Cette proposition de séquence pédagogique s’inscrit dans les Travaux Académiques Mutualisés (TraAM) 2023-2024 ayant pour thématique : « Éthique et formations à l’esprit critique dans les usages des outils d’IA en SVT ».

La problématique de ce scénario décline ce sujet sous l’angle des compétences numériques et des démarches expérimentales : comment susciter l'intérêt des élèves pour la connaissance et l'identification des plantes de la strate herbacée du lycée, afin de les engager activement dans l'acquisition de compétences en botanique et de les sensibiliser à l'importance des éléments clé pour le développement d'une intelligence artificielle dédiée à l'identification des végétaux ?

L’ensemble des projets est accessible via l’article central.

• AUTEUR : Alexandre DA CUNHA (Lycée Galilée, Vienne)

• NIVEAU : collège et lycée 

• SCÉNARIO PÉDAGOGIQUE :

Place dans la progression : les différentes séances ont été testées avec une classe de Première enseignement scientifique en lien avec le projet expérimental et numérique sur le thème du potager cette année.

À qui s’adresse ce scénario : à l’ensemble des professeurs cherchant à comprendre le fonctionnement de l’intelligence artificielle de Pl@ntNet(link sends e-mail) et à créer leur propre version spécifique à leur établissement.

Motivation : beaucoup d’élèves ne s’intéressent pas à connaître le nom des végétaux du lycée. Après une cartographie des arbres du lycée en seconde, ils doivent ici s’intéresser sur plusieurs semaines aux différentes plantes de la strate herbacée afin d’en identifier le plus possible et de comprendre les éléments les plus importants pour l’IA.

Problèmes à résoudre : quels sont les éléments nécessaires à créer une intelligence artificielle capable d’identifier les plantes de la strate herbacée du lycée ?

Déroulement :

Semaine 1 : présentation aux élèves de Teachable Machine. Recherche et identification de plantes dans l’établissement et première phase d’emmagasinage d’images.

Semaine 2 : paramétrage puis Intégration des images dans Teachable Machine. Réflexion sur les erreurs. Augmentation de l’époque. Collecte de davantage d’images afin d’améliorer l’IA.

Semaine 3 : intégration des nouvelles images puis nouveaux tests. Mise en relation avec les cours de NSI afin d’intégrer sur un site web ou sur une application l’IA.

Semaine 4 et 5 : apports de nouvelles images, paramétrage du site web et de l’application. Améliorations des résultats et analyse des retours d’erreurs.

Semaine 6 : présentation à l’ensemble de la classe.

Concernant l’intelligence artificielle, les deux groupes d’élèves ont étudié les mêmes plantes. Ce sont (1) le nombre de photos prises pour les échantillons ainsi que (2) le nombre d’époques choisies qui changent. Les résultats avec peu d’images et peu d’époques ont été très faibles comment on pouvait l’attendre. L’augmentation du nombre d’époques a été obligatoire afin d’obtenir de meilleurs résultats. Par manque de plantes à la suite d’une tonte dans le lycée, un groupe d’élèves s’est tourné vers Google image afin d’augmenter le nombre d’échantillons, tandis qu’un autre groupe a choisi de doubler le nombre d’époques. Les résultats lors des tests sont relativement similaires avec des taux d’erreurs aux alentours de 20%.

Figure 1: Exemple de 3 espèces du lycée identifiable par Teachable Machine

Figure 2: Test de l'application

Figure 3 Exemples de résultats obtenus par les élèves dans leur application Web

• THÈME DE PROGRAMME :

Bulletin officiel n° 25 du 22 juin 2023 : 5 — Projet expérimental et numérique

• NOTION DU PROGRAMME :

 Le projet s’articule autour de la mesure et des données qu’elle produit, qui sont au cœur des sciences expérimentales. L’objectif est de confronter les élèves à la pratique d’une démarche scientifique expérimentale, de l’utilisation de matériels (capteurs et logiciels) ou de données expérimentales mises à disposition par des scientifiques à l’analyse critique des résultats.

Selon le cas, le projet expérimental et numérique peut revêtir trois dimensions :

- utilisation d’un capteur éventuellement mis en œuvre en classe ;

- acquisition numérique de données ou utilisation de données expérimentales fournies par des scientifiques ;

- traitement mathématique, représentation et interprétation de ces données.

Selon les projets, l’une ou l’autre de ces dimensions peut être plus ou moins développée ; l’accent est mis sur la démarche de projet. L’objet d’étude peut être choisi librement, en lien avec le programme ou non. Il s’inscrit éventuellement dans le cadre d’un projet de classe ou d’établissement et peut relever des sciences participatives. Ce travail se déroule sur une douzaine d’heures, contiguës ou réparties au long de l’année. Il s’organise dans des conditions matérielles qui permettent un travail pratique effectif en petits groupes d’élèves.

La dimension numérique repose sur l’utilisation de matériels (capteur éventuellement associé à un microcontrôleur) et/ou de logiciels (tableur, environnement de programmation).

• TEMPS À CONSACRER :

12 heures 

• MATÉRIEL NÉCESSAIRE :

Ordinateurs.

Appareil photo ou smartphone.

• ÉTAYAGE PÉDAGOGIQUE :

- L’utilisation de Teachable Machine est assez intuitive, voir fiche d’utilisation en pièce jointe.

- App Inventor est un logiciel utilisé en NSI. De nombreux tutoriels sont présents sur Youtube mais également sur Vittascience. (https://fr.vittascience.com/learn/tutorial.php?id=58/Construire-votre-premi%C3%A8re-application-%22Bonjour-Vittascience-!%22(link is external))

• CONCLUSION SUR L’ACTIVITÉ :

- Points forts :

- Des résultats rapides dès la première séance dont les résultats s’améliorent à chaque importation d’images.

- Répétable et améliorable tout au long de l'année scolaire et lors des prochaines.

- Possibilité d'exporter les données collectées vers un site internet ou une application dédiée, permettant ainsi de partager facilement les informations sur les plantes identifiées avec l’ensemble des membres de l’établissement.

Points faibles :

• Obtenir de bons résultats avec peu d’échantillons implique l’augmentation de l’époque qui allonge considérablement les temps d’analyse.
• Les photographies doivent être bien prises : plante en bon état, au centre et avec de la lumière sans quoi cela peut gêner la reconnaissance.
• Seules les plantes implémentées peuvent être reconnues et l’application cherchera forcément à les faire rentrer dans une des catégories… même si sur la photo, il s’agit d’une voiture.
• Des taux d’erreur avoisinant les 20% avec une vingtaine de photos par échantillon et 200 000 époques.

Idées pour le futur :

• Proposer l’application à l’ensemble des élèves du lycée afin de renforcer l’IA et de permettre de meilleurs résultats.
• Permettre un suivi des espèces photographiées avec les premières et dernières aperçues.
• Proposer de localiser les espèces dans une carte du lycée lors de la prise.
• Proposer aux élèves n’ayant pas la spécialité NSI de réaliser des applications et un site web avec la coopération des professeurs de la filière NSI.
• Une alternative à l’application de Google est Vittascience qui propose des services similaires, mais qui n’a pas été testé ici.
• Diversification avec des fossiles et des roches.

Retour d’élève :

« Personnellement, je l'ai trouvé intéressant, c'est une manière différente d'aborder les sciences grâce à l'informatique qui est un enjeu sociétal qui ne va cesser de prendre de l'ampleur à l'avenir pour autant, je n'ai pas appris grand-chose, car comme vous l'avez vu nous avions déjà travaillé sur un sujet similaire sur les plantes en NSI cependant ça m’a permis d'apprendre le maniement de Teachable Machine et retravailler App Inventor. Pour ce qui est du travail en lui-même je ne pense pas y retrouver l'utilité pour autant les compétences qu'elle m'a permis de mobiliser et de consolider me serviront à coup sûr à l'avenir, que ça soit dans l'apprentissage de l'informatique (cadre scolaire ou non) car je garde la spécialité NSI en terminale, je me dirige dans la filière de l'informatique après mon BAC général donc il est fort probable que je re-traite de sujets similaires. »