Permettez-moi de commencer par une petite histoire, mais révélatrice.
Un étudiant m'a un jour montré une analyse de régression parfaitement formatée : résultats clairs, valeurs p correctes, tout semblait parfait. Il y avait pourtant un hic : il avait complètement mal interprété le résultat. Quand je lui ai demandé comment il était arrivé à cette conclusion, la réponse fut simple : « C'est l'IA qui l'a dit. »
Ce moment m'a marqué. Non pas parce que l'IA s'était trompée (elle ne s'était pas trompée), mais parce que la réflexion s'était arrêtée avant même d'avoir commencé. Le raisonnement avait été externalisé avant même que l'étudiant n'ait formulé la moindre hypothèse.
Et voilà, en résumé, le véritable risque de l'IA dans l'enseignement de l'analyse de données.
Le problème ne vient pas de l'outil.,c'est le flux de travail
Lorsqu'on aborde les risques liés à l'IA dans l'éducation, la conversation s'oriente souvent vers l'intégrité académique, notamment le plagiat et les devoirs automatisés. Ce sont des préoccupations légitimes. Mais pour les enseignants de statistiques, le problème de fond est d'ordre cognitif : qu'advient-il du raisonnement d'un étudiant lorsqu'un outil peut générer l'analyse, en commenter les résultats et suggérer la conclusion, avant même que l'étudiant n'ait formulé de question ?
Dans sa conférence TED de 2025 sur l'IA et la pensée critique, Advait Sarkar [3] décrit ce phénomène comme le fait de devenir des « intermédiaires de nos propres pensées », approuvant les résultats de l'IA plutôt que de générer des idées. Cette image me parle particulièrement lorsque je vois un étudiant rendre un rapport rédigé dans un style fluide, mais incapable de le reformuler avec ses propres mots. Les mots sont là. La compréhension, elle, fait défaut.
C’est ce que j’appelle l’ illusion de compétence : l’IA permet aux étudiants de produire des analyses et des récits convaincants sans la compréhension sous-jacente qui leur permettrait de déceler les erreurs. Le résultat paraît correct. Mais le raisonnement qui le sous-tend est peut-être totalement inexistant.
Trois schémas que je vois constamment.
- Confiance sans vérification.
Les outils d'IA ont tendance à répondre avec assurance, même en cas d'incertitude. Un étudiant interroge l'IA sur les hypothèses de son analyse de variance et obtient une réponse qui semble plausible. Personne ne vérifie les graphiques des résidus. Dans un laboratoire traditionnel, un enseignant aurait dit : « Bien, mais montrez-moi les résultats. » Cette confrontation était précieuse sur le plan pédagogique. Il ne faut pas l'éliminer.
Le graphique ci-dessous illustre précisément ce phénomène. Une simple régression linéaire appliquée aux données sur les manchots (sans tenir compte de l'espèce) pourrait sembler acceptable au premier abord. Cependant, le graphique des résidus révèle une tout autre réalité.
Residual by Predicted Plot from a linear regression on the penguin data set, but the pattern signals that the model is missing something. Species, in this case.Graphique des résidus en fonction des valeurs prédites issu d'une régression linéaire sur l'ensemble de données des manchots, mais la tendance observée indique que le modèle est incomplet : il manque une information, en l'occurrence l'espèce.
Ce qui se perd faute de vérification : un sain scepticisme .
- Des rapports fluides, une compréhension fragile.
Les explications générées par l'IA peuvent paraître soignées et professionnelles. Mais demandez à un étudiant d'expliquer ses résultats avec ses propres mots, et les lacunes apparaissent. J'ai donc commencé à demander à mes étudiants de me réexpliquer oralement le texte généré par l'IA. La différence entre ce qu'ils ont rendu et ce qu'ils sont capables d'exprimer est parfois frappante.
Ce qui se perd : la véritable compréhension .
- Éviter le milieu compliqué.
Pourquoi s'acharner sur la configuration du modèle si l'IA peut passer directement à l'interprétation ? C'est pourtant dans cette difficulté que résident les informations clés : repérer les déséquilibres de données, déceler une définition de variable erronée, déceler une violation d'hypothèse avant qu'elle ne se propage dans l'analyse.
Ce qui se perd : l'apprentissage par la pratique .
| « Si une tâche peut être accomplie sans compréhension, elle n’a jamais vraiment testé la compréhension. » |
Une meilleure approche : concevoir, ne pas restreindre
Éviter l'IA n'est pas la solution. Une intégration réfléchie l'est. Voici quatre stratégies qui fonctionnent réellement :
- Introduisez l'IA au bon moment.
Avant d'utiliser des outils d'IA, encouragez les élèves à explorer les données, à construire des modèles et à formuler des hypothèses. Ainsi, l'IA deviendra un outil stimulant pour leur réflexion, et non un substitut. L'ordre est important : il faut d'abord se forger une opinion, puis la confronter aux résultats de l'outil.
- Posez des questions auxquelles l'IA ne peut pas répondre.
Au lieu de demander « interprétez ce modèle », demandez :
- Qu'est-ce qui vous a surpris dans les données ?
- Que ferais-tu différemment la prochaine fois ?
- Pourquoi cela est-il important pour la décision à prendre ?
Ces questions requièrent un raisonnement personnel, et non un texte généré automatiquement.
- Transformer les erreurs de l'IA en occasions d'apprentissage.
L'IA peut se tromper, alors autant en tirer parti. Montrez aux étudiants une suggestion erronée de l'IA et demandez-leur : « Faudriez-vous vous fier à cela ? Comment le vérifieriez-vous ? » En apprenant à repérer les erreurs de l'IA, les étudiants développent précisément les compétences d'analyse critique essentielles qui leur seront utiles dans tout autre contexte analytique. L'IA devient un outil de réflexion critique , et non un raccourci.
- Soyez transparent sur vos attentes.
Les étudiants acceptent généralement des consignes claires. Utiliser l'IA pour apprendre est acceptable. L'utiliser pour remplacer la réflexion ne l'est pas. Cette distinction est importante et porte ses fruits lorsqu'elle est énoncée explicitement, dès le début et de manière cohérente. Neil Selwyn [4] nous rappelle que l'IA dans l'éducation est un choix, et non une fatalité. C'est toujours l'enseignant qui conçoit l'environnement d'apprentissage.
Que font les outils JMP eux-mêmes ?
Les outils d'IA de JMP Student Edition intègrent des garde-fous. Chaque session LearnBot et Assistant comporte un rappel explicite : « Contenu généré par l'IA : évaluez son exactitude et sa pertinence avant utilisation. » Utilisé comme support pédagogique, ce rappel illustre parfaitement l'esprit critique que nous souhaitons voir se développer chez les étudiants.
Comme l'a souligné Russ Wolfinger de JMP [6] : l'IA complète, elle ne remplace pas. Les outils sont conçus selon ce principe. Leur utilisation en classe dépendra de l'enseignant.
Le tableau d'ensemble
Neil Selwyn [4][5], dont les travaux sur les limites structurelles de l'IA en éducation méritent une plus grande attention, soutient que l'IA en classe est un choix, et non une fatalité. La question n'est pas de savoir s'il faut l'utiliser, mais qui bénéficie de chaque utilisation spécifique – et si les compétences fondamentales du raisonnement statistique sont développées ou discrètement remplacées.
Une bonne analyse de données ne consiste pas à obtenir des réponses rapidement. Il s'agit de gérer l'incertitude, de questionner les résultats, de défendre ses décisions et, parfois, d'admettre : « Je ne comprends pas encore tout à fait cela. » Ce sont précisément ces compétences qui sont les plus menacées lorsque l'IA prend en charge l'ensemble du processus avant même que l'étudiant ait eu le temps de réfléchir.
L'épisode 5 se tourne vers l'avenir : à quoi ressemblera l'avenir de l'éducation à la culture des données, et quel rôle jouent des outils comme JMP dans ce domaine ?
Essayez ceci
Prenez un devoir que vos étudiants réalisent actuellement avec l'aide de l'IA. Ajoutez une question à laquelle l'IA ne peut pas répondre : « Quelle hypothèse de cette analyse vous inquiète le plus, et pourquoi ? » Apportez ensuite ces réponses en classe. Les points soulevés par les étudiants – et ceux qu'ils omettent – vous en apprendront davantage sur leur compréhension que l'analyse elle-même.
Références
[1] Programme académique JMP , jmp.com/academic
[2] Édition étudiante JMP , jmp.com/student
[3] Advait Sarkar : « Comment empêcher l’IA de tuer votre esprit critique » , conférence TED, 2025
[4] Neil Selwyn : Les robots devraient-ils remplacer les enseignants ? , Polity Press, 2019
[5] Neil Selwyn : Sur les limites de l'intelligence artificielle dans l'éducation , 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 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 4 sur 5 • Prochain épisode : Et après ? — L’avenir de l’éducation aux données
