Lorsque j'ai commencé mon doctorat en technologies vocales à l'Université de la Ruhr à Bochum au début des années 1990, l'IA n'était pas un terme employé à la légère. Nous utilisions des modèles de Markov cachés, des réseaux de neurones à quelques couches seulement et un travail considérable d'ingénierie manuelle des caractéristiques. Tout devait être compris. Il n'y avait pas de raccourci vers les statistiques : les données, les modèles ou les décisions. Il fallait savoir ce que l'on faisait et pourquoi.
Trente ans plus tard, je travaille avec des professeurs d'université à travers l'Europe qui tentent d'enseigner cette même discipline – le raisonnement statistique et le jugement analytique – à des étudiants qui ont dans leur poche une puissance de calcul supérieure à celle de tout notre institut en 1994. Et nombre de ces étudiants arrivent en s'attendant à ce qu'un outil pense à leur place.
Cette tension est au cœur de cette série. Il ne s'agit pas de savoir si l'IA a sa place dans les cours de statistiques – elle y a sa place, sous une forme ou une autre – mais comment faire en sorte qu'elle aiguise, plutôt qu'elle ne remplace, le raisonnement que nous cherchons à enseigner.
Avant d'aborder l'IA, je tiens toutefois à défendre un point plus fondamental : à quoi ressemble un véritable outil pédagogique avant même que l'IA n'entre en jeu.
Le problème avec la plupart des outils pédagogiques
Les statistiques sont difficiles à enseigner. Non pas principalement parce que les mathématiques sont inaccessibles, car la plupart des notions de base sont à la portée d'un étudiant de premier cycle motivé. La véritable difficulté réside dans le lien entre la méthode et l'objectif. Les étudiants apprennent le test t, le test du χ² et la régression. Ce qu'ils n'apprennent souvent pas, c'est quand utiliser l'un ou l'autre, et pourquoi ce choix est important.
Les outils qui nécessitent de programmer, comme R ou Python, déplacent la charge cognitive vers la syntaxe. Les étudiants passent leur temps à déboguer une boucle plutôt qu'à analyser leurs données. Il ne s'agit pas d'une critique de ces outils ; ils sont indéniablement puissants et importants. Mais pour un cours d'introduction aux statistiques, ce type d'outils s'avère souvent un obstacle.
À l'autre extrême, des outils entièrement automatisés répondent à la question avant même que l'étudiant ait eu la chance de la poser.
Ce que la plupart des enseignants recherchent, mais trouvent rarement, c'est un juste milieu : un outil suffisamment puissant pour une analyse approfondie, mais suffisamment structuré pour faciliter l'apprentissage. Il lui faut un outil destiné à un usage professionnel, et non un simple outil pédagogique.
Ce que JMP Student Edition propose réellement
JMP Student Edition [2] est la version de JMP conçue spécifiquement pour un usage académique. Il ne s'agit pas d'une version allégée. Elle couvre l'ensemble des fonctionnalités nécessaires aux cours de statistiques de niveau débutant et intermédiaire, et offre le même environnement que celui que de nombreux étudiants rencontreront s'ils s'orientent vers le monde professionnel ou la recherche après l'obtention de leur diplôme.
Ce qui le rend particulièrement adapté à l'enseignement, c'est une combinaison de facteurs qu'il est facile de sous-estimer :
- L'approche visuelle prime sur l'approche numérique. JMP place les graphiques au cœur de l'analyse. Les étudiants visualisent les données avant d'aborder les statistiques. Il ne s'agit pas d'un choix de conception, mais d'une décision pédagogique qui correspond au développement naturel de l'intuition statistique.
- L'interaction est activée par défaut. Les graphiques sont dynamiques. Vous pouvez sélectionner un point, une région, une barre, et le reste de l'affichage s'adapte en temps réel. Les élèves explorent plutôt que de calculer.
- Interprétation requise. JMP n'explique pas aux étudiants la signification de leurs résultats. Il produit des données, qu'il s'agisse de distributions, de graphiques de résidus ou de statistiques de test, et attend ensuite de l'analyste qu'il les interprète. L'apprentissage se situe dans l'intervalle entre la production des données et leur interprétation.
- Une plateforme complète sans complexité inutile. Elle couvre le cadre du GAISE College Report [5], un guide largement utilisé pour l'enseignement des statistiques de base, sans submerger les débutants. Un menu complet est disponible pour adapter le contenu du cours aux besoins spécifiques.
Ce dernier point est plus important qu'il n'y paraît. Le professeur Koo Rijpkema et moi-même avons exploré cette fonctionnalité en détail lors d'une récente présentation et d'un webinaire au JMP Discovery Summit Europe [4] : JMP est un outil professionnel, et son ampleur peut s'avérer déroutante pour les nouveaux utilisateurs. Structurer l'environnement d'apprentissage en choisissant les menus, les flux de travail et le niveau de détail à utiliser constitue un aspect essentiel de la conception d'un cours. JMP Student Edition offre aux enseignants une grande latitude pour faire ces choix de manière réfléchie.
Un flux d'apprentissage naturel
De nombreux professeurs choisissent JMP Student Edition car ils apprécient la progression de l'analyse statistique proposée par JMP : partir des données, les explorer visuellement, puis passer à l'inférence. Cette séquence n'est pas arbitraire. Elle reflète la méthode de travail des analystes expérimentés et permet d'acquérir des réflexes utiles bien au-delà du cours.
Le rapport GAISE College [5], le cadre le plus cité pour l’enseignement des statistiques de base, recommande précisément cette approche :
- Enseignez la pensée statistique, et pas seulement les procédures statistiques.
- Utilisez des données réelles.
- Privilégier la compréhension conceptuelle au calcul mécanique.
- Favoriser l'apprentissage actif.
JMP Student Edition, utilisé judicieusement, permet d'atteindre les quatre objectifs.
Un pont pratique :Rconseils basés sur des règles avec DAD
L'un de mes outils pédagogiques préférés est une extension JMP appelée Data Analysis Director (DAD) [3]. N'étant pas une IA générative, elle ne permet pas de dialoguer, de générer du texte ou de produire des explications à l'aide d'un modèle de langage. Son rôle consiste à suivre une logique analytique structurée pour guider les utilisateurs vers une méthode d'analyse appropriée.
Lorsqu'un étudiant doit réaliser une analyse spécifique, DAD pose quelques questions ciblées : Quelle est votre variable réponse ? Les données sont-elles continues, nominales ou ordinales ? Quelles sont vos variables explicatives ? À partir de ces réponses, il suggère une analyse appropriée et explique le raisonnement qui sous-tend cette suggestion.
Cela peut paraître simple, mais c'est un outil pédagogique incroyablement puissant.
En cours, je donne souvent aux étudiants un jeu de données, par exemple des données de satisfaction client avec différents types de variables, et je leur demande d'utiliser la méthode DAD pour choisir une analyse. Ensuite, je pose une question inattendue : Êtes-vous d'accord avec ce choix ?
- Quelles sont les hypothèses sur lesquelles repose l'outil ?
- Auriez-vous fait un choix différent ?
- Que pourrait-il manquer ?
Use case for Data Analysis Director 19Cas d'utilisation pour Data Analysis Director 19
L'apprentissage véritable se produit lorsque ces questions trouvent une réponse. La méthode DAD externalise la logique de décision qu'un analyste expérimenté applique automatiquement, mais dont les débutants ignorent souvent l'existence. Elle rend le raisonnement visible, permettant ainsi aux étudiants de l'examiner, de le questionner et d'en tirer des enseignements.
Et c'est là la distinction essentielle : DAD n'est pas un oracle. C'est un outil d'analyse basé sur des règles , transparent, vérifiable et déterministe. Les étudiants ne reçoivent pas de réponse toute faite. On leur présente un point de départ argumenté et on les invite à l'explorer.
« L’IA devrait aiguiser notre raisonnement, et non le remplacer. » |
Avant que l'IA n'entre en scène
Cet épisode a volontairement évité d'aborder l'intelligence artificielle générative : les grands modèles de langage, les chatbots et les outils capables de générer du code, d'émettre des interprétations et de répondre à presque toutes les questions qu'un étudiant pourrait poser. Ces sujets seront traités dans l'épisode 2.
J'ai délibérément commencé cette série par cet article qui explique comment JMP Student Edition favorise déjà un raisonnement statistique rigoureux sans activer la moindre fonctionnalité d'IA. Je ne m'oppose pas à l'IA, je pose simplement les bases avant de l'évaluer. Si l'on ignore ce qu'est un bon raisonnement analytique avant l'intervention de l'IA, il est très difficile de juger de sa réelle valeur ajoutée, ainsi que de ce qu'elle peut subtilement supprimer.
Le prochain épisode se penchera précisément sur ce sujet : ce qui se passe lorsque de grands modèles de langage font leur entrée dans les cours de statistiques, ce qu’ils offrent réellement aux enseignants et où les premières complications commencent à apparaître.
Essayez ceci
Installez le module complémentaire Data Analysis Director [3] depuis le JMP Marketplace et ouvrez-le depuis le menu Modules complémentaires. Répondez ensuite à toutes les questions en fonction de vos données. Laissez le module proposer une analyse, puis demandez à vos étudiants s'ils sont d'accord et pourquoi. La discussion qui s'ensuit est souvent plus instructive que l'analyse elle-même.
Références
[1] Programme académique JMP , jmp.com/academic
[2] Édition étudiante JMP , jmp.com/student
[3] Directeur de l'analyse des données (JMP Marketplace) , marketplace.jmp.com
[4] Perdu dans JMP ? Maigrir pour une meilleure forme , Kraft & Rijpkema, JMP Discovery Summit EMEA 2026
[5]Rapport du GAISE College (2016)
[6]Révision du rapport du GAISE College (en cours, 2025)
À propos de l'auteur
Volker Kraft est ambassadeur académique principal (EMEA) chez JMP Statistical Discovery (une société SAS), au sein de l'équipe académique mondiale de JMP. Depuis 2011, il accompagne les universités européennes dans l'intégration de JMP à leurs activités d'enseignement et de recherche. Spécialisé dans la recherche en technologies vocales, il a longtemps dû concilier rigueur statistique et pragmatisme technique, bien avant que l'intelligence artificielle ne devienne un terme courant. Vous pouvez le contacter via la communauté JMP ou sur LinkedIn .
Épisode 1 sur 5 • Prochain épisode : L’IA entre en classe — des opportunités pour les enseignants
