Introduction : Au-delà du Prompt Structuré de Base
Cette leçon explore une approche plus avancée du prompting, dépassant la structure MVP (Minimum Viable Prompt : Système - User - Exemple) vue précédemment. Pour des tâches complexes nécessitant une réflexion approfondie, nous pouvons demander à l'IA de s'auto-évaluer et d'itérer sur son propre travail. C'est ce qu'on appelle l'approche agentique.
Un agent IA est un modèle d'IA (comme Gemini) auquel on donne plus d'autonomie, accès à des outils et du contexte, lui permettant d'analyser, planifier, s'autocorriger et évaluer son travail selon des critères définis.
La Clé : L'Auto-Évaluation Structurée
La technique principale de cette approche agentique est d'intégrer une étape d'auto-évaluation structurée dans le prompt. L'IA va :
- Produire un premier brouillon (ex: un plan de cours).
- S'évaluer elle-même en utilisant une grille détaillée fournie dans le prompt.
- Présenter son évaluation avec des notes, justifications et suggestions d'amélioration.
- Proposer d'améliorer le brouillon en se basant sur ses propres suggestions.
L'objectif est d'obtenir un programme de cours complet et personnalisé, basé sur un profil d'apprenant spécifique.
Contexte Fourni à l'IA : Pour la démonstration, un profil d'apprenante FLE (Emily Davis, niveau B2, ingénieure souhaitant améliorer son français professionnel) est utilisé. Plus le contexte est détaillé, plus le résultat sera pertinent et original.
(Le profil d'apprenant et le prompt complet sont disponibles en PDF dans la description de la vidéo)
Préparation du Prompt Agentique : Méthodologie
La base du prompt agentique suit la méthode MVP (Système - User - Exemple) enrichie par l'approche "méta" (dialoguer avec l'IA pour construire les instructions) :
- Rôle (Système) : Défini comme "Concepteur de Curriculum Niveau Expert (IA Agentique)", travaillant dans un "Département de Didactique des Langues". Cela indique à l'IA qu'elle doit agir de manière autonome et itérative.
- Instructions (User) :
- Développer un curriculum basé sur le profil apprenant et des références pédagogiques (ex: Understanding by Design, Teaching by Principles).
- Appliquer la planification à rebours (Backward Design).
- Assurer une couverture complète des compétences (CO, EO, CE, EE) adaptées aux besoins.
- Intégrer des approches communicatives et centrées sur l'apprenant.
- Produire un brouillon de plan de cours structuré (Objectifs SMART, Portée et Séquence, Couverture des Compétences, Évaluation, Matériels, Calendrier, etc.).
La différence majeure réside dans l'intégration du processus d'auto-évaluation.
Intégration de l'Auto-Évaluation dans le Prompt
1. Création de la Grille d'Évaluation avec l'IA
En amont, on dialogue avec l'IA (même un modèle plus léger comme Gemini Flash) pour créer la grille :
- Identifier les Critères de Qualité : Demander à l'IA quels seraient les 5-7 critères les plus importants pour évaluer un plan de cours (ex: clarté des objectifs, progression logique, personnalisation, etc.).
- Concevoir la Grille : Demander à l'IA de structurer ces critères dans un tableau avec les colonnes : "Critère", "Note (/10)", "Justification de la Note", "Suggestions d'Amélioration".
Voici un exemple de la structure de la grille d'évaluation qui sera intégrée au prompt :
| Critère | Note (/10) | Justification de la Note | Suggestions d'Amélioration |
|---|---|---|---|
| Clarté des Objectifs d'Apprentissage | Les objectifs sont-ils clairs, mesurables et alignés ? | Suggestions pour rendre les objectifs plus spécifiques ou pertinents. | |
| Progression Logique | La séquence s'appuie-t-elle logiquement sur les acquis antérieurs? | Moyens de réorganiser ou de mieux lier les sujets. | |
| Intégration Complète des Compétences | Les 4 compétences sont-elles couvertes de manière adéquate et pertinente? | Idées pour intégrer une pratique plus équilibrée des compétences. | |
| Personnalisation | Le plan reflète-t-il bien les objectifs et le contexte spécifiques de l'apprenant? | Ajustements possibles pour augmenter la personnalisation. | |
| Utilisation des Références Pédago. | Les bonnes pratiques pédagogiques sont-elles bien intégrées ? | Suggestions pour un alignement plus profond avec les théories. | |
| Qualité Globale | Efficacité générale du plan pour répondre aux besoins de l'apprenant. | Améliorations générales pour renforcer l'impact du curriculum. |
2. Instruction de Conclusion du Brouillon et Options Post-Évaluation
Dans le prompt principal, on instruit l'IA :
- À la fin du brouillon du plan de cours, **toujours demander** : "Souhaitez-vous que j'évalue ce brouillon de plan de cours selon des critères clés et que je fournisse des suggestions d'amélioration? Oui ou Non ?"
- Si l'utilisateur répond "Oui", l'IA utilise la grille ci-dessus pour s'évaluer.
- Après l'évaluation, l'IA peut proposer : "En fonction de l'évaluation ci-dessus, souhaitez-vous que j'essaie d'améliorer le brouillon en me basant sur mes propres suggestions? Oui ou Non ?"
Démonstration et Résultats
La vidéo montre une démonstration avec Gemini 2.5 Pro, en fournissant le profil d'Emily Davis et le prompt agentique complet.
- L'IA génère un premier brouillon de plan de cours personnalisé (Objectifs SMART, progression logique par modules avec timing, couverture des compétences, suggestions de matériel authentique, etc.).
- À la demande, l'IA s'auto-évalue en utilisant la grille, se donnant des notes (ex: 9/10) et proposant des améliorations (ex: affiner la mesurabilité, intégrer des tâches d'écriture plus spécifiques).
- L'IA peut ensuite générer une version révisée basée sur ses propres suggestions ou des instructions supplémentaires de l'utilisateur (ex: se concentrer sur des objectifs réalistes).
- Finalement, l'IA peut rédiger deux versions du document final : une détaillée pour le formateur et une version moins technique pour l'apprenant.
(Le prompt complet utilisé et les documents générés – profil apprenant, plans de cours – sont disponibles en PDF dans la description de la vidéo).
Observation importante : Les "chaînes de raisonnement" (thinking process) de Gemini, bien que souvent en anglais, sont très instructives pour comprendre comment l'IA analyse la demande.
Avantages de l'Approche Agentique et Conclusion du Module 2
L'approche agentique, où l'IA s'auto-évalue et itère, offre un contrôle accru sur la qualité finale. C'est une façon d'imiter le processus de création et de révision humain, particulièrement puissant pour des tâches complexes.
Ce qu'il faut retenir :
- L'auto-évaluation structurée par l'IA améliore significativement la qualité des résultats.
- L'IA peut aider à créer sa propre grille d'évaluation.
- Cette technique est applicable à de nombreuses tâches complexes (programmes de cours, séquences, projets longs).
Ce module 2 était centré sur l'art du prompt. Cependant, l'apprentissage du prompting est un processus continu. Continuez à expérimenter, à échanger au sein de la communauté Teachinspire (notamment via la "Banque de Prompts"), et à vous inspirer des nombreuses ressources disponibles.
Une vidéo bonus suivra pour présenter un outil IA pratique permettant de générer et structurer des prompts rapidement.