Déroulé d'Animation Complet — Session 4

Guide chronologique complet destiné au formateur, optimisé pour l'apprentissage actif des adultes.

Séquence 1 — Jeu de détection : deepfakes, hallucinations, productions IA

Durée : 60 min | Mouvements DPA : Savoir, Discerner

💡 Concepts clés et points importants

L'autopsie visuelle (Artefacts techniques) : Les générateurs d'images commettent des erreurs structurelles répétitives sur la complexité biologique (doigts surnuméraires, dissymétrie des pupilles ou des boucles d'oreilles) et physique (incohérence des ombres portées, courbures spatiales).
La signature de vraisemblance textuelle : Le style neutre, poli, évitant le parti-pris et pauvre en anecdotes personnelles ou citations vérifiables caractérise la signature par défaut des LLM.
L'Hallucination factuelle : L'IA ne cherche pas dans une base de données encyclopédique, elle assemble des tokens mathématiquement probables. Elle inventera des biographies d'auteurs ou des références légales pour satisfaire le schéma statistique demandé.

⏱️ Déroulé détaillé & Instructions d'Animation

0:00 – 0:05 (5 min) — Lancement du jeu de détection

Présentez les consignes du jeu interactif. Le but n'est pas d'avoir juste ou faux, mais de comprendre pourquoi notre perception visuelle ou textuelle se laisse tromper par la première impression.

« Bonjour à tous. Aujourd'hui nous parlons d'esprit critique face aux productions de l'IA. Les médias de masse regorgent d'images spectaculaires ou de textes alarmants. Nous allons jouer à un jeu de détection : je vais projeter à l'écran 8 médias (images, textes, extraits vocaux) et vous allez voter en direct : réel ou généré par IA ? Ne faites aucune recherche en ligne. Suivez votre instinct, puis nous ferons l'autopsie technique de chaque média pour repérer les indices physiques et éditoriaux cachés. C'est l'essence même de l'Éducation aux Médias à l'ère de l'IA. »

0:05 – 0:55 (50 min) — 8 Cas d'études en plénière active

Faire voter sur chaque cas via l'outil de sondage en ligne, puis conduire le débrief en montrant les anomalies :

Production 1 (Image de groupe) : Doigts fusionnés, bijoux non symétriques, ombres incohérentes.
Production 2 (Article de presse) : Style consensuel par défaut des LLM, absence de sources identifiées.
Production 3 (Clonage voix) : Régularité de débit inhumaine, absence de micro-respirations, phonèmes légèrement métallisés.
Production 4 (Photo politique) : Caractères incohérents sur les pancartes de manifestants, visages uniformisés au second plan.
Production 5 (Biographie d'expert) : L'hallucination pure de dates et de publications scientifiques.
Production 6 (Portrait d'enfant) : Texture de peau cireuse type jeu vidéo, asymétrie des yeux. Cadre légal sur la contrefaçon de mineurs.
Production 7 (Deepfake vidéo) : Fréquence de clignement d'yeux anormale, halo d'insertion du visage.
Production 8 (Acte officiel de mairie) : Plausibilité de forme mais absence de numérotation légale valide.

0:55 – 1:00 (5 min) — Transition vers les causes structurelles

Faire formuler la leçon essentielle : "L'IA ne ment pas, car elle n'a pas conscience de la vérité. Elle calcule ce qui est plausible."

Séquence 2 — Anatomie des biais algorithmiques : origines, manifestations, conséquences

Durée : 60 min | Mouvements DPA : Savoir, Discerner

💡 Concepts clés et points importants

Le biais de données (Corpus historiques) : Les données d'entraînement des IA (ex: Internet occidental anglophone) surreprésentent massivement la culture, les genres et les concepts dominants de cette zone, reléguant les minorités ou les langues moins dotées au second plan.
Le biais de représentation et stéréotypes : Les modèles n'apprennent pas ce qui devrait être, mais ce qui a été le plus photographié ou écrit (médecins masculins, secrétaires féminines, criminels typés), figeant et renforçant les stéréotypes historiques.
Le biais d'objectif (Alignement) : Un algorithme optimise une fonction mathématique stricte (ex: trier des CV selon le taux historique de succès) et reproduira automatiquement des critères d'exclusion implicites (ex: éliminer les CV féminins).

⏱️ Déroulé détaillé & Instructions d'Animation

0:00 – 0:25 (25 min) — Apport théorique illustré

Détailler les 4 types de biais (données, représentation, alignement, usage) en s'appuyant sur des analogies simples et des schémas.

« Quand on dit qu'une IA est sexiste ou raciste, on commet un abus de langage. La machine n'a pas d'intentions malveillantes. L'algorithme se comporte comme un miroir historique : si vous lui demandez de dessiner un "chef d'entreprise" d'après les photos disponibles sur le web des 30 dernières années, il va reproduire un homme en costume. La machine calcule des moyennes statistiques du passé. C'est pour cela que la neutralité algorithmique est un mythe. Tout choix de données est un choix politique et culturel. La vraie question pour nous, c'est d'apprendre à nos publics à identifier ces biais pour ne pas les laisser formater nos représentations. »

0:25 – 0:45 (20 min) — Autopsie interactive de cas réels

Faire analyser par le groupe des manifestations documentées :

Les traductions automatiques qui associent les métiers aux genres selon les langues d'origine.
Les filtres de beauté qui éclaircissent les peaux par conformité à des normes d'entraînement occidentales.
Les logiciels de reconnaissance faciale moins précis sur les peaux métissées (étude Gender Shades).

0:45 – 1:00 (15 min) — Débat : L'impossible neutralité

Discussion ouverte : "Puisqu'on ne peut pas éliminer tous les biais algorithmiques, comment agir en tant que citoyens et professionnels de la jeunesse ?" (Obligation de transparence, diversité dans le développement, AI Act européen).

Séquence 3 — Concevoir une activité EMI-IA pour les jeunes

Durée : 60 min | Mouvements DPA : Agir

💡 Concepts clés et points importants

L'EMI-IA (Éducation aux Médias et à l'Information sur l'IA) : L'éducation populaire doit développer des ateliers de manipulation active de l'IA pour démystifier la technologie, plutôt que de se limiter à des discours théoriques de prévention.
La transposition didactique : Traduire des concepts complexes (probabilité de tokens, diffusion d'images) en activités ludiques et concrètes adaptées aux tranches d'âges (10-18 ans).
Le livrable transposable : Chaque groupe doit repartir avec une fiche projet actionnable dès la semaine suivante dans sa MJC ou son association.

⏱️ Déroulé détaillé & Instructions d'Animation

0:00 – 0:05 (5 min) — Cadrage de l'atelier de conception

Explication du canevas d'activité à compléter (Titre, Public cible, Objectifs, Matériel, Déroulé minuté, Questions clés pour animer le débrief avec les jeunes).

« Pour cette dernière heure, nous passons à l'action. Notre objectif est que vous ne repartiez pas d'ici seulement avec des théories, mais avec une activité concrète de 1 heure que vous pourrez animer avec vos jeunes dès la semaine prochaine. Vous allez travailler en petits groupes sur un thème spécifique : certains sur le décryptage d'images, d'autres sur l'analyse de conversations avec des chatbots. Utilisez les concepts de détection et d'explication des biais que nous avons vus aujourd'hui pour concevoir un moment d'apprentissage actif pour vos publics. »

0:05 – 0:35 (30 min) — Travail de co-conception en breakouts

Les participants travaillent en sous-groupes thématiques (ex: Détection de deepfakes pour les 10-14 ans ; Dialogue avec les chatbots pour les 12-16 ans ; Débats sur le futur du travail pour les 16-25 ans). Le formateur navigue pour guider l'écriture du canevas.

0:35 – 0:55 (20 min) — Pitchs croisés et enrichissements

Chaque groupe présente sa trame d'activité en 3 minutes. Les autres participants proposent des variantes d'animation ou des ressources de secours.

0:55 – 1:00 (5 min) — Synthèse et mutualisation de la banque d'activités

Explication de l'accès au répertoire partagé d'activités pour le territoire.