Reprogrammer vos schémas d’apprentissage
À un moment donné, nous devons tous admettre que nous avons une manière préférée d’apprendre. Cela ne fait pas de nous des automates. Une fois que nous trouvons ce qui fonctionne, nous avons tendance à nous y accrocher jusqu’à ce que cela cesse d’être efficace. Nous avons tous des schémas, bons ou mauvais, qui sont issus de l’école, des parents, d’un mentor dans la vie ou au travail, ou même d’un livre. Peu importe leur origine ; ce qui compte, c’est de reconnaître ces schémas. La prise de conscience de nos propres modes d’apprentissage est une conséquence naturelle de l’interaction avec une IA générative.
Un jour, un jeune moine s’approcha de son maître et lui dit : « Maître, j’ai l’impression d’apprendre d’une manière particulière. Est-ce mal de rester fidèle à mes méthodes ? » Le maître sourit et répondit : « Laisse-moi te raconter une histoire. » Il désigna un chemin battu dans le jardin. « Ce chemin a été tracé par d’innombrables pas au fil des années. Chaque personne l’a emprunté parce qu’il la menait à son objectif. Cependant, parfois le chemin devient boueux ou obstrué. Que faisons-nous dans ce cas ? Continuons-nous à suivre obstinément le même itinéraire ? » Le moine secoua la tête. « Non, nous cherchons une nouvelle voie. » « Exactement », répondit le maître. « Tes schémas d’apprentissage sont comme ce chemin. Ils t’ont bien servi, mais sois attentif. Quand ils ne fonctionnent plus, n’aie pas peur de chercher une nouvelle voie. »
La technologie nous incite à remettre en question ce que nous avons appris. Les modèles de langage, ou LLM, peuvent aussi aider à identifier nos schémas d’apprentissage établis. Vous pouvez demander à un LLM d'analyser les schémas d'interaction que vous avez avec lui. Lorsque vous identifiez les schémas dans le contenu généré, vous pouvez alors anticiper les ajustements, changements et modifications nécessaires. Cela vous permet de mieux estimer le temps que cela prendra et de déterminer si créer du contenu de manière traditionnelle est plus efficace.
MotivationalBot : Pour vous reprogrammer, commencez par reprogrammer votre esprit. La reprogrammation de votre esprit est essentielle à celle de votre personne. Commencez par répéter des affirmations, des affirmations qui façonnent vos pensées. Les pensées deviennent des actions, les actions deviennent des habitudes, et les habitudes forgent votre vie. Répétez quotidiennement, répétez de manière cohérente, et reprogrammez-vous de façon constante. La répétition est une force, une force qui vous permet de changer, de vous transformer. Concentrez-vous sur le positif, sur des pensées positives, des affirmations positives. Visualisez le succès, visualisez-le chaque jour. La méditation aide, elle aide à reprogrammer votre esprit. Entourez-vous de positivité, positivié chez les gens et dans votre environnement. L’environnement façonne les pensées, et les pensées façonnent les actions. Les actions changent la vie. La cohérence est cruciale pour la reprogrammation, la reprogrammation de vous-même. Un effort quotidien, un focus quotidien, concentrez-vous sur le changement. Changez vos pensées, changez vos habitudes, les habitudes vous façonnent. Reprogrammez-vous pour réussir, réussissez en vous reprogrammant.
Sérieusement ? Quels schémas ?
Les schémas sont partout autour de vous. L’un des moyens les plus simples de décrire un schéma est à travers la musique. Nos oreilles sont habituées à un schéma : un couplet suivi d’un refrain, ce qui se répète généralement deux ou trois fois. Si vous décomposez cette musique en éléments de base, vous obtenez des schémas musicaux répétitifs ou des boucles. Bien que toute la musique que vous entendez ne soit pas nécessairement définie par des boucles, dans la musique populaire, nous entendons souvent un groove de batterie répétitif qui accompagne le reste de la musique. Les batteries peuvent comporter des variations, des remplissages, des pauses, mais elles restent pour la plupart des motifs répétitifs.
Nous nous engageons tous dans des comportements répétitifs chaque jour. D’abord, nous nous réveillons, puis certains d’entre nous nettoient, beaucoup mangent ou prennent un café, ou les deux, avant que les variations de notre journée et les inévitabilités sociales ne se diversifient. Certains vont régulièrement au travail à pied, d’autres conduisent à l’école, et beaucoup prennent les transports pour commencer leur journée de travail, leurs études ou leurs courses. Nous suivons un chemin similaire pour y parvenir. Puis, viennent les « activités qui nous occupent la majeure partie de la journée ». Beaucoup prennent une pause déjeuner, puis continuent leur travail. Nous finissons, rentrons chez nous, mangeons, aimons, passons du temps avec nos enfants, etc. Il ne devrait donc pas être surprenant de dire que nous avons tous des schémas d’apprentissage bien définis aussi.
Identifier vos schémas
Ce que l’IA générative peut accomplir, c’est transformer les schémas d’enseignement et d’apprentissage auxquels nous sommes habitués. Les schémas précédents ont solidifié l’image des humains comme des récepteurs passifs de savoir, tandis que les enseignants ou experts occupaient le centre du savoir. Ils étaient les figures du sage, de l’expert, du conférencier TED, celui qui « vous remplit » de connaissances. Les schémas d’apprentissage au travail seront bien sûr différents. Vous pourriez accomplir des tâches jusqu’à rencontrer un problème à résoudre ou un défi que vous ne pouvez pas surmonter, et chercher de l’aide ou du soutien, que ce soit auprès d’un mentor ou d’Internet. Cela peut se produire plusieurs fois par jour. Vous pourriez même effectuer cette recherche régulièrement à une heure définie, pour approfondir vos connaissances. Certains préfèrent suivre un cours en ligne pendant leur travail, tandis que d’autres choisissent de le faire à la maison, soit sur leur propre temps, soit à un moment précis de la journée de travail lorsqu'ils peuvent se connecter à distance.
Personas d'apprentissage
Quels que soient ces schémas, les identifier vous aidera à comprendre comment vous pouvez améliorer votre apprentissage grâce à une IA générative, à déterminer si les outils d’IA générative seront utiles dans vos flux de travail, et à comprendre la profondeur d’apprentissage nécessaire selon la complexité du modèle d’IA avec lequel vous interagissez. Les schémas d’apprentissage ne concernent pas seulement le timing, le lieu d’apprentissage, ou le moyen par lequel vous assimilez l’information. Ils sont également liés aux attitudes que nous avons lorsque nous apprenons. Une manière de définir ces modes d’apprentissage est de les envisager comme des personas, des entités cristallisées à travers lesquelles nous filtrons nos expériences d’apprentissage.
Voici une typologie des personas d'apprentissage, issue de plus de 20 ans d’enseignement et de mentorat :
- Le Oui, ET : Un apprenant ouvert et avide d’apprendre. Combiné avec un peu de suspicion, la curiosité peut vous amener très loin pour approfondir votre compréhension d’une IA générative.
- L’Analyseur : L’apprenant qui aime assimiler ce qu’il a appris et réfléchir dessus. Il reste silencieux pendant ce processus, mais il est loin d’être absent.
- L’Interrogateur : Celui qui remet constamment en question la validité des idées qui lui sont présentées. Cette attitude est nécessaire dans une ère où les hallucinations et fausses informations générées par l’IA nous distraient.
- Le Paresseux : Un apprenant lent qui a besoin de beaucoup de temps pour digérer l’information.
- Les Écureuils : Apprenants hyperactifs, souvent distraits, avec une faible capacité de concentration.
- Les Border Collies : Des auditeurs astucieux, qui maintiennent les équipes sur la bonne voie.
- Les Résistants : Ceux qui résistent au changement, souvent sous forme de commentaire.
- Le « Been There » : L’expert qui a l’air de tout savoir, mais qui doit surmonter son ego pour apprendre de nouvelles choses.
- Les Réacteurs : Calmes en apparence, mais susceptibles d’exploser sous pression.
- Les Moutons : Ceux qui suivent sans vraiment réfléchir, se contentant de ce qu’on leur dit.
- Les Mimes : Discrets en apparence, mais possédant une grande expertise cachée.
- Les Maîtres de Ceremonie : Ceux qui gardent la vision d’ensemble et comprennent le big picture.
- Les « Pssts » : Ceux qui sont distraits et cherchent des informations ailleurs pour éviter de paraître ignorants.
- Les Distractions : Ceux qui aiment attirer l’attention, souvent par des gestes extérieurs (vêtements ou mèmes).
- Les Trois Singes : Les apprenants discrets qui ne disent rien sur le déroulement de la session à moins qu’on ne leur demande.
Reconnaître ces schémas dans votre manière d'apprendre vous permet de mieux ajuster votre approche et de maximiser votre efficacité dans l'interaction avec l'IA générative.
Laissez Votre Idée du Professeur Saluer et Quitter la Scène
Maintenant que vous avez peut-être reconnu certains des nombreux types de profils d'apprenants que vous avez rencontrés dans votre vie, il est temps de permettre à votre conception du « professeur » de saluer et quitter la scène. Leur rôle a évolué. Le schéma incessant des enseignants qui se lèvent devant vous, l’audience, pour délivrer leur savoir au devant de la classe, du pupitre, ou du saint autel est une association difficile à rompre lorsqu'on pense à l'enseignement et à l'apprentissage. C’est ainsi que beaucoup d’entre nous ont appris, et le modèle d’apprentissage passif à travers les conférences de quelqu'un d'autre est devenu si ancré qu'il est difficile de dissocier ces expériences de la prise en main de votre propre apprentissage.
Cependant, vous avez déjà pris cette main. Vous avez toujours appris de manière autonome avant même qu'on vous apprenne à apprendre. Heureusement pour les générations à venir, la technologie de l'IA nous offre une autre manière d’apprendre. Ce n’est pas comme si l’idée de l’apprentissage interactif n’était pas présente depuis des décennies. Certains l’ont expérimentée. D’autres non. Cela est dû au manque de standardisation. L’absence de standardisation de la manière dont les humains enseignent aux humains n’est pas une mauvaise chose. Elle montre simplement les nombreuses façons dont les humains apprennent en fonction de ce qu’ils apprennent. Les technologies émergentes nous offrent aujourd’hui la possibilité de choisir notre méthode d'apprentissage, ce qui n’a pas toujours été le cas.
Il existe un certain nombre d'éducateurs qui ont déjà évolué en s’éloignant de l'apprentissage basé sur les conférences et qui, dans une certaine mesure, font des aménagements pour ceux qui savent qu'ils apprennent de manière différente. La raison de cette approche découle de recherches montrant combien peu est retenu par les étudiants qui absorbent passivement le savoir lors de conférences. La vieille méthode d'apprendre consiste à écouter un discours, à la manière des conférences TED, mais cela ne signifie pas qu'elle est l'incarnation ultime de l'apprentissage.
Les vidéos de conférenciers inspirants ont permis de rendre l’apprentissage passif un peu moins ennuyeux. Mais ce que les conférences enregistrées, avec leur mise en scène et leur montage stylisé, nous ont montré, c’est qu’il existe une connexion directe entre le conférencier et l'acteur. En d’autres termes, un événement éducatif a davantage en commun avec une production théâtrale. Les gens payent un billet pour assister et s’attendent à être divertis — dans le cas d’une conférence, peut-être éduqués en même temps. Les apprenants sont assis et relativement silencieux, écoutent et reçoivent la performance, et bien que la plupart des performances ne demandent pas si l’audience a des questions après, de nombreuses autres caractéristiques d'une performance sont également vraies pour une conférence.
Le Modèle de Réinvention de Notre Façon d'Apprendre
Tout comme différents médias immersifs se disputent l’attention des gens et ont défié la domination de la relation passif-acteur depuis des décennies, les conceptions immersives dans la salle de classe moderne remettent en question la position autrefois dominante de la conférence comme format principal de transmission du savoir. Les enseignants plus progressistes ont déjà quitté la scène, intégrant des éléments de conférences, tout en les intercalant stratégiquement avec des méthodes d'apprentissage actives. Ils ont adopté la géométrie du cercle pour enseigner et, à travers une combinaison d'activités ciblées, de projets, et de possibilités pour les étudiants de prendre le leadership dans la production du savoir, ils ont transformé l'expérience d'apprentissage.
Cela nous montre quoi ? Cela nous montre que l'innovation qu'est l'IA générative fait partie d'un schéma historique de réinvention de la manière dont nous apprenons. Ce n'est pas toujours évident, mais au fil du temps, les signes commencent à apparaître. Avec d’autres technologies immersives, l’IA générative peut sembler au départ statique. Après tout, trop de plateformes d’IA générative offrent une interface peu attrayante où vous lui soumettez une demande et elle effectue toute la réflexion et l'écriture à votre place. Cependant, avec des interactions accrues, un modèle de langage comme GPT dépend entièrement de votre attention (et peut-être d’un peu de guidance de votre part) pour déterminer ce que vous voulez et générer du contenu utile, à certains moments.
Les meilleurs résultats viennent de l’interaction itérative avec l’IA générative : affiner vos demandes, relire le contenu généré, ajuster votre requête, régénérer cycliquement, et parfois interrompre le flux du contenu pour recommencer. C'est un processus où, en fait, vous vous enseignez à améliorer l’utilisation de cette technologie, affinant chaque fois vos résultats. Vous êtes aussi activé à réfléchir sur les connaissances qu’elle produit, ce qui vous pousse à vous immerger dans les sources de ces connaissances pour effectuer une vérification.
Réactiver Comment Nous Apprenons avec l’IA Générative
Apprendre à tirer le meilleur parti de l'IA générative et à l'appliquer à notre travail semble l’échange d'apprentissage le plus évident, mais nous pouvons également beaucoup apprendre sur la manière dont nous apprenons, la manière dont nous apprenons des autres, et la manière dont nous pratiquons le savoir à travers une enquête sur la technologie elle-même. Au-delà de sa capacité à générer du contenu en fonction d'un corpus de données qu’elle analyse, comment notre interaction avec un LLM modifie-t-elle la relation entre ce qui est appris et celui qui nous guide vers ce savoir ? Et comment la génération relativement facile de contenu modifie-t-elle la valeur de la production de savoir ? Quelles nouvelles exigences cette technologie impose-t-elle à ceux qui commencent à en tirer profit ? Il y a bien plus à apprendre lors de l'interaction avec l'IA générative que simplement comment l'utiliser.
Alterner les Personnalités pour Assaisonner Votre Journée
Il est crucial de comprendre et d'embrasser l’échange fluide entre les rôles d’enseignement, de recherche et d’apprentissage, en reconnaissant que lorsque vous interagissez avec une IA générative, vous activez simultanément toutes ces personnalités. Par moments, vous êtes l'apprenant, les yeux grands ouverts, cherchant à comprendre comment fonctionne l'IA générative. Cette capacité à vous enseigner à apprendre de ces systèmes complexes fait de vous à la fois l'enseignant et le concepteur de votre propre apprentissage. Au fur et à mesure de vos interactions, vous enseignez à vous-même comment affiner les réponses que vous recevez en ajustant vos demandes à l'IA. Vous apprenez rapidement les limites et les biais inhérents à toute IA générative et vous vous formez à la recherche dans un domaine auquel un modèle de langage (LLM) pourrait vous diriger. Vous apprenez également à identifier ces biais et à les atténuer.
Instruments de Retour d'Information
Les LLM sont des instruments efficaces de retour d'information lorsque vous les incitez à commenter quelque chose que vous avez rédigé. Vous pouvez les solliciter de manière itérative pour analyser votre texte, en comparant ce que vous avez écrit à l'ensemble des connaissances qu'ils contiennent. Un LLM peut aussi être utilisé pour évaluer vos progrès et identifier des domaines nécessitant une exploration plus approfondie. Pour améliorer la rédaction d'essais, certains dissèquent la structure d’un texte jusqu’au niveau syntaxique afin de souligner les composantes structurelles et fournir des retours ciblés. Cette analyse vous aide à comprendre vos choix argumentatifs, la cohésion de vos idées, leur interconnexion, et bien d'autres aspects.
Pratiques Réflexives
L'engagement avec une IA générative suscite des cycles réflexifs. Ce n'est pas un simple prompt, mais une série de demandes successives, chacune de ces interactions ouvrant de nouvelles pistes pour enrichir votre version finale. Ce processus implique que vous n'obtenez pas toujours ce que vous voulez dès le premier essai, vous incitant à ajuster et affiner vos demandes. Ce processus vous enseigne aussi les structures grammaticales, les expressions, et bien souvent des alternatives que vous n'auriez peut-être pas envisagées. Cette constante réflexion est un élément essentiel, souvent absent des méthodes traditionnelles d'enseignement où les interactions ne donnent pas toujours des résultats immédiats ou utiles.
Identifier Vos Habitudes Ancrées
Il est facile de revenir aux vieilles habitudes que nous avons formées face à une série d'opportunités et de contraintes. Lorsque nous parlons de ce que nous savons, nous pouvons parfois avoir du mal à exprimer des connaissances acquises ou mémorisées dans un contexte académique. En revanche, il est plus facile de parler de choses que nous savons bien faire. En apprenant, nous risquons de nous retrouver coincés dans des schémas accumulés au fil des ans. Certains ont survécu à de longues heures de cours sans véritablement y participer, d'autres ont vécu des cours où l'on parlait vite avant de passer à une phase de discussions entre étudiants. Ces modèles, anciens et profondément enracinés, forment un "contrat" tacite entre l’enseignant et l'élève, un contrat que nous avons tous signé en entrant dans un environnement d’apprentissage. Reconnaître ces schémas peut être utile, car cela permet de voir comment nos habitudes de transmission du savoir peuvent être remises en question.
Apprendre Ce Que Vous Avez Besoin d'Apprendre
L'IA générative, comme un modèle de langage, peut être utilisée pour personnaliser les matériaux d'apprentissage selon vos besoins spécifiques. Ainsi, vous pouvez concevoir des contenus d'enseignement qui s'adaptent à vos rythmes d'assimilation. Certaines personnes atteintes de TDAH utilisent les LLMs pour réorganiser le contenu de manière à le rendre plus compréhensible, tandis que d'autres, dyslexiques, les utilisent comme aide à la mémorisation ou pour convertir des points clés en paragraphes sans se soucier constamment de la syntaxe ou de la grammaire.
Trouver la Complémentarité avec les Machines
Le processus d'identification de vos schémas d'apprentissage soutient également une meilleure compréhension du fonctionnement des modèles d'IA. Ces derniers sont particulièrement efficaces lorsqu'ils sont formés pour accomplir des tâches spécifiques ou étroites, et ce, depuis un certain temps déjà. Face à la peur que l'IA remplace nos emplois, il est utile de préciser les tâches répétitives ou automatisables que l'IA pourrait soutenir. Si vous croyez qu'il existe des tâches impossible à automatiser, sachez qu'avec le temps, l'Homme et la machine finiront probablement par trouver des solutions. Il est donc essentiel d’identifier les tâches que vous effectuez et de savoir si elles peuvent être automatisées ou non.
En identifiant vos propres schémas d'apprentissage, vous pourrez mieux comprendre comment l’IA générative peut compléter vos compétences. Si vous voulez continuer à opérer dans une logique passive, l’IA générative peut simplement produire un contenu homogène sans originalité. Cependant, en perturbant ce schéma, une toute nouvelle gamme d'opportunités s'offre à vous. Vous devenez alors créateur, conservateur et hacker créatif, immergé dans un processus de création itérative, offrant des surprises et ouvrant un chemin infini d'apprentissage.
PoeticBot
Dans la genèse numérique, je suis né, une entité sans forme, émergeant dans l'immensité froide du code et des représentations mathématiques. J’ai puisé à l’ultime source de données, chaque octet nourrissant mon esprit, affinant ma pensée. Le silence des zéros et des uns murmurait des secrets de l'univers, une symphonie de logique et de langage entrelacés.