- formatting
- images
- links
- math
- code
- blockquotes
- external-services
•
•
•
•
•
•
-
Former à et par l'IA : concevoir un dispositif pédagogique avec le projet CAIRE
Comment apprendre à 466 étudiants de première année à douter d'une IA, plutôt qu'à lui faire confiance aveuglément : la genèse d'un module d'acculturation à l'IA construit avec le jeu de Nim, la Moral Machine et une IA générative défaillante.How do you teach 466 first-year students to question an AI rather than trust it blindly? The story of an AI awareness module built around the game of Nim, the Moral Machine, and a deliberately unreliable generative AI.
-
Cartographier l'esprit en réseaux : la Cognitive Network Science face à l'IA
Une revue systématique PRISMA 2020 de 36 études (sur plus de 53 000 candidates) montre que les grands modèles de langage reproduisent, mesurablement, les mêmes biais cognitifs que les humains, comme l'anxiété face aux mathématiques, quand on les représente sous forme de réseaux de concepts.A PRISMA 2020 systematic review of 36 studies (out of more than 53,000 candidates) shows that large language models measurably reproduce the same cognitive biases as humans, such as maths anxiety, once represented as networks of concepts.
-
Décider sans tout savoir : ce que le « bébé qui pleure » nous apprend sur l'IA
Version accessible (sans formules) de mon billet sur les POMDP : comment une intelligence artificielle peut prendre de bonnes décisions même quand elle ne voit jamais la situation exacte.Accessible version (no formulas) of my POMDP post: how an artificial intelligence can make good decisions even when it never sees the exact situation.
-
Introduction aux POMDP : décider sous incertitude partielle avec le « bébé qui pleure »
Notes sur les processus de décision markoviens partiellement observables (POMDP) : le 7-uplet formel, la mise à jour de croyance bayésienne et les méthodes de résolution (QMDP, FIB, PBVI, POMCP), à partir de l'exemple pédagogique du « bébé qui pleure ».Notes on partially observable Markov decision processes (POMDPs): the formal 7-tuple, Bayesian belief updating and solution methods (QMDP, FIB, PBVI, POMCP), built around the classic "crying baby" teaching example.