A longitudinal constructionist case study of five student positions on AI as a creative collaborator in open source AI art pedagogy
Cette étude de cas constructionniste longitudinale portant sur cinq étudiants de l'Université de Kyoto suit l'évolution de leurs modèles mentaux et de leurs positions distinctes sur l'IA en tant que collaboratrice créative sur une période de 25 mois, révélant un spectre de cinq postures et identifiant les mécanismes spécifiques où l'étayage par l'IA échoue à soutenir la réalisation.
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
Imaginez un atelier d'art de deux ans où un enseignant et un groupe d'étudiants explorent un nouvel outil puissant : l'Intelligence Artificielle (IA). Mais il ne s'agit pas d'un cours standard où tout le monde apprend les mêmes étapes pour obtenir le même résultat. Au lieu de cela, l'enseignant a mis en place un « terrain de jeu » avec des seuils bas (faciles pour débuter), des murs larges (nombreux chemins différents à explorer) et des plafonds hauts (possibilité d'approfondir autant qu'on le souhaite).
L'objectif n'était pas de faire de chacun le même type d'artiste. L'objectif était de voir ce qui se passe lorsque cinq étudiants différents traversent ce même terrain de jeu sur deux ans.
Voici ce que l'étude a révélé, expliqué simplement :
1. Le même outil, cinq relations différentes
Même si les cinq étudiants ont utilisé le même logiciel d'IA (en commençant par un outil open-source complexe appelé ComfyUI, puis en ajoutant d'autres outils d'IA plus tard), ils ont fini par développer cinq manières de penser complètement différentes de ce que l'IA représente. C'est comme donner le même four de haute technologie à cinq chefs différents ; l'un devient un maître de la mécanique de la machine, un autre l'utilise juste pour cuire du pain, et un autre refuse de l'utiliser pour le plat principal parce qu'il estime que « l'âme » de la nourriture doit venir de ses propres mains.
L'article appelle ces cinq positions :
- L'Architecte de Système : Une étudiante a traité l'IA comme un copilote. Elle a construit une machine complexe où elle et l'IA travaillaient étroitement ensemble pour créer une installation artistique finie. Pour elle, l'IA est un partenaire de conception.
- Le Manuel d'Opérations : Un autre étudiant a vu l'IA comme un livre d'instructions utile. Elle connaît le fonctionnement du logiciel et peut effectuer le gros du travail, mais l'humain reste le patron qui décide de la direction créative.
- L'Amplificateur Conceptuel : Une troisième étudiante utilisait l'IA uniquement pour le brainstorming d'idées et la rédaction de textes. Lorsqu'il s'agissait de construire réellement l'œuvre, elle mettait l'IA de côté et effectuait le travail technique elle-même.
- Le Pragmatique Éthique : Un quatrième étudiant a ressenti une hésitation morale. Il craignait que s'il utilisait l'IA pour créer l'art, il « volerait » les idées de l'IA. Il a également trouvé le code généré par l'IA désordonné et inefficace, il a donc limité son utilisation pour éviter ces problèmes.
- Le Limité Philosophique : Le cinquième étudiant croyait que la véritable créativité nécessite un corps humain et une expérience de la vie réelle. Pour lui, les résultats de l'IA sont comme des « rêves » : intéressants, mais nécessitant un humain pour les amener dans la réalité. Il utilisait l'IA pour le brainstorming, mais gardait la création finale strictement humaine.
2. Les « murs larges » ont fonctionné
La théorie de l'enseignant était qu'un environnement flexible produirait des résultats différents. L'étude l'a prouvé. Les étudiants n'ont pas seulement créé des images différentes ; ils ont développé des philosophies différentes sur la technologie. Les « murs larges » n'ont pas seulement permis différents projets ; ils ont permis différentes manières de penser à qui est aux commandes : l'humain ou la machine.
3. Le « fossé » entre l'idée et la réalité
L'étude a également révélé un problème délicat. Parfois, l'IA est excellente pour vous aider à concevoir une idée brillante (la couche conceptuelle), mais elle échoue à vous aider à la construire concrètement (la couche de réalisation).
Voyez cela comme ceci : l'IA peut vous aider à écrire la recette parfaite d'un gâteau, mais si vous ne savez pas comment mélanger la pâte ou utiliser le four, le gâteau risque de rater. L'étude a identifié quatre raisons spécifiques à cela :
- Le décalage d'outils : Parfois, l'IA ne sait pas comment aider avec des outils visuels très spécifiques.
- Le choix de l'étudiant : Parfois, un étudiant entend une suggestion intéressante de l'enseignant mais décide de faire une version plus simple car il n'est pas encore prêt pour la version complexe.
- La limite du médium : Parfois, l'étudiant choisit un outil (comme un moteur de jeu vidéo) qui correspond parfaitement à sa vision, même s'il paraît moins « impressionnant » qu'un grand écran de projection.
- Le silence : Parfois, l'étudiant ne parle pas à l'enseignant d'un problème auquel il est confronté, de sorte que l'enseignant ne peut pas proposer de solution.
4. Comment les étudiants apprennent (le « mélange de mentorat »)
L'enseignant ne se contentait pas de donner des cours magistraux. L'étude a montré que les étudiants apprenaient grâce à un « mélange » de différents types d'aide, souvent simultanément.
- Certains étudiants travaillaient avec l'enseignant pour construire des outils.
- Certains prenaient les grandes idées de l'enseignant et les réduisaient pour les adapter à leurs propres compétences.
- Certains utilisaient les conseils de l'enseignant pour apprendre un vocabulaire spécifique ou des modes de pensée artistiques.
- Certains utilisaient les conseils de l'enseignant pour comprendre la « vue d'ensemble » tout en utilisant l'IA ou des modèles en ligne pour gérer les détails techniques minuscules.
5. La preuve du « avant et après »
Pour vérifier que ces idées étaient réelles, les chercheurs ont observé deux instantanés dans le temps :
- Le début (2024) : Ils ont interrogé les étudiants sur leur perception des outils d'IA.
- La fin (2026) : Ils ont interrogé les mêmes étudiants après l'obtention de leur diplôme et pendant qu'ils travaillaient sur leurs projets finaux.
Ils ont constaté que la pensée des étudiants évoluait selon cinq schémas distincts. Par exemple, un étudiant a commencé avec une idée vague que l'IA était comme la « cuisine » et a terminé avec une compréhension détaillée et stratifiée de celle-ci. Un autre étudiant n'avait aucune idée claire au départ et, à travers le processus, a développé une philosophie forte et unique.
L'essentiel
Cet article démontre que lorsque vous offrez aux étudiants un environnement de jeu flexible et ouvert pour explorer l'IA, ils ne deviennent pas tous identiques. Au contraire, ils se répartissent naturellement dans différents rôles. Certains deviennent des maîtres de la machine, d'autres en deviennent les critiques, et d'autres l'utilisent uniquement comme un tremplin. La « magie » de la méthode d'enseignement ne résidait pas dans le fait de forcer tout le monde à utiliser l'outil de la même manière, mais dans la création d'un espace où ces cinq manières de travailler, toutes valables, pouvaient coexister et s'épanouir.
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.