Il y a quelques années, quelque chose a changé dans les cours de statistiques, sans annonce officielle. Les étudiants ont commencé à présenter des interprétations de leurs résultats JMP générées par l'IA : des interprétations fluides, assurées, et parfois complètement erronées. L'analyse était là. La compréhension, en revanche, faisait souvent défaut.
Ce fossé entre la génération forte et la pensée fragile constitue aujourd'hui le principal défi de l'enseignement de l'analyse des données, mais interdire l'IA n'est pas la solution. La véritable question est de savoir si nous concevons des exercices qui sollicitent réellement la réflexion.
Dans le premier épisode de cette série d'articles, j'ai présenté une vision de ce à quoi pourrait ressembler un enseignement statistique de qualité avant l'arrivée de l'IA. Cet épisode aborde les changements induits par l'IA et la manière dont les enseignants peuvent tirer parti de ces changements plutôt que de simplement les gérer.
La réalité de la salle de classe transformée
Ethan Mollick, dont l'ouvrage « Co-Intelligence » [5] est devenu une référence incontournable pour quiconque s'intéresse sérieusement à l'IA dans l'éducation, l'affirme sans détour : les devoirs tels que nous les connaissons sont révolus. Je pense que c'est globalement juste, mais plutôt qu'une crise, il s'agit d'un défi de conception.
Les étudiants d'aujourd'hui excellent dans la production de réponses. En revanche, ils ont plus de difficultés à les évaluer . Ils peuvent copier-coller les résultats de JMP dans un outil d'IA généraliste et obtenir un paragraphe d'interprétation bien rédigé. Ce qu'ils ne savent pas toujours faire, c'est déterminer si cette interprétation est correcte, si le modèle choisi est approprié, si les hypothèses ont été vérifiées, ou si la conclusion découle réellement des données.
C’est à ce moment que le rôle de l’enseignant peut évoluer, passant de simple transmetteur d’informations à véritable accompagnateur du raisonnement. Au lieu de se concentrer sur l’explication de notions telles que la valeur p, les enseignants devraient concevoir des expériences d’apprentissage où les étudiants sont amenés à comprendre la pertinence d’une analyse particulière et la signification concrète des résultats dans leur contexte.
Augmentation, et non automatisation
La question centrale qui se pose lors de la conception d'un outil d'IA en éducation est de savoir s'il est utilisé pour l'automatisation ou l'augmentation des capacités humaines. L'automatisation remplace la décision humaine, tandis que l'augmentation des capacités humaines la soutient et l'améliore. Ces deux fonctions sont distinctes, et la confusion entre elles est à l'origine de la plupart des inquiétudes concernant l'IA en milieu scolaire.
L'objectif de l'enseignement des statistiques devrait toujours être l'augmentation des capacités cognitives : une IA qui aide les étudiants à penser plus clairement, et non une IA qui pense à leur place. Cette distinction influence tout, du choix des outils et de leur utilisation jusqu'aux devoirs qui permettent encore de vérifier l'acquisition des connaissances.
Ce que l'IA offre réellement
Avant d'aborder les risques, qui sont bien réels et sont examinés en détail dans l'épisode 4, il convient de préciser en quoi l'IA est réellement bénéfique pour un cours de statistiques :
- Toujours disponible. Les étudiants peuvent poser des questions à toute heure, sans attendre les heures de permanence ni avoir honte de ne pas avoir suivi le cours.
- D'une patience infinie, l'IA expliquera le même concept autant de fois que nécessaire, et de autant de manières différentes que demandé.
- Cela libère du temps en classe. Lorsque les questions de procédure routinières sont traitées en dehors de la salle de classe, le temps restant peut être consacré à la discussion, à l'interprétation et au type d'ambiguïté que l'IA ne peut véritablement pas résoudre.
Une IA d'un autre genre : LearnBot dans JMP
LearnBot [3] est un module complémentaire gratuit, téléchargeable sur la JMP Marketplace et accessible depuis le menu Aide de JMP Student Edition. Entraîné sur la documentation et les ressources pédagogiques JMP, il se positionne comme un tuteur ciblé et contextuel, contrairement aux chatbots généralistes.
LearnBot est une intelligence artificielle conversationnelle textuelle qui sert de tuteur pour JMP et les statistiques. Elle n'a pas accès aux données ni aux résultats de l'étudiant. Ce dernier décrit ce qu'il voit avec ses propres mots, et LearnBot répond à cette description.
Cette proximité est essentielle. Au lieu de passer à un autre onglet de son navigateur, l'étudiant reste dans l'environnement d'analyse en un seul clic, là où se déroule le travail.
Décrire les résultats à LearnBot est en soi un moment d'apprentissage. Avant de poser une bonne question, il faut trouver les mots pour décrire ce que l'on voit. C'est lors de cette formulation que la compréhension se révèle ou, au contraire, s'effondre.
Prenons un exemple concret. Un étudiant effectue une régression et observe un R² de 0,71 ainsi qu'un graphique des résidus présentant une structure ou un motif distinct. Il saisit dans LearnBot : « Mon modèle de régression multiple affiche un R² de 0,71, mais le graphique des résidus présente une structure ou un motif distinct. Qu'est-ce que cela signifie ? »
Using LearnBot in JMP Student Edition, a student describes their regression output and receives statistical and JMP guidance.Using LearnBot in JMP Student Edition, a student describes their regression output and receives statistical and JMP guidance.Using LearnBot in JMP Student Edition, a student describes their regression output and receives statistical and JMP guidance.En utilisant LearnBot dans JMP Student Edition, un étudiant décrit les résultats de sa régression et reçoit des conseils statistiques et sur JMP.
LearnBot explique la signification d'un graphique de résidus structuré, puis demande : « Souhaitez-vous de l'aide pour ajouter un terme quadratique ou effectuer une transformation dans JMP ? » Cette question de suivi est essentielle. L'objectif n'est pas de donner la réponse, mais d'amener l'étudiant à poursuivre sa réflexion.
Advait Sarkar [4] met en garde contre le risque de devenir des « intermédiaires de nos propres pensées », en externalisant le raisonnement à l’IA plutôt que de le développer nous-mêmes. LearnBot a été conçu pour lutter précisément contre cette tendance.
« Il y a une différence entre un outil qui répond à votre question et un outil qui vous aide à en poser une meilleure. » |
Le véritable changement :Aconception de devoirs
Le principal changement pour les enseignants ne réside pas dans le choix des outils d'IA autorisés, mais dans la refonte des tâches assignées. La qualité des résultats obtenus par un étudiant grâce à un outil d'IA dépend fortement de la qualité de son implication. Comparez ces deux exemples :
- ✘ Effectuez une régression et indiquez le R².
- ✔ Comparez deux modèles, justifiez votre choix et identifiez une hypothèse que vous ne pouvez pas vérifier.
La seconde tâche ne peut être externalisée sans compréhension. Le flux de travail visuel et exploratoire de JMP favorise naturellement ce type d'interprétation, ce qui explique en partie son efficacité en tant qu'environnement pédagogique, même avec l'IA intégrée.
Une salle de classe plus intelligente
Dans un contexte de classe inversée ou hybride, son efficacité est décuplée. Les étudiants explorent les données et utilisent l'IA pour surmonter les difficultés avant le cours. Le temps de classe est alors consacré à la discussion, au jugement et à la résolution des ambiguïtés du monde réel qu'aucune IA ne parvient actuellement à appréhender pleinement.
Comme l'explique Russ Wolfinger de JMP [6] : l'IA enrichit, elle ne remplace pas. Le rôle de l'enseignant est de concevoir l'environnement d'apprentissage de sorte que cette enrichissement soit une réalité pour les étudiants, et non un raccourci leur évitant la réflexion nécessaire.
L'épisode 3 explore plus en profondeur JMP Assistant : ses flux de travail analytiques concrets, ce qu'il peut et ne peut pas faire, et comment l'utiliser de manière à laisser les étudiants aux commandes.
Essayez ceci
Installez LearnBot [3] depuis le JMP Marketplace et ouvrez-le depuis le menu Aide de JMP Student Edition. Fournissez aux étudiants un jeu de données et demandez-leur d'effectuer une analyse de leur choix. Ensuite, invitez-les à décrire avec leurs propres mots un résultat qui les laisse perplexes à LearnBot et à partager cet échange lors du prochain cours. Leurs réponses à LearnBot en disent souvent plus long sur leur compréhension que l'analyse elle-même.
Références
[1] Programme académique JMP , jmp.com/academic
[2] Édition étudiante JMP , jmp.com/student
[3]LearnBot (Place de marché JMP) , marketplace.jmp.com
[4] Advait Sarkar, « Comment empêcher l’IA de tuer votre esprit critique », conférence TED, 2025
[5] Ethan Mollick, « Co-intelligence : vivre et travailler avec l’IA », Portfolio/Penguin, 2024
[6] Russ Wolfinger, « Les sept principales façons dont les scientifiques et les ingénieurs devraient se préparer à l’ère de l’IA », livre blanc de JMP
[7]Révision du rapport du GAISE College (en cours, 2025)
À propos deaauteur
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 2 sur 5 • Prochain épisode : JMP Assistant en pratique: DANSce que cela peut faire pour vous
