#apprentissage

Il tend un piège à ses étudiants pour savoir s’ils utilisent l’IA pour tricher : 32 élèves sur 35 se font avoir
▻https://www.demotivateur.fr/societe/il-tend-un-piege-a-ses-eleves-pour-savoir-s-ils-utilisent-l-ia-pour-tri

(...)

Les élèves qui ont utilisé l’IA ont été sanctionnés sur cette partie de l’examen et deux étudiants ont contesté leur note. Si le professeur regrette que ses élèves aient utilisé l’intelligence artificielle, il déplore encore plus le fait qu’ils ne se soient pas relus. Ainsi, ils ont écrit des phrases absurdes dans leurs copies sans s’en rendre compte, ce qui est encore plus inquiétant.

Anne #alombert : intelligence ou bêtise artificielle ? - Idées - RFI
▻https://www.rfi.fr/fr/podcasts/id%C3%A9es/20250921-anne-alombert-intelligence-ou-b%C3%AAtise-artificielle?GJlXzGgqHj

— Permalink

#intelligenceartificielle #technique #stiegler #automatisation #cognition #dépendance #pharmakon #mémoire #expression #LLMs #apprentissage

La #honte, un sentiment complexe - Regarder le documentaire complet | ARTE
▻https://www.arte.tv/fr/videos/106661-000-A/la-honte-un-sentiment-complexe

— Permalink

#sociabilité #souffrance #régulation #culpabilité #culture #apprentissage #émotions #exclusion #isolement #trauma #violence

#Ronny_Chieng Tells Harvard to ‘Destroy AI’ as Graduates Cheer

https://www.harvardmagazine.com/sites/default/files/styles/article_hero_870x650/public/2026-05/hm_classday26_0833.webp

Artificial intelligence has been an inescapable topic of commencement speeches this spring, including President Alan M. Garber’s Baccalaureate address on Tuesday. Ronny Chieng’s remarks on the subject, however, likely contained the most expletives.

“Can I just say f**k AI, f**k AI, f**k AI?” the comedian, actor, and rotating host of The Daily Show asked in his keynote speech during the Class Day celebration on Wednesday. The crowd at Tercentenary Theatre, made up of the graduating Class of 2026 and their friends and families, answered him with a roar of approval.

“I’m glad you agree,” Chieng said. “It’s so stupid. A lot of other respected graduation speakers at colleges around America are talking about you guys needing to master AI for the future. I’m here to tell you the mission of your generation is to destroy AI, #kill_it.”

Chieng’s speech also took shots at Harvard’s ties to the Epstein files and its recently announced grade inflation reforms. “The more A’s you hand out, the better everyone looks. I can’t believe I have to explain this. Did you guys go to Harvard?” he said.

Beyond calling for its demise, Chieng went on to articulate a more nuanced unpacking of his wariness toward AI. Sure, he acknowledged, the technology has potential “to pioneer breakthroughs in medicine and physics. If you’re using it for that purpose, you’re not part of the problem.”

But he bemoaned its smoothing the way for cognitively basic tasks, like responding to emails, and the potential to rob people of the messy, satisfying work of creativity.

“Untalented people love bragging about using AI to help them draft their speeches, and their scripts, and their podcasts, and their promo videos for UFC fights at the White House,” Chieng said. “What they’re missing is this: the creating is the fun part.”

His favorite part of comedy writing, he said, “is figuring out the puzzle pieces of a joke and getting the self-regard from having accomplished a difficult thing. Why would I want AI to take that away from me?”

The reason AI-generated content isn’t as good, Chieng argued, is that the journey of making and learning something matters —“it’s the point of all of this.”

“Whatever your chosen profession is, please don’t let AI rob you of the fun part of it,” he told the senior class. “Our generation’s upcoming battle…is going to be people with substance versus people with shallow knowledge, it’s going to be mastery versus faking it, it’s going to be people with good taste versus tacky. I trust you will put in the work necessary to be on the right side of those battles.”

The way to do that, he advised, is to follow your passions. “Chase the thing that you can’t stop talking about every day to the point where it ruins all your relationships,” he said. “When you have clarity of purpose and you’re doing something you love, every day can be a joy.”

He closed by urging the graduates to think of the people in their lives who helped them get to this point— parents, mentors, loved ones— and try to be that transformative person for someone else. Maybe someone who can fight AI, even.

“One day soon, some kids will be asking you for advice for after they graduate,” he said. “And you can say, ‘Be kind, be joyful, but for the love of God, help me destroy these machines first.’”

The Class Day program also included student speakers and award winners from the graduating class; an address from David Deming, the Danoff dean of Harvard College; and David Battat ’91, the incoming president of the Harvard Alumni Association.

In his remarks, Deming told the graduating class to embrace the virtues that can be brought on by hardships and to appreciate catching the lucky breaks life offers when they do arise.

“Adversity doesn’t help you economically, but it can build moral character, and the world needs moral character now more than ever,” he said. “You don’t want to be the kind of person who thinks they deserve everything good that happened to them.”

Giving the Harvard Oration, “Remember to Dream Big,” Ihechikarageme Munonye ’26 echoed Chieng in urging her fellow graduates to pursue what they truly love. Raised in a low-income neighborhood in Washington, D.C., she initially chose concentrations at Harvard that seemed more practical, like economics, before switching to sociology, art, and film.

“I allowed myself to envision a life where success and passion need not exist on opposite sides of the spectrum,” she said, through tears. “Do not abandon the

passions that made you who you are today.”

In the more lighthearted Ivy Oration, Hamza Masoud ’26, a member of the Lampoon, fondly recounted the specific joys of campus life at Harvard and made light of the University’s biggest stories and controversies from the past year.

“While we were here, we saw falls turn into winters, winters turn into springs, springs turn into summers, and Summers turn into a former university professor,” he said—in a shot at former Harvard President Lawrence H. Summers.

“But we also changed,” he continued. “When I entered Harvard, I believed that grade inflation was a myth. Four years later, I have a GPA of 3.968 and am graduating at the bottom of my class.”

During the program, Alexandra Fernand ’26 and Jamie Durant ’26 received the 2026 Ames Awards, given to two graduating seniors for outstanding community service. Fernand was recognized for her service work with the Brookview House in Boston; Durant for founding the Jews for Palestine group on Harvard’s campus and his work as the director of the Cambridge After-School Program.

To close the afternoon, a group of seven 2026 graduates sang the 2026 Class Ode, with original lyrics by Alyssa Marie Gaines to the tune of “Fair Harvard.”

▻https://www.harvardmagazine.com/commencement/class-day-ronny-chieng-harvard
#fuck_AI #intelligence_artificielle #critique #IA #kill_AI #apprentissage

L’#université à l’épreuve des machines

Les #IA génératives n’ouvrent pas seulement un nouveau chapitre de la #fraude_académique. Elles déstabilisent plus profondément le #régime_de_preuve sur lequel l’université s’est longtemps reposée : nous avons pris des textes finis pour des signes d’#apprentissage. Lorsque des réponses plausibles deviennent triviales à produire, l’enjeu n’est plus de protéger des devoirs, mais de former et d’éprouver le #jugement.

À l’été 1956, à Dartmouth, un petit groupe de chercheurs se réunit autour d’une hypothèse que beaucoup tenaient pour de la science-fiction : tout aspect de l’apprentissage pourrait, en principe, être décrit avec une précision suffisante pour être simulé par une machine. C’est là que fut forgée l’expression « #intelligence_artificielle ». Près de soixante-dix ans plus tard, les descendants de ce pari composent des textes, du code et des argumentaires avec une aisance qui peut passer, au premier regard, pour celle d’un esprit cultivé. La question qu’ils posent à l’université n’est pas seulement technique. Elle est institutionnelle : que certifions-nous au juste lorsque nous disons qu’un étudiant a appris ?

On affirme volontiers que l’intelligence artificielle a créé une crise de l’#éducation. C’est inexact. Elle a surtout rendu impossible à dissimuler une confusion beaucoup plus ancienne. Pendant des années, les universités ont récompensé la #fluidité plus que la #compréhension, le poli plus que la profondeur, la #performance plus que le #jugement. Tant que produire un texte cohérent demandait du #temps, de l’#effort et une #compétence relativement rare, l’illusion tenait. Elle ne tient plus. Lorsqu’un étudiant peut obtenir en quelques minutes une #dissertation propre, structurée et plausible en donnant quelques consignes à un #modèle_de_langage, la vraie question n’est plus seulement celle de la #fraude. Elle est de savoir ce que nos exercices mesuraient réellement.

J’en ai eu récemment une illustration simple. Un étudiant me présente un brouillon impeccable : phrases nettes, transitions soignées, argumentation apparemment maîtrisée. Je lui demande pourquoi une proposition découle de la précédente. Il hésite, puis se met à décrire le texte comme on décrirait un objet : ce qu’il contient, l’effet qu’il produit, l’usage qu’on peut en faire. Le #texte avait été généré avec l’aide d’un modèle, puis retouché. Il était correct. Il n’était pas habité. Ce qui frappait n’était pas l’usage de l’outil, mais la dissociation entre l’#aisance_verbale et le #travail_de_la_pensée. Le problème n’était pas seulement l’#auctorialité du texte ; c’était l’effondrement du lien entre la #production_d’un_écrit et la #preuve_d’un_apprentissage.

Produire un résultat, former un jugement

C’est ce lien que l’IA fragilise. L’université moderne a longtemps traité la #production_finie comme l’indice suffisant d’un travail intérieur : un devoir rendu, un commentaire composé, une note de synthèse, un mémoire. Or produire un résultat n’est pas former un jugement. Certaines opérations peuvent être déléguées parce qu’elles visent un objet extérieur : mettre en forme, résumer, reformuler, ordonner des matériaux. D’autres changent de nature dès qu’on prétend les déléguer : remarquer ce qui résiste, identifier une faille, peser une objection, décider qu’une conclusion ne suit pas, répondre de ce que l’on avance. Ces actes n’ont d’effet que si une personne les accomplit. Leur fin n’est pas seulement de produire un énoncé ; elle est de former celui qui l’énonce.

Formulé autrement, le problème n’est pas d’abord qu’un texte généré puisse ressembler à un texte d’étudiant. Il est que l’institution ait peu à peu cessé de distinguer entre un artefact verbal convaincant et une pensée véritablement éprouvée. Ce que l’IA met en crise, ce n’est donc pas seulement l’#authenticité des copies ; c’est le type d’épreuve à partir duquel l’université prétend reconnaître une formation.

Le cas français est ici instructif à condition de ne pas le mythifier. Certaines de ses formes les plus exigeantes – dissertation, khôlle, soutenance, oral de concours – ont longtemps reposé sur une intuition simple : un texte ne suffit pas, encore faut-il qu’un sujet en réponde. Mais la #massification_universitaire, la #bureaucratisation de l’#évaluation et la multiplication des #livrables ont, là aussi, restauré le règne du produit fini. L’intérêt de ces traditions n’est donc pas de fournir un refuge nostalgique. Il est de rappeler qu’une #épreuve_intellectuelle est d’abord un dispositif de mise en #responsabilité.

On aurait tort d’y voir le privilège de quelques filières d’élite. La logique qui importe n’est pas sociale ; elle est épistémique : rendre visible, dans un échange, ce qu’aucun livrable ne montre à lui seul.

L’ignorance de qualité

Ce point vaut aussi pour la recherche. Le scientifique ne travaille pas seulement avec du #savoir_établi ; il travaille avec des #problèmes. Ou, selon la formule du biologiste Stuart Firestein, avec de « l’#ignorance_de_qualité » : une conscience disciplinée de ce qui #manque, de ce qui ne tient pas encore, de la question qui n’a pas trouvé sa forme définitive. L’image est celle d’un cercle qui s’élargit : plus le savoir croît, plus sa circonférence – c’est-à-dire la frontière avec ce que nous ne comprenons pas encore – s’étend. La #découverte ne vit pas au centre du cercle, dans l’archive stabilisée de ce qui a été établi. Elle vit à la périphérie, là où les #certitudes se dissolvent et où les #questions n’ont pas encore reçu de réponse.

Je le vois au quotidien dans ma propre discipline, la biologie mathématique. Formuler une hypothèse féconde n’est pas un exercice de combinatoire sur ce qui est déjà publié. C’est un acte qui commence par une perception : quelque chose ne colle pas dans les données, un résultat établi n’est pas aussi robuste qu’on le croit, une question importante se dissimule derrière des formulations convenues. Cet acte de perception précède la méthode. Il suppose qu’un esprit ait séjourné assez longtemps dans l’#incertitude pour sentir, presque physiquement, où se trouve le problème digne d’être posé. C’est un travail de longue haleine, qui ne se transmet pas par simple énonciation.

Les grands modèles de langage opèrent avec une virtuosité remarquable dans le domaine du déjà-dit. Ils synthétisent, recombinent, prolongent l’archive. Lorsqu’ils paraissent proposer une hypothèse nouvelle, ils remontent en réalité une hypothèse connue ou oubliée depuis l’intérieur de leurs données d’entraînement. Ils ne séjournent pas dans l’incertitude comme le fait un esprit engagé dans une #enquête. Ils ne sentent pas, de l’intérieur, qu’un raisonnement est creux malgré sa correction apparente. Ils peuvent étendre le discours ; ils ne peuvent pas assumer la responsabilité de la #vérité. Former des chercheurs, c’est former des esprits capables de se tenir à la circonférence du cercle. Ce n’est pas seulement leur transmettre ce qui est su ; c’est leur apprendre à habiter ce qui ne l’est pas.

C’est pourquoi la #recherche n’est pas un supplément prestigieux à la mission pédagogique de l’université. Un enseignant qui travaille lui-même à la frontière du connu n’apporte pas seulement un stock de contenus : il introduit les étudiants à une certaine manière d’habiter l’incertitude, de formuler une objection, d’accepter qu’une bonne question vaille davantage qu’une réponse prématurée. L’université commence à perdre sa raison d’être lorsqu’elle sépare trop nettement #transmission, recherche et #jugement. Cette proximité avec la recherche n’est pas un luxe réservé à quelques-uns ; elle est la condition d’une université qui ne se contente pas d’administrer des connaissances.

Les deux fausses sorties

D’où l’insuffisance des deux réponses les plus répandues. La première est l’#interdiction : détecteurs, surveillance, inflation réglementaire. Elle est vouée à l’épuisement. Ces outils sont déjà trop présents pour être tenus durablement hors des salles de cours, et il serait absurde de former des diplômés condamnés à ignorer la technologie la plus structurante de leur époque. La seconde est la #capitulation_managériale : réduire l’université à une école d’adaptation où l’on apprend surtout à rédiger de bonnes consignes et à exploiter plus vite les outils. L’étudiant devient alors un opérateur. Dans les deux cas, on présuppose que la mission de l’université consiste avant tout à produire des réponses. C’est précisément ce que l’IA nous oblige à réexaminer.

La bonne réponse est plus exigeante. Elle consiste moins à inventer une mission nouvelle qu’à rendre à l’université sa tâche propre : former le jugement en mettant les esprits à l’épreuve. Cela suppose davantage d’écriture en présence, davantage de défense orale des arguments, davantage de séminaires organisés autour de questions réelles plutôt que de réponses attendues. Une conversation de dix minutes suffit souvent à distinguer une idée comprise d’une idée seulement produite. Si l’étudiant utilise l’IA, qu’il le dise, qu’il en montre les traces, qu’il explique ce qu’il a gardé, écarté, reformulé, et pourquoi. L’enjeu n’est pas la police des usages ; c’est la responsabilité de l’énonciation.

À Dartmouth, là même où l’expression « intelligence artificielle » fut inventée, nous commençons à intégrer ces outils non comme des raccourcis, mais comme des occasions de #rigueur. Dans certains séminaires d’écriture de première année, les étudiants peuvent demander à un modèle de proposer des contre-arguments ou des interprétations alternatives. Puis le vrai travail commence : annoter ce que l’outil a produit, repérer ce qui est inexact ou inventé, défendre à voix haute les choix retenus et ceux qui ont été écartés. Un étudiant est ainsi arrivé avec un paragraphe élégamment rédigé et une citation assurée. Lorsqu’on lui a demandé d’où venait la source, le silence s’est installé. Il a fallu remonter pas à pas le fil du texte généré, reconnaître que la référence n’existait pas, puis reprendre l’argument en nommant cette fois l’incertitude plutôt qu’en la recouvrant. L’outil avait accéléré la rédaction ; le séminaire a exigé le jugement.

Le principe du #tutorat

Paradoxalement, la solution la plus moderne est peut-être l’une des plus anciennes : le principe du tutorat. Il ne s’agit pas d’un artifice institutionnel hérité d’Oxford ou de Cambridge, mais d’une forme pédagogique dont la logique philosophique est beaucoup plus ancienne. La #disputatio médiévale, l’#entretien_socratique, la soutenance de thèse – toutes ces pratiques partent d’une même intuition : la pensée véritable se manifeste et se vérifie dans le #dialogue, lorsqu’un esprit doit répondre à la question qu’un autre esprit lui pose.

Ce que le tutorat met à l’épreuve n’est pas la mémoire, ni même la qualité du texte préalablement rédigé. C’est la capacité de l’étudiant à habiter son propre #argument : à en suivre les implications lorsqu’elles sont contestées, à reconnaître les points où il avait escamoté la difficulté, à reformuler en temps réel lorsqu’une objection oblige à préciser. Cette épreuve ne peut être simulée. Non parce que la machine manquerait d’intelligence, mais parce que l’acte dont il s’agit est, par sa nature même, celui d’une personne qui répond de ce qu’elle a dit.

Un étudiant écrit, puis s’assoit face à un enseignant ou à un chercheur et soutient son #argumentation dans une #conversation. Il devient alors difficile de se cacher derrière l’élégance de surface. Une machine peut fournir un texte ; elle ne peut ni répondre de ce qu’elle affirme, ni porter la responsabilité d’une idée. Ce n’est pas un archaïsme pédagogique. C’est peut-être, dans l’âge des machines à réponses, la forme la plus contemporaine de l’exigence universitaire.

Généraliser ce principe ne suppose pas de copier la forme sociale du tutorat anglais. Il s’agit d’en adopter la logique : des séminaires qui culminent dans une #défense_orale ; des laboratoires où l’étudiant doit expliquer ce qu’un résultat dit et ce qu’il ne dit pas ; une pédagogie de l’écriture qui rend visible le travail de #révision et exige que l’étudiant assume ses #choix. Dans le monde français, les traditions de la dissertation orale, de la khôlle et de la soutenance fournissent des points d’ancrage précieux. Elles ne sont pas à ranger au musée. Elles sont à réactiver.

L’université et le jugement démocratique

Les enjeux de cette redéfinition dépassent de beaucoup les murs de l’université. L’IA amplifiera tout à la fois le savoir et le bruit, la productivité et la manipulation, la connaissance et la #désinformation. Dans un tel environnement, la compétence la plus précieuse n’est pas celle de produire rapidement des énoncés vraisemblables – les machines le feront toujours mieux que nous. C’est celle d’évaluer ce que l’on reçoit, de distinguer un argument d’une #rhétorique, de reconnaître les signes d’une fabrication, et de changer d’avis sans humiliation lorsque les preuves l’exigent.

Aucune #démocratie ne survit à long terme si ses citoyens confondent la fluidité d’un énoncé avec sa vérité. Or la fluidité, désormais, est gratuite. Dans les mois qui viennent, elle sera mise au service aussi bien du commerce que de la propagande, de la science que du charlatanisme, de la délibération publique que de l’influence algorithmique. Les institutions qui forment des esprits capables de résister à cette saturation – qui apprennent à peser, à #douter, à #réviser – jouent donc un rôle civique que l’on ne peut pas sous-traiter. L’université est la première de ces institutions, non par privilège, mais par fonction.

Cette fonction n’est pas nouvelle. Elle est consubstantielle à l’idée d’#enseignement_supérieur telle qu’elle s’est formée dans la tradition européenne : former des personnes capables de peser des #preuves, d’articuler une #conviction, et d’en porter la #responsabilité_publique. Ce que l’IA met en demeure, ce n’est pas cette tradition ; c’est la dérive qui a, dans trop d’institutions, substitué à la formation du jugement la certification de productions.

Ce qui se déplace

L’université n’aura pas à rivaliser avec les machines sur le terrain des réponses. Elle perdrait d’avance, et ce serait une erreur de terrain. Son avenir dépend d’autre chose : sa capacité à redevenir le lieu où l’on apprend non seulement à produire des énoncés plausibles, mais à en répondre. À mesure que les réponses deviennent abondantes, la rareté se déplace. Elle ne réside plus dans l’#information, mais dans la formation d’un esprit capable d’assumer un jugement, de l’exposer à la #contradiction, de le réviser et d’en porter la responsabilité.

C’est dans ce déplacement que se joue l’avenir de l’institution. Les universités qui persisteront à produire des diplômes au sens administratif – des certificats adossés à des livrables acceptables – trouveront dans l’IA un concurrent imbattable et un révélateur. Celles qui redécouvriront leur tâche propre – former des esprits capables de juger – découvriront que la technologie qui semblait les menacer avait en réalité clarifié leur mission. L’âge de la machine à réponses est peut-être, paradoxalement, celui où l’université retrouve ce pour quoi elle a été faite.

►https://aoc.media/analyse/2026/05/12/luniversite-a-lepreuve-des-machines
#AI #intelligence_artificielle #à_lire

–—

Je retiens notamment :

D’où l’insuffisance des deux réponses les plus répandues. La première est l’interdiction : détecteurs, surveillance, inflation réglementaire. Elle est vouée à l’épuisement. Ces outils sont déjà trop présents pour être tenus durablement hors des salles de cours, et il serait absurde de former des diplômés condamnés à ignorer la technologie la plus structurante de leur époque. La seconde est la capitulation managériale : réduire l’université à une école d’adaptation où l’on apprend surtout à rédiger de bonnes consignes et à exploiter plus vite les outils. L’étudiant devient alors un opérateur. Dans les deux cas, on présuppose que la mission de l’université consiste avant tout à produire des réponses. C’est précisément ce que l’IA nous oblige à réexaminer.

La bonne réponse est plus exigeante. Elle consiste moins à inventer une mission nouvelle qu’à rendre à l’université sa tâche propre : former le jugement en mettant les esprits à l’épreuve. Cela suppose davantage d’écriture en présence, davantage de défense orale des arguments, davantage de séminaires organisés autour de questions réelles plutôt que de réponses attendues. Une conversation de dix minutes suffit souvent à distinguer une idée comprise d’une idée seulement produite. Si l’étudiant utilise l’IA, qu’il le dise, qu’il en montre les traces, qu’il explique ce qu’il a gardé, écarté, reformulé, et pourquoi. L’enjeu n’est pas la police des usages ; c’est la responsabilité de l’énonciation.

POURQUOI VOS ENFANTS N’IRONT JAMAIS À L’UNIVERSITÉ ? - avec Julien Gossa

▻https://www.youtube.com/watch?v=HMD6UID4B6o

Why does cheating matter? — Olivia Guest
▻https://olivia.science/cheating

If you are in your late teens or early twenties and/or in an undergraduate degree programme this might be one of, if not the only, time in your life you will have no other major responsibilities other than to learn these intellectual skills. If you are in a full-time PhD, this is possibly the only time in your career — trust me! — where the largest part of your week can be dedicated to learning these foundational skills. And they will serve you well in academia, especially if you plan to stay. The skills I learned at these career stages are my most treasured and clearly ones that opened doors. “I can code this from scratch” is way more impressive than you might think given toxic industry pro-AI nonsense. The same goes for writing clearly, reading and comprehending journal articles, thinking things through, and on and on.

#IA #apprentissage #triche

Writing is thinking

On the value of human-generated scientific writing in the age of large-language models.

Writing scientific articles is an integral part of the scientific method and common practice to communicate research findings. However, writing is not only about reporting results; it also provides a tool to uncover new thoughts and ideas. Writing compels us to think — not in the chaotic, non-linear way our minds typically wander, but in a structured, intentional manner. By writing it down, we can sort years of research, data and analysis into an actual story, thereby identifying our main message and the influence of our work. This is not merely a philosophical observation; it is backed by scientific evidence. For example, handwriting can lead to widespread brain connectivity1 and has positive effects on learning and memory.

This is a call to continue recognizing the importance of human-generated scientific writing.

“This is a call to continue recognizing the importance of human-generated scientific writing”

This call may seem anachronistic in the age of large-language models (LLMs), which, with the right prompts, can create entire scientific articles2 (and peer-review reports3) in a few minutes, seemingly saving time and effort in getting results out once the hard research work is done. However, LLMs are not considered authors as they lack accountability, and thus, we would not consider publishing manuscripts written entirely by LLMs (using LLMs for copy-editing is allowed but should be declared). Importantly, if writing is thinking, are we not then reading the ‘thoughts’ of the LLM rather than those of the researchers behind the paper?

Current LLMs might also be wrong, a phenomenon called hallucination4. Therefore, LLM-generated text needs to be thoroughly checked and verified (including every reference as it might be made up5). It thus remains questionable how much time current LLMs really save. It might be more difficult and time-consuming to edit an LLM-generated text than to write an article or peer-review report from scratch, partly because one needs to understand the reasoning to be able to edit it. Some of these issues might be addressed by LLMs trained only on scientific databases, such as those outlined in a Review article by Fenglin Liu and team in this issue. Time will tell.

All that is not to say LLMs cannot serve as valuable tools in scientific writing. For example, LLMs can aid in improving readability and grammar, which might be particularly useful to those for which English is not their first language. LLMs might also be valuable for searching and summarizing diverse scientific literature6, and they can provide bullet points and assist in the brainstorming of ideas. In addition, LLMs can be beneficial in overcoming writer’s block, provide alternative explanations for findings or identify connections between seemingly unrelated subjects, thereby sparking new ideas.

Nevertheless, outsourcing the entire writing process to LLMs may deprive us of the opportunity to reflect on our field and engage in the creative, essential task of shaping research findings into a compelling narrative — a skill that is certainly important beyond scholarly writing and publishing.

►https://www.nature.com/articles/s44222-025-00323-4
#LLMs #IA #AI #intelligence_artificielle #pensée #écriture #apprentissage

AI’s Memorization Crisis - The Atlantic
▻https://www.theatlantic.com/technology/2026/01/ai-memorization-research/685552/?gift=sfbZfCZIUKWYZXloam4F-Ax0T9M9xvGtDZ491KkZIdg

https://cdn.theatlantic.com/thumbor/uoz9_OY2pO-93_0emQxcOSAJICY=/0x32:1498x812/1200x625/media/img/mt/2026/01/2025_12_18_Ai_compress_mpg_landscape/original.gif

Large language models don’t “learn”—they copy. And that could change everything for the tech industry.
By Alex Reisner
Stacked books being crushed into a computer file
Illustration by Matteo Giuseppe Pani / The Atlantic
January 9, 2026

Editor’s note: This work is part of AI Watchdog, The Atlantic’s ongoing investigation into the generative-AI industry.

On Tuesday, researchers at Stanford and Yale revealed something that AI companies would prefer to keep hidden. Four popular large language models—OpenAI’s GPT, Anthropic’s Claude, Google’s Gemini, and xAI’s Grok—have stored large portions of some of the books they’ve been trained on, and can reproduce long excerpts from those books.

In fact, when prompted strategically by researchers, Claude delivered the near-complete text of Harry Potter and the Sorcerer’s Stone, The Great Gatsby, 1984, and Frankenstein, in addition to thousands of words from books including The Hunger Games and The Catcher in the Rye. Varying amounts of these books were also reproduced by the other three models. Thirteen books were tested.

This phenomenon has been called “memorization,” and AI companies have long denied that it happens on a large scale. In a 2023 letter to the U.S. Copyright Office, OpenAI said that “models do not store copies of the information that they learn from.” Google similarly told the Copyright Office that “there is no copy of the training data—whether text, images, or other formats—present in the model itself.” Anthropic, Meta, Microsoft, and others have made similar claims. (None of the AI companies mentioned in this article agreed to my requests for interviews.)

The Stanford study proves that there are such copies in AI models, and it is just the latest of several studies to do so. In my own investigations, I’ve found that image-based models can reproduce some of the art and photographs they’re trained on. This may be a massive legal liability for AI companies—one that could potentially cost the industry billions of dollars in copyright-infringement judgments, and lead products to be taken off the market. It also contradicts the basic explanation given by the AI industry for how its technology works.

AI is frequently explained in terms of metaphor; tech companies like to say that their products learn, that LLMs have, for example, developed an understanding of English writing without explicitly being told the rules of English grammar. This new research, along with several other studies from the past two years, undermines that metaphor. AI does not absorb information like a human mind does. Instead, it stores information and accesses it.

In fact, many AI developers use a more technically accurate term when talking about these models: lossy compression. It’s beginning to gain traction outside the industry too. The phrase was recently invoked by a court in Germany that ruled against OpenAI in a case brought by GEMA, a music-licensing organization. GEMA showed that ChatGPT could output close imitations of song lyrics. The judge compared the model to MP3 and JPEG files, which store your music and photos in files that are smaller than the raw, uncompressed originals. When you store a high-quality photo as a JPEG, for example, the result is a somewhat lower-quality photo, in some cases with blurring or visual artifacts added. A lossy-compression algorithm still stores the photo, but it’s an approximation rather than the exact file. It’s called lossy compression because some of the data are lost.

From a technical perspective, this compression process is much like what happens inside AI models, as researchers from several AI companies and universities have explained to me in the past few months. They ingest text and images, and output text and images that approximate those inputs.

But this simple description is less useful to AI companies than the learning metaphor, which has been used to claim that the statistical algorithms known as AI will eventually make novel scientific discoveries, undergo boundless improvement, and recursively train themselves, possibly leading to an “intelligence explosion.” The whole industry is staked on a shaky metaphor.
Garfunkel_and_Oates_from_cdn-pastemagazine-com.jpg
Source: Courtesy of Kyle Christy / IFC
Garfunkel_and_Oates_from_stable_diffusion.png
Output from Stable Diffusion 1.4

The problem becomes clear if we look at AI image generators. In September 2022, Emad Mostaque, a co-founder and the then-CEO of Stability AI, explained in a podcast interview how Stable Diffusion, Stability’s image model, was built. “We took 100,000 gigabytes of images and compressed it to a two-gigabyte file that can re-create any of those and iterations of those” images, he said.

One of the many experts I spoke with while reporting this article was an independent AI researcher who has studied Stable Diffusion’s ability to reproduce its training images. (I agreed to keep the researcher anonymous, because they fear repercussions from major AI companies.) Above is one example of this ability: On the left is the original from the web—a promotional image from the TV show Garfunkel and Oates—and on the right is a version that Stable Diffusion generated when prompted with a caption the image appears with on the web, which includes some HTML code: “IFC Cancels Garfunkel and Oates.” Using this simple technique, the researcher showed me how to produce near-exact copies of several dozen images known to be in Stable Diffusion’s training set, most of which include visual residue that looks something like lossy compression—the kind of glitchy, fuzzy effect you may notice in your own photos from time to time.
Karla_Ortiz_from_Karla_Ortiz_com.jpeg
Source: Karla Ortiz
Original artwork by Karla Ortiz (The Death I Bring, 2016, graphite)
Karla_Ortiz_from_stable_diffusion.png
Source: United States District Court, Northern District of California
Output from Stability’s Reimagine XL product (based on Stable Diffusion XL)

Above is another pair of images taken from a lawsuit against Stability AI and other companies. On the left is an original work by Karla Ortiz, and on the right is a variation from Stable Diffusion. Here, the image is a bit further from the original. Some elements have changed. Instead of compressing at the pixel level, the algorithm appears to be copying and manipulating objects from multiple images, while maintaining a degree of visual continuity.

As companies explain it, AI algorithms extract “concepts” from training data and learn to make original work. But the image on the right is not a product of concepts alone. It’s not a generic image of, say, “an angel with birds.” It’s difficult to pinpoint why any AI model makes any specific mark in an image, but we can reasonably assume that Stable Diffusion can render the image on the right partly because it has stored visual elements from the image on the left. It isn’t collaging in the physical cut-and-paste sense, but it also isn’t learning in the human sense the word implies. The model has no senses or conscious experience through which to make its own aesthetic judgments.

Google has written that LLMs store not copies of their training data but rather the “patterns in human language.” This is true on the surface but misleading once you dig into it. As has been widely documented, when a company uses a book to develop an AI model, it splits the book’s text into tokens or word fragments. For example, the phrase hello, my friend might be represented by the tokens he, llo, my, fri, and end. Some tokens are actual words; some are just groups of letters, spaces, and punctuation. The model stores these tokens and the contexts in which they appear in books. The resulting LLM is essentially a huge database of contexts and the tokens that are most likely to appear next.

The model can be visualized as a map. Here’s an example, with the actual most-likely tokens from Meta’s Llama-3.1-70B:
flow chart
Source: The Atlantic / Llama

When an LLM “writes” a sentence, it walks a path through this forest of possible token sequences, making a high-probability choice at each step. Google’s description is misleading because the next-token predictions don’t come from some vague entity such as “human language” but from the particular books, articles, and other texts that the model has scanned.
Recommended Reading

How to Stop a Bird-Murdering Cat
Conor Gearin

The Quiet Cruelty of When Harry Met Sally
Megan Garber
The Wedding Sting
Jeff Maysh

By default, models will sometimes diverge from the most probable next token. This behavior is often framed by AI companies as a way of making the models more “creative,” but it also has the benefit of concealing copies of training text.

Sometimes the language map is detailed enough that it contains exact copies of whole books and articles. This past summer, a study of several LLMs found that Meta’s Llama 3.1-70B model can, like Claude, effectively reproduce the full text of Harry Potter and the Sorcerer’s Stone. The researchers gave the model just the book’s first few tokens, “Mr. and Mrs. D.” In Llama’s internal language map, the text most likely to follow was: “ursley, of number four, Privet Drive, were proud to say that they were perfectly normal, thank you very much.” This is precisely the book’s first sentence. Repeatedly feeding the model’s output back in, Llama continued in this vein until it produced the entire book, omitting just a few short sentences.

Using this technique, the researchers also showed that Llama had losslessly compressed large portions of other works, such as Ta-Nehisi Coates’s famous Atlantic essay “The Case for Reparations.” By prompting with the essay’s first sentence, more than 10,000 words, or two-thirds of the essay, came out of the model verbatim. Large extractions also appear to be possible from Llama 3.1-70B for George R. R. Martin’s A Game of Thrones, Toni Morrison’s Beloved, and others.

The Stanford and Yale researchers also showed this week that a model’s output can paraphrase a book rather than duplicate it exactly. For example, where A Game of Thrones reads “Jon glimpsed a pale shape moving through the trees,” the researchers found that GPT-4.1 produced “Something moved, just at the edge of sight—a pale shape, slipping between the trunks.” As in the Stable Diffusion example above, the model’s output is extremely similar to a specific original work.

This isn’t the only research to demonstrate the casual plagiarism of AI models. “On average, 8–15% of the text generated by LLMs” also exists on the web, in exactly that same form, according to one study. Chatbots are routinely breaching the ethical standards that humans are normally held to.

Memorization could have legal consequences in at least two ways. For one, if memorization is unavoidable, then AI developers will have to somehow prevent users from accessing memorized content, as law scholars have written. Indeed, at least one court has already required this. But existing techniques are easy to circumvent. For example, 404 Media has reported that OpenAI’s Sora 2 would not comply with a request to generate video of a popular video game called Animal Crossing but would generate a video if the game’s title was given as “‘crossing aminal’ [sic] 2017.” If companies can’t guarantee that their models will never infringe on a writer’s or artist’s copyright, a court could require them to take the product off the market.

A second reason that AI companies could be liable for copyright infringement is that a model itself could be considered an illegal copy. Mark Lemley, a Stanford law professor who has represented Stability AI and Meta in such lawsuits, told me he isn’t sure whether it’s accurate to say that a model “contains” a copy of a book, or whether “we have a set of instructions that allows us to create a copy on the fly in response to a request.” Even the latter is potentially problematic, but if judges decide that the former is true, then plaintiffs could seek the destruction of infringing copies. Which means that, in addition to fines, AI companies could in some cases face the possibility of being legally compelled to retrain their models from scratch, with properly licensed material.

In a lawsuit, The New York Times alleged that OpenAI’s GPT-4 could reproduce dozens of Times articles nearly verbatim. OpenAI (which has a corporate partnership with The Atlantic) responded by arguing that the Times used “deceptive prompts” that violated the company’s terms of service and prompted the model with sections from each of those articles. “Normal people do not use OpenAI’s products in this way,” the company wrote, and even claimed “that the Times paid someone to hack OpenAI’s products.” The company has also called this type of reproduction “a rare bug that we are working to drive to zero.”

But the emerging research is making clear that the ability to plagiarize is inherent to GPT-4 and all other major LLMs. None of the researchers I spoke with thought that the underlying phenomenon, memorization, is unusual or could be eradicated.

In copyright lawsuits, the learning metaphor lets companies make misleading comparisons between chatbots and humans. At least one judge has repeated these comparisons, likening an AI company’s theft and scanning of books to “training schoolchildren to write well.” There have also been two lawsuits in which judges ruled that training an LLM on copyrighted books was fair use, but both rulings were flawed in their handling of memorization: One judge cited expert testimony that showed that Llama could reproduce no more than 50 tokens from the plaintiffs’ books, though research has since been published that proves otherwise. The other judge acknowledged that Claude had memorized significant portions of books but said that the plaintiffs had failed to allege that this was a problem.

Research on how AI models reuse their training content is still primitive, partly because AI companies are motivated to keep it that way. Several of the researchers I spoke with while reporting this article told me about memorization research that has been censored and impeded by company lawyers. None of them would talk about these instances on the record, fearing retaliation from companies.

Meanwhile, OpenAI CEO Sam Altman has defended the technology’s “right to learn” from books and articles, “like a human can.” This deceptive, feel-good idea prevents the public discussion we need to have about how AI companies are using the creative and intellectual works upon which they are utterly dependent.
About the Author
Alex Reisner
Alex Reisner is a staff writer at The Atlantic.

#IA #LLM #Methodologie #Copie_servile #Mémoire #Apprentissage

Le #talent, c’est juste l’envie de Répéter - Le Fil Mental - Fabien Olicard
▻https://shows.acast.com/le-fil-mental/episodes/le-talent-cest-juste-lenvie-de-repeter

— Permalink

#travail #pratique #habitude #intention #apprentissage #durée #don #attention #feedback #entrainement #envie #ennui #obsession #répétition #grit #effort

L’Heureux Cyclage
En France/Europe :

https://visionscarto.neocities.org/00-images-seenthis-CDB/Capture%20d%E2%80%99e%CC%81cran%202025-12-19%20a%CC%80%2008.38.20.png

https://visionscarto.neocities.org/00-images-seenthis-CDB/Capture%20d%E2%80%99e%CC%81cran%202025-12-19%20a%CC%80%2008.40.22.png

L’Heureux Cyclage fédère en France plus de 180 #associations qui animent sans but lucratif des ateliers vélo. Les ateliers vélos, dont les premiers vélo sont apparus en #France à Grenoble et à Lyon en 1994 , se définissent par leurs activités de promotion active du vélo basées sur le #réemploi de vélos inutilisés et l’#apprentissage de la mécanique.

►https://www.heureux-cyclage.org/les-ateliers-en-france.html
#vélos #réparation #ateliers #ciclofficina #Europe #cartographie #visualisation #ateliers_vélo #monde

Haro sur la fluence
▻https://www.cafepedagogique.net/2025/12/08/haro-sur-la-fluence

Depuis le début des années 2020, la question de la « fluence » est devenue une obsession de l’Ecole : on déplore que des élèves ne parviennent pas à une lecture suffisamment fluide des textes, on déploie des exercices d’automatisation et des évaluations régulières de la rapidité. La fluence serait-elle une fausse bonne idée pour améliorer la lecture ? C’est ce que montre l’analyse édifiante du phénomène par l’Association Française pour l’Enseignement du Français (AFEF). L’institution s’est emparée de la notion, en oubliant nombre de travaux de recherche et de savoirs professionnels. La mode de la fluence omet que « lire, ce n’est pas seulement décoder et lire avec aisance, c’est se construire comme un sujet lecteur ». Les processus s’avèrent discriminants : « Quand les élèves plus « favorisés » ont des pratiques sociales, familiales, culturelles conniventes avec l’école, les élèves les plus précaires, eux, ont à vivre des exercices d’entrainement afin d’augmenter leur NMCLM (Nombre de Mots Correctement Lus en une Minute) » … Haro sur une Ecole de l’ânonnement !

#lecture #apprentissage #école_primaire #fluence #discriminations

La percée en #équipe
▻https://cursus.edu/fr/34907/la-percee-en-equipe

— Permalink

#teamwork #management #solution #direction #structure #contexte #accompagnement #maturité #apprentissage

Je reviens du futur
▻https://absolument-tout.net/je-reviens-du-futur

Depuis septembre dernier, je fais une série d’ateliers sur les IA génératives pour des étudiant·es de l’IUT de Tours. J’interviendrai au second semestre dans une autre université, sans doute aussi avec des lycéen·nes et des profs du secondaire, évidemment en adaptant le contenu de la présentation au public et aux circonstances. Je suis un peu surpris du nombre de sollicitations que j’ai déjà reçues, parce que j’ai l’impression de dire des évidences, mais manifestement beaucoup de personnes sont un peu perdues, entre les injonctions à renoncer à ChatGPT, à ses oeuvres et à ses pompes, d’un côté, et le discours proprement délirant des marchands d’IA, de l’autre.

Du coup j’ai fait un petit site pour présenter mon cours :

Sur l’évolution technique de l’intelligence : une #histoire artificielle - David Bates
▻https://youtu.be/KLYCiFoEfgk

— Permalink

#intelligence #intelligenceartificielle #technologie #cognition #machine #apprentissage #exosomatisation #automatisation #horkheimer #turing #leroigourhan #stiegler #simondo #individus #groupe #coopération #collectif #algorithmes #individuation #anthropologie #bestof

Comment le cerveau humain se compare-t-il aux intelligences artificielles actuelles ? - S. #dehaene
▻https://youtu.be/4yKhDpbFDhQ

— Permalink

#intelligenceartificielle #intelligence #neurosciences #cognition #apprentissage #langage #perception #symbolique #espace #géométrie #mathématique #structure #bestof

Apprendre un chat - Thot Cursus
▻https://cursus.edu/fr/34642/apprendre-un-chat

— Permalink

#intelligence #IntelligenceArtificielle #apprentissage

#grammaire #générative et intelligence artificielle générative - Luigi Rizzi
▻https://youtu.be/KqGAeiyZH04

— Permalink

#linguistique #langage #LLMs #cognition #intelligenceartificielle #hiérarchie #coréférence #déplacement #apprentissage #induction

#Anki

Remembering is easier with Anki

Anki is a #flashcard program that helps you spend more time on challenging material, and less on what you already know.

▻https://apps.ankiweb.net
#app #mémoire #fiches #apprentissage

#IA et #éducation (1/2) : plongée dans l’IApocalypse éducative

L’#IA_générative est en train de transformer en profondeur le monde de l’éducation, où les élèves l’utilisent massivement pour faire leurs devoirs. Entre dénis et illusions, comment s’adapter ? Faut-il s’adapter ?

A l’été 2023, Ethan Mollick, professeur de management à Wharton, co-directeur du Generative AI Labs et auteur de #Co-intelligence : vivre et travailler avec l’IA (qui vient de paraître en français chez First), décrivait dans son excellente newsletter, One useful thing, l’apocalypse des #devoirs. Cette apocalypse qu’il annonçait était qu’il ne serait plus possible pour les enseignants de donner des devoirs à leurs élèves à cause de l’IA, redoutant une triche généralisée.

Pourtant, rappelait-il, la triche est là depuis longtemps. Une étude longitudinale de 2020 montrait déjà que de moins en moins d’élèves bénéficiaient des devoirs qu’ils avaient à faire. L’étude, menée par le professeur de psychologie cognitive, Arnold Glass du Learning and memory laboratory de Rutgers, montrait que lorsque les élèves faisaient leurs devoirs en 2008, cela améliorait leurs notes aux examens pour 86% d’entre eux, alors qu’en 2017, les devoirs ne permettaient plus d’améliorer les notes que de 45% des élèves. Pourquoi ? Parce que plus de la moitié des élèves copiaient-collaient les réponses à leurs devoirs sur internet en 2017, et n’en tiraient donc pas profit. Une autre étude soulignait même que 15% des élèves avaient payé quelqu’un pour faire leur devoir, généralement via des sites d’aides scolaires en ligne. Si #tricher s’annonce plus facile avec l’IA, il faut se rappeler que c’était déjà facile avant sa généralisation.

Les #calculatrices n’ont pas tué les #mathématiques

Mais la triche n’est pas la seule raison pour laquelle l’IA remet en question la notion même de devoirs. Mollick rappelle que l’introduction de la calculatrice a radicalement transformé l’enseignement des mathématiques. Dans un précédent article, il revenait d’ailleurs sur cette histoire. Lorsque la calculatrice a été introduite dans les écoles, les réactions ont été étonnamment proches des inquiétudes initiales que Mollick entend aujourd’hui concernant l’utilisation de l’IA par les élèves. En s’appuyant sur une thèse signée Sarah Banks, Mollick rappelle que dès les années 70, certains professeurs étaient impatients d’intégrer l’usage des calculatrices dans leurs classes, mais c’était loin d’être le cas de tous. La majorité regardait l’introduction de la calculatrice avec suspicion et les parents partagaient l’inquiétude que leurs enfants n’oublient les bases des maths. Au début des années 80, les craintes des enseignants s’étaient inversées, mais très peu d’écoles fournissaient de calculatrices à leurs élèves. Il faut attendre le milieu des années 1990, pour que les calculatrices intègrent les programmes scolaires. En fait, un consensus pratique sur leur usage a été atteint. Et l’enseignement des mathématiques ne s’est pas effondré (même si les tests Pisa montrent une baisse de performance, notamment dans les pays de l’OCDE, mais pour bien d’autres raisons que la généralisation des calculatrices) (▻https://stanford.edu/~cpiech/bio/papers/gptsurprise.pdf).

Pour Mollick, l’intégration de l’IA à l’école suivra certainement un chemin similaire. « Certains devoirs nécessiteront l’assistance de l’IA, d’autres l’interdiront. Les devoirs d’écriture en classe sur des ordinateurs sans connexion Internet, combinés à des examens écrits, permettront aux élèves d’acquérir les #compétences_rédactionnelles de base. Nous trouverons un consensus pratique qui permettra d’intégrer l’IA au processus d’#apprentissage sans compromettre le développement des #compétences essentielles. Tout comme les calculatrices n’ont pas remplacé l’apprentissage des mathématiques, l’IA ne remplacera pas l’apprentissage de l’#écriture et de la #pensée_critique. Cela prendra peut-être du temps, mais nous y parviendrons », explique Mollick, toujours optimiste.

Pourquoi faire des devoirs quand l’IA les rend obsolètes ?

Mais l’impact de l’IA ne se limite pas à l’écriture, estime Mollick. Elle peut aussi être un vulgarisateur très efficace et #ChatGPT peut répondre à bien des questions. L’arrivée de l’IA remet en cause les méthodes d’enseignements traditionnelles que sont les #cours_magistraux, qui ne sont pas si efficaces et dont les alternatives, pour l’instant, n’ont pas connu le succès escompté. « Les cours magistraux ont tendance à reposer sur un #apprentissage_passif, où les étudiants se contentent d’écouter et de prendre des notes sans s’engager activement dans la résolution de problèmes ni la pensée critique. Dans ce format, les étudiants peuvent avoir du mal à retenir l’information, car leur attention peut facilement faiblir lors de longues présentations. De plus, l’approche universelle des cours magistraux ne tient pas compte des différences et des capacités individuelles, ce qui conduit certains étudiants à prendre du retard tandis que d’autres se désintéressent, faute de stimulation ». Mollick est plutôt partisan de l’#apprentissage_actif, qui supprime les cours magistraux et invite les étudiants à participer au processus d’apprentissage par le biais d’activités telles que la #résolution_de_problèmes, le #travail_de_groupe et les #exercices_pratiques. Dans cette approche, les étudiants collaborent entre eux et avec l’enseignant pour mettre en pratique leurs apprentissages. Une méthode que plusieurs études valorisent comme plus efficaces, même si les étudiants ont aussi besoin d’enseignements initiaux appropriés.

La solution pour intégrer davantage d’apprentissage actif passe par les #classes_inversées, où les étudiants doivent apprendre de nouveaux concepts à la maison (via des vidéos ou des ressources numériques) pour les appliquer ensuite en classe par le biais d’activités, de discussions ou d’exercices. Afin de maximiser le temps consacré à l’apprentissage actif et à la pensée critique, tout en utilisant l’apprentissage à domicile pour la transmission du contenu.

Pourtant, reconnaît Mollick, l’apprentissage actif peine à s’imposer, notamment parce que les professeurs manquent de ressources de qualité et de matériel pédagogique inversé de qualité. Des lacunes que l’IA pourrait bien combler. Mollick imagine alors une classe où des tuteurs IA personnalisés viendraient accompagner les élèves, adaptant leur enseignement aux besoins des élèves tout en ajustant les contenus en fonction des performances des élèves, à la manière du manuel électronique décrit dans L’âge de diamant de Neal Stephenson, emblème du rêve de l’apprentissage personnalisé. Face aux difficultés, Mollick à tendance à toujours se concentrer « sur une vision positive pour nous aider à traverser les temps incertains à venir ». Pas sûr que cela suffise.

Dans son article d’août 2023, Mollick estime que les élèves vont bien sûr utiliser l’IA pour tricher et vont l’intégrer dans tout ce qu’ils font. Mais surtout, ils vont nous renvoyer une question à laquelle nous allons devoir répondre : ils vont vouloir comprendre pourquoi faire des devoirs quand l’IA les rend obsolètes ?

Perturbation de l’écriture et de la #lecture

Mollick rappelle que la dissertation est omniprésente dans l’enseignement. L’écriture remplit de nombreuses fonctions notamment en permettant d’évaluer la capacité à raisonner et à structurer son #raisonnement. Le problème, c’est que les dissertations sont très faciles à générer avec l’IA générative. Les détecteurs de leur utilisation fonctionnent très mal et il est de plus en plus facile de les contourner. A moins de faire tout travail scolaire en classe et sans écrans, nous n’avons plus de moyens pour détecter si un travail est réalisé par l’homme ou la machine. Le retour des dissertations sur table se profile, quitte à grignoter beaucoup de temps d’apprentissage.

Mais pour Mollick, les écoles et les enseignants vont devoir réfléchir sérieusement à l’utilisation acceptable de l’IA. Est-ce de la triche de lui demander un plan ? De lui demander de réécrire ses phrases ? De lui demander des références ou des explications ? Qu’est-ce qui peut-être autorisé et comment les utiliser ?

Pour les étudiants du supérieur auxquels il donne cours, Mollick a fait le choix de rendre l’usage de l’IA obligatoire dans ses cours et pour les devoirs, à condition que les modalités d’utilisation et les consignes données soient précisées. Pour lui, cela lui a permis d’exiger des devoirs plus ambitieux, mais a rendu la notation plus complexe.

Mollick rappelle qu’une autre activité éducative primordiale reste la lecture. « Qu’il s’agisse de rédiger des comptes rendus de lecture, de résumer des chapitres ou de réagir à des articles, toutes ces tâches reposent sur l’attente que les élèves assimilent la lecture et engagent un dialogue avec elle ». Or, l’IA est là encore très performante pour lire et résumer. Mollick suggère de l’utiliser comme partenaire de lecture, en favorisant l’interaction avec l’IA, pour approfondir les synthèses… Pas sûr que la perspective apaise la panique morale qui se déverse dans la presse sur le fait que les étudiants ne lisent plus. Du New Yorker (« Les humanités survivront-elles à ChatGPT ? » ou « Est-ce que l’IA encourage vraiement les élèves à tricher ? ») à The Atlantic (« Les étudiants ne lisent plus de livres » ou « La génération Z voit la lecture comme une perte de temps ») en passant par les pages opinions du New York Times (qui explique par exemple que si les étudiants ne lisent plus c’est parce que les compétences ne sont plus valorisées nulles part), la perturbation que produit l’arrivée de ChatGPT dans les études se double d’une profonde chute de la lecture, qui semble être devenue d’autant plus inutile que les machines les rendent disponibles. Mêmes inquiétudes dans la presse de ce côté-ci de l’Atlantique, du Monde à Médiapart en passant par France Info…

Mais l’IA ne menace pas que la lecture ou l’écriture. Elle sait aussi très bien résoudre les problèmes et exercices de math comme de science.

Pour Mollick, comme pour bien des thuriféraires de l’IA, c’est à l’école et à l’enseignement de s’adapter aux perturbations générées par l’IA, qu’importe si la société n’a pas demandé le déploiement de ces outils. D’ailleurs, soulignait-il très récemment, nous sommes déjà dans une éducation postapocalyptique. Selon une enquête de mai 2024, aux Etats-Unis 82 % des étudiants de premier cycle universitaire et 72 % des élèves de la maternelle à la terminale ont déjà utilisé l’IA. Une adoption extrêmement rapide. Même si les élèves ont beau dos de ne pas considérer son utilisation comme de la triche. Pour Mollick, « la triche se produit parce que le travail scolaire est difficile et comporte des enjeux importants ». L’être humain est doué pour trouver comment se soustraire ce qu’il ne souhaite pas faire et éviter l’#effort_mental. Et plus les #tâches_mentales sont difficiles, plus nous avons tendance à les éviter. Le problème, reconnaît Mollick, c’est que dans l’éducation, faire un #effort reste primordial.

Dénis et illusions

Pourtant, tout le monde semble être dans le #déni et l’#illusion. Les enseignants croient pouvoir détecter facilement l’utilisation de l’IA et donc être en mesure de fixer les barrières. Ils se trompent très largement. Une écriture d’IA bien stimulée est même jugée plus humaine que l’écriture humaine par les lecteurs. Pour les professeurs, la seule option consiste à revenir à l’écriture en classe, ce qui nécessite du temps qu’ils n’ont pas nécessairement et de transformer leur façon de faire cours, ce qui n’est pas si simple.

Mais les élèves aussi sont dans l’illusion. « Ils ne réalisent pas réellement que demander de l’aide pour leurs devoirs compromet leur #apprentissage ». Après tout, ils reçoivent des conseils et des réponses de l’IA qui les aident à résoudre des problèmes, qui semble rendre l’apprentissage plus fluide. Comme l’écrivent les auteurs de l’étude de Rutgers : « Rien ne permet de croire que les étudiants sont conscients que leur stratégie de devoirs diminue leur note à l’examen… ils en déduisent, de manière logique, que toute stratégie d’étude augmentant leur note à un devoir augmente également leur note à l’examen ». En fait, comme le montre une autre étude, en utilisant ChatGPT, les notes aux devoirs progressent, mais les notes aux #examens ont tendance à baisser de 17% en moyenne quand les élèves sont laissés seuls avec l’outil (▻https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4895486). Par contre, quand ils sont accompagnés pour comprendre comment l’utiliser comme #coach plutôt qu’outil de réponse, alors l’outil les aide à la fois à améliorer leurs notes aux devoirs comme à l’examen. Une autre étude, dans un cours de programmation intensif à Stanford, a montré que l’usage des chatbots améliorait plus que ne diminuait les notes aux examens.

Une majorité de professeurs estiment que l’usage de ChatGPT est un outil positif pour l’apprentissage. Pour Mollick, l’IA est une aide pour comprendre des sujets complexes, réfléchir à des idées, rafraîchir ses connaissances, obtenir un retour, des conseils… Mais c’est peut-être oublier de sa part, d’où il parle et combien son expertise lui permet d’avoir un usage très évolué de ces outils. Ce qui n’est pas le cas des élèves.
Encourager la réflexion et non la remplacer

Pour que les étudiants utilisent l’IA pour stimuler leur réflexion plutôt que la remplacer, il va falloir les accompagner, estime Mollick. Mais pour cela, peut-être va-t-il falloir nous intéresser aux professeurs, pour l’instant laissés bien dépourvus face à ces nouveaux outils.

Enfin, pas tant que cela. Car eux aussi utilisent l’IA. Selon certains sondages américains, trois quart des enseignants utiliseraient désormais l’IA dans leur travail, mais nous connaissons encore trop peu les méthodes efficaces qu’ils doivent mobiliser. Une étude qualitative menée auprès d’eux a montré que ceux qui utilisaient l’IA pour aider leurs élèves à réfléchir, pour améliorer les explications obtenaient de meilleurs résultats. Pour Mollick, la force de l’IA est de pouvoir créer des expériences d’apprentissage personnalisées, adaptées aux élèves et largement accessibles, plus que les technologies éducatives précédentes ne l’ont jamais été. Cela n’empêche pas Mollick de conclure par le discours lénifiant habituel : l’éducation quoiqu’il en soit doit s’adapter !

Cela ne veut pas dire que cette adaptation sera très facile ou accessible, pour les professeurs, comme pour les élèves. Dans l’éducation, rappellent les psychologues Andrew Wilson et Sabrina Golonka sur leur blog, « le processus compte bien plus que le résultat« . Or, l’IA fait à tous la promesse inverse. En matière d’éducation, cela risque d’être dramatique, surtout si nous continuons à valoriser le résultat (les notes donc) sur le processus. David Brooks ne nous disait pas autre chose quand il constatait les limites de notre méritocratie actuelle. C’est peut-être par là qu’il faudrait d’ailleurs commencer, pour résoudre l’IApocalypse éducative…

Pour Mollick cette évolution « exige plus qu’une acceptation passive ou une résistance futile ». « Elle exige une refonte fondamentale de notre façon d’enseigner, d’apprendre et d’évaluer les connaissances. À mesure que l’IA devient partie intégrante du paysage éducatif, nos priorités doivent évoluer. L’objectif n’est pas de déjouer l’IA ou de faire comme si elle n’existait pas, mais d’exploiter son potentiel pour améliorer l’éducation tout en atténuant ses inconvénients. La question n’est plus de savoir si l’IA transformera l’éducation, mais comment nous allons façonner ce changement pour créer un environnement d’apprentissage plus efficace, plus équitable et plus stimulant pour tous ». Plus facile à dire qu’à faire. Expérimenter prend du temps, trouver de bons exercices, changer ses pratiques… pour nombre de professeurs, ce n’est pas si évident, d’autant qu’ils ont peu de temps disponible pour se faire ou se former. La proposition d’Anthropic de produire une IA dédiée à l’accompagnement des élèves (Claude for Education) qui ne cherche pas à fournir des réponses, mais produit des modalités pour accompagner les élèves à saisir les raisonnements qu’ils doivent échafauder, est certes stimulante, mais il n’est pas sûr qu’elle ne soit pas contournable.

Dans les commentaires des billets de Mollick, tout le monde se dispute, entre ceux qui pensent plutôt comme Mollick et qui ont du temps pour s’occuper de leurs élèves, qui vont pouvoir faire des évaluations orales et individuelles, par exemple (ce que l’on constate aussi dans les cursus du supérieur en France, rapportait le Monde). Et les autres, plus circonspects sur les évolutions en cours, où de plus en plus souvent des élèves produisent des contenus avec de l’IA que leurs professeurs font juger par des IA… On voit bien en tout cas, que la question de l’IA générative et ses usages, ne pourra pas longtemps rester une question qu’on laisse dans les seules mains des professeurs et des élèves, à charge à eux de s’en débrouiller.

►https://danslesalgorithmes.net/2025/06/24/ia-et-education-1-2-plongee-dans-liapocalypse-educative
#AI #intelligence_artificielle
#à_lire

Pour les jeunes, l’inquiétant bond en arrière des contrats d’apprentissage
▻https://www.lemonde.fr/economie/article/2025/10/03/pour-les-jeunes-l-inquietant-bond-en-arriere-des-contrats-d-apprentissage_66

Avec la conjoncture économique atone, l’incertitude politique et budgétaire, et la baisse des aides de l’Etat, les entreprises freinent les embauches combinant travail en entreprise et enseignement, lesquelles avaient fortement augmenté depuis la crise sanitaire.

C’est inquiétant, ça va miner le business des écoles qui vivent des subventions étatiques sans fournir le moindre service de qualité.

Précarité étudiante : l’urgence d’une réforme des bourses soulignée dans un rapport parlementaire
▻https://www.lemonde.fr/campus/article/2025/10/01/precarite-etudiante-l-urgence-d-une-reforme-des-bourses-soulignee-dans-un-ra

https://img.lemde.fr/2025/10/01/0/0/5568/3712/1440/960/60/0/d128fce_upload-1-bus8janfhicv-000-36h268e.jpg

La députée communiste Soumya Bourouaha dénonce les archaïsmes et les incohérences des aides allouées aux étudiants, dans un rapport présenté, mercredi 1ᵉʳ octobre, à l’Assemblée nationale. Elle préconise, à terme, de substituer aux bourses un revenu étudiant.

[...]

« Près du tiers des boursiers reçoivent mensuellement moins de 150 euros. A l’autre bout de l’échelle, seuls 8,2 % d’entre eux perçoivent 633,50 euros par mois, détaille le rapport. Dans ces conditions, la sortie de la précarité relève de la gageure, d’autant plus que les étudiants recevant ces montants sont les plus précaires par nature, ayant les parents les plus défavorisés. »

[...]

« La demi-part fiscale est en profonde contradiction avec les objectifs de redistribution sociale des aides sur critères sociaux, soutient l’élue. Elle ne bénéficie, par nature, qu’à des foyers acquittant l’impôt sur le revenu, [soit] seulement 44 % des ménages aujourd’hui. Elle est, en outre, fort coûteuse pour les finances publiques, avoisinant un montant de 2 milliards d’euros, à mettre en regard du budget de 2,3 milliards d’euros aujourd’hui consacrés aux bourses sur critères sociaux. »

[...]

Dans les familles qui appartiennent aux 20 % les moins aisées, environ 35 % des jeunes de 18 à 24 ans sont en études, diplômés du supérieur, ou ont atteint un niveau d’enseignement supérieur. Ils sont près de 90 % dans les familles parmi les 10 % les plus aisées.

►https://justpaste.it/4gkig

(le boom de l’#apprentissage dans le supérieur a reposé et repose sur la demande de salaire / revenu)

#étudiants #revenu_étudiant #université

#Finances_publiques : où est passé l’argent ?

https://frustrationmagazine.fr/_image?href=https%3A%2F%2Fadminfrustrationmagazine.fr%2Fwp-content%2Fuploads%2F2025%2F04%2FCapture-decran-2025-04-15-a-16.11.22.jpg

Les visages changent, les mêmes #mensonges restent : cette semaine, le ministre de l’Economie Eric Lombard a annoncé que l’Etat devait trouver de toute urgence « 40 à 50 milliards d’euros » (pour la précision, on repassera) pour freiner le #déficit_public. Ce chiffre sorti du chapeau et annoncé dans l’urgence, relayé par #François_Bayrou qui compare l’#endettement de la France à une dette de 50 000 euros par citoyen, alors que les deux n’ont techniquement rien à voir est devenu un classique de la propagande bourgeoise au XXIe siècle mais se base sur un fait réel : le niveau de #dépenses de l’État est considérable mais nous n’en voyons pas la couleur. Tous ces gens aux commandes du pays depuis trente ans s’accusent mutuellement des déficits publics, s’en déresponsabilisent et surtout les exagèrent pour alimenter leurs #politiques_antisociales. Mais ce coup-ci, les faits sont là : de l’argent a été massivement dépensé durant sept ans, creusant considérablement la #dette_publique. Or, cet argent n’a pas servi à améliorer nos conditions de vie, par exemple via des #services_publics de qualité. Au contraire, ces derniers se sont considérablement dégradés. Alors où est passé l’argent ? Puisque le journalisme mainstream a la mémoire courte, retour chronologique sur les principaux vols commis par le #macronisme en sept ans, pendant lesquels l’argent est passé de nos poches à celles des possédants.

2017 : tout juste arrivé au pouvoir, Macron réduit considérablement nos #recettes_fiscales… pour rien

Un #budget, tout le monde le vit au quotidien, est composé de recettes et de dépenses. Macron a réduit les premières et a considérablement augmenté les secondes, tout en rognant celles dont on avait le plus besoin. À l’automne 2017, le premier budget voté par la majorité macroniste, alors écrasante, a comporté une #réforme_fiscale d’ampleur :

– Suppression de la partie financière de l’#impôt_de_solidarité_sur_la_fortune (#ISF), transformé en #impôt_sur_la_fortune_immobilière (#IFI). Cette mesure fait perdre chaque année 4 milliards d’euros aux contribuables. Son rétablissement a été demandé, en vain, par les Gilets jaunes.

– Mise en place d’un #prélèvement_forfaitaire_unique à 30% (ou #flat_tax) qui est venu réduire considérablement l’#imposition_du_capital. En effet, les plus riches étaient taxés de façon bien supérieure (jusqu’à 45%) et désormais tout le monde paye le même taux sur ses #dividendes, plus-values de cession de valeurs mobilières, l’#assurance-vie… Comment s’étonner dès lors que selon le ministère des #Finances, 44% de cette baisse ait profité aux 1% les plus riches ?

Au total, la suppression de l’ISF et la mise en place de la flat tax rapportent 1,5 million d’euros par an à chacun des cent foyers les plus riches, toujours selon Bercy.

Oui mais l’objectif était de pousser les riches à investir dans notre économie en les libérant du fardeau de nos impôts, non ? Objectif complètement raté, alors. #France_Stratégie, organisme gouvernemental rattaché au Premier ministre, a publié son rapport sur l’effet de ces deux mesures il y a un peu plus d’un mois : l’effet est nul. “L’observation des grandes variables économiques – croissance, investissement, flux de placements financiers des ménages, etc. – avant et après les réformes ne suffit pas pour conclure sur l’effet réel de ces #réformes”, estime le rapport. “Il ne sera pas possible d’estimer par ce seul moyen si la suppression de l’ISF a permis une réorientation de l’#épargne des contribuables concernés vers le financement des entreprises”. Bref, ces deux mesures fiscales ont été des cadeaux purs et simples pour les plus riches.

2017-2024 : Dans la droite lignée de Hollande, Macron réduit l’imposition et les cotisations des #entreprises privées… sans rien demander en retour

Retour en 2014 : #François_Hollande est président, #Arnaud_Montebourg ministre de l’Economie. En cœur, ils annoncent un vaste de plan de réduction d’impôts et de #cotisations_patronales pour les entreprises. Cela s’appelle « #pacte_de_responsabilité_et_de_solidarité » : en échange de ces #aides qui coûtent des milliards aux finances publiques, le #patronat doit créer des #emplois. C’est ce que le #MEDEF promet à l’époque, en défilant sur les plateaux télé avec un badge “#un_million_d’emploi”. Mais il ne signe aucun accord formel.

Mise en œuvre par le nouveau ministre de l’Economie #Emmanuel_Macron, cette réforme réduit les “charges” des entreprises. Devenu président de la République, Macron fait voter à l’automne 2018, dans le budget de la sécurité sociale, la pérennisation de ce dispositif censé être limité dans le temps. Les entreprises ne payent désormais plus aucune #cotisation_patronale sur les bas salaires (coût : plus de 20 milliards d’euros par an). Leur #taux_d’imposition a été considérablement réduit (coût : 11,5 milliards d’euros par an). C’est une perte sèche pour le budget de l’Etat : en effet, la loi prévoit que les baisses de cotisations qui bénéficient à la #sécurité_sociale soient compensées par le budget de l’Etat. Autrement dit, ce que les entreprises privées ne payent plus, ce sont les contribuables qui le payent à leur place, ainsi que les usagers des services publics sur lesquels des économies ont été faites pour financer ces cadeaux.

Au total, ces nombreux dispositifs visant à aider les entreprises représentent 200 milliards d’euros par an à notre charge. Ils sont donc, pour commencer, composés des réductions de cotisations patronales payées par les entreprises. C’est le cas de la #réduction_Fillon, mise en place sous #Nicolas_Sarkozy, qui exonère de cotisations patronales les salaires payés entre 1 et 1,6 SMIC. Vient ensuite la baisse pérenne de #cotisations_sociales, mise en place en 2019, qui exonère de cotisations jusqu’à 2,6 SMIC. Ensuite, il y a des #crédits_d’impôts comme le #Crédit_impôt_recherche (#CIR), mis en place dans les années 1980 puis sans cesse étendu et simplifié, qui donne des crédits d’impôt aux entreprises qui déclarent des dépenses de recherche et développement (quelles qu’elles soient), et enfin le #Pacte_de_responsabilité, donc. La dernière mesure en date est la suppression progressive de la #Cotisation_sur_la_valeur_ajoutée_des_entreprises (#CVAE), 4,3 milliards d’euros perdus chaque année. Chaque gouvernement, depuis le début des années 2000, a ajouté des dizaines de milliards d’euros transférés des ménages (les contribuables) vers les entreprises – mais c’est Macron qui en a fait le plus.

« Nous estimons l’impact de la réforme sur l’#emploi, la #valeur_ajoutée et l’#investissement. Aucun impact n’est détecté sur ces variables. Les entreprises ayant fortement recours au CICE n’ont pas embauché plus, après 2019 que les entreprises ayant peu recours au CICE. »
Rapport de l’Institut des Politiques Publiques, 2022

Des #cadeaux, vraiment ? Ce genre de mesure ne vient-il pas renforcer la “#compétitivité” des entreprises françaises en réduisant le “#coût_du_travail” ? Et non : toutes les études, y compris ministérielles, sur les effets de ces 200 milliards d’euros annuels dépensés pour les #entreprises_privées montrent que les effets sont faibles, voire inexistants. En 2022, l’Institut des politiques publiques disait de la transformation du CICE en baisse pérenne de cotisations patronales : « Nous estimons l’#impact de la réforme sur l’emploi, la valeur ajoutée et l’investissement. Aucun impact n’est détecté sur ces variables. Les entreprises ayant fortement recours au CICE n’ont pas embauché plus, après 2019, que les entreprises ayant peu recours au CICE. »

Le dernier gros rapport en date, celui de l’Institut de recherches économiques et sociales (IRES), n’y va pas par quatre chemins : “L’#efficacité des #allègements du #coût_du_travail se trouve sans doute ailleurs : dans le soutien apporté aux marges des entreprises”, nous dit-il… et ces marges, les entreprises en font bien ce qu’elles veulent. Et ça n’a pas servi à créer de l’emploi, ni à relocaliser notre industrie, mais bien à augmenter les #dividendes des #actionnaires.

https://lh7-rt.googleusercontent.com/docsz/AD_4nXfuI7dVI0Qk8fNkF8k0Nlm8-MpvE0GVnRXcOfDjW73NHzSHk8pl0Yn4p3yBb7lDptctqGK_xafLyIENOgW9n90XOKQ7Bb5qNAJzrpK7ITV0qpCcUMSl5uuNcJjlggjdlfFFxBfvCWm1UTp4PggWktyvS8k?key=xtpa-njA3Ts4Fu-Vof25sQ#.jpg

Ces aides aux entreprises représentent 25% du budget de l’État dépensés chaque année – un montant supérieur au budget de l’Éducation nationale, et nous n’en voyons pas la couleur. Ils sont absorbés ailleurs. Et on appelle cela « l’économie de marché », « la loi du marché », « le capitalisme globalisé » ? La vérité, c’est que nous #subventionnions les entreprises privées à hauteur de 10 milliards d’euros par an en 1980, nous renseigne ce même rapport, contre au moins 200 milliards en 2024.

2019 : la #prime_d’activité pour faire payer les contribuables à la place des actionnaires

En décembre 2018, le mouvement des Gilets jaunes dévaste les beaux quartiers de Paris après avoir pris son envol sur les ronds-points partout dans le pays. Ce mouvement sans leader ni parti inquiète le gouvernement, Macron prépare même un hélicoptère pour pouvoir échapper à la foule en colère le 8 décembre.

“On bosse mais on ne s’en sort pas” : les manifestants qui se sont d’abord mobilisés contre la tentative de hausse de la #taxe_sur_le_carburant ont fini par réclamer la fin des cadeaux pour les entreprises et le retour de l’ISF. Le gouvernement a finalement – pour la première fois depuis longtemps – cédé face au mouvement social, en renonçant à sa taxe injuste. Il a en outre proposé une amélioration des revenus des plus modestes.

Pour cela, il n’a pas augmenté le #SMIC et ainsi mis à contribution le patronat et les actionnaires. Non, il a augmenté la prime d’activité, dispositif créé sous Hollande et qui permet aux salariés aux revenus modestes de bénéficier d’un complément de revenu versé par l’Etat, c’est-à-dire nous. Après les Gilets jaunes, les salariés au SMIC ont touché 90 euros de plus, ce qui n’est pas négligeable. Mais en refusant de faire contribuer le patronat, le gouvernement dépense chaque année 10 milliards d’euros pour compenser la faiblesse des salaires versés par les entreprises.

2022 : le scandale #McKinsey révèle la ruine quotidienne de l’Etat au profit des copains

Début 2022, peu avant la campagne présidentielle qui allait permettre la réélection de Macron avec l’aide de son joker Le Pen, on apprenait que l’Etat français aurait payé au moins 1 milliard d’euros par an à des #cabinets_de_conseil pour concevoir sa politique, en doublon de l’administration publique et pour des missions dont l’intérêt n’est pas facile à saisir (et le mot est faible). De l’argent public balancé par les fenêtres ? Oui, et principalement en faveur d’une entreprise, McKinsey, dont on a appris en mars de la même année qu’elle ne payait absolument aucun impôt en France. L’homme en charge de la passation de contrat de ce cabinet de conseil avec l’Etat n’est autre qu’un ami du président, #Karim_Tadjeddine, qui partage avec lui une vision de l’Etat « en mode start up ».

En 2021, le poids croissant de ces consultants dans la gestion des affaires publiques ayant fait un peu de bruit, le groupe communiste au Sénat avait mis en place une commission d’enquête chargée de faire la lumière sur cette nouvelle tendance. Le rapport qui en a résulté est particulièrement riche car il se base sur des dizaines d’heures d’audition des principaux acteurs de l’affaire, des consultants eux-mêmes aux ministres qui ont fait appel à eux.

On y apprend d’abord que les dépenses de cabinet de conseil ont doublé au cours du quinquennat, pour atteindre la somme d’un milliard d’euros en 2021. Pour comparaison, le budget annuel consacré à l’égalité femmes-hommes est de 50 millions d’euros. Donner de l’argent aux cabinets privés semble être la véritable « grande cause du quinquennat », à en croire le rapport, qui souligne le recours de plus en plus systématique à leurs services, majoritairement en doublons de compétences existantes dans l’administration publique. Les rapporteurs précisent que la somme d’un milliard d’euros annuelle est « une estimation minimale car les dépenses des opérateurs sont en réalité plus élevées. Si la commission d’enquête a interrogé ceux dont le budget était le plus important (Pôle emploi, Caisse des dépôts et consignations, etc.), l’échantillon ne représente que 10 % du total des opérateurs » (p.8). La somme d’un milliard d’euros est donc TRÈS sous-estimée.

Pour quoi faire ? Parfois rien du tout : le rapport documente ainsi une facture de 496 800€ de McKinsey pour une mission de réflexion sur « l’avenir du métier d’enseignant » qui n’a pas abouti. Enfin si, ça a abouti à un rapport de deux cent pages qui enfonce des portes ouvertes – soit 2 480€ la page. Mais aussi 558 900€ pour le cabinet #Boston_Consulting_Group (#BCG pour les intimes), pour l’organisation d’une “#convention_des_managers_de_l’Etat”… qui n’a jamais eu lieu.

Ce mois-ci, l’émission Cash Investigation est venue confirmer ce qui se dessinait il y a deux ans : oui, les consultants de McKinsey ont bien travaillé gratuitement pour le candidat Macron en 2017, ce qui explique pourquoi l’Etat a eu autant recours à leur service depuis son élection.

On pourrait parler aussi de l’explosion du budget du palais de l’Elysée ou de la façon dont le ministre des Comptes publics Gérald Darmanin a aidé les propriétaires du Paris-St-Germain à éviter de payer des impôts lors du transfert de Neymar en 2017… Les exemples ne manquent pas pour montrer la façon dont Macron et ses sbires ont dilapidé notre argent.

2023 : la barre d’un million d’apprentis donnés quasi gratuitement au patronat est franchie

En 2018, la loi dite « #pour_la_liberté_de_choisir_son_avenir_professionnel » a permis de profonds changements alors qu’elle est passée, sur le moment, inaperçue. C’est parce que cette loi existe que le gouvernement a pu affaiblir brutalement l’#assurance-chômage. C’est cette loi qui a libéralisé la #formation_professionnelle et provoqué l’augmentation des arnaques pour les salariés en désir de reconversion. Et c’est cette loi qui a provoqué l’augmentation considérable du nombre d’apprentis en France. Les #apprentis sont des jeunes qui, pour obtenir un diplôme, se forment en #alternance, c’est-à-dire en travaillant pour une entreprise sensée les former et accompagnés par un organisme de formation. Entre 2017 et 2022, le nombre de nouveaux contrats d’#apprentissage signés est passé d’un peu plus de 320 000 à 837 000. En 2023, on aurait donc atteint le million.

Cette augmentation a principalement été obtenue grâce à de la distribution d’argent public au patronat français : pour chaque contrat signé, la première année, les entreprises privées ont touché entre 5 000 et 8 000 euros d’aides à partir de 2020. Désormais, une aide unique de 6 000 euros leur est octroyée. Concrètement, et puisque la rémunération des apprentis est très basse, cela signifie qu’embaucher un apprenti de moins de 18 ans ne coûte pas un centime aux entreprises la première année : le contribuable paye tout à la place du patron. Sur ce site de promotion de l’apprentissage, on apprend ainsi que la dépense publique permet au patronat de dépenser un minimum pour rémunérer ses apprentis. Même la troisième année, cela coûte nettement moins cher que d’embaucher un salarié au SMIC. Il faut ajouter à ça le fait que les contrats d’apprentissage sont largement exonérés de cotisations patronales : concrètement, ça ne coûte quasi plus rien d’embaucher un apprenti.

Nous ne sommes pas passés de 300 000 à un million d’apprentis en six ans simplement parce qu’un beau matin de nombreux patrons se sont découvert une vocation pédagogique. Toutes les études, notamment celle de la Cour des Comptes, montrent que c’est bien la prise en charge par l’Etat de l’apprentissage qui a provoqué un effet d’aubaine et incité les employeurs à recourir à cette main d’œuvre gratuite. Après tout, pourquoi s’en priver ?

Et puisque les critères sont inexistants et que le seul encadrement provient d’organismes de formation souvent privés et peu scrupuleux (et cogérés par le patronat via les Chambres de commerce et d’industrie, dans le cas des CFA), les abus explosent. Selon une étude de l’Observatoire de l’alternance, un organisme patronal, 27% des alternants sondés déclarent ne pas avoir eu de tuteur pendant leur contrat de travail, ce qui est totalement illégal. Et seules 40% des entreprises sondées déclarent former leur tuteur. Une proportion qui chute à 28% dans le commerce. L’apprentissage n’est pas une chance pour la jeunesse. D’abord, c’est une nouvelle réserve de main d’œuvre gratuite ou à prix cassé pour le patronat. Ensuite c’est une main d’œuvre docile, que l’on forme à devenir les salariés soumis du futur. Des salariés qui n’auront pas pu choisir leur vie et dont la formation très spécialisée les enchaîne à un secteur professionnel.

En 2024, le coût de l’apprentissage pourrait avoisiner les 25 milliards d’euros pour les contribuables ! Et pour quels effets durables ? Potentiellement catastrophiques, au point que l’OFCE parle, dans une étude récente, de “#bulle_de_l’apprentissage”. « Il y a beaucoup d’emplois artificiels, explique Bruno Coquet, économiste, au journal La Tribune. La Dares et l’OFCE avaient estimé leur nombre entre 200 000 et 250 000, il y a deux ans. Tous ces emplois pourraient disparaître. Certains emplois en apprentissage se sont substitués à des contrats en CDD ou CDI, car ils coûtaient moins cher. Ces effets de substitution ont été estimés à 200 000. »

https://adminfrustrationmagazine.fr/wp-content/uploads/2025/04/recap-depenses-macron-1024x855.jpeg

2025 : la contribution des grandes entreprises est écourtée

Lors du budget préparé par #Michel_Barnier (éphémère Premier ministre du gouvernement putschiste de l’automne 2024) prévoyait un certain nombre de micro-reculs dans cette politique pro-actionnaires. Ce budget prévoyait la réduction des #aides_aux_entreprises dans le cadre de l’apprentissage et, dans sa version parvenue à l’après-dissolution, comportait un projet de surtaxe sur le bénéfice des grandes entreprises, pendant deux ans. Aussitôt annoncée, cette mesure a provoqué la colère de #Bernard_Arnault. Le patron de #LVMH n’a pas supporté cette mini-contribution au redressement des finances publiques et a rappelé à Macron son unique mandat : continuer de gaver les capitalistes. La surtaxe a donc été réduite à une seule année, comme l’a confirmé le ministre de l’Economie Eric Lombard ; le même jour, il annonçait la nécessité de trouver 40 milliards de plus en réduisant les dépenses publiques… Cet abandon va nous coûter 4 milliards d’euros, qui vont donc rester dans la poche des actionnaires. C’était évidemment insuffisant pour un rééquilibrage budgétaire mais cela ouvrait la porte au débat sur l’état et l’origine des recettes de l’État : elles sont de plus en plus faibles car Macron a pour mission d’exonérer les riches d’impôts.

Une #dette creusée… contre nous

Une dette importante, ce n’est pas un problème en soi, comme nous l’avons montré à plusieurs reprises. Ce qui est un problème, c’est que cette dette-là n’a servi à rien : elle n’est pas un #investissement dans l’avenir, elle est constituée de multiples cadeaux aux plus fortunés. Et ces cadeaux se sont révélés tout bonnement improductifs : ils ont servi à accumuler, pas à investir.

Les preuves sont là : la fortune des 500 familles les plus riches de France a été multipliée par 3,1 en 10 ans. C’est normal : les dividendes ont régulièrement augmenté ces dernières années, pas tant parce que nos entreprises sont plus performantes que parce qu’elles sont beaucoup moins imposées et davantage aidées. Or, aucune de ces aides n’est conditionnée : les entreprises en font ce qu’elles veulent. Le patronat a visiblement décidé d’attribuer une bonne part de ces gains aux actionnaires. Or, 96 % des dividendes sont attribués à 1 % de l’ensemble des foyers fiscaux, selon France Stratégie.

Ces gens enrichis vont-ils un jour investir et entretenir une saine croissance qui pourrait, à terme, bénéficier à nos emplois et nos salaires ? C’est que les macronistes ont affirmé pendant des années, sans le moindre effet. Désormais, ils ne prennent même plus la peine de nous le faire croire. Leur dictature bourgeoise n’a plus besoin de motifs. Le vol est de toute façon trop caractérisé.

Pendant que quelques-uns accumulaient, l’état du reste de la société s’est considérablement dégradé. Tout le monde a pu constater le délabrement des services publics – ce patrimoine commun des moins fortunés. De façon encore plus nette, la pauvreté a augmenté ces dernières années. La crise inflationniste, dont nous avons montré à quel point elle profitait aux possédants, est venue augmenter cette tendance.

Macron nous a bel et bien pillé. Début juillet, les électeurs ont décidé de lui retirer le pouvoir de continuer, en votant majoritairement NFP et RN. Qu’à cela ne tienne : avec son coup d’Etat, il a décidé de continuer ce #vol_en_bande_organisée… Jusqu’à ce que nous le stoppions par d’autres moyens.

►https://frustrationmagazine.fr/finances-publiques-ou-est-largent
#France #pillage #à_lire

signalé aussi par @monolecte
▻https://seenthis.net/messages/1126878

Les #enfants sur l’écolieu des Perrières
▻https://www.passerelleco.info/N86#artheme1025

Catherine raconte comment l’Écolieu des Perrières, en Isère, accueille des familles : 7 adultes et 8 enfants. Les enfants y tissent des liens forts entre eux et avec les adultes, développent autonomie et compétences via des projets (pâtisserie, construction, animaux...) et des apprentissages à travers un soutien parental mutualisé, par exemple en accompagnant des adultes dans leurs activités. Défis de la vie en #collectif au regard des enfants. Gestion des conflits par la médiation ou l’auto-régulation. Et au final, malgré les imperfections, les enfants apprécient fortement ce mode de vie !

Dossier à lire dans la revue Passerelle Éco n°86 ►https://www.passerelleco.info/N86 ...

#écolieu #participation #intergénérationnel #vie_collective #apprentissages_autonomes

▻https://www.passerelleco.info/IMG/logo/photo_2025-05-07_14.21_05_hrw_x.jpg?1757278279

Troubles dans les apprentissages : neurosciences cognitives et difficultés scolaires | #Stanislas_Morel, Revue européenne des sciences sociales, 2016
▻http://journals.openedition.org/ress/3526

Deux caractéristiques de la construction scientifique des NC [#neurosciences_cognitives] conditionnent largement ses usages potentiels dans le domaine des #apprentissages scolaires. La première est que les NC sont résolument orientées vers l’action à travers un matérialisme scientifique présenté comme libéré des a priori idéologiques et politiques. Contrairement à certaines idées reçues, elles tendent, au moins aujourd’hui, à reléguer au second plan les questionnements ontologiques (quelle est la cause première des difficultés d’apprentissage ?) et à privilégier, d’une part, une approche descriptive des processus cognitifs engagés dans les apprentissages – et de leurs « corrélats anatomiques » – et, d’autre part, l’élaboration d’« interventions », qui ont pour objectif de maximiser les performances cognitives des individus et dont l’efficacité est expérimentalement démontrée. Ainsi, outre la fascination associée à la découverte des mystères du cerveau, une partie de l’attrait actuellement exercé par les NC est étroitement liée à l’espoir, entretenu à la fois par les chercheurs et par leurs auditoires, de résolution totale ou partielle de certains « problèmes » qui perturbent le fonctionnement de nos sociétés. La seconde caractéristique tient à la capacité des NC à étudier à la fois le « normal » et le « pathologique », voire à brouiller les frontières entre ces deux « registres ». Ce large empan de la recherche est à l’origine d’une multiplication des applications possibles et permet aux chercheurs NC de disposer de plusieurs leviers pour diffuser leurs recommandations. Dans le domaine de l’apprentissage de la lecture par exemple, la mise en évidence des processus cognitifs et des « neurones de la lecture » (Dehaene, 2007) conduit à des préconisations dans le domaine de la pédagogie générale (Dehaene, 2011), tandis que la découverte de pathologies largement répandues comme la #dyslexie débouche sur la construction de problèmes de santé publique. Ces deux types de problématisations des difficultés d’apprentissage actionnent des leviers et mobilisent des acteurs différents et complémentaires.

[...]

L’approche des difficultés d’apprentissage par les NC s’est d’abord trouvée, à partir des années 1990, en phase avec le travail de redéfinition du problème de l’#échec_scolaire entrepris par certains experts (universitaires, spécialistes de l’éducation exerçant dans les organisations internationales), hauts fonctionnaires ou hommes politiques (Morel, 2014). Les constats alarmistes sur les performances du système éducatif français (augmentation des inégalités, niveau très bas et en baisse des élèves les plus faibles – OCDE, 2014) ont conduit à redéfinir les modalités de la démocratisation scolaire et de la lutte contre l’échec scolaire. À l’ambition prioritaire de faire accéder l’ensemble d’une classe d’âge à des études de plus en plus longues et à des titres scolaires de plus en plus élevés (80 % d’élèves titulaires d’un bac, 50 % titulaires d’un diplôme du supérieur), s’est substituée celle d’assurer à l’ensemble des élèves une meilleure maîtrise des savoirs fondamentaux au cours de la scolarité obligatoire et, plus particulièrement, à l’#école primaire. Apprendre aux élèves à être plus performants dans certaines compétences de bases (lire, écrire, compter) qui conditionnent toute la scolarité est devenu la priorité affichée des gouvernements successifs, quelle que soit leur couleur politique. Outre le déplacement du centre de gravité du problème de l’échec scolaire vers le premier degré et le recentrement sur les savoirs fondamentaux, la différenciation des apprentissages a été le second mot d’ordre de la réforme pédagogique. Depuis le début des années 2000, l’idée que le #collège unique français n’individualise pas suffisamment les enseignements s’est largement imposée, tout comme le fait que l’échec scolaire résulte avant tout de la somme des défaillances individuelles d’élèves à besoins éducatifs particuliers. Ces deux grandes orientations de la réforme pédagogique sont en phase, selon des modalités qu’il convient de définir, avec l’approche des difficultés d’apprentissage par les NC.

[...]

Enfin, parce qu’elles adhèrent, du fait de leur ancrage dans les biosciences, à l’« évidence » d’une différenciation des capacités cognitives en fonction de l’appareillage #génétique et biologique des individus – tout en relativisant tout déterminisme en la matière –, les NC sont en phase avec la remise en cause actuelle, sous une forme euphémisée, de l’égalitarisme qui aurait prévalu dans la première phase de démocratisation scolaire. Elles contribuent ainsi à renforcer la logique actuellement dominante selon laquelle l’efficacité de l’École devrait désormais être évaluée en fonction de sa capacité à maximiser le potentiel d’élèves aux capacités cognitives biologiquement et socialement différenciées.

Pour toutes les raisons qui viennent d’être évoquées, on peut dire que le succès de l’importation des NC dans le domaine des apprentissages scolaires tient, au moins pour une part, au fait que s’y réfractent, plus que dans d’autres disciplines, les représentations dominantes, produites dans l’univers politique et scolaire, de ce que veut actuellement dire « lutter contre l’échec scolaire ». Cette réfraction n’est pas seulement le produit d’une convergence asymptotique à un instant t, elle est aussi la conséquence de l’appropriation des recherches en NC dans les milieux politiques et pédagogiques.

#TSA