Tirer profit des grands modèles de langage (GMLs)
Vous n’avez peut-être jamais entendu parler de grands modèles de langage ou large language models, mais vous avez sûrement déjà utilisé ChatGPT, Gemini ou Llama pour corriger, résumer ou élaborer un texte que vous produisiez. Vous êtes-vous déjà demandé comment il est possible pour une machine non seulement de comprendre ce que vous entrez comme texte, mais aussi de le résumer, de le modifier et de l’améliorer ?
Comprendre le fonctionnement des GMLs
 |
Commençons par expliquer les principes de l’utilisation de ChatGPT ou de tout autre modèle de ce type. D’abord, il y a la formulation de la requête de l’utilisateur, celle-ci a une incidence énorme sur la réponse générée par un GML. Une légère différence entre deux requêtes pourrait complètement changer le résultat. Pourquoi ? Les modèles de langue ne perçoivent pas les mots de la même façon que les humains. Pour eux, chaque mot est représenté par des coordonnées dans un espace vectoriel. Imaginez un cube gigantesque à l’intérieur duquel tous les mots de la langue française flotteraient. Chaque mot flotte dans un endroit précis du cube selon des coordonnées calculées. Par exemple, les mots ayant des sens proches (roi et reine) ou similaires (belle et jolie) ou qui sont souvent juxtaposés dans des phrases courantes en français (parce et que) auraient des représentations « physiquement » proches l’une de l’autre dans l’espace du cube.
Un modèle de langue va se baser sur cette représentation et des statistiques pour générer une réponse avec la succession de mots les plus « probables », simulant ainsi une compréhension humaine.
Vu la complexité du langage et des relations entre les mots, on ne parle plus d’un cube en trois dimensions lorsque l’on mentionne des modèles de langues, mais plutôt d’un espace de milliers de dimensions (il est impossible à imaginer). Les règles de représentation sont inférées de l’énorme bibliothèque de textes qu’est Internet.
En conclusion, un GML comme ChatGPT se rapproche plus d’une recherche Google que d’une vraie conversation : il suggère des résultats plus ou moins probables (le texte généré) selon le choix des « mots clés » (la requête).
Optimiser l’utilisation des GMLs
Sachant tout cela, comment peut-on optimiser l’utilisation de ces modèles de langue pour créer une meilleure expérience, surtout dans le domaine de l’éducation ?
- Simplifier ou personnaliser des leçons : vous pouvez utiliser les GMLs pour personnaliser les leçons en fonction du niveau et des besoins spécifiques des personnes étudiantes. Par exemple, vous pouvez demander à ChatGPT de simplifier des concepts complexes pour les rendre plus accessibles à un certain sous-groupe. Si vous utilisez Gemini (le modèle de Google), celui-ci présente même les sources dont il a tiré les réponses générées (comme des articles de recherche, des sites Web ou autre).
- Rôle de spécialiste : vous pouvez configurer le modèle de langue pour qu’il assume un rôle spécifique en formulant des requêtes de type « à partir de maintenant, tu es un professeur d’histoire spécialisé dans l’Empire romain ». En faisant cela, le modèle assume ce rôle dans sa façon de répondre aux questions. Cette approche améliore les performances, car, en se limitant à un contexte spécifique, les modèles de langue génèrent des réponses plus précises et pertinentes.
- Révision et pratique : utilisez les GMLs pour créer des exemples, des études de cas, des exercices de révision interactifs et des minitests personnalisés afin d’aider les étudiants et les étudiantes à renforcer leurs connaissances de manière ludique et engageante.
- Traduire le matériel de cours : certains GMLs permettent aussi de traduire un ou plusieurs documents d’une langue à une autre. Ceci peut être particulièrement utile pour des étudiants et des étudiantes internationaux pour leur permettre d’avoir accès au matériel dans leur langue maternelle. Il est également possible d’offrir certains textes ou recherches produites dans une autre langue que le français et de le rendre disponible à la communauté étudiante.
Au-delà de ces exemples, les GMLs pourront aussi supporter le corps professoral dans une variété de tâches reliées à la conception de cours comme la rédaction d’objectifs, générer des exemples ou des études de cas, la production d’évaluations formatives ou d’exercices de pratique. Nous n’avons qu’effleuré les possibilités qu’ils peuvent nous offrir en enseignement.