Concevoir des exercices pour l'AI Fluency

Objectifs

À l’issue de cette leçon, vous serez capable de :

• Concevoir des exercices qui aident les étudiants à développer et démontrer leur AI Fluency
• Gérer le volume et la complexité accrus du travail enrichi par l’IA

Trois principes fondamentaux

Une fois votre grille d’évaluation en place, reste la question la plus concrète de toutes : quels exercices donner à vos étudiants ? Trois principes doivent guider votre conception, et ils se renforcent mutuellement.

Le premier est l’authenticité. Un exercice d’AI Fluency doit ressembler aux collaborations IA du monde réel, celles que vos étudiants vivront dans leur vie professionnelle. Demander à un étudiant de rédiger une dissertation « sans IA » puis, dans un exercice séparé, de « discuter avec un chatbot » ne prépare à rien : personne ne travaille ainsi. En revanche, lui demander de produire une note de synthèse en collaborant avec l’IA comme le ferait un professionnel — en déléguant la recherche préliminaire, en gardant la main sur l’analyse — reproduit une situation qu’il rencontrera réellement.

Le deuxième principe est l’itération. Un rendu final unique ne montre pas l’apprentissage ; c’est le processus itératif qui le révèle. Intégrez donc des opportunités de perfectionnement qui mettent en évidence la progression : une première version, un retour, une version améliorée. L’étudiant qui compare sa deuxième tentative de prompt à sa première voit concrètement ce qu’il a appris — et vous aussi.

Le troisième principe est la transparence pédagogique. Vos étudiants doivent savoir, dès la consigne, que vous évaluez le processus de collaboration et pas seulement les productions. Si vous ne le dites pas explicitement, ils optimiseront le résultat final — c’est ce que l’école leur a toujours appris à faire — et passeront à côté de l’essentiel : leur manière de travailler avec l’IA.

Trois types d’exercices

Ces principes se déclinent en trois familles d’exercices, que vous pouvez combiner.

Les exercices basés sur les résultats évaluent une production, mais une production conçue pour révéler les compétences de collaboration. Deux formats fonctionnent particulièrement bien. Dans l’amélioration de productions IA, vous fournissez un texte généré par l’IA et demandez aux étudiants de l’améliorer : ce qu’ils choisissent de corriger, de reformuler ou de vérifier expose directement leur Discernement. Dans la comparaison de systèmes IA, les étudiants utilisent différents outils pour la même tâche et analysent les différences : l’exercice les force à dépasser l’idée que « l’IA » est un bloc monolithique. Dans les deux cas, même si vous notez le produit final, celui-ci porte la trace des compétences de collaboration.

Les exercices basés sur les processus rendent visible la prise de décision invisible. Le format le plus direct est le log de chat annoté : l’étudiant partage sa conversation avec l’IA en y ajoutant des annotations qui expliquent ses choix — pourquoi cette reformulation, pourquoi ce refus d’une suggestion. Vous pouvez aussi demander des narrations enregistrées, où l’étudiant commente en temps réel son processus de collaboration, un peu comme un joueur d’échecs qui pense à voix haute. Ce qui était une boîte noire devient un objet d’évaluation.

Les exercices basés sur la réflexion, enfin, développent la conscience métacognitive. Les journaux d’apprentissage — des réflexions régulières sur l’évolution de leur pratique de l’IA — et les déclarations de politique personnelle, où chaque étudiant articule ses propres principes d’usage, en sont les deux formes principales. Un mot de prudence issu de l’expérience : la fatigue réflexive est réelle. Un étudiant à qui l’on demande une réflexion écrite chaque semaine finit par produire du remplissage. Variez les formats pour maintenir un engagement authentique.

Gérer le volume accru

Soyons honnêtes : l’enrichissement par l’IA génère plus de contenu à évaluer. Des logs de conversation, des annotations, des réflexions s’ajoutent aux productions elles-mêmes. Si vous ne planifiez pas cette charge, elle vous submergera. Quatre stratégies pratiques la rendent gérable : des grilles détaillées, qui permettent une évaluation rapide mais structurée ; l’évaluation par les pairs, qui allège votre charge tout en faisant apprendre les étudiants au contact du travail des autres ; les conférences éclair, ces échanges courts mais ciblés avec chaque étudiant, souvent plus révélateurs que la lecture de dix pages ; et l’échantillonnage sélectif, qui consiste à évaluer certaines sections en détail plutôt que la totalité de chaque rendu.

Exercice : créer un exercice complet

Passons à la pratique. Cet exercice se construit en trois temps d’environ dix minutes chacun, avec l’aide de votre assistant IA.

1. Architecture de l’exercice. Reprenez la grille d’évaluation créée à la leçon précédente et discutez avec l’IA du type d’exercice qui permettrait le mieux de démontrer les compétences ciblées. Choisissez deux ou trois composantes qui fonctionnent ensemble de manière cohérente, vérifiez que la charge de travail reste gérable — pour les étudiants comme pour vous — et assurez-vous que l’exercice reflète la collaboration IA réelle dans votre domaine.
2. Itération et progression. Identifiez les moments où les étudiants devraient faire une pause et affiner leur travail, planifiez des points de contrôle qui leur permettent d’apprendre de leurs premières tentatives, et prévoyez des supports pour ceux qui ont du mal avec la réflexion.
3. Mise en œuvre. Rédigez des instructions claires mais non écrasantes, incluez des déclarations explicites sur ce que vous évaluez — le processus et la réflexion, pas seulement le résultat —, spécifiez les livrables, les formats et les exigences de soumission, puis planifiez la gestion de la notation : évaluation par les pairs, échantillonnage, conférences.

Avant de conclure, prenez un moment pour vous poser deux questions : quels défis anticipez-vous dans la mise en œuvre de ces évaluations ? Et comment communiquerez-vous à vos étudiants la valeur du processus et de la réflexion — sans quoi ils n’y verront qu’une contrainte administrative de plus ?

Points clés à retenir

• Les exercices efficaces d’AI Fluency reposent sur l’authenticité, l’itération et la transparence pédagogique
• Les exercices basés sur les résultats révèlent les compétences de collaboration à travers le produit final
• Les exercices basés sur les processus rendent visible la prise de décision invisible
• Les exercices basés sur la réflexion développent la conscience métacognitive, mais exigent de varier les formats
• La gestion du volume accru passe par les grilles, l’évaluation par les pairs, les conférences éclair et l’échantillonnage