- 5ème
- Cycle 4
- scénario, séquence
- travaux pratiques
- enseignant
- classe
La solubilité du sel dans l'eau à l’ère de l’IA
Dans quelle mesure les réponses de l’intelligence artificielle sont-elles fiables lorsqu’on les confronte à des modèles scientifiques et à l’expérimentation ? Proposition d'hypothèse, confrontation avec la réponse d'une IA et réalisation de l'expérience.
L'explication de la ressource en vidéo
La séquence
Dans cette séance, les élèves cherchent à répondre à la question : « Quelle quantité maximale de sel peut-on dissoudre dans l’eau ? ».
Ils commencent par formuler une hypothèse, puis découvrent une réponse proposée par une intelligence artificielle.
À travers une expérimentation, ils déterminent la solubilité du sel dans l’eau et comparent leurs résultats à la valeur théorique.
Cette activité leur permet à la fois de comprendre la notion de solution saturée et de développer un regard critique sur les réponses fournies par l’IA.
Ils commencent par formuler une hypothèse, puis découvrent une réponse proposée par une intelligence artificielle.
À travers une expérimentation, ils déterminent la solubilité du sel dans l’eau et comparent leurs résultats à la valeur théorique.
Cette activité leur permet à la fois de comprendre la notion de solution saturée et de développer un regard critique sur les réponses fournies par l’IA.
Retour d'expérience
Substitution : L’intelligence artificielle remplace un document écrit ou un manuel pour fournir une valeur de solubilité.
Pas de transformation de la tâche, mais un changement de support.
Augmentation : L’IA apporte une réponse rapide, contextualisée et rédigée, parfois avec des explications. Il y a possibilité de comparer plusieurs réponses (IA différentes).
Amélioration fonctionnelle : gain de temps, meilleure accessibilité à l’information.
Modification : Les élèves révisent leur hypothèse à partir d’une réponse IA. La démarche scientifique est enrichie par une nouvelle étape → confronter une source numérique à une expérience. Il y a une mise en place d’une analyse critique guidée.
La tâche est transformée : l’élève ne fait plus seulement une expérience, il analyse aussi une source.
Redéfinition : Les élèves réalisent une tâche nouvelle, ils évaluent la fiabilité d’une intelligence artificielle à partir de données expérimentales. Ils développent leur esprit critique face aux outils numériques modernes ce qui entraîne le croisement inédit entre : savoir scientifique, démarche expérimentale et analyse d’une IA
Activité difficilement réalisable sans numérique : nouvelle forme d’apprentissage
Les plus-values pour la discipline
- Renforce la compréhension de la démarche scientifique réelle (comparaison théorie / expérience)
- Donne du sens aux notions de : solubilité / solution saturée
- Introduit la notion de valeur théorique vs valeur expérimentale
- Favorise l’argumentation scientifique
- Permet d’aborder les incertitudes expérimentales
Les leviers :
Le retour des élèves montre que l’activité a permis de mobiliser plusieurs leviers pédagogiques intéressants :
• L’expérimentation comme outil de validation
La majorité des élèves a spontanément cherché à expliquer les écarts observés par des causes expérimentales (agitation, température, pesée, pertes de matière). Cela montre qu'ils ont compris que les résultats scientifiques dépendent de conditions expérimentales et qu'une mesure n'est jamais parfaite.
• L’IA comme déclencheur de questionnement
La présence d'une réponse d'IA a suscité des discussions et des prises de position variées. Les élèves ne se sont pas limités à accepter passivement l'information ; certains ont commencé à s'interroger sur son origine et sa fiabilité.
• Une première approche de l'esprit critique
Les réponses des élèves révèlent l'émergence de différentes postures critiques :
-confiance dans la donnée théorique ;
-remise en question de la source IA ;
-prise en compte simultanée des limites de l'expérience et de celles de l'IA.
Cette diversité constitue un point d'appui intéressant pour construire progressivement une culture de la vérification scientifique.
• Une meilleure compréhension de la démarche scientifique
-confiance dans la donnée théorique ;
-remise en question de la source IA ;
-prise en compte simultanée des limites de l'expérience et de celles de l'IA.
Cette diversité constitue un point d'appui intéressant pour construire progressivement une culture de la vérification scientifique.
Les élèves ont été placés dans une situation proche de celle des scientifiques : confronter une prédiction ou une information théorique à des observations expérimentales.
Les points de vigilance :
• Une confiance excessive dans l'IA
Environ la moitié des élèves ont attribué les écarts uniquement à leur manipulation, sans envisager que la réponse de l'IA puisse être incomplète ou erronée.
Cette réaction montre que certains perçoivent encore l'IA comme une « autorité » scientifique.
• Une vision binaire de la fiabilité
Cette réaction montre que certains perçoivent encore l'IA comme une « autorité » scientifique.
Certains élèves considèrent que :
• soit l'IA a totalement raison ;
• soit elle a totalement tort.
• soit elle a totalement tort.
La notion de degré de confiance dans une information reste encore difficile à appréhender.
• Une méconnaissance du fonctionnement de l'IA
Plusieurs élèves ont indiqué que l'IA pouvait « inventer » ou « prendre de mauvaises informations », mais sans réellement comprendre comment elle produit ses réponses.
La distinction entre :
La distinction entre :
• une source scientifique validée ;
• une synthèse générée par une IA ;
• une synthèse générée par une IA ;
mérite d'être davantage explicitée.
• Difficulté à distinguer théorie et expérience
Quelques élèves ont eu du mal à comprendre qu'une valeur théorique de référence peut être juste tout en étant différente du résultat obtenu en classe.
Les axes d'amélioration pour développer davantage l'esprit critique dans cette activité :
Pendant cette activité
- Faire comparer les réponses de plusieurs IA (ChatGPT, Perplexity, Copilot, Gemini) afin de montrer que les formulations et les résultats peuvent varier.
- Demander aux élèves d'identifier les éléments qui rendent une réponse plus ou moins fiable (présence de sources, précision des conditions expérimentales, justification scientifique).
- Insister sur la fiabilité des informations en faisant analyser dans un tableau les réponses obtenues : avec 2 Intelligences artificielles différentes, le manuel de physique chimie, l’expérience et leur demander d’évaluer le niveau de confiance des informations
- Demander aux élèves d'identifier les éléments qui rendent une réponse plus ou moins fiable (présence de sources, précision des conditions expérimentales, justification scientifique).
- Insister sur la fiabilité des informations en faisant analyser dans un tableau les réponses obtenues : avec 2 Intelligences artificielles différentes, le manuel de physique chimie, l’expérience et leur demander d’évaluer le niveau de confiance des informations
| Source | Niveau de confiance |
| Hypothèse personnelle | Faible |
| Réponse IA sans source | Moyen |
| Réponse IA avec source vérifiable | Bon |
| Manuel scientifique | Très bon |
| Résultat reproduit expérimentalement | Très bon |
Mots clés :
Information(s) pédagogique(s)
Niveau :
5ème, Cycle 4
Type pédagogique :
scénario, séquence, travaux pratiques
Public visé :
enseignant
Contexte d'usage :
classe
Référence aux programmes :
- Objectif(s) pédagogique(s) :
Comprendre la notion de solubilité et de solution saturée.
Mettre en œuvre une démarche expérimentale (hypothèse, test, conclusion).
Comparer un résultat expérimental à une valeur théorique.
Développer un esprit critique face aux réponses d’une intelligence artificielle.
Savoir mesurer, observer et interpréter des résultats expérimentaux.
Mettre en œuvre une démarche expérimentale (hypothèse, test, conclusion).
Comparer un résultat expérimental à une valeur théorique.
Développer un esprit critique face aux réponses d’une intelligence artificielle.
Savoir mesurer, observer et interpréter des résultats expérimentaux.
- Contenus du programme de PC :
- Dissolution d’un solide dans un liquide : notion de solution.
- Notion de solution saturée et de solubilité.
- Influence de certains paramètres (température, agitation).
- Différence entre valeur expérimentale et valeur théorique.
- Notion de solution saturée et de solubilité.
- Influence de certains paramètres (température, agitation).
- Différence entre valeur expérimentale et valeur théorique.
- Compétences mobilisées (Socle commun/ ECE) :
- Pratiquer des démarches scientifiques : formuler une hypothèse, expérimenter, interpréter.
- S’approprier des outils et des méthodes : utiliser une balance, une éprouvette, suivre un protocole.
- Analyser et interpréter des données : comparer résultats expérimentaux et données issues de l’IA.
- Communiquer : reformuler une information, rédiger une conclusion.
- Adopter un esprit critique : questionner la fiabilité d’une information (notamment issue de l’IA).
- S’approprier des outils et des méthodes : utiliser une balance, une éprouvette, suivre un protocole.
- Analyser et interpréter des données : comparer résultats expérimentaux et données issues de l’IA.
- Communiquer : reformuler une information, rédiger une conclusion.
- Adopter un esprit critique : questionner la fiabilité d’une information (notamment issue de l’IA).
- Compétences numériques (CRCN – PIX) :
Domaine 1 : Information et données - Rechercher, lire et comprendre une information issue d’une IA.
Domaine 4 : Protection et sécurité / esprit critique - Évaluer la fiabilité d’une information numérique (IA).
Domaine 4 : Protection et sécurité / esprit critique - Évaluer la fiabilité d’une information numérique (IA).
- Outils numériques utilisés :
IA conversationnelle (ex : ChatGPT, Perplexity)
Vidéo de sensibilisation (ex : ARTE Family via Digiview)
Vidéo de sensibilisation (ex : ARTE Family via Digiview)
- Contexte pédagogique - Prérequis :
Savoir utiliser du matériel de base : balance, éprouvette graduée, bécher
Connaître la notion de mélange (homogène / hétérogène)
Avoir déjà manipulé en respectant un protocole expérimental simple
Comprendre qu’une mesure peut comporter des incertitudes
Connaître la notion de mélange (homogène / hétérogène)
Avoir déjà manipulé en respectant un protocole expérimental simple
Comprendre qu’une mesure peut comporter des incertitudes