Technologie · 4ème

Idées d’apprentissage actif

Biais Algorithmiques et Équité

Les biais algorithmiques touchent directement aux discriminations de notre quotidien, ce qui motive fortement l’engagement des élèves. Travailler en simulation débranchée et en investigation collaborative permet de rendre abstrait un sujet technique, tout en ancrant les apprentissages dans des expériences concrètes et personnelles.

• Programmes Officiels
• MEN: Cycle 4 - Impact sociétal et environnemental
• MEN: Cycle 4 - Responsabilité d'usage

• 25–40 min
• Binômes → Classe entière
• 4 activités

Activité 01

• Chaises philosophiques
• 35 min · Petits groupes

Simulation débranchée : L'algorithme biaisé

Les élèves jouent le rôle d'un algorithme de sélection de CV. Le professeur leur donne des critères de tri qui semblent neutres mais produisent un résultat discriminatoire (ex : privilégier les prénoms courts). Les groupes découvrent le biais, analysent sa source et proposent des critères corrigés.

D'où proviennent les préjugés et les biais dans les systèmes d'IA ?

Conseil de facilitation

Dans la simulation débranchée, insistez sur la verbalisation des critères de tri choisis, même si ils semblent neutres.

À observer

Présentez aux élèves un scénario : 'Un algorithme aide à décider qui obtient un prêt bancaire. Il a été entraîné sur des données passées où les prêts étaient plus souvent accordés aux hommes blancs. Quelles questions devriez-vous poser pour savoir si cet algorithme est juste ?' Guidez la discussion vers les données, les critères et les conséquences.

• Analyser
• Évaluer
• Conscience de soi
• Conscience sociale

Activité 02

• Penser-Partager-Présenter
• 25 min · Binômes

Penser-Partager-Présenter: Qui décide pour vous ?

Le professeur présente trois cas réels de biais algorithmiques (justice prédictive, publicité ciblée, accès au crédit). Chaque élève identifie les victimes et les responsables, compare en binôme, puis la classe débat des solutions possibles.

Analysez les conséquences des biais algorithmiques dans des domaines comme la justice ou l'emploi.

Conseil de facilitation

Pour le Think-Pair-Share, limitez la première phase de réflexion individuelle à 3 minutes pour éviter les blocages.

À observer

Distribuez une courte description d'un système d'IA (ex: algorithme de recommandation de films). Demandez aux élèves d'écrire sur une fiche : 1) Une source potentielle de biais dans ce système. 2) Une conséquence possible de ce biais. 3) Une suggestion pour le réduire.

• Comprendre
• Appliquer
• Analyser
• Conscience de soi
• Compétences relationnelles

Activité 03

• Chaises philosophiques
• 40 min · Petits groupes

Investigation collaborative : Testez la reconnaissance faciale

Les groupes testent un outil de reconnaissance faciale en ligne avec des photos variées (âge, genre, couleur de peau, éclairage). Ils compilent les résultats dans un tableau et identifient les disparités de performance.

Proposez des solutions pour réduire les biais dans les systèmes d'intelligence artificielle.

Conseil de facilitation

Pendant l’investigation collaborative, circulez entre les groupes pour recentrer leur attention sur les données brutes et non sur les opinions personnelles.

À observer

Les élèves travaillent en petits groupes pour proposer une solution visant à réduire un biais spécifique (ex: biais de genre dans les jeux vidéo). Chaque groupe présente brièvement sa solution. Les autres groupes évaluent la solution sur sa faisabilité et son potentiel d'équité, en posant une question constructive.

• Analyser
• Évaluer
• Conscience de soi
• Conscience sociale

Activité 04

• Galerie marchande
• 30 min · Classe entière

Galerie marchande: Les biais en affiches

Chaque groupe crée une affiche présentant un cas de biais algorithmique : le contexte, le biais identifié, les conséquences et une solution proposée. La classe circule, pose des questions et vote pour la solution la plus réaliste.

D'où proviennent les préjugés et les biais dans les systèmes d'IA ?

Conseil de facilitation

Lors du Gallery Walk, demandez aux élèves de noter une question sur chaque affiche, afin de stimuler l’analyse critique.

À observer

Présentez aux élèves un scénario : 'Un algorithme aide à décider qui obtient un prêt bancaire. Il a été entraîné sur des données passées où les prêts étaient plus souvent accordés aux hommes blancs. Quelles questions devriez-vous poser pour savoir si cet algorithme est juste ?' Guidez la discussion vers les données, les critères et les conséquences.

• Comprendre
• Appliquer
• Analyser
• Créer
• Compétences relationnelles
• Conscience sociale

Quelques notes pour enseigner cette unité

Commencez par des exemples proches des élèves (réseaux sociaux, orientation scolaire) pour ancrer les biais dans leur réalité. Évitez de présenter l’IA comme une boîte noire : montrez toujours comment les données et les règles produisent des résultats. Insistez sur l’idée que corriger un biais ne signifie pas simplement supprimer une variable explicite, mais repenser l’ensemble du système.

Les élèves montrent qu’ils comprennent la subjectivité des algorithmes en identifiant des sources de biais, en proposant des correctifs et en critiquant des solutions existantes. Ils utilisent un vocabulaire précis pour décrire des mécanismes comme les données d’entraînement, les variables proxy ou les conséquences sociales.

---

Attention à ces idées reçues

• Pendant la simulation débranchée, certains élèves pensent que les algorithmes sont objectifs.

  Utilisez la simulation pour faire verbaliser aux élèves que même des critères en apparence neutres (ex: taille, expérience) peuvent reproduire des discriminations si les données historiques sont biaisées. Demandez-leur de justifier leurs choix de tri et de comparer avec les résultats attendus.

• Pendant le Think-Pair-Share, des élèves minimisent l’impact des biais algorithmiques en France.

  Pendant la discussion, présentez des exemples concrets d’utilisation d’algorithmes en France (ex: Parcoursup, algorithmes publicitaires) et demandez aux élèves de citer des situations où ils ont été directement ou indirectement concernés.

• Pendant l’investigation collaborative, des élèves croient qu’il suffit de supprimer les variables explicites comme le genre ou l’origine.

  Guidez les élèves vers l’analyse des variables corrélées (ex: code postal, type d’école) dans les jeux de données fournis. Montrez-leur comment ces variables peuvent servir de proxy pour reproduire les mêmes biais, en utilisant des outils de visualisation simples.

---

Méthodes utilisées dans ce dossier

• Chaises philosophiques
• Penser-Partager-Présenter
• Galerie marchande