Concevoir des exercices pour l'AI Fluency

Cette leçon passe de l’évaluation à la conception : quels exercices donner pour que les étudiants développent et démontrent leur AI Fluency ? Elle pose trois principes (authenticité, itération, transparence pédagogique), détaille trois familles d’exercices avec des formats concrets, et donne quatre stratégies pour gérer le volume de travail que ces exercices génèrent. Vous y construisez un exercice complet, relié à la grille de la leçon 4.

Trois principes

En concevant vos exercices, gardez trois principes. L’authenticité : des exercices qui reflètent la collaboration réelle avec l’IA plutôt que des situations artificielles ; les étudiants s’attaquent à de vrais problèmes où le partenariat avec l’IA ajoute réellement de la valeur. L’itération : des occasions d’affinement qui montrent la progression dans le temps ; un rendu en un seul coup manque la nature itérative de la collaboration fluide, alors laissez les étudiants affiner, repenser, réessayer. La transparence pédagogique : dites clairement que vous évaluez la qualité du processus de collaboration et la réflexion de l’étudiant, pas seulement les productions ; les étudiants doivent comprendre que vous vous intéressez à la façon dont ils apprennent à travailler avec l’IA, pas seulement à ce qu’ils produisent.

Trois familles d’exercices

Les exercices par les résultats portent sur ce que les étudiants produisent. Améliorer une sortie d’IA : donnez un résultat médiocre et faites-le transformer en quelque chose d’excellent ; les étudiants mobilisent le Discernement pour repérer les problèmes et la Description pour guider les améliorations, et apprennent à partir d’un contenu existant. Comparer des produits : faites traiter la même tâche par plusieurs systèmes ou modes (réflexion étendue, image vers image), puis analyser les différences et documenter ce qui a le mieux marché pour quel usage ; cela construit vite la conscience de la plateforme et le Discernement. Défis sous contraintes : imposez des exigences de format, de longueur, de style, de public, et faites rendre le produit final avec les prompts qui l’ont obtenu ; cela développe la Description, et l’ajout de normes éthiques, légales ou professionnelles comme contraintes travaille aussi la diligence de création. Revue de produit par les pairs : les étudiants fixent leurs propres objectifs, créent avec l’IA, puis échangent et critiquent au regard des objectifs annoncés ; cela développe le discernement du produit et la conscience des objectifs, et chacun découvre les approches des autres.

Les exercices par les processus sont plus difficiles : comment rendre visible et évaluable une interaction humain-IA souvent privée et fugace ? Les journaux de conversation annotés : l’étudiant rend ses échanges en signalant les moments clés d’intuition, de difficulté et de progression, les tournants où son approche a changé, les percées de compréhension, la récupération après un échec. Les narrations enregistrées : il s’enregistre en audio ou en capture d’écran pendant qu’il travaille, en expliquant ses choix, ce qu’il cherche dans les réponses et comment il les évalue. Les playbooks de processus : il construit son propre guide de stratégies et de prompts par type de tâche, les techniques qui marchent dans quel contexte, où chercher de l’aide ; un document de référence pour sa progression. Le débrief assisté : il partage un journal de conversation avec un partenaire IA et lui demande d’en discuter, ou le fait avec un autre étudiant, ou avec les deux pour comparer les éclairages. Toutes ces techniques rendent visible la prise de décision invisible, et l’étudiant améliore ses quatre compétences en observant son propre processus.

Les exercices par la réflexion sont centraux, et le défi est d’offrir assez de variété pour développer la conscience métacognitive sans fatigue réflexive. Les questions guidées : des questions précises sur un exercice donné, dans un cadre accueillant où les critiques et les plaintes honnêtes sont aussi bienvenues que les expériences positives. Les journaux d’apprentissage : une auto-évaluation des 4D à plusieurs moments du cours, avec des preuves précises, en encourageant la créativité et plusieurs modes (vidéos, infographies, cartes mentales). Les scénarios et études de cas : des situations réalistes ou réelles qui obligent à appliquer ses apprentissages à des questions de conception, d’usage et d’impact de l’IA, aussi simples que « votre nouveau patron veut utiliser l’IA pour les décisions d’embauche : quel conseil, quelle approche ? ». La déclaration de politique personnelle : s’il n’y a de place que pour un seul exercice réflexif, faites rédiger une déclaration où l’étudiant formule ses propres valeurs, stratégies et méthodes de collaboration ; elle exige une réflexion profonde et, surtout, le rend acteur et responsable de ses interactions ; elle se prête bien à la discussion entre pairs.

Gérer le volume

Soyons réalistes : ces exercices génèrent bien plus de contenu que les devoirs classiques. Quatre leviers. Des grilles détaillées fondées sur les livrables : des livrables clairs et granulaires, dont on vérifie vite qu’ils sont bien réalisés ; cela exige un alignement serré entre livrables et objectifs d’apprentissage, mais peut économiser des heures. L’auto-évaluation et l’évaluation par les pairs : bien guidés, les étudiants sont souvent les mieux placés pour observer leur propre développement ou celui de leurs camarades, et condensent des sorties volumineuses en quelque chose à quoi l’enseignant peut répondre utilement et à temps. Les conférences éclair : remplacez une partie des retours écrits par de brefs entretiens où l’étudiant présente ses idées clés ; cinq minutes d’échange valent souvent plus que de longs commentaires. L’échantillonnage sélectif : inutile de lire chaque mot de chaque journal ; apprenez aux étudiants à repérer et signaler les moments clés qui méritent votre attention.

En résumé : authenticité, itération et transparence pédagogique ; les exercices par les résultats sont les plus directs et la clé pour évaluer Description et Discernement ; les exercices par les processus doivent rendre l’interaction visible et facile à évaluer ; les exercices par la réflexion exigent de la variété ; et il faut prévoir dès le départ comment absorber un volume de contenu plus élevé que d’habitude.

À vous de jouer

Exercice 1 : l’architecture de l’exercice (10 min). Poursuivez la conversation sur l’évaluation. Reliez-vous à la grille que vous venez de créer et aux compétences qu’elle met en avant ; discutez avec l’IA du type d’exercice ou de composante qui permettrait le mieux de les démontrer ; décidez si vous visez les résultats, le processus, la réflexion ou une combinaison ; situez cet exercice dans la structure de votre cours. Passez en revue les composantes vues dans les vidéos, choisissez-en deux ou trois qui fonctionnent ensemble de façon cohérente, adaptez-les pour qu’elles paraissent naturelles dans votre cours, et vérifiez que la charge reste gérable pour les étudiants comme pour vous. Assurez-vous que l’exercice reflète la collaboration réelle avec l’IA dans votre domaine et comporte de vrais problèmes où le partenariat ajoute de la valeur.

Exercice 2 : construire l’itération et la progression (10 min). Déterminez avec l’IA où les étudiants devraient s’arrêter pour affiner leur travail, planifiez des points de contrôle qui leur permettent d’apprendre de leurs premières tentatives, créez des modèles ou des guides pour consigner les moments de décision clés, et prévoyez un soutien pour ceux qui peinent à réfléchir sur leur pratique.

Exercice 3 : planifier la mise en œuvre (10 min). Rédigez avec l’IA des consignes précises mais pas écrasantes, avec des énoncés clairs sur ce que vous évaluez (le processus et la réflexion, pas seulement le résultat), les livrables, les formats et les modalités de rendu, et un lien explicite avec le développement de l’AI Fluency. Discutez de la façon de garder la correction gérable : ce que vous évaluerez en détail et ce que vous relirez vite, des composantes d’évaluation par les pairs qui ajoutent de la valeur sans alourdir, et l’usage de l’échantillonnage ou des conférences à la place de longs retours écrits.

Questions de réflexion

• Quelles difficultés anticipez-vous dans la mise en œuvre de ces évaluations ?
• Comment communiquerez-vous aux étudiants la valeur du processus et de la réflexion ?

Sources officielles : Designing assignments for AI Fluency (Claude Academy : vidéo, trois exercices, réflexion) · Comment évaluer les 4D ? (leçon précédente, pour la grille)

Points clés à retenir

• Les exercices efficaces d’AI Fluency reposent sur l’authenticité, l’itération et la transparence pédagogique.
• Les exercices par les résultats portent sur les produits mais révèlent les compétences de collaboration.
• Les exercices par les processus rendent visible la prise de décision invisible, par la documentation.
• Les exercices par la réflexion développent la conscience métacognitive, mais exigent de la variété pour éviter la fatigue.
• Gérer le volume accru demande des stratégies : grilles par livrable, évaluation par les pairs, conférences éclair, échantillonnage.

Crédits et licence — Adaptation française du cours « Teaching AI Fluency » de l’Anthropic Academy, créé par Anthropic avec Rick Dakan (Ringling College of Art and Design) et Joseph Feller (University College Cork), auteurs du cadre AI Fluency, avec le soutien de la Higher Education Authority (Irlande) à travers le National Forum for the Enhancement of Teaching and Learning. Les supports d’origine sont © 2025 Rick Dakan, Joseph Feller et Anthropic, publiés sous licence CC BY-NC-SA 4.0 ; cette adaptation, qui les traduit et les remanie, est diffusée sous la même licence.