L’ouverture en novembre 2022 de Chat GPT au grand public a marqué un tournant dans l’histoire de l’intelligence artificielle (Delaye, 2023). Fondé sur un vaste modèle de langage développé par la société Open AI, cet agent conversationnel a contribué à populariser les systèmes d’intelligence artificielle générative (Coulombe et Drouin, 2022). Les systèmes d’intelligence artificielle générative renvoient à un sous-ensemble de l'apprentissage profond. Ils reposent sur des modèles à base de réseaux de neurones artificiels qui peuvent ensuite produire de nouveaux contenus (Coulombe et Drouin, 2022). Pour cela, les modèles sont entraînés et établissent des corrélations statistiques entre différents éléments qui les composent pour générer par exemple du texte, des images ou encore des vidéos. Il revient ensuite à l’utilisateur d’attribuer un sens à cette information générée de façon machinique et de l’analyser à réception. Dans le domaine de l’éducation, ces systèmes ouvrent de nombreuses perspectives que ce soit au service de l’apprenant, au service de l’enseignant, ou au service même de l’institution (Holmes et al., 2023). Les agents conversationnels tels que Chat GPT ou encore Google Gemini peuvent ainsi concourir à des activités de soutien pour l’enseignant que ce soit par exemple en appui à l’évaluation ou encore pour générer du contenu pédagogique (Herft, 2023). De par l’information qu’ils produisent, ils peuvent ainsi aider l’enseignant dans la mise en place de processus de médiation des savoirs. A la fois contenu et relation, la médiation se définit dans ses dimensions, langagière, logistique, technique et symbolique (Gardiès, 2012). Elle suppose en effet un travail de réécriture des savoirs de la part de l’enseignant, une organisation matérielle, le dispositif qui permet d’organiser la communication. Elle s’inscrit par ailleurs dans le partage de normes et valeurs communes dans l’objectif de créer un espace de significations partagées entre enseignant et apprenant (auteur, 2022). Or, les systèmes d’IA générative ne possèdent aucune forme « d’ancrage des symboles produits » que ce soit dans le monde réel, dans l’espace ou dans le temps (Devillers, 2023). Dès lors, nous nous demandons dans quelle mesure l’information produite par les systèmes d’IA générative peut-elle soutenir l’enseignant dans la mise en place d’un processus de médiation des savoirs ? Comment peut-on qualifier cette information ? Quel travail de réécriture ces systèmes effectuent-ils ? D’un point de vue théorique, nous développons ce que dit la littérature sur les systèmes d’IA générative et les perspectives qu’ils offrent dans le domaine de l’éducation. Nous mettons en avant la manière dont ces systèmes peuvent amener à questionner la notion même d’information. Nous traitons de la notion de médiation des savoirs telle que définie par les Sciences de l’information et de la communication et insistons sur les différentes dimensions de la médiation. Les choix méthodologiques effectués se situent dans la lignée d’autres recherches que nous avons menées en lien avec la médiation et la médiatisation des savoirs dans différentes situations d’enseignement-apprentissage dans la discipline scolaire information-documentation, qui est spécifique à l’enseignement agricole (auteur, 2022). Dans cette perspective, nous proposons d’analyser le fonctionnement de plusieurs systèmes d’IA générative dans le cadre de la mise en place d’une séance pédagogique créée en classe inversée et portant sur la notion d’information. Nous travaillons à partir d’un prompt de départ qui permet de contextualiser ce qu’on attend des systèmes puis procédons par itération dans l’objectif d’analyser et de qualifier l’information qu’ils produisent. Nos résultats soulignent dans quelle mesure cette information peut permettre de mettre en &oelig;uvre un processus de médiation des savoirs.   1 Approche théorique 1.1 Les systèmes d’intelligence artificielle générative : grands principes de fonctionnement et applications dans le domaine de l’éducation Dans le domaine de l’éducation, les systèmes d’intelligence artificielle ouvrent de nombreuses perspectives. Alexandre et al. (2022), en identifient trois, l’IA comme outil d’apprentissage adaptatif, l’IA comme un modèle pour comprendre l’apprentissage humain grâce à la collecte de traces d’apprentissage ou encore l’IA dans le cadre d’un enseignement citoyen. Holmes et al. (2022) mettent quant à eux en avant trois principaux domaines d’application. L'intelligence artificielle peut d’abord être au service de l’élève (systèmes de tutorat intelligents, applications pour l'apprentissage des mathématiques et des langues, simulations enrichies par la réalité virtuelle etc.). Lorsqu’elle est au service de l’enseignant elle permet d’optimiser la gestion de la classe, l’orchestration de l’apprentissage ou encore jouer le rôle d’assistant pédagogique. Dans le cadre d’un soutien à l’institution, elle peut également aider aux admissions, à la planification de cours et plus généralement optimiser la gestion et la performance éducative. Depuis novembre 2022, l’arrivée des systèmes d’IA générative auprès du grand public et leur mise à disposition gratuite ouvre aujourd’hui la porte à une intégration plus large de ces systèmes. Ces derniers ont la capacité de produire une grande variété de résultats. Ils permettent par exemple la génération de textes ou d'images à différentes fins telles que la traduction, le développement de code informatique, les chatbots ou agents conversationnels, l’aide à la décision, ainsi que la création de structures en vue de l'impression 3D (Grinbaum et al., 2023). Gozalo-Brizuela et Garrido-Merchan (2023) proposent de catégoriser les différents systèmes d’IA générative selon la taxonomie suivante notamment texte à image, texte à représentation 3D, images à texte, texte à vidéo, texte à audio, texte à texte, texte à code, texte à formule scientifique. Le système peut toutefois être également multimodal lorsqu’il peut accepter plusieurs types d’entrée (texte et images) (Grinbaum et al., 2023). Ainsi, en 2023, les diverses bases de données de Chat GPT ont été progressivement intégrées pour former ces nouveaux modèles multimodaux. Aujourd’hui GPT-4, développé par OpenAI en collaboration avec Microsoft, peut également créer des applications et des sites web (Anctil, 2023). Ces systèmes d’IA générative s’appuient sur des modèles de fondation tels que les transformers qui fonctionnent à partir de représentations numériques de l’information généralement sous forme de réseaux de neurones artificiels dotés de milliards de paramètres. Les modèles sont ensuite entraînés à partir d’immenses corpus selon différentes méthodes d’apprentissage statistique dans l’objectif d’apprendre à créer un contenu similaire à celui pour lequel ils ont été entraînés. A titre d’exemple, ChatGPT intègre les trois approches de l'apprentissage statistique à différentes étapes (Devillers, 2023) : tout d'abord, l'apprentissage autosupervisé ou « non supervisé » sans recourir à une annotation préalable ; ensuite, l'apprentissage supervisé qui entraîne le modèle sur des données spécifiques et en filtre certains résultats. Enfin, l'apprentissage par renforcement, qui optimise les performances du système en sélectionnant les meilleurs résultats (Devillers, 2023) notamment dans l’objectif de rendre ses réponses conformes aux valeurs humaines (Grimbaum et al, 2023). 1.2 De quelle information parlons-nous ? C’est à partir d'une information en entrée appelée « prompt » ou « invite » que le système fournit ensuite en sortie la séquence qu’il estime être la plus probable ou plausible (Sobieszek et Price, 2022). Pour cela, il est nécessaire de bien formuler et contextualiser cette information afin d’optimiser ce que le système proposera en sortie. En effet, le résultat qu’il fournit n’est pas intelligible pour lui (Cardon, 2019) et ne prend de sens qu’à partir du moment où un utilisateur se l’approprie à réception. C’est la distinction qu’effectue Jeanneret (2011) entre information-1 et information-2, la première relevant du pouvoir de calcul et la deuxième du « besoin de sens ». De même, « si le traitement machinique évacue la question du sens et l’activité d’interprétation, celles-ci sont omniprésentes en « amont » ou en « aval » de l’informatisation » (Jeanneret, 2011). Ainsi, tout comme il y a en amont de scientifiques, des techniciens qui contribuent à mettre en place le modèle, à transformer numériquement l’information et à entraîner ce modèle, il y a en aval des utilisateurs qui de par les informations qu’ils échangent avec le modèle participent également à son entraînement. Par ailleurs, si nous considérons que toute situation de communication implique un émetteur qui produit de l’information dans un contexte particulier et avec une intention particulière et un récepteur qui la reçoit, nous pouvons nous interroger sur la nature même de l’émetteur et des informations produites par les systèmes d’IA générative. Peut-on parler d’émetteur et par-là même peut-on considérer l’information produite comme une information ? Car d’un point de vue purement formel le résultat n’est qu’une suite successive non intelligible de caractères obtenue à partir de gigantesques corpus d’informations. Le système réalise en effet des synthèses, des agglomérats de plusieurs parties d’informations pour en produire une nouvelle forme de conglomérat. Ainsi nous pouvons avancer que le rôle des systèmes d’IA génératives serait de produire une information traitée à partir des informations qui figurent dans sa base de données, une forme d’information sur « ces informations ». Ainsi, parce qu’ils transforment la nature même de l’information, celle-ci étant créée par des algorithmes, les systèmes d’IA génératives soulèvent de nombreux enjeux notamment éthiques : le rapport à la vérité et l’absence de signification en lien avec la capacité des systèmes à halluciner (Athaluri et al., 2023), la possible manipulation de l’utilisateur, le maintien des distinctions entre les informations produites par la machine et celles qui le sont par un humain, la question du multilinguisme et la dominance d’une langue relatifs aux données d’entraînement qui véhiculent implicitement des représentations culturelles (Grinbaum et al., 2023) et introduisent inévitablement des biais. Il demeure néanmoins une part d’inexplicabilité dans le fonctionnement, une forme de « boîte noire » liée aux calculs opérés (Cardon, 2019). L’explicabilité exige en effet des agents artificiels la capacité à donner à l’usager humain une justification de leurs conclusions (Konieczny et Prade, 2020). Intéressons-nous maintenant à la notion de médiation des savoirs.   1.3 Médiation et médiation des savoirs D’un point de vue étymologique le mot médiation renvoie à la fois au latin « mediare », « être au milieu » et donc séparer, diviser, et « medius », « milieu ». La médiation établit un lien entre deux entités séparées, un énonciateur et un récepteur et implique par là-même un élément tiers. Elle est à ce titre souvent appréhendée à travers l’image du pont ou du passage (Gardiès, 2012 ; Simonnot, 2014). Elle est envisagée comme relation, acte social et constitue en cela une autre manière de penser la communication rendant possible l’échange social alors que les univers de production et de réception du message sont a priori disjoints (Davallon, 2003). La médiation des savoirs renvoie quant à elle, « à l’ensemble des processus médiatiques et interactionnels qui concourent à la construction, au partage, à la diffusion voire à la confrontation de connaissances socialement institutionnalisées » (Bonnet et Galibert, 2016). Il s’agit de mettre en circulation des savoirs sous la forme d’informations à échanger afin de faciliter la construction de connaissances nouvelles. En Sciences de l’information et de la communication, l’étude de la médiation vise à combattre l'utopie technicienne qui entretient l’idée que dans notre société, tout est transparent, immédiat et accessible sans intermédiaire (Jeanneret, 2009). Elle s'efforce de démontrer que le savoir et le sens émergent grâce au travail réel d'élaboration accompli par les intermédiaires de la communication (Jeanneret, 2009). Lever le voile sur le fonctionnement des systèmes d’IA générative relève d’une forme de lutte contre cette utopie d’une information trop facilement accessible défilant sous l’&oelig;il du récepteur de façon automatique. Il s’agit ainsi d’expliciter tous les leviers sur lesquels une communication médiatisée peut ainsi reposer. Le processus de médiation s’articule autour des dimensions langagière, logistique et technique et symbolique de cette dernière. La dimension langagière est en lien avec la communication médiatisée que la médiation permet d’établir. Dans le cadre d’une médiation des savoirs, elle suppose tout un travail faisant appel à différentes formes de réécriture. Enfin, la médiation possède une dimension symbolique car elle fait référence à un système de représentations commun à toute une société. Ce dernier correspond à des formes d’identification sociale et de sociabilité permettant par là-même d’articuler la dimension individuelle du sujet et la dimension collective de la sociabilité et du lien social (Lamizet et Silhem, 1997). Enfin, la dimension logistique et technique suppose un dispositif, « substrat technique » (Jeanneret, 2005) de cette communication et qui permet de l’organiser afin de donner forme aux rapports de communication (Meunier, 1999). Un dispositif n’est pas neutre. Il est marqué par des intentionnalités, une fonction stratégique (Foucault, 1977), une capacité à modeler, à contrôler (Agamben, 2007). Dans le cadre de l’utilisation d’un système d’IA générative c’est bien sur l’émetteur du prompt que repose l’intentionnalité qui caractérise le dispositif. C’est lui qui effectue tout un travail langagier afin de guider le système dans les informations qu’il peut produire.   2 Approche méthodologique 2.1 Contexte de l’étude Notre approche méthodologique repose sur l’étude de l’information produite par trois agents conversationnels CHAT GPT-4 de la société Open AI, Google Gemini et le « Chat » de la société française Mistral AI dans le cadre de la mise en place d’une séance en classe inversée. La classe inversée est un dispositif qui consiste à « donner à faire à la maison, en autonomie, les activités de bas niveau cognitif pour privilégier en classe le travail collaboratif et les tâches d’apprentissage de haut niveau, en mettant les élèves en activité et en collaboration » (Dufour, 2014). Elle repose sur un changement de posture de l’enseignant qui plutôt que de transmettre des savoirs, joue le rôle d’un guide, d’un accompagnateur dans la construction des connaissances. La séance pédagogique, qui porte sur l’enseignement de la notion d’information, a été analysée précédemment par nous dans sa forme classe inversée sans intervention d'un système d'IA. Ellle a été menée auprès des publics de première de baccalauréat professionnel « productions horticoles » dans la discipline scolaire information-documentation. Nous reprenons donc ici l’étude de sa conception cette fois au travers de l’usage de systèmes d'IA et notre posture est celle d’une chercheuse qui étudie la médiatisation des savoirs et les dispositifs associés dans le cadre de l’enseignement la discipline scolaire de notre domaine scientifique. 2.2 Mise en place du recueil de données Afin d’analyser l’information produite par les différents agents conversationnels, nous réalisons un prompt initial. La rédaction de ce dernier s’effectue à partir de la méthode ACTIF (Action ; Contexte : Tâche ; Identité ; Tonalité ; Format) (Corthésy, 2023) qui permet de structurer de manière détaillée les informations adressées aux modèles de langage pour améliorer la précision et la pertinence des réponses générées. (Fig.1). Dans ce cadre, après avoir précisé le contexte et les objectifs de la séance, il est demandé à chaque agent conversationnel de proposer le storyboard d’une capsule vidéo et une activité d’appropriation de la capsule sous la forme d’un quizz à faire à la maison et ensuite des activités à réaliser en classe à partir du savoir issu de la capsule. La séance en classe dure 50 min et les activités à la maison ne doivent pas excéder 15 min, la capsule vidéo ayant une durée maximale de trois minutes. Nous donnons également au système le texte de savoir relatif à la notion d’information. Le texte de savoir est une rédaction en phrases structurées des éléments de ce que l’élève doit retenir de la notion enseignée en référence à la conception scientifique. Ce texte a été créé dans le cadre des travaux du GAP documentation. Les « Groupes d’Animation et de Professionnalisation » (GAP) sont des dispositifs innovants d’accompagnement à la professionnalisation des enseignants de l’enseignement agricole qui rassemblent des enseignants, des enseignants-chercheurs ainsi que des membres de l’inspection de l’enseignement agricole. <img height="514" src="https://www.numerev.com/img/ck_3241_1_image-20240619095641-1.png" width="910" /> Figure 1 : prompt initial réalisé selon la méthode ACTIF Pour chaque activité demandée, nous procédons à des demandes de précisions systématiques. Ces dernières portent d’une part les savoirs sur l’information et d’autre part sur l’organisation de la communication médiatisée. Lorsque cela est nécessaire, nous réorientons le système. Nous procédons ensuite à une analyse de contenu de l’information produite par les systèmes. Nous étudions comment cette dernière peut permettre de mettre en place un processus de médiation des savoirs dans ses dimensions langagière, logistique et technique et symbolique. Nous nous intéressons particulièrement aux savoirs et à leur réécriture sous forme d’informations par les systèmes. Nous analysons la manière dont ils proposent de les médiatiser dans le cadre de la réalisation de la capsule vidéo. Nous observons comment les savoirs sont traités, travaillés dans le cadre des activités demandées et analysons la manière dont le système propose d’organiser la communication médiatisée dans le cadre de la réalisation de la séance en classe inversée.   3 Présentation des résultats Les informations produites par les différents agents conversationnels résultent d’un guidage fort du système. Ce dernier se caractérise par un travail conséquent sur l’information à réaliser en entrée mais il reste, nous allons le voir, malgré tout relativement « probabiliste ». Nous organisons la présentation de nos résultats en analysant d’abord les informations produites par les systèmes relatives au dispositif « classe inversée » dans son ensemble puis insistons sur la réécriture des savoirs. 3.1 Les informations relatives à la mise en place du dispositif en classe inversée Les informations produites présentent un dispositif qui d’un point de vue symbolique est en lien avec les règles et normes d’une situation d’enseignement-apprentissage. En effet, nous retrouvons le cadre « formel » d’une séance d’enseignement classique avec une introduction, des activités, une conclusion, une phase d’institutionnalisation des savoirs et même des pistes d’évaluation. D’un point de vue strictement langagier, nous pouvons également retrouver de nombreux embrayeurs verbaux (utilisation des deuxième et troisième personnes du pluriel qui impliquent l’apprenant-récepteur) qui font indirectement référence à la situation d’enseignement-apprentissage.   Le dispositif « classe inversée » est par ailleurs pris en compte par tous les systèmes qui effectuent un lien explicite entre les activités à réaliser en amont et les éléments de savoir issus de la capsule vidéo et les activités en classe. Différentes modalités pédagogiques sont spontanément proposées et notamment des activités de groupe souvent mobilisées dans ce cadre (Lebrun et Lecoq, 2015). Toutefois, les systèmes ont d’eux-mêmes du mal à proposer des activités qui introduisent une réelle progressivité dans la manipulation des éléments de savoir. Ils restent souvent sur un même niveau de complexité (identification de l’émetteur, du récepteur et de l’information). Il devient alors nécessaire de les guider. Les différents agents conversationnels produisent par ailleurs des informations précises quant à la mise en place technique et logique du processus de médiation. Ils fournissent par exemple des éléments de réalisation de la capsule vidéo tels que le plan à adopter, le cadrage, ou encore des précisions sur l'éclairage ou le son (Google Gemini). Ils mettent en avant des pistes sur les modes de diffusion de cette dernière afin de la rendre accessible aux apprenants. Ils sont également capables lorsqu’on le leur demande de distinguer différentes formes de discours (écrit à l’écran et oral avec la présence d’une voix off) (Fig. 2) et d’associer spontanément différentes formes d’écriture numérique se caractérisant par différents registres sémiotiques (texte, images fixes, images animées, images 2D). <img height="504" src="https://www.numerev.com/img/ck_3241_1_image-20240619095931-2.png" width="910" /> Figure 2 : capacité des systèmes à proposer différentes formes de discours – Google Gemini Enfin, ils présentent différentes solutions logicielles en lien direct avec le secteur de l’éducation et de la formation (Kahoot, Quizziz, Google Forms, Moodle, ENT, Google Classroom etc.). Il demeure néanmoins un élément que les différents systèmes ont du mal à appréhender : le temps. Si des éléments réalistes et minutés sont donnés de manière précise (découpage en scènes de la capsule vidéo) et que le temps que peut prendre une activité est globalement bien estimé (Fig. 3), paradoxalement, dans les informations qu’ils produisent, les systèmes ne montrent pas la capacité d’un ancrage global dans le temps. L’exemple ci-après extrait de Mistral est significatif : l’enseignant commence la séance qui est censée suivre les activités faites à la maison en faisant référence à une vidéo que les élèves auront à visionner. De même, deux agents conversationnels ne parviennent pas à proposer spontanément une activité de quizz qui puisse durer une durée une dizaine de minutes pour compléter le temps de visionnage de la capsule vidéo (le quizz proposé étant constitué de moins de cinq questions) (Fig. 4). <img height="196" src="https://www.numerev.com/img/ck_3241_1_image-20240619100051-3.png" width="910" /> Figure 3 : capacité du système à donner des indications temporelles réalistes – Mistral   <img height="292" src="https://www.numerev.com/img/ck_3241_1_image-20240619100115-4.png" width="910" /> Figure 4 : difficulté du système à appréhender le temps de manière globale– Mistral Intéressons-nous maintenant à la réécriture des savoirs. Nous évoquions précédemment la nécessité d’un guidage fort du système. En ce qui concerne les savoirs eux-mêmes, ce guidage requiert régulièrement une réorientation des agents conversationnels. Cette dernière prend notamment le cas d’une exemplification ou nécessite un rappel du texte de savoir donné en entrée : <img height="442" src="https://www.numerev.com/img/ck_3241_1_image-20240619100413-5.png" width="908" /> Figure 5 : cas de « réorientation » des informations produites par les agents conversationnels Les différents prompts issus de ce tableau montrent que le lien avec les savoirs demeure difficile et en vient complètement à être oublié comme c’est le cas ici avec Google Gemini qui associe la notion d’information à celle de logique par la mise en place de « jeux de logique et d’information » : <img height="384" src="https://www.numerev.com/img/ck_3241_1_image-20240619100659-6.png" width="910" /> Figure 6  : cas d’hallucination 1 – Google Gemini Une analyse plus fine des informations produites par le système nous permet de mettre en évidence quatre catégories de réécriture des éléments de savoirs. Pour chaque catégorie, nous fournissons pour étayer nos propos une trace significative issue d’un des trois agents conversationnels. La première tendance, peu représentée, est relative à la réécriture des éléments issus du texte de savoir. Elle montre que les systèmes sont capables d’effectuer un travail de traitement langagier à partir du texte de savoir mais aussi d’apporter des éléments nouveaux qui viennent l’enrichir de manière pertinente. Les agents conversationnels prennent alors des libertés par rapport au texte de savoir donné en entrée et utilisent leurs données pour proposer un contenu épistémologiquement cohérent. Dans l’exemple ci-après Chat GPT introduit la notion de communication en tant que « processus » : <img height="318" src="https://www.numerev.com/img/ck_3241_1_image-20240619100740-7.png" width="910" /> Figure 7 : réécriture des savoirs par le système d’IA générative – ChatGPT La seconde tendance correspond à un traitement formel des éléments de savoir et à leur reproduction à l’identique. En ce sens, tous les systèmes proposent un plan identique de la capsule vidéo et la structure autour des différents éléments de savoir qui leur ont été donnés dans le prompt initial. Google Gemini et Mistral vont même jusqu’à reprendre in extenso certaines phrases du texte de savoir : <img height="392" src="https://www.numerev.com/img/ck_3241_1_image-20240619100818-8.png" width="910" /> Figure 8 : réécriture du texte de savoir à l’identique – activité proposant un application directe des éléments des savoirs - Mistral La troisième tendance relève de l’extrapolation ou du détournement des éléments de savoir. Les systèmes ont tendance à « gloser » en donnant par exemple des explicitations maladroites. Dans l’exemple ci-dessous, ChatGPT parle de « communication réussie », pour traiter de l’assimilation de l’information par le récepteur extrapolant la signification de la notion de connaissance en la réduisant à une utilisation dans le mode du travail : <img height="274" src="https://www.numerev.com/img/ck_3241_1_image-20240619100930-9.png" width="910" /> Figure 9 : extrapolation des éléments de savoir – Chat GPT Enfin, la dernière catégorie est en lien avec la capacité des systèmes à halluciner. Elle se manifeste par l’invention ou même l’omission d’éléments de savoir. Les systèmes ne prennent alors pas appui sur le texte de savoir donné dans le prompt et l’information produite relève du non-sens comme c’est le cas ici avec Google Gemini : <img height="356" src="https://www.numerev.com/img/ck_3241_1_image-20240619101010-10.png" width="910" /> Figure 10 : cas d’hallucination 2 – Google Gemini Les deux dernières catégories sont les plus représentées. Une des principales caractéristiques d’extrapolation des éléments de savoir ou d’hallucination est en lien avec la présence directe du contexte dans la réécriture. 3.3 Le rôle du contexte dans la réécriture des savoirs Nous évoquions en partie théorique la nécessité de donner aux systèmes des éléments de contexte afin d’optimiser les réponses en sortie. Ces derniers constituent une des principales caractéristiques de la réécriture des savoirs. Ainsi, que ce soit dans le storyboard capsule vidéo ou dans les activités proposées, le système prend systématiquement appui sur le domaine horticole. Cette présence ou même « omniprésence » questionne car elle s’impose souvent au détriment des éléments de savoir eux-mêmes. Les exemples ci-dessous sont particulièrement évocateurs. Alors qu’il est censé poser des questions relatives aux savoirs contenus dans la capsule vidéo, Chat GPT se focalise sur la communication en horticulture diluant complètement ces derniers (Fig.11). Mistral associe même les savoirs à des compétences professionnelles (Fig. 12). <img height="518" src="https://www.numerev.com/img/ck_3241_1_image-20240619101147-11.png" width="910" /> Figure 11 : surreprésentation du contexte dans la réécriture des savoirs - ChatGPT   <img height="154" src="https://www.numerev.com/img/ck_3241_1_image-20240619101235-12.png" width="910" /> Figure 12 : surreprésentation du contexte dans la réécriture des savoirs - Mistral <h3 class="Illustration" style="margin-top: 8px; margin-bottom: 8px;"> </h3> <h4 class="Illustration" style="margin-top: 8px; margin-bottom: 8px;">Discussion et conclusion</h4> Cette étude exploratoire, en s’appuyant sur l’exemple de création d’une séance pédagogique en classe inversée à destination des élèves scolarisés en baccalauréat professionnel « productions horticoles » avait pour principal objectif d’analyser la manière dont l’information produite par différents systèmes d’IA générative peut permettre de mettre en &oelig;uvre un processus de médiation des savoirs. Nous avons volontairement choisi un dispositif de médiation des savoirs particulièrement exigeant d’un point de vue info-communicationnel car il engage des savoirs, différentes formes de réécriture et une organisation complexe d’un point de vue logistique et technique. D’un point de vue didactique, il requiert une articulation fine et une progression entre les activités à réaliser à la maison et celles en classe. Les résultats montrent que si les informations produites par ces derniers peuvent être utiles à l’enseignant qui met en &oelig;uvre le processus de médiation notamment d’un point de vue logistique et technique et peut contribuer à l’organisation du dispositif dans son ensemble, la réécriture des savoirs demeure encore trop probabiliste et, ce malgré un fort guidage des systèmes en amont. Nous pouvons néanmoins mettre en avant que ces derniers offrent des pistes significatives d’éléments « hétérogènes » qui demandent donc à être « assemblés » et retravaillés par l’enseignant afin de former un tout cohérent caractéristique d’un dispositif à part entière. Un des apports de cette étude concerne l’omniprésence du contexte dans la réécriture des savoirs. Ce dernier joue un rôle particulièrement paradoxal car il est à la fois nécessaire pour faire fonctionner le système de manière optimale mais peut contribuer à diluer voire à faire disparaître les éléments de savoirs dans la réécriture. Plus largement, cette étude nous incite à questionner la pertinence du recours aux systèmes d’IA générative en tant qu’outils au service de l’enseignant (Holmes et al., 2022). Nous pouvons donc avancer à la lumière de nos résultats que cette pertinence est « relative ». La complexité du dispositif étudié et les cas d’hallucination constatés nous conduisent à cette précaution. Cette recherche demande maintenant à être déployée dans d’autres dispositifs et dans d’autres disciplines que l’information-documentation. Les résultats mis en avant aujourd’hui exigent par ailleurs d’être réinterrogés dans plusieurs mois, les systèmes d’IA générative devenant chaque jour plus performants.   Bibliographie Alexandre, F., Comte, M.-H., Lagarrigue, A. et Viéville, T. (2023). L’IA pour mieux apprendre et appréhender L’IA (p. 96). <a href="https://inria.hal.science/hal-04037828" style="color:blue; text-decoration:underline">https://inria.hal.science/hal-04037828</a> Anctil, D. (2023). L’éducation supérieure à l’ère de l’IA générative. Pédagogie collégiale, 36(3). Athaluri, S. A., Manthena, S. V., Kesapragada, V. S. R. K. M., Yarlagadda, V., Dave, T. et Duddumpudi, R. T. S. (2023). Exploring the boundaries of reality: investigating the phenomenon of artificial intelligence hallucination in scientific writing through chatgpt references. Cureus, 15(4), 37432. <a href="https://doi.org/10.7759/cureus.37432" style="color:blue; text-decoration:underline">https://doi.org/10.7759/cureus.37432</a> Agamben, G. (2007). Qu’est-ce qu’un dispositif ? Rivages. Bonnet, J. et Galibert, O. (2016). Organisations et savoirs : quelles médiations ? Communication et organisation, 49, 5-17. Cardon, D. (2019). Culture numérique. Presses de Sciences Po. Corthésy, M. (2023). Chat GPT en entreprise, le guide complet pour maximiser votre productivité. Diateino. Coulombe, C. et Drouin , P. (2022). Les 101 mots de l’intelligence artificielle : petit guide du vocabulaire essentiel de la science des données et de l’intelligence artificielle. DataFranca. Davallon, J. (2003). La médiation : la communication en procès ? Médiation et information, 19, 37-59. Delahaye, J.-P. (2023). IA générative : ce qui se cache derrière les modèles massifs de langage. Pour la Science (555). Devillers, L. (2023). Les systèmes d’Intelligence Artificielle et le langage. Enjeux d’éthique. Raison présente, 228, 65-72. Dufour, H. (2014). La classe inversée. Technologie, 193, 44-47. Foucault, M. (1977). Dits et écrits. Tome 2. Gallimard. Gardiès, C. (2012). Dispositifs info-communicationnels de médiation des savoirs : cadre d’analyse pour l’information-documentation [Habilitation à diriger les recherches, Université de Toulouse 2, France]. Gozalo-Brizuela R. et Garrido-Merchan E. C. (2023). ChatGPT is not all you need. A State of the Art Review of large Generative AI models. <a href="https://doi.org/10.48550/ARXIV.2301.04655" style="color:blue; text-decoration:underline">https://doi.org/10.48550/ARXIV.2301.04655</a> Grinbaum, A., Chatila, R., Devillers, L., Martin, C., Kirchner, C., Perrin, J., et Tessier, C. (2023). Systèmes d’intelligence artificielle générative : Enjeux d’éthique [Report, Comité national pilote d’éthique du numérique]. <a href="https://cea.hal.science/cea-04153216" style="color:blue; text-decoration:underline">https://cea.hal.science/cea-04153216</a> Herft, A. (2023). Guide de l’enseignant : l’usage de Chat GPT « ce qui marche le mieux ». @herfteducator. Holmes W., Persson J., Chounta I.-A., Wasson B. et Dimitrova V. (2022). Artificial intelligence and education. A critical view through the lens of human rights, democracy and the rule of law. Council of Europe. <a href="https://rm.coe.int/artificial-intelligence-and-education-a-critical-view-through-the-%20lens/1680a886bd" style="color:blue; text-decoration:underline">https://rm.coe.int/artificial-intelligence-and-education-a-critical-view-through-the- lens/1680a886bd</a> Jeanneret, Y. (2005). Dispositif. Dans Commission de la République française pour l’éducation, la science et la culture, La « société de l’information » : glossaire critique (p. 50-51). La Documentation française. Jeanneret, Y. (2009). La relation entre médiation et usage dans les recherches en information-communication en France. Reciis, 3(3). <a href="https://doi.org/10.3395/reciis.v3i3.276fr" style="color:blue; text-decoration:underline">https://doi.org/10.3395/reciis.v3i3.276fr</a> Jeanneret, Y. (2011). Y-a-t-il (vraiment) des technologies de l’information ? [1er éd. 2001]. Presses Universitaires du Septentrion. Konieczny, S. et Prade, H. (2020). L’intelligence artificielle : De quoi s’agit-il vraiment ? Cépaduès-éditions. Lamizet, B. et Silem, A. (dir.). (1997). Dictionnaire encyclopédique des sciences de l’information et de la communication. Ellipses. Lebrun, M. et Lecoq, J. (2015). Classes inversées : enseigner et apprendre à l’endroit ! Canopé éditions. Simonnot, B. (2014). Médiations et agir informationnels à l’ère des technologies numériques. Les cahiers d’esquisse, 4, 21-23. Sobieszek, A. et Price, T. (2022). Playing Games with Ais: The Limits of GPT-3 and Similar Large Language Models. Minds & Machines. 32, 341–364. <a href="https://cea.hal.science/cea-04153216" style="color:blue; text-decoration:underline">https://doi.org/10.1007/s11023-022-09602-0</a>