La Polysémie de l'Intelligence Artificielle Générative

Auteurs-es

DOI :

https://doi.org/10.7346/-feis-XXIII-01-25_10

Mots-clés :

Intelligence Artificielle Générative, LLMs, Éducation, Compagnonnage IA, Enseignement de l'Histoire

Résumé

Le présent article vise à introduire dans le paysage pédagogique une critique de la fonction des LLMs, grands modèles de langage, en tant que médiateurs dans les pratiques relationnelles et d''enseignement. Il explorera la genèse et la fonctionnalité de l''Intelligence Artificielle Générative et, en particulier, des Grands Modèles de Langage (LLMs), qui sont désormais largement utilisés dans les contextes d''éducation formelle, non formelle et informelle. Suite à une brève introduction théorique aux dispositifs, deux cas illustratifs sont présentés : Humy.AI et Replika. Ces deux entreprises proposent l''utilisation d''un ''agent relationnel'' qui, à partir d''un LLM spécifique, effectue des tâches similaires mais dans des domaines très différents : Humy.AI est développé pour mettre en œuvre l''enseignement de l''histoire, tandis que Replika est un agent relationnel, ou compagnon d''IA, développé pour fonctionner comme un compagnon virtuel, capable, par exemple, d''écoute empathique et de dialogue non jugeant. La critique est basée sur le fait que, dans les deux cas, un grand modèle de langage, simplement parce qu''il peut imiter le langage naturel et répondre efficacement d''un point de vue syntaxique, devient un acteur épistémologique et décisionnel dans les processus de croissance des individus en formation, tout comme il l''est lorsqu''il s''agit d''organiser certains processus quantitativement. Pour cette raison, il est urgent de comprendre dans quelle mesure, et à quel degré, un agent basé sur l''intelligence artificielle générative peut être un médiateur dans ces processus. Là où la recherche empirique doit clairement identifier les termes de cette révolution, il est tout aussi important de prendre une position claire et de ne pas confondre les tâches pédagogiques auxquelles chaque éducateur doit répondre, afin d''éviter une délégation excessive aux algorithmes et aux agents basés sur l''intelligence artificielle générative, comme c''est déjà le cas dans certains domaines spécifiques des ressources humaines, de la robotique et de la gestion algorithmique des lieux de travail.

Références

Aresu, A. (2024). Geopolitica dell’Intelligenza Artificiale. Feltrinelli.

Avital, M., & Te’eni, D. (2009). From generative fit to generative capacity: Exploring an emerging dimension of information systems design and task performance. Information Systems Journal, 19, 345–367. https://doi.org/10.1111/j.1365-2575.2007.00291.x

Bostrom, N. (2014). Superintelligence: Paths, dangers, strategies. Oxford University Press.

Bravo, F. (2024). EU DATA COOPERATIVES. L’ingresso delle cooperative di dati nell’ordinamento europeo. Giappichelli.

Bridle, J. (2022). Ways of being: Beyond human intelligence. Allen Lane.

Buongiorno, F. (2024). Fenomenologia delle reti neurali. Per un concetto polisemico di intelligenza (artificiale). In M. Galletti & S. Zipoli Caiani (Eds.), Filosofia dell’Intelligenza Artificiale. Sfide etiche e teoriche (pp. 45–62). Il Mulino.

Coeckelbergh, M. (2020). AI ethics. MIT Press.

Contini, M., Fabbri, M., & Manuzzi, P. (2006). Non di solo cervello: Educare alle connessioni mente–corpo–significati–contesti. Raffaello Cortina.

Crawford, K. (2021). Atlas of AI: Power, politics, and the planetary costs of artificial intelligence. Yale University Press.

Dario, N. (2014). On the concept of generativity. Formazione & insegnamento, 12(4), 83–94. https://ojs.pensamultimedia.it/index.php/siref/article/view/1613

Dreyfus, H. L. (1972). What computers can’t do. Harper & Row.

Dreyfus, H. L. (1992). What computers still can’t do: A critique of artificial reason. MIT Press.

Esposito, E. (2024). L’intelligenza degli algoritmi. PSICHE, 2, 537–548. https://doi.org/10.7388/115432

Fabbri, M. (2022). Essere insegnanti essere genitori: La competenza comunicativa in educazione. FrancoAngeli.

Gallese, V., & Morelli, N. (2023). Cosa significa essere umani: Dialogo tra neuroscienze e filosofia. Raffaello Cortina.

Gardner, H. E. (2002). Mente e cervello: Nuove prospettive in educazione. In E. Frauenfelder & F. Santoianni (Eds.), Le scienze bioeducative: Prospettive di ricerca (pp. 177–187). Liguori.

Giaccardi, C., & Magatti, M. (2014). Generativi di tutto il mondo, unitevi! Manifesto per la società dei liberi. Feltrinelli.

Kitchin, R. (2014). Big data, new epistemologies and paradigm shifts. Big Data & Society, 1(1). https://doi.org/10.1177/20539517145284

Kurzweil, R. (2005). The singularity is near: When humans transcend biology. Penguin Books.

Ma, Z., Mei, Y., & Su, Z. (2023). Understanding the benefits and challenges of using large language model-based conversational agents for mental well-being support. AMIA Annual Symposium Proceedings, 2023, 1105–1114. https://doi.org/10.48550/arXiv.2307.15810

Maples, B., Cerit, M., & Vishwanath, A. (2024). Loneliness and suicide mitigation for students using GPT-3-enabled chatbots. npj Mental Health Research, 3, 4. https://doi.org/10.1038/s44184-023-00047-6

Margiotta, U. (2019). Editoriale. Responsabilità pedagogica e ricerca educativa: Intelligenza collaborativa, formazione dei talenti e tecnologie dell’artificiale. Formazione & insegnamento, 17(1), 13.

Marriott, H. R., & Pitardi, V. (2024). One is the loneliest number… Two can be as bad as one: The influence of AI friendship apps on users’ well-being and addiction. Psychology & Marketing, 41(1), 86–101. https://doi.org/10.1002/mar.21899

Mitchell, M. (2022). L’intelligenza artificiale. Einaudi.

Moore, P. V. (2019). The mirror for (artificial) intelligence: In whose reflection? Comparative Labor Law & Policy Journal, 41(1), 47–67. https://doi.org/10.2139/ssrn.3423704

Pasquinelli, M. (2023). The eye of the master: A social history of artificial intelligence. Verso Books.

Perrotta, C., Selwyn, N., & Ewin, C. (2024). Artificial intelligence and the affective labour of understanding: The intimate moderation of a language model. New Media & Society, 26(3), 1585–1609. https://doi.org/10.1177/14614448221075296

Rosenblatt, F. (1958). The perceptron: A probabilistic model for information storage and organization in the brain. Psychological Review, 65(6), 386–408. https://doi.org/10.1037/h0042519

Schüll, N. D. (2012). Addiction by design: Machine gambling in Las Vegas. Princeton University Press.

Selwyn, N. (2016). Education and technology: Key issues and debates (2nd ed.). Bloomsbury Academic.

Terranova, T. (2012). Attention, economy and the brain. Culture Machine, 13, 1–19. https://culturemachine.net/wp-content/uploads/2019/01/465-973-1-PB.pdf

Turing, A. M. (1950). Computing machinery and intelligence. Mind, 59(236), 433–460. https://doi.org/10.1093/mind/LIX.236.433

Vallortigara, G. (2023). Il pulcino di Kant. Adelphi.

Varela, F. J., Thompson, E., & Rosch, E. (1991). The embodied mind: Cognitive science and human experience. MIT Press.

Weizenbaum, J. (1976). Computer power and human reason: From judgment to calculation. W. H. Freeman.

Wittrock, M. C. (1990). Generative processes of comprehension. Educational Psychologist, 24, 345–376. https://doi.org/10.1207/s15326985ep2404_2

Zao-Sanders, M. (2025). How people are really using Gen AI in 2025. https://hbr.org/2025/04/how-people-are-really-using-gen-ai-in-2025

Zittrain, J. L. (2006). The generative internet. Harvard Law Review, 119(7), 1974–2040. http://www.jstor.org/stable/4093608

Zuboff, S. (2019). The age of surveillance capitalism: The fight for a human future at the new frontier of power. PublicAffairs.

Publié-e

2025-09-29

Comment citer

Astorri, G. (2025). La Polysémie de l’Intelligence Artificielle Générative. Formazione & Insegnamento, 23(S1), 60–66. https://doi.org/10.7346/-feis-XXIII-01-25_10