l'esprit d'un chercheur. La véritable réflexion provient de la friction d'un critique humain posant une question difficile ou signalant une faille de logique. La machine, en revanche, tend à être trop complaisante, offrant des réponses lisses qui suppriment la lutte nécessaire à l'apprentissage profond. L'étude a constaté que compter sur la machine pour ces tâches centrales ne rendrait pas le chercheur plus intelligent ; cela contournerait simplement le renforcement musculaire mental qui se produit lorsqu'une personne lutte pour résoudre un problème par elle-même.

Cela mène à une distinction cruciale dans la manière dont nous devrions percevoir le « cyborg » du futur. Le terme cyborg, souvent utilisé pour décrire un humain fusionné avec la technologie, suggère un mélange fluide. Mais cette recherche suggère que le cyborg le plus efficace n'est pas celui qui fusionne complètement avec la machine, mais celui qui sait exactement où tracer la ligne. La machine doit être autorisée à gérer la logistique, les données et la recherche initiale d'informations. Mais l'humain doit garder le centre du processus : la pensée profonde, la synthèse des idées et la réflexion critique. Si l'humain laisse la machine prendre le contrôle du cœur, il risque de perdre la capacité même qui rend la recherche précieuse. Le danger n'est pas que la machine remplace l'humain, mais que l'humain cesse de faire le travail difficile de la pensée parce que la machine le fait paraître facile.

Les conclusions offrent une voie claire pour quiconque utilise ces outils. Le conseil est de nommer le travail mental spécifique en cours et de se demander si la machine soutient ce travail ou s'il le remplace. Si la tâche est d'organiser des données ou de trouver une définition, la machine est un allié puissant. Si la tâche est de comprendre un argument complexe, de connecter deux théories ou de décider ce qu'un écrit signifie réellement, l'humain doit prendre la direction. L'étude conclut que la valeur de l'intelligence artificielle dans la recherche réside dans sa capacité à libérer du temps et de l'énergie, et non dans sa capacité à penser à notre place. La chose la plus importante qu'un chercheur puisse faire est de protéger les heures lentes et inconfortables de la pensée profonde, en s'assurant que le produit final est une expression authentique de la compréhension humaine plutôt qu'un arrangement poli de mots. En fin de compte, la machine a besoin de l'humain pour donner un sens à ses résultats, mais l'humain n'a pas besoin de la machine pour penser ; l'humain a seulement besoin de la machine pour l'aider à mieux penser.