Skip to main content

La Grille de Steiner

Qu'est devenu l'apprentissage avec l'IA ? Je me mets dans le trend de profusion des canvas, des tableaux et des grilles assistés par l'IA qui abondent en ce moment sur les réseaux sociaux. Il est de fait pas désagréable de pouvoir rapidement visualiser et partager ses concepts. Pour autant qu'on ait pris le temps de penser avant... Voici donc la grille de Steiner, une lecture du partage du travail cognitif.

Au cœur de cette grille 6x4 se trouvent six lignes de Bloom et quatre colonnes de délégation. Chaque cellule décrit, de façon générique, qui fait quoi dans la tête et dans la boucle avec l'outil : ancrage et récupération entièrement humains, assimilation sous pilotage intentionnel, focalisation sur l'artefact produit par le système, ou automatisation du sens et de la chaîne. La grille théorique sert à nommer la répartition du travail mental.

Verticalement, la taxonomie de Bloom fixe le régime cognitif visé, de la mémorisation à la création. Horizontalement, la théorie des instruments de Rabardel inspire la relation au dispositif : instrumenter, c'est piloter un artefact dans un projet de sens propre ; instrumentaliser, c'est en contrôler la production comme opérateur. À ces deux régimes je rattache deux pôles explicites, travail entièrement humain, ou chaîne largement confiée au système. Je n'ai pas de colonne « milieu » où humain et machine seraient supposés symétriques. Car, tant qu'on ne nomme pas où vit la pensée et où vit la machine, on reste dans le flou relationnel.

La grille invite à ne pas confondre la fluidité du dialogue avec la présence d'un sujet qui pense. Lignes et colonnes donnent un repère partout où l'on veut situer le partage du travail cognitif. Dans un parcours d'apprentissage, au sein d'une équipe ou d'un mandat dans l'économie, ou dans la sphère publique...

Pour prolonger la réflexion à ce que cela implique pour l'apprentissage et les compétences, et répondre à ma question initiale, je joins une deuxième grille d'application : le même squelette six par quatre, mais chaque cellule y décline deux lectures complémentaires. Horizontalement, on y voit ce que la colonne de délégation exige comme posture pour progresser vers la gauche dans le partage. Verticalement, on descend la progression Bloom. 

Les deux images ont été co-pensées avec Cursor et réalisées avec ChatGPT 5.5 - L'IA peut faire des erreurs...

Pour aller plus loin : 

  • Munn, Y. (2023). La taxonomie de Bloom revisitée pour un apprentissage significatif à l’ère de l’IA. Le Carrefour UQAM. Adaptée de Bloom’s Taxonomy Revisited par Oregon State University. https://collimateur.uqam.ca/a-la-une/la-taxonomie-de-bloom-revisitee-a-lere-de-lia/

  • Rabardel, P. (1995). Les hommes et les technologies. Approche cognitive des instruments contemporains. Armand Colin, pp.239, 1995. ⟨hal-01017462⟩

Popular posts from this blog

La Sobriété Intellectuelle appliquée à l’économie et à l’entreprise

La Sobriété Intellectuelle   désigne une posture de modération et de lucidité dans l’usage de l’intelligence – qu’elle soit humaine ou artificielle – appliquée au contexte économique et managérial. À l’heure où l’ intelligence artificielle (IA)   s’immisce dans l’analyse stratégique, la prise de décision économique et le management, cette sobriété se pose en contrepoids salutaire à l’enthousiasme parfois débridé pour la technologie. Par   sobriété , on entend une forme de   tempérance intellectuelle   : éviter l’ivresse des données, le   solutionnisme technologique   à tout crin, et garder un esprit critique humble face aux promesses de l’IA. Il s’agit de reconnaître les   limites cognitives   humaines (biais, vulnérabilités, tendance à surestimer nos modèles) et les limites des machines, afin de ne pas tomber dans l’excès de confiance ou la dépendance aveugle aux algorithmes. Thomas Steiner  - avec le concours incontesté de quelques out...

An Ethical Framework for Exams and Continuous Assessment with AI

Throughout the history of education, a multitude of diverse and even contentious methodologies have been employed to assess knowledge and aptitude. Several assessment methods have been employed, ranging from oral examinations to written tests, all with the overarching objective of discerning the extent to which students comprehend the subject matter in a manner that is equitable, comprehensive, and optimal. In the present context, amidst the cusp of a forthcoming epoch, the ongoing discourse persists, albeit with a futuristic inclination. The emergence of Artificial Intelligence (AI) has brought about transformative changes in the field of education, revolutionizing the tools and methodologies employed for assessment and evaluation. As we transition into this emerging era, it is crucial to discuss the implications for the fundamental principles and ideals of education. The conventional methods of assessment, commonly characterized by high-stakes examinations and standardized tests, ha...

An Introduction to (Reverse) Meta-Prompting

Meta-prompts are prompts about prompts – they are instructions designed to guide an AI in creating or improving other prompts. In simpler terms, instead of directly asking a question or task, you ask the AI to help craft the question or task . This approach operates at a higher level of abstraction, treating the prompt itself as the subject for the AI to work on. For example, a tourism marketer could use a meta-prompt by asking: “Generate a prompt that would get an AI to write a vivid description of a tropical island destination focusing on local culture and attractions.” The AI might then output a well-structured prompt (e.g. "Describe a tropical island resort, highlighting cultural experiences, cuisine, and scenic attractions, in an enticing tone" ) which the marketer can use to get a high-quality description. How do meta-prompts work and why are they useful? Essentially, meta-prompts leverage the AI’s own knowledge of language patterns to produce better instructions. The...