L'humanité a appris à créer des connaissances, mais n'a pas appris à transmettre la compréhension

L'humanité n'a jamais eu un tel accès à l'information qu'aujourd'hui.

Pratiquement n'importe qui peut trouver en quelques secondes un manuel de physique quantique, des cours des meilleures universités du monde, de la documentation de programmation, des articles scientifiques en génétique, ou des cours d'économie, d'histoire, d'ingénierie ou de médecine.

Et avec l'avènement de l'intelligence artificielle, même le besoin de chercher par soi-même une grande partie de cette information disparaît. Il suffit de poser une question et d'obtenir une réponse.

À première vue, nous avons résolu le problème de l'accès à la connaissance.

Mais nous n'avons pas résolu un problème beaucoup plus important.

L'accès à l'information n'est pas l'accès à la compréhension.

Il est possible de donner à une personne un texte scientifique absolument précis contenant des informations extrêmement précieuses, et de ne lui transmettre pratiquement rien.

Car pour comprendre l'information, une personne doit déjà comprendre quelque chose.

Et c'est précisément là que réside l'un des problèmes fondamentaux du système moderne de transmission des connaissances.

Le concept — l'unité élémentaire de la compréhension

Nous sommes habitués à mesurer l'information en mots, pages, livres, conférences, heures d'apprentissage, gigaoctets de données.

Mais la pensée humaine fonctionne différemment.

Nous ne stockons pas de livres en nous.

Nous construisons des concepts.

Un concept est une unité de sens achevée qu'une personne est capable de reconnaître, de reconstituer mentalement et d'utiliser pour comprendre la suite.

Par exemple, le mot « pression » en soi n'est pas une connaissance.

Pour une personne, il évoque une définition scolaire qu'elle a presque oubliée.

Pour un ingénieur, c'est tout un système de modèles physiques.

Pour un plombier, c'est aussi une expérience pratique : comment l'eau se comporte, ce qui se passe lorsque le diamètre d'un tuyau change, pourquoi le système fait du bruit, où surgissent les problèmes.

Le mot est le même.

Les concepts derrière lui sont différents.

Et inversement : une personne peut parfaitement comprendre une certaine idée sans connaître du tout le terme scientifique consacré.

Par exemple, elle comprend qu'un système peut réduire de lui-même son impact lorsque le résultat devient trop grand, et l'augmenter lorsque le résultat devient trop petit.

Elle comprend déjà le mécanisme.

Elle ignore simplement qu'il existe le terme « rétroaction négative ».

C'est pourquoi terme et concept ne sont pas la même chose.

Le terme est un indicateur.

Le concept est ce qui se déplie derrière cet indicateur dans l'esprit de la personne.

Cette distinction semble minime, mais elle bouleboue entièrement la vision de l'éducation.

L'être humain n'accumule pas les connaissances de manière linéaire

L'idée selon laquelle l'apprentissage consiste à remplir séquentiellement la tête d'informations est trop primitive.

Il se produit autre chose.

Une personne assimile un nouveau concept à travers ceux qui existent déjà.

Au début, il faut expliquer une idée complexe de manière longue — par des exemples, des analogies et des phénomènes familiers.

Ensuite, la personne la comprend.

Après quoi, toute la structure peut être empaquetée dans un nom court.

Désormais, il suffit de dire :

« rétroaction négative »

— et le modèle qui lui est déjà familier se déroule dans l'esprit de la personne.

Plusieurs paragraphes d'information se sont transformés en deux mots.

Mais il s'est produit quelque chose d'encore plus important.

Le nouveau concept peut désormais être utilisé pour comprendre des concepts plus complexes.

C'est pourquoi l'apprentissage ne ressemble pas à cela :

connaissance + connaissance + connaissance + connaissance.

Mais plutôt à cela :

compris → compressé → réutilisé → par ce biais, compris quelque chose de plus complexe → recompressé.

L'individu ne cesse de restructurer son propre langage de pensée.

Plus ce système est riche, plus il est possible de lui transmettre des informations complexes en un message court.

Une phrase, totalement dénuée de sens pour une personne, peut transmettre un volume énorme de connaissances à une autre en quelques secondes.

C'est précisément pourquoi deux personnes peuvent lire le même article scientifique et en retirer en réalité une quantité d'informations totalement différente.

La transmission d'information ne signifie pas transmission de la compréhension

Imaginons la phrase suivante :

Les systèmes modernes utilisent le knowledge tracing conjointement avec des knowledge graphs pour construire des adaptive learning paths en tenant compte de la cognitive load et des prerequisites de l'apprenant.

Pour un spécialiste, cela peut être une formulation tout à fait normale et compacte.

Pour un grand nombre de personnes, c'est du bruit informationnel.

Non pas parce qu'elles sont incapables de comprendre l'idée.

Mais parce que le message est codé à travers des concepts qui ne sont pas encore présents dans leur esprit.

Il serait possible d'exprimer à peu près la même pensée autrement :

Un ordinateur peut déterminer progressivement ce qu'une personne comprend déjà, de quelles connaissances supplémentaires elle a encore besoin et dans quel ordre il vaut le mieux les lui donner, afin de ne pas l'obliger à étudier trop de choses nouvelles en même temps.

Désormais, le message est devenu accessible à un public totalement différent.

L'information sur le fond n'a presque pas changé.

C'est le mode de codage qui a changé.

Et cela permet de formuler un principe essentiel :

Une bonne explication ne se définit pas seulement par ce que sait l'émetteur. Elle se définit par ce que sait déjà le récepteur.

Il se peut qu'une explication universellement bonne n'existe tout simplement pas.

Le savoir scientifique se comprime de plus en plus

Au fur et à mesure que chaque domaine se développe, un langage propre émerge.

C'est nécessaire.

Il est absurde que les spécialistes réexpliquent à chaque fois les idées de base en partant de zéro. Les structures complexes reçoivent des noms et se transforment en de nouvelles briques de construction de la pensée.

Un seul terme commence à remplacer une page d'explications.

C'est une compression d'information extrêmement efficace.

Mais cela a un prix.

Pour décoder un tel terme, une personne doit posséder au préalable le concept correspondant.

C'est pourquoi chaque domaine développé crée progressivement son propre décodeur.

Les physiciens comprennent les physiciens.

Les biologistes, les biologistes.

Les économistes, les économistes.

Les programmeurs, les programmeurs.

Le problème devient particulièrement visible aux frontières des disciplines.

Un spécialiste hautement qualifié peut ouvrir un travail d'un domaine voisin et constater qu'une grande partie du texte lui est pratiquement incompréhensible.

Il sait lire chaque mot individuellement.

Mais il ne sait pas décompresser les concepts qui se cachent derrière.

Il en découle un paradoxe.

L'humanité sait de plus en plus de choses, mais il devient de plus en plus difficile pour un individu d'accéder à l'ensemble du savoir de l'humanité.

L'éducation moderne essaie de résoudre le mauvais problème

L'éducation traditionnelle commence généralement par la matière.

Voici le programme.

Voici la séquence des thèmes.

Voici le premier semestre.

Voici le second.

Voici la liste de lecture.

Et ensuite, on essaie de faire passer des milliers de personnes totalement différentes par cet itinéraire.

Mais ces personnes ont des têtes différentes.

L'une connaît déjà la moitié des concepts nécessaires.

Il en manque plusieurs fondamentaux à une autre.

Une troisième comprend parfaitement l'idée en soi, mais ne connaît pas le terme professionnel.

Une quatrième connaît le terme et est capable de répéter la définition, mais le concept derrière n'existe pratiquement pas.

Une cinquième est venue uniquement pour une compétence spécifique, pour laquelle 80 % du cours ne lui serviront jamais.

Nous essayons d'adapter l'humain au programme d'études.

Il serait plus logique de faire l'inverse.

Il ne faut pas commencer par la matière. Il faut commencer par l'objectif

Supposons qu'une personne veuille acquérir une certaine capacité.

Pas « apprendre à programmer ».

Mais, par exemple :

apprendre à créer de manière autonome de simples outils numériques pour son entreprise.

C'est une formulation de problème totalement différente.

Il est maintenant possible de demander :

Qu'est-ce que cette personne en particulier a réellement besoin de comprendre pour acquérir cette capacité ?

Que comprend-elle déjà ?

Quels concepts font défaut ?

Quelles choses traditionnellement étudiées la technologie moderne a-t-elle déjà rendues facultatives ?

Que lui suffit-il de savoir superficiellement ?

Que faut-il comprendre en profondeur ?

Quels concepts intermédiaires peut-on tout bonnement sauter ?

Et l'on s'aperçoit soudain que le parcours traditionnel long de mille unités de connaissance conventionnelles peut être réduit à deux cents.

Non pas au détriment du résultat.

Mais grâce à la suppression des informations qui ne sont pas nécessaires à l'objectif de cette personne précise dans le monde technologique actuel.

La technologie détruit constamment les anciennes connaissances obligatoires

Aux débuts des ordinateurs personnels, il fallait réellement apprendre à un utilisateur à lancer l'interface graphique avec la commande win.

Il fallait expliquer ce qu'est une fenêtre, une icône, un double-clic.

Aujourd'hui, un nombre considérable de personnes n'auront jamais besoin de ces connaissances.

La technologie a masqué le niveau de complexité correspondant.

Mais l'éducation possède une inertie énorme.

Nous continuons à concevoir des programmes en nous basant sur des chaînes historiques :

pour comprendre D, étudie d'abord A, puis B, ensuite C.

Bien que le monde moderne permette déjà :

A → D.

Ou même carrément :

D.

Cela se produit particulièrement vite aujourd'hui grâce à l'IA.

Ce qui était une compétence professionnelle indispensable il y a cinq ans peut devenir demain un détail technique interne d'un système intelligent.

Par conséquent, la chaîne des concepts obligatoires ne peut pas être figée.

Elle doit être sans cesse réévaluée.

L'intelligence artificielle rend possible une autre architecture d'apprentissage

Avant l'apparition des systèmes d'IA modernes, il était pratiquement impossible de personnaliser ainsi la transmission des connaissances.

L'auteur d'un manuel est contraint d'écrire une seule version du texte.

Un enseignant peut adapter légèrement son explication au public, mais il est physiquement incapable de maintenir constamment à jour un modèle précis des connaissances de chacun de ses centaines d'élèves.

L'IA est capable de fonctionner autrement.

Le système peut construire progressivement un modèle vivant des concepts d'un individu en particulier.

Pas seulement :

connaît les mathématiques — 72 %.

Mais :

comprend bien ce concept ; utilise celui-ci, mais n'en comprend pas le mécanisme ; connaît celui-là sous un autre nom ; la liaison causale nécessaire fait défaut ici ; ce terme est inconnu de la personne, bien qu'elle comprenne déjà l'idée elle-même.

Dès lors, la tâche d'explication devient calculable.

Nous avons :

l'objectif de la personne ;

son système actuel de concepts ;

le vaste graphe du savoir humain ;

les capacités technologiques actuelles.

Il s'agit de trouver la chaîne minimale de changements qui mènera l'individu de son état actuel à la capacité requise.

Ce n'est pas le temps d'apprentissage qu'il faut minimiser

Habituellement, nous demandons :

Comment expliquer ce cours plus rapidement ?

C'est une question secondaire.

La première devrait être :

Pourquoi une personne devrait-elle seulement étudier tout ce cours ?

Si le programme contient mille concepts, et que pour l'objectif d'une personne spécifique une centaine suffit, accélérer l'étude des mille est une mauvaise optimisation.

Il faut d'abord éliminer neuf cents.

Parmi la centaine restante, la personne en connaît déjà une partie.

Certains peuvent être remplacés par un modèle plus général.

Pour d'autres, il suffit de les signaler : « sache que ce domaine existe et quand y faire appel ».

Il est effectivement nécessaire de comprendre certains en profondeur.

Ce n'est qu'après cela qu'il est pertinent d'optimiser l'explication.

Nous ne pouvons pas forcer le cerveau humain à apprendre vingt fois plus vite.

Mais nous pouvons parfois réduire de vingt fois la quantité de ce qu'il a réellement besoin d'étudier.

C'est une façon fondamentalement différente d'accélérer le développement humain.

En même temps, le chemin minimal est propre à chacun

Supposons qu'il faille expliquer un certain système de contrôle à une personne.

Il sera plus pratique de l'expliquer mathématiquement à un ingénieur.

À un programmeur, à travers l'état du programme et une boucle de rétroaction (feedback loop).

À un entrepreneur, à travers les prix et l'évolution de la demande.

À un plombier, à travers la pression et une vanne.

Ce ne sont pas quatre concepts différents.

Ce sont quatre manières différentes d'accéder à un modèle interne suffisamment proche.

Une fois la compréhension acquise, on peut dire :

De manière générale, cela s'appelle ainsi.

Désormais, le terme professionnel a cessé d'être un mot inconnu.

Il est devenu un indicateur compressé d'un concept déjà existant.

L'explication suivante peut déjà s'appuyer sur lui.

C'est pourquoi le système d'apprentissage doit évoluer sans cesse en même temps que l'individu.

L'explication dont il a besoin aujourd'hui deviendra, dans six mois, agaçantemente primitive.

Son décodeur interne a changé.

Le langage du système doit donc changer également.

Il faut d'abord apprendre à la personne à apprendre

Mais il existe un problème encore plus profond que n'importe quelle technologie.

Un nombre considérable de personnes ne comprend absolument pas ce qui se passe au moment de l'apprentissage.

Une personne arrive à un cours.

Écoute une conférence.

À un moment donné, elle cesse de comprendre ce qui se passe.

Continue d'écouter.

Les explications suivantes se construisent déjà sur le concept non compris.

Vingt minutes plus tard, trois concepts ne sont plus compris.

Au bout d'une heure, c'est la moitié de la matière.

Et la personne en conclut :

« Je ne suis pas assez intelligent ».

Bien que la description technique du problème puisse être tout autre :

un nœud manque dans la chaîne de compréhension.

Peut-être que l'enseignant a employé un terme en supposant qu'il était déjà connu.

Peut-être a-t-il omis un lien de cause à effet.

Peut-être a-t-il utilisé une abstracion qu'il aurait été plus simple de lui illustrer d'abord par un exemple.

Peut-être que tout le matériel intermédiaire n'est absolument pas nécessaire à sa tâche.

C'est pourquoi l'une des premières compétences qu'il faut enseigner à un individu est le diagnostic de sa propre incompréhension.

Pas :

Je ne comprends pas la physique.

Mais :

Dans cette explication, je comprends A et B, mais je ne comprends pas pourquoi C découle de B.

Ou :

Je ne sais pas ce que signifie le mot X.

Ou :

Le mécanisme en soi m'est clair, mais je ne comprends pas pourquoi il est appliqué ici.

L'incompréhension cesse d'être un jugement sur la personne.

Elle devient un dysfonctionnement technique précis dans la chaîne des concepts, que l'on peut identifier et corriger.

C'est cela, apprendre à apprendre.

L'IA est capable aussi bien d'accroître que de réduire la fracture intellectuelle

Un autre problème apparaît ici.

Nous supposons souvent qu'une IA accessible à tous va niveler intellectuellement les êtres humains.

Ce n'est pas du tout une certitude.

Imaginons deux personnes ayant le même accès à un même modèle.

La première l'utilise ainsi :

Fais ceci.

L'IA s'exécute.

La personne obtient le résultat.

La seconde :

Pourquoi cela a-t-il donné ce résultat ? Quelles sont les alternatives ? Qu'est-ce que je ne comprends pas ? À quel principe plus général cela ressemble-t-il ? Où d'autre cela s'applique-t-il ? Quelles hypothèses avons-nous admises sans le dire ?

L'IA répond.

La réponse engendre de nouvelles questions.

De nouvelles réponses créent de nouveaux concepts.

De nouveaux concepts permettent à la personne de poser des questions qui ne lui seraient même pas venues à l'esprit auparavant.

Une rétroaction positive s'enclenche :

compréhension → questions plus pointues → utilisation plus poussée de l'IA → nouvelle compréhension → questions encore plus pointues.

Par conséquent, un accès identique à l'IA peut conduire à des résultats totalement différents.

Chez l'une, c'est principalement la productivité qui augmente.

Chez l'autre, l'individu lui-même grandit en même temps.

Et l'écart entre eux peut ne pas se réduire, mais s'accroître de manière accélérée.

Dans ce cas, l'IA devient un amplificateur de la dispersion intellectuelle.

La complexité du résultat ne reflète plus la complexité de l'individu

C'est un état inédit pour l'humanité.

Auparavant, il existait un lien relativement fort :

pour créer des choses plus complexes, la personne devait elle-même devenir plus compétente.

L'IA rompt progressivement ce lien.

Une personne peut créer un produit logiciel en ne comprenant pratiquement rien à la programmation.

Peut obtenir un rapport analytique complexe sans maîtriser les méthodes d'analyse correspondantes.

Peut piloter des processus dont elle ne comprend presque pas le fonctionnement interne.

Ce n'est pas nécessairement une mauvaise chose.

Mais une différence fondamentale apparaît :

complexité du résultat produit par l'humain ≠ complexité intellectuelle de l'humain lui-même.

Il est possible de produire un volume considérable de biens intellectuellement complexes en important de l'IA la quasi-totalité de la complexité qui y est enfermée.

Par conséquent, la productivité ne peut plus être considérée comme un indicateur suffisant du développement humain.

Il faut poser une autre question :

Qu'est-ce qui a changé dans l'esprit de la personne après l'accomplissement de ce travail ?

Mais il ne faut pas transformer chaque travail en leçon

Il est facile d'en tirer une fausse conclusion :

Cela signifie que l'IA doit chaque fois forcer l'humain à réfléchir par lui-même et lui expliquer tout ce qu'elle fait.

Cela détruirait le sens même de l'automatisation intellectuelle.

L'attention humaine est limitée.

On ne peut pas obliger une personne à étudier le fonctionnement interne de chaque outil qu'elle utilise.

C'est précisément pourquoi l'idée du concept minimal nécessaire devient centrale.

Le système doit être capable de discerner :

ceci, la personne doit le comprendre ;

cela, il suffit de savoir que ça existe ;

ceci ne sera nécessaire qu'en cas de situation particulière ;

cela peut être entièrement délégué à la machine.

Le but n'est pas de maximiser les connaissances d'une personne.

Le but est de maximiser sa capacité à comprendre et à agir avec un coût cognitif minimal.

Le concept devient l'unité d'information ultime

Il en découle un principe architectural.

Pas un article.

Pas un livre.

Pas une leçon.

Pas un cours.

Pas une discipline.

Le concept.

Les grandes structures informationnelles ne sont nécessaires que parce que, parfois, pour construire un seul concept, une personne a besoin d'une longue séquence d'explications.

Mais le résultat final n'est pas la page lue.

Le résultat est la construction de sens apparue dans l'esprit, que la personne est capable d'utiliser par la suite.

C'est pourquoi le concept peut être considéré simultanément comme l'unité élémentaire et ultime de la connaissance.

Élémentaire — car l'apprentissage ultérieur se construit à partir des concepts déjà maîtrisés.

Ultime — car la tâche de transmission de l'information ne s'achève pas lorsque la personne a lu le texte, mais lorsque le concept nécessaire est reconstruit avec succès dans son modèle du monde.

Le texte est le moyen de transport.

Le terme est l'adresse.

L'explication est le mode de décodage.

Le concept est le résultat.

Nous avons peut-être besoin d'une nouvelle théorie de la transmission du savoir

La théorie classique de l'information répond admirablement aux questions de transmission de signaux.

Mais pour l'apprentissage humain, il ne suffit pas de savoir combien d'informations ont été transmises.

On peut transmettre un gigaoctet de texte et ne modifier pratiquement rien dans l'esprit du récepteur.

À l'inverse, on peut prononcer une seule phrase et restructurer sa vision d'un domaine entier.

Cela signifie que nous nous intéressons à une autre grandeur.

Pas :

combien d'informations ont été transmises ?

Mais :

quel changement utile s'est produit dans le système de concepts du récepteur et à quel coût cognitif ?

Cela permet de définir autrement l'efficacité de l'apprentissage.

Une bonne explication n'est pas la plus complète.

Ni la plus scientifique.

Ni la plus courte.

Et elle n'est même pas nécessairement la plus précise dans le détail maximal.

Une bonne explication est celle qui, avec un minimum d'efforts d'attention humaine, crée un concept suffisamment précis pour la prochaine action ou compréhension nécessaire.

Et ensuite, ce concept devient le matériau de construction du suivant.

De l'éducation universelle à un système vivant de concepts

Il en résulte en fin de compte une architecture totalement différente.

Il n'existe pas de cours unique qui soit le bon.

Il n'existe pas d'ensemble fixe de prérequis (prerequisites).

Il n'existe pas d'explication optimale unique.

Il y a un individu dans un état H₀.

Il y a une capacité qu'il souhaite acquérir : T.

Il y a l'état actuel du monde et des technologies : W.

Et il existe une certaine transformation minimale :

H₀ → H₁ → H₂ → … → T

Chaque transition est l'apparition ou la restructuration d'un concept.

Après chaque transition, l'itinéraire peut être recalculé.

Peut-être qu'un nouveau concept a permis de sauter les trois suivants.

Peut-être qu'une ancienne lacune a été découverte.

Peut-être que la personne a déjà construit par elle-même le lien nécessaire.

Peut-être que la technologie a évolué et qu'une branche entière du savoir n'est plus utile.

Le graphe doit donc être vivant.

Et le modèle de l'individu doit être vivant.

La tâche principale est d'accroître la bande passante du développement humain

La physiologie humaine évolue lentement.

Nous ne pouvons pas simplement multiplier par dix la mémoire humaine ni forcer le cerveau à assimiler des modèles complexes à la vitesse d'un ordinateur.

Mais une part énorme du coût de l'apprentissage aujourd'hui ne relève pas du tout de la physiologie.

Elle est due à un mauvais routage de l'information.

Nous enseignons ce qui est déjà su.

Nous expliquons à travers des termes inconnus.

Nous transmettons des détails qui ne serviront jamais.

Nous imposons l'étude de prérequis historiquement hérités.

Nous utilisons les mêmes explications pour des personnes différentes.

Nous confondons la reconnaissance des termes avec la compréhension des concepts.

Nous ne remarquons pas les petites lacunes qui bloquent des chaînes entières par la suite.

Et nous obligeons l'individu à chercher seul son chemin à travers l'espace gigantesque du savoir humain.

Pour la première fois, l'IA permet d'attaquer presque toutes ces pertes simultanément.

Ne pas rendre le cerveau plus rapide.

Rendre le chemin plus court.

Ne pas donner plus d'informations à l'humain.

En transmettre moins — mais précisément celle qu'il est capable de transformer en compréhension.

Ne pas obliger tout le monde à tout savoir.

Donner à chacun le système de concepts minimal et suffisant qui lui permette d'aller de l'avant.

Et c'est peut-être là l'un des changements majeurs de l'éducation à l'ère de l'intelligence artificielle.

Car le problème de l'humanité n'est plus depuis longtemps le manque d'informations.

Le problème est le temps de vie humaine qu'il faut aujourd'hui pour transformer l'information disponible en compréhension.