Enseigner et apprendre les SIG à l’ère de l’IA (partie 1)

Les outils d’IA transforment les possibilités dans la sphère géospatiale. Mais des outils puissants ne produisent pas automatiquement une bonne pensée spatiale. Pour une nouvelle génération d’étudiants et d’enseignants en SIG, l’écart entre ce que ces outils sont capables de produire et ce que les utilisateurs comprennent réellement se creuse rapidement.  Cette série explore ce que signifie enseigner et apprendre les SIG à une époque où les outils deviennent de plus en plus performants pour simuler un jugement qu’ils ne peuvent pas remplacer.

Dans cette première partie d’une série de trois articles sur l’enseignement et l’apprentissage des SIG à l’ère de l’IA, je souhaite revenir sur mon propre parcours dans le domaine géospatial et partager quelques réflexions sur l’évolution du contexte, tant pour les étudiants que pour les enseignants, à la lumière des récents progrès technologiques.

Je suis arrivé aux SIG par une voie peu conventionnelle. Ma recherche doctorale portait sur les archives d’Ebla, un ensemble de tablettes cunéiformes provenant de la Syrie de l’âge du bronze, qui documentent la vie politique et économique d’un ancien royaume du Proche-Orient. Il ne s’agissait pas de cartes, mais de registres administratifs contenant les noms de centaines de lieux différents, allant de petits villages à de grands royaumes rivaux.

Les tablettes cunéiformes comme celle-ci contiennent souvent des informations précieuses sur l’administration, l’économie, la politique et la géographie des anciens royaumes du Proche-Orient comme Ebla.

Mon travail faisait appel à l’analyse spatiale et à la théorie des graphes pour retracer la manière dont les noms de lieux se regroupaient dans des milliers de ces documents, afin de repérer des tendances de géographie politique que les scribes ne rendaient jamais explicites. Quelles localités apparaissaient ensemble? À quelle fréquence, dans quels contextes, sous quels types de leadership? L’analyse a mis en évidence quelque chose de véritablement intéressant : l’organisation des noms de lieux dans les tablettes semble refléter le statut politique de ces établissements par rapport à Ebla et les uns par rapport aux autres, et possiblement par rapport à la géographie commerciale et politique plus large du nord-ouest de la Syrie à l’âge du bronze. Il ne s’agissait pas d’une conclusion définitive, mais d’un motif rendu visible par l’analyse spatiale, une tendance qu’aucune lecture attentive, à elle seule, n’aurait permis de faire émerger. Au fond, c’était un problème géospatial. Il impliquait simplement des tablettes d’argile plutôt que des fichiers SHP.

Le travail était lent et méticuleux : construire manuellement les données relationnelles, poser des jugements sur la façon de structurer les relations géographiques, décider quelles tendances étaient significatives et lesquelles relevaient d’artefacts liés à la manière dont les données avaient été consignées. Personne ne pouvait résoudre ces problèmes à ma place. En revanche, la construction des données, la détection des tendances et le codage auraient tous pu être considérablement accélérés par des outils d’IA, et je souhaite sincèrement qu’ils aient existé lorsque j’étais étudiant aux cycles supérieurs.

Ce que j’ai compris avec le temps, toutefois, c’est que je n’aurais pu utiliser ces outils efficacement que parce que j’avais déjà effectué le travail de réflexion en amont. Je comprenais la logique spatiale du problème. Je savais à quoi ressemblait un résultat suspect. J’avais développé, au fil d’un travail lent et parfois frustrant, ce type de jugement qui permet de reconnaître qu’il y a quelque chose de géographiquement incohérent, même si tout semble correct à l’écran. Si j’avais disposé d’outils d’IA à l’époque, ils auraient servi l’analyse, sans la diriger.

J’y pense constamment aujourd’hui, en observant arriver une nouvelle génération d’étudiants en SIG, dotés d’outils plus puissants que ceux que j’ai connus, mais ayant moins de temps pour acquérir les compétences et les connaissances fondamentales qui sous-tendent l’utilisation réfléchie de ces outils.  L’écart entre ce qu’ils sont capables de produire et ce qu’ils comprennent réellement est plus grand qu’il ne l’a jamais été, et il continue de s’élargir rapidement.

Plus l’outil est puissant, plus il exige de vous

Cette tension n’est pas nouvelle. J’ai grandi à une époque où Internet s’infiltrait rapidement dans tous les aspects de la vie, et j’ai été l’un des derniers de mon école à avoir un ordinateur à la maison. Lorsque j’en ai enfin eu un, tout a changé : ma façon de faire de la recherche, de communiquer et d’apprendre. Mais Internet ne faisait pas la recherche à ma place. Cette technologie m’a donné accès à des bibliothèques numériques, à des ensembles de données en ligne et à des revues universitaires; elle a transformé ce qui était possible. Elle ne pouvait toutefois pas déterminer quelles questions méritaient d’être posées ni distinguer un argument solide d’un argument faible. La recherche de qualité demeurait la responsabilité du chercheur. L’outil a transformé le contexte; le jugement, lui, devait venir d’ailleurs. La recherche rigoureuse demeurait l’apanage du chercheur.

L’IA appliquée au travail géospatial représente un changement générationnel du même ordre, et il n’y a pas de retour en arrière possible. Bon nombre de mes étudiants actuels n’ont jamais connu l’enseignement supérieur sans outils d’IA à leur disposition, qu’il s’agisse d’outils génératifs comme les grands modèles de langage ou d’outils algorithmiques plus traditionnels intégrés depuis longtemps aux plateformes SIG. C’est simplement le monde dans lequel ils évoluent. La question n’est pas de savoir s’il faut utiliser ces outils, mais comment les utiliser de manière à renforcer le raisonnement spatial plutôt qu’à s’y substituer.

Les problèmes géospatiaux rendent cet enjeu particulièrement critique, car les données spatiales possèdent des propriétés que la formation générale en littératie de l’IA aborde très rarement. Le lieu et la manière dont quelque chose est mesuré comptent. La façon dont une zone d’étude est découpée compte. L’échelle à laquelle une analyse est réalisée compte. Une tendance qui semble significative à un certain niveau d’agrégation géographique peut se dissoudre – ou même s’inverser complètement – à un autre. Un modèle entraîné à partir de données provenant d’une région peut mal fonctionner, voire échouer silencieusement, lorsqu’il est appliqué ailleurs. Il ne s’agit pas de cas limites; ce sont des propriétés fondamentales des données spatiales qui déterminent ce qu’une analyse peut ou ne peut pas révéler.

Prenons l’exemple d’un étudiant chargé d’identifier les emplacements optimaux pour de nouveaux arrêts de transport en commun à Halifax, une ville où l’écart de service entre le quartier nord et les quartiers plus aisés du sud de la péninsule est une préoccupation documentée et persistante en matière d’équité. Si l’on fournissait aujourd’hui à ces personnes un outil d’IA générative accompagné d’une requête, celui-ci produirait un flux de travaux d’analyse de convenance : critères, pondérations et possiblement du code. Le résultat aurait l’air complet. Mais l’étudiant se serait-il demandé pourquoi ces critères ont été retenus? Si les pondérations reflètent véritablement le contexte démographique et géographique propre à Halifax? Si les ensembles de données sous-jacents représentent adéquatement les communautés les plus mal desservies par le réseau actuel? Ou accepterait-il simplement le résultat produit par l’outil d’IA? Dans un tel contexte, l’IA risque de combler un espace méthodologique qui devrait normalement être occupé par la connaissance du domaine.

Voilà bien le cœur du problème. Les outils d’IA peuvent produire des résultats à l’apparence spatialement sophistiquée sans aucune conscience de la validité de la logique géographique. Et comme ces résultats sont propres, bien présentés et formulés avec assurance, les erreurs ne sont pas toujours visibles, surtout pour quelqu’un qui n’a pas encore développé l’instinct nécessaire pour les détecter. Savoir utiliser les outils n’est pas la même chose que savoir ce que les outils ne peuvent pas voir.

Tout dépend de quel côté du bureau vous vous trouvez

Le défi de développer le jugement spatial à l’ère de l’IA prend une forme différente selon la position que l’on occupe. Pour les étudiants et les apprenants, le risque est de se tourner vers des outils puissants avant d’avoir acquis les bases nécessaires pour évaluer ce qu’ils produisent. Ce sont eux qui développent leur connaissance du domaine et qui apprennent quelles questions importent réellement et quels problèmes valent la peine d’être résolus. Cette connaissance n’est pas accessoire à une utilisation efficace de l’IA en contexte SIG : elle en constitue l’essence même. Sans elle, il n’existe aucun moyen fiable de savoir si un résultat est juste ou simplement plausible.

Pour les enseignants, le défi prend une autre direction. La question ne se limite pas à enseigner une utilisation responsable des outils d’IA, mais il s’agit aussi de concevoir des expériences d’apprentissage qui développent une compréhension spatiale réelle dans un contexte où l’IA peut court-circuiter presque toutes les étapes du processus. Lorsque l’étudiant peut générer un modèle spatial fonctionnel en quelques minutes, comment un enseignant peut-il évaluer sa compréhension? Lorsque le code s’écrit de lui-même, comment enseigner la logique qui le sous-tend?

Ces deux défis sont bien réels et méritent davantage que des conseils génériques en littératie de l’IA. Cette série les aborde tour à tour. La deuxième partie s’adresse aux apprenants et porte plus précisément sur l’ensemble de compétences les plus importantes pour les étudiants en SIG et en géospatial évoluant dans un milieu saturé d’IA, et sur les moyens de les développer de façon intentionnelle plutôt qu’accidentelle. La troisième partie se tourne vers les enseignants et s’attaque à la question plus complexe de ce que signifie enseigner la pensée spatiale lorsque les outils deviennent de plus en plus aptes à la simuler.

Dans les deux cas, l’objectif est le même : non pas résister à l’IA, mais l’utiliser de manière éclairée. Internet n’a pas rendu les bons chercheurs superflus; il a rendu les fondations de la bonne recherche plus importantes que jamais. L’IA appliquée au travail géospatial ne fait pas exception. Les outils sont extraordinaires. Mais ce que vous leur apportez demeure déterminant quant à leur véritable valeur.

Ce billet a été écrit en anglais par Steven Edwards et peut être consulté ici.