Développer son esprit critique face à l’IA
L’intelligence artificielle peut expliquer, résumer, conseiller, analyser et proposer des solutions.
Ses réponses peuvent être utiles, rapides et convaincantes.
Mais une réponse bien présentée ne doit pas être acceptée sans réflexion.
Développer son esprit critique consiste à apprendre à examiner les informations, les raisonnements et les recommandations avant de les utiliser.
Avoir l’esprit critique ne signifie pas rejeter systématiquement ce que dit l’IA.
Cela signifie examiner les éléments disponibles, poser les bonnes questions et adapter sa confiance à la qualité des preuves.
Prérequis : cours 09 — Comprendre les risques de dépendance à l’IA.
1. Objectifs pédagogiques
À la fin de ce cours, vous serez capable de :
- Définir l’esprit critique.
- Distinguer une attitude critique d’une méfiance systématique.
- Identifier les affirmations importantes dans une réponse.
- Reconnaître les hypothèses implicites.
- Repérer les raisonnements fragiles.
- Identifier les biais cognitifs qui influencent notre jugement.
- Questionner les recommandations produites par une IA.
- Rechercher les informations manquantes.
- Examiner les arguments contraires.
- Évaluer les conséquences d’une erreur.
- Utiliser une méthode structurée d’analyse critique.
- Prendre une décision éclairée sans déléguer entièrement son jugement.
2. Qu’est-ce que l’esprit critique ?
L’esprit critique est la capacité à examiner une information, une affirmation ou un raisonnement avant de l’accepter.
Il repose notamment sur plusieurs attitudes :
- Poser des questions.
- Rechercher des preuves.
- Distinguer les faits des opinions.
- Examiner les hypothèses.
- Considérer plusieurs explications.
- Reconnaître les incertitudes.
- Accepter de modifier son avis lorsque les preuves le justifient.
Une IA affirme :
« Cette méthode est la plus efficace pour apprendre une langue étrangère. »
Une personne qui exerce son esprit critique peut demander :
- La plus efficace selon quel critère ?
- Pour quel public ?
- Par rapport à quelles autres méthodes ?
- Sur quelles données repose cette affirmation ?
- Existe-t-il des limites ou des exceptions ?
3. Esprit critique et méfiance systématique : quelle différence ?
Une attitude critique ne consiste pas à considérer que toutes les réponses sont fausses.
Elle consiste à évaluer leur fiabilité.
| Attitude | Comportement | Conséquence possible |
|---|---|---|
| Confiance aveugle | Accepter les réponses sans vérification. | Risque d’utiliser des informations incorrectes. |
| Méfiance systématique | Rejeter les réponses sans les examiner. | Risque de passer à côté d’informations utiles. |
| Esprit critique | Évaluer les affirmations selon les preuves et le contexte. | Confiance mieux adaptée à la qualité des informations. |
L’esprit critique cherche à déterminer ce qui est suffisamment fondé, et non à trouver une erreur à tout prix.
4. Pourquoi l’IA nécessite-t-elle une vigilance particulière ?
Les systèmes d’IA générative peuvent produire des réponses structurées avec une grande fluidité.
Cette qualité de présentation peut donner une impression de compétence.
Pourtant, le système peut :
- Produire une information incorrecte.
- Omettre une condition importante.
- Présenter une hypothèse comme un fait.
- Proposer une référence inexacte.
- Utiliser des informations dépassées.
- Reproduire certains biais.
- Répondre à une question mal comprise.
L’esprit critique permet de limiter les conséquences de ces difficultés.
5. Première règle : comprendre exactement la question
Avant d’évaluer une réponse, il faut vérifier que la question a été correctement comprise.
Une réponse peut être techniquement correcte mais ne pas correspondre au besoin réel.
Question :
« Comment réduire les coûts de mon entreprise ? »
Une IA propose de diminuer les dépenses publicitaires.
Mais l’utilisateur souhaitait en réalité réduire ses coûts sans diminuer son acquisition de clients.
La réponse n’intègre pas cette contrainte essentielle.
Questions utiles
- Quel problème cherche-t-on réellement à résoudre ?
- Quelles contraintes ont été précisées ?
- Quelles informations manquent ?
- La réponse traite-t-elle bien la question posée ?
6. Identifier les affirmations vérifiables
Une réponse peut contenir plusieurs affirmations qui doivent être examinées séparément.
Une IA affirme :
« Ce logiciel est le moins cher, le plus sécurisé et le plus simple à utiliser. »
Cette phrase contient trois affirmations distinctes :
- Le logiciel est le moins cher.
- Il est le plus sécurisé.
- Il est le plus simple à utiliser.
Chacune nécessite des critères et des éléments de vérification différents.
Découpez les réponses complexes en affirmations simples.
Il devient alors plus facile de déterminer ce qui est confirmé, incertain ou incorrect.
7. Distinguer les faits, les opinions et les recommandations
Toutes les phrases ne peuvent pas être évaluées de la même manière.
| Type | Définition | Exemple |
|---|---|---|
| Fait | Affirmation pouvant être confrontée à des éléments vérifiables. | Le contrat indique une échéance au 30 juin. |
| Opinion | Jugement ou appréciation. | Cette présentation est plus agréable. |
| Hypothèse | Explication ou proposition non encore confirmée. | La baisse des ventes pourrait venir d’un changement de saison. |
| Recommandation | Conseil sur une action à entreprendre. | Il serait préférable de comparer plusieurs fournisseurs. |
Une recommandation peut être pertinente sans être universellement valable.
Elle doit être évaluée en fonction des objectifs et des contraintes.
8. Identifier les hypothèses implicites
Une hypothèse implicite est une condition ou une supposition qui n’est pas exprimée clairement mais sur laquelle repose un raisonnement.
Une IA conseille :
« Pour gagner du temps, automatisez entièrement la réponse aux clients. »
Cette recommandation peut supposer que :
- Les demandes sont suffisamment standardisées.
- Le système comprend correctement les situations.
- Les réponses automatiques peuvent être contrôlées.
- Les cas complexes sont transmis à une personne.
- Les données utilisées sont adaptées.
Si ces conditions ne sont pas remplies, la recommandation peut devenir inadaptée.
9. Vérifier la qualité des preuves
Une affirmation peut être accompagnée d’arguments qui semblent convaincants.
Mais tous les arguments n’ont pas la même valeur.
Exemples de preuves possibles
- Une mesure vérifiable.
- Un document officiel.
- Une étude méthodologiquement adaptée.
- Un calcul reproductible.
- Une observation documentée.
- Une documentation technique.
Une anecdote, une affirmation répétée ou une citation attribuée à une autorité ne suffisent pas toujours à démontrer une conclusion.
La qualité de la preuve doit correspondre à l’importance de l’affirmation.
10. Comprendre le raisonnement de l’IA
Une réponse peut contenir des étapes de raisonnement qui semblent logiques.
Il faut cependant examiner le lien entre les éléments présentés et la conclusion.
Une IA affirme :
« Les ventes ont augmenté de 15 %.
L’entreprise est donc devenue plus rentable. »
Cette conclusion n’est pas démontrée.
La rentabilité dépend également des charges et des marges.
Questions à poser
- Les informations de départ sont-elles correctes ?
- La conclusion découle-t-elle réellement des informations ?
- Des éléments importants sont-ils absents ?
- Existe-t-il d’autres explications possibles ?
11. Repérer les généralisations abusives
Une généralisation consiste à appliquer une observation à un ensemble plus large.
Elle devient abusive lorsque les éléments disponibles ne permettent pas une conclusion aussi générale.
« Trois entreprises ont amélioré leur productivité grâce à ce logiciel.
Toutes les entreprises amélioreront donc leur productivité avec ce logiciel. »
Les résultats de trois entreprises ne suffisent pas à garantir un résultat identique dans toutes les organisations.
12. Corrélation et causalité : ne pas confondre
Une corrélation désigne une association statistique entre deux variables.
Une causalité désigne une relation dans laquelle un phénomène contribue à en produire un autre.
Une étude observe que les salariés qui suivent une formation obtiennent de meilleurs résultats.
Une IA affirme :
« La formation est nécessairement la seule cause des meilleurs résultats. »
Cette conclusion est excessive.
D’autres facteurs peuvent intervenir :
- L’expérience.
- La motivation.
- Les conditions de travail.
- La difficulté des missions.
Une association observée ne démontre pas, à elle seule, une relation causale.
13. Le biais de confirmation
Le biais de confirmation est la tendance à privilégier les informations qui confirment ce que l’on pense déjà.
Ce biais peut influencer la manière dont nous interrogeons l’IA et interprétons ses réponses.
Une personne est convaincue qu’un logiciel est mauvais.
Elle demande :
La question oriente la réponse vers les défauts.
Une formulation plus équilibrée
14. Le biais d’autorité
Le biais d’autorité consiste à accorder une importance excessive à une affirmation parce qu’elle semble provenir d’une source compétente.
Une IA peut renforcer ce phénomène en utilisant un ton professionnel et un vocabulaire spécialisé.
Une IA affirme :
« Les experts considèrent unanimement que cette méthode est la meilleure. »
Cette affirmation doit être examinée :
- Quels experts ?
- Dans quel domaine ?
- Sur quelles données ?
- Existe-t-il réellement un consensus ?
15. Le biais d’ancrage
Le biais d’ancrage désigne la tendance à accorder une importance excessive à une première information lors d’une évaluation.
Une IA estime qu’un projet coûtera 10 000 €.
L’utilisateur commence ensuite à construire son budget autour de ce montant.
Pourtant, l’estimation initiale n’était fondée sur aucun devis réel.
Bonne pratique
Avant d’utiliser une estimation comme référence, vérifiez sa méthode de calcul, ses hypothèses et les données disponibles.
16. Le biais de disponibilité
Le biais de disponibilité consiste à juger la fréquence ou l’importance d’un phénomène à partir des exemples qui viennent facilement à l’esprit.
Après avoir lu plusieurs témoignages de pannes informatiques, une personne peut surestimer la probabilité qu’un système particulier tombe en panne.
À l’inverse, une absence récente d’incident peut donner une impression de sécurité excessive.
L’esprit critique invite à rechercher des données adaptées, plutôt qu’à se fonder uniquement sur des exemples marquants.
17. Examiner les informations absentes
Une réponse peut être composée d’affirmations exactes et rester trompeuse parce qu’elle omet des éléments importants.
Une IA recommande un abonnement logiciel à 20 € par mois.
Elle indique que ce prix est inférieur à celui d’un concurrent.
Mais elle ne précise pas que certaines fonctions nécessitent des options payantes.
Questions à poser
- Quelles informations importantes manquent ?
- Quels coûts ne sont pas inclus ?
- Quelles conditions peuvent modifier le résultat ?
- Quelles limites n’ont pas été présentées ?
18. Rechercher les contre-arguments
Une analyse critique ne consiste pas seulement à chercher des arguments favorables à une conclusion.
Elle consiste aussi à examiner ce qui pourrait la remettre en question.
Une IA recommande de travailler entièrement à distance.
Pour évaluer cette recommandation, il peut être utile d’examiner :
- Les avantages organisationnels.
- Les contraintes techniques.
- Les besoins de coordination.
- Les préférences des personnes concernées.
- Les conditions nécessaires à la réussite.
Demandez à l’IA de présenter les meilleurs arguments contre sa propre recommandation.
Puis vérifiez les éléments déterminants.
19. Distinguer une contradiction d’une différence de contexte
Deux réponses peuvent sembler contradictoires alors qu’elles concernent des situations différentes.
Une IA affirme :
« Une sauvegarde quotidienne peut être suffisante pour certains usages. »
Une autre réponse indique :
« Certaines activités nécessitent des sauvegardes plus fréquentes. »
Ces affirmations ne sont pas nécessairement contradictoires.
La fréquence adaptée dépend notamment de la quantité de données que l’organisation peut accepter de perdre et de ses besoins de continuité.
20. Reconnaître l’incertitude
Une réponse fiable n’est pas nécessairement une réponse catégorique.
Dans certaines situations, il est préférable de reconnaître qu’une conclusion reste incertaine.
| Formulation | Interprétation |
|---|---|
| « C’est certain. » | Affirmation forte nécessitant des preuves adaptées. |
| « Les données disponibles suggèrent que… » | Conclusion appuyée par des éléments, mais avec prudence. |
| « Cela dépend de… » | Réponse conditionnelle. |
| « Les informations disponibles ne permettent pas de conclure. » | Reconnaissance d’une limite réelle. |
Reconnaître l’incertitude est souvent un signe de rigueur, et non de faiblesse.
21. Adapter son niveau de vérification aux conséquences
Toutes les réponses ne présentent pas le même niveau de risque.
Une erreur dans une proposition de titre n’a pas les mêmes conséquences qu’une erreur dans une déclaration fiscale ou une procédure médicale.
| Situation | Conséquence possible d’une erreur | Vérification conseillée |
|---|---|---|
| Idées de titres | Faible. | Relecture et appréciation personnelle. |
| Calcul commercial | Financière. | Recalcul indépendant. |
| Information juridique | Juridique ou administrative. | Texte applicable et contexte précis. |
| Modification informatique | Interruption ou perte de données. | Documentation, sauvegarde et tests. |
| Conseil médical | Conséquences possibles sur la santé. | Sources fiables et professionnel compétent. |
22. La méthode des sept questions critiques
Pour analyser une réponse d’IA, vous pouvez utiliser sept questions simples.
Identifier les affirmations.
Examiner les données, les sources et les hypothèses.
Vérifier les liens entre les éléments et la conclusion.
Rechercher les omissions et les conditions.
Examiner les alternatives et les contre-arguments.
Distinguer les faits établis des éléments non démontrés.
Décider selon la qualité des preuves et les conséquences d’une erreur.
23. La méthode du contre-exemple
Un contre-exemple est un cas qui montre qu’une affirmation générale n’est pas toujours vraie.
« Toute entreprise qui augmente son chiffre d’affaires augmente son bénéfice. »
Contre-exemple fictif
Une entreprise augmente son chiffre d’affaires de 10 000 €.
Mais ses charges augmentent de 15 000 €.
Son résultat se dégrade de 5 000 €, toutes choses égales par ailleurs.
Ce contre-exemple suffit à montrer que l’affirmation n’est pas une règle universelle.
24. La méthode des scénarios alternatifs
Lorsqu’une IA propose une explication, il est utile d’envisager plusieurs scénarios.
Les ventes d’une boutique diminuent de 20 %.
Une IA conclut :
« La publicité est inefficace. »
Autres explications possibles
- Une baisse saisonnière de la demande.
- Une rupture de stock.
- Une augmentation des prix.
- Une modification de la concurrence.
- Un problème technique sur le site.
- Une campagne publicitaire moins performante.
Il faut rechercher des éléments permettant de distinguer ces hypothèses.
25. Éviter les questions orientées
La formulation d’une question peut influencer la réponse de l’IA.
| Question orientée | Question plus neutre |
|---|---|
| Pourquoi cette solution est-elle mauvaise ? | Quels sont ses avantages, limites et conditions d’utilisation ? |
| Prouve que ce logiciel est le meilleur. | Compare ce logiciel à plusieurs alternatives selon des critères explicites. |
| Pourquoi cette entreprise va-t-elle échouer ? | Quels facteurs pourraient favoriser ou compromettre sa réussite ? |
| Explique pourquoi cette information est fausse. | Évalue cette affirmation et indique ce qui la confirme ou la contredit. |
Une question neutre favorise une analyse moins orientée vers une conclusion déjà choisie.
26. Demander une analyse contradictoire
Une technique utile consiste à demander à l’IA de présenter plusieurs positions.
Cela peut aider à découvrir des arguments auxquels on n’avait pas pensé.
Présenter plusieurs perspectives ne signifie pas que toutes les positions se valent.
Leur poids doit dépendre de la qualité des éléments disponibles.
27. Comprendre la différence entre débat et vérification
Une IA peut produire des arguments pour et contre une affirmation.
Mais cela ne suffit pas à déterminer ce qui est exact.
Il faut distinguer :
- La capacité à défendre une position.
- La qualité des preuves disponibles.
- La validité du raisonnement.
- La conformité aux faits.
Une IA peut rédiger un argumentaire convaincant pour justifier un calcul incorrect.
Le débat ne remplace pas la vérification mathématique.
28. Cas pratique — Une recommandation commerciale trompeuse
Une entreprise utilise une IA pour analyser ses résultats commerciaux.
L’IA affirme :
« Le chiffre d’affaires a augmenté de 25 %.
La stratégie commerciale est donc nécessairement plus rentable.
Il faut immédiatement augmenter les dépenses publicitaires. »
Travail demandé
- Identifiez les affirmations.
- Repérez les hypothèses implicites.
- Expliquez pourquoi la conclusion est insuffisante.
- Proposez les données nécessaires.
- Reformulez une recommandation plus rigoureuse.
Afficher la correction détaillée
1. Affirmations
- Le chiffre d’affaires a augmenté de 25 %.
- La stratégie est plus rentable.
- Il faut augmenter immédiatement la publicité.
2. Hypothèses implicites
La réponse suppose notamment que :
- Les coûts n’ont pas augmenté excessivement.
- La marge est satisfaisante.
- La publicité explique la hausse.
- Une augmentation du budget publicitaire sera rentable.
3. Limite
La hausse du chiffre d’affaires ne suffit pas à démontrer une amélioration de la rentabilité.
4. Données utiles
- Évolution des charges.
- Évolution des marges.
- Coût des campagnes.
- Résultats par canal.
- Évolution des conversions.
5. Reformulation
« La hausse du chiffre d’affaires constitue un résultat à analyser.
Avant d’augmenter les dépenses publicitaires, il convient de vérifier la rentabilité des campagnes et l’évolution des marges. »
29. Cas pratique — Une affirmation statistique excessive
Une enquête porte sur 100 personnes.
60 déclarent préférer un nouveau service.
Une IA affirme :
« 60 % des personnes interrogées préfèrent ce service.
Il est donc certain que 60 % de la population le préfère également. »
Questions
- Quel calcul est correct ?
- Quelle conclusion est excessive ?
- Quelles informations manquent ?
- Comment reformuler la réponse ?
Afficher la correction détaillée
1. Calcul
Le résultat est correct pour les personnes interrogées.
2. Conclusion excessive
Il n’est pas possible d’affirmer avec certitude que ce pourcentage est identique dans toute la population.
3. Informations nécessaires
- Méthode d’échantillonnage.
- Population étudiée.
- Représentativité.
- Formulation des questions.
- Incertitude statistique.
4. Reformulation
« Dans cet échantillon de 100 personnes, 60 % déclarent préférer le service.
La possibilité de généraliser ce résultat dépend de la méthode de l’enquête et de la représentativité de l’échantillon. »
30. Cas pratique — Une décision informatique risquée
Un utilisateur constate que son site est lent.
Une IA recommande :
« Supprimez immédiatement tous les fichiers du dossier de cache et désactivez les sauvegardes automatiques pour améliorer les performances. »
Travail demandé
- Quels éléments doivent attirer l’attention ?
- Pourquoi la recommandation est-elle insuffisamment justifiée ?
- Quelles vérifications faut-il réaliser ?
- Quelle démarche serait plus prudente ?
Afficher la correction détaillée
1. Signaux d’alerte
- Action immédiate proposée.
- Absence de diagnostic.
- Instructions potentiellement risquées.
- Suppression ou désactivation sans analyse des conséquences.
2. Limite
La lenteur peut avoir plusieurs causes.
La réponse ne démontre pas que le cache ou les sauvegardes sont responsables.
3. Vérifications
- Mesurer les performances.
- Identifier les ressources concernées.
- Examiner les journaux et la configuration.
- Vérifier la documentation des outils.
- Prévoir une sauvegarde et un retour arrière.
4. Démarche prudente
Établir un diagnostic, tester les modifications une par une et éviter de désactiver des protections essentielles sans justification.
31. Cas pratique — Une question orientée
Une personne souhaite comparer deux formations.
Elle demande :
L’IA fournit une longue liste d’arguments favorables à la formation A.
Questions
- Quel biais peut influencer la réponse ?
- Pourquoi la question pose-t-elle problème ?
- Quels critères devraient être comparés ?
- Proposez une question plus neutre.
Afficher la correction détaillée
1. Biais possible
La formulation peut favoriser le biais de confirmation.
2. Problème
La question présuppose que la formation A est supérieure.
3. Critères
- Programme.
- Objectifs.
- Prérequis.
- Durée.
- Coût.
- Modalités pédagogiques.
- Reconnaissance éventuelle de la certification.
- Résultats disponibles et méthode de mesure.
4. Question reformulée
32. Atelier — Construire une grille d’analyse critique
Pour les réponses importantes, vous pouvez utiliser une grille simple.
| Critère | Question | Évaluation possible |
|---|---|---|
| Pertinence | La réponse correspond-elle à la demande ? | Oui / Partiellement / Non |
| Sources | Les affirmations importantes sont-elles vérifiables ? | Oui / Partiellement / Non |
| Raisonnement | La conclusion découle-t-elle des éléments ? | Oui / Partiellement / Non |
| Hypothèses | Les conditions importantes sont-elles explicitées ? | Oui / Partiellement / Non |
| Alternatives | D’autres explications sont-elles envisagées ? | Oui / Partiellement / Non |
| Incertitudes | Les limites sont-elles reconnues ? | Oui / Partiellement / Non |
| Risques | Les conséquences d’une erreur sont-elles prises en compte ? | Oui / Partiellement / Non |
Cette grille est un outil pédagogique.
Elle ne constitue pas une certification de l’exactitude d’une réponse.
Une seule erreur grave peut rendre une recommandation inutilisable, même si plusieurs critères sont satisfaits.
33. Prompt réutilisable — Analyser une réponse avec esprit critique
34. Prompt réutilisable — Remettre en question une décision
35. Vérifier ses connaissances — 20 questions corrigées
Essayez de répondre avant d’afficher les corrections.
Question 1 — Qu’est-ce que l’esprit critique ?
La capacité à examiner des informations, des preuves et des raisonnements avant d’accepter une conclusion.
Question 2 — Avoir l’esprit critique signifie-t-il tout rejeter ?
Non. Il s’agit d’évaluer les informations de manière raisonnée.
Question 3 — Pourquoi une réponse bien présentée peut-elle être trompeuse ?
Parce que la qualité de la formulation ne garantit pas l’exactitude des affirmations.
Question 4 — Pourquoi découper une réponse en affirmations ?
Pour pouvoir vérifier chaque élément séparément.
Question 5 — Qu’est-ce qu’une hypothèse implicite ?
Une supposition non exprimée clairement sur laquelle repose un raisonnement.
Question 6 — Une recommandation est-elle nécessairement un fait ?
Non. C’est un conseil qui doit être évalué selon les objectifs et les contraintes.
Question 7 — Qu’est-ce qu’une généralisation abusive ?
Une conclusion appliquée à un ensemble plus large que ce que permettent les preuves disponibles.
Question 8 — Une corrélation prouve-t-elle une causalité ?
Non. Une association ne démontre pas à elle seule une relation de cause à effet.
Question 9 — Qu’est-ce que le biais de confirmation ?
La tendance à privilégier les informations qui confirment ses convictions.
Question 10 — Qu’est-ce que le biais d’autorité ?
La tendance à accorder une confiance excessive à une affirmation en raison de son autorité apparente.
Question 11 — Qu’est-ce que le biais d’ancrage ?
La tendance à accorder une importance excessive à une première information.
Question 12 — Qu’est-ce que le biais de disponibilité ?
La tendance à juger un phénomène à partir des exemples qui viennent facilement à l’esprit.
Question 13 — Pourquoi examiner les informations absentes ?
Parce qu’une réponse peut être trompeuse par omission, même si certaines affirmations sont exactes.
Question 14 — Pourquoi rechercher des contre-arguments ?
Pour tester la solidité d’une conclusion et éviter de considérer uniquement les éléments favorables.
Question 15 — Toutes les positions se valent-elles dans une analyse contradictoire ?
Non. Leur poids dépend de la qualité des preuves disponibles.
Question 16 — Pourquoi reconnaître l’incertitude ?
Pour éviter de présenter comme certaines des conclusions insuffisamment démontrées.
Question 17 — Qu’est-ce qu’un contre-exemple ?
Un cas montrant qu’une affirmation générale n’est pas toujours vraie.
Question 18 — Pourquoi adapter la vérification au risque ?
Parce que les conséquences d’une erreur varient selon les situations.
Question 19 — Une question orientée peut-elle influencer la réponse ?
Oui. Elle peut conduire à privilégier certains arguments ou une conclusion particulière.
Question 20 — Quel est le principe essentiel du cours ?
Examiner les affirmations, les preuves, les hypothèses et les raisonnements avant d’accorder sa confiance à une réponse d’IA.
36. Glossaire
| Terme | Définition |
|---|---|
| Esprit critique | Capacité à examiner des affirmations, preuves et raisonnements de manière réfléchie. |
| Hypothèse | Proposition envisagée sans être nécessairement confirmée. |
| Hypothèse implicite | Supposition non formulée explicitement. |
| Preuve | Élément permettant de soutenir ou d’établir une affirmation selon une méthode adaptée. |
| Argument | Élément présenté pour soutenir une conclusion. |
| Conclusion | Résultat d’un raisonnement ou d’une analyse. |
| Généralisation | Extension d’une observation à un ensemble plus large. |
| Corrélation | Association statistique entre des variables. |
| Causalité | Relation dans laquelle un phénomène contribue à en produire un autre. |
| Biais de confirmation | Tendance à privilégier les informations qui confirment ses convictions. |
| Biais d’autorité | Tendance à accorder une confiance excessive à une autorité apparente. |
| Biais d’ancrage | Influence excessive d’une première information. |
| Biais de disponibilité | Influence excessive des exemples facilement accessibles à la mémoire. |
| Contre-argument | Argument contestant une affirmation ou une conclusion. |
| Contre-exemple | Cas montrant qu’une affirmation générale ne s’applique pas toujours. |
| Incertitude | Absence de certitude complète concernant une information ou une conclusion. |
37. Les dix idées essentielles à retenir
- L’esprit critique consiste à évaluer, pas à rejeter systématiquement.
- Une réponse convaincante peut être incorrecte.
- Les affirmations doivent être examinées séparément.
- Les hypothèses implicites peuvent modifier une conclusion.
- Les preuves doivent être adaptées à l’affirmation.
- Les biais cognitifs peuvent influencer notre jugement.
- Les informations absentes peuvent rendre une réponse trompeuse.
- Les contre-arguments permettent de tester un raisonnement.
- Le niveau de vérification doit tenir compte des conséquences d’une erreur.
- L’utilisateur doit conserver la responsabilité de son analyse et de ses décisions.
38. Ressources complémentaires
-
CNIL
Informations sur l’intelligence artificielle, les risques et la protection des données.
-
NIST — AI Risk Management Framework
Cadre de référence pour identifier et gérer les risques des systèmes d’IA.
-
UNESCO — Intelligence artificielle
Ressources sur l’éthique et les effets sociétaux de l’intelligence artificielle.
-
Insee
Données et méthodes pour examiner les affirmations statistiques.
-
Stanford Encyclopedia of Philosophy
Ressources académiques sur le raisonnement, la connaissance et l’argumentation.
39. Passer à la pratique
Vous savez désormais comment examiner les réponses de l’IA avec méthode.
Les exercices du chapitre vous permettront de travailler :
- L’identification des affirmations.
- La recherche des hypothèses implicites.
- La reconnaissance des biais cognitifs.
- L’analyse des raisonnements.
- La recherche des contre-exemples.
- La comparaison de recommandations.
- L’évaluation des conséquences d’une erreur.
40. Préparer le cours suivant
Développer son esprit critique est une étape essentielle.
Mais une analyse ne doit pas reposer sur une seule affirmation ou une seule source.
Il est souvent nécessaire de comparer plusieurs références pour déterminer ce qui est réellement établi.
Le prochain cours vous apprendra à effectuer cette vérification :
11 — Apprendre à croiser plusieurs sources fiables.
Exercices du cours
Entraînez-vous avec 15 exercices progressifs. Ouvrez un exercice pour répondre, puis afficher sa correction.