Littératie critique de l’IA pour les historien·ne·s

Bienvenue

Ce dépôt propose des exercices structurés et pratiques permettant aux historien·ne·s de développer une littératie critique de l’IA, une critique des sources numériques et des pratiques savantes avec les grands modèles de langage (LLM).

AvertissementDISCLAIMER

Ce projet est actuellement en développement actif (avec l’aide de l’IA) et dans une phase très précoce. Les matériels fournis ici sont provisoires et peuvent subir des changements significatifs. Utilisez-les avec prudence et soyez conscients que les ressources actuelles peuvent ne pas représenter la qualité finale ou l’étendue voulue pour cette ressource.

Objectif

Ces ressources visent à aider les apprenant·e·s à:

• Comprendre comment l’IA fonctionne à la fois comme outil et comme méthode de recherche
• Réfléchir à la manière dont elle façonne l’interprétation historique et la preuve
• Appliquer une critique rigoureuse des sources numériques pour évaluer la provenance des données, la représentation et les biais
• Pratiquer une utilisation responsable, transparente et éthiquement informée de l’IA dans la recherche historique

Principes

Les exercices encouragent:

• La reproductibilité dans les flux de travail de recherche
• La protection des données et la gestion éthique des données. Dans sa section «Ce dont vous avez besoin», chaque exercice nomme le matériel qui reste hors du système d’IA et les règles du droit de la protection des données qui s’appliquent.
• La sensibilisation au droit d’auteur et l’attribution correcte
• La durabilité par l’informatique minimale, c’est-à-dire par des procédés à faible besoin de calcul. Trois propriétés y aident, et chacune a sa propre condition. Un petit modèle pour une tâche étroite consomme nettement moins d’énergie par requête qu’un grand modèle généraliste (Luccioni et al. 2024). Un modèle ouvert vous permet de conserver une version fixe (Spirling 2023). Un modèle local laisse votre matériel sur votre ordinateur. La section Vérifier et situer les capacités montre quand cette voie est payante.
• La collaboration interdisciplinaire et la réflexion critique

En s’engageant avec ces ressources, les historien·ne·s seront mieux équipé·e·s pour concevoir des projets transparents et significatifs qui intègrent l’IA dans leur recherche sans compromettre la rigueur disciplinaire.

Choisissez votre parcours

Selon vos intérêts ou vos objectifs d’apprentissage, vous pouvez suivre différents parcours à travers les ressources. Nous vous recommandons de commencer par l’exercice sur le Prompt Engineering.

Parcours A: Conseil de l’Europe / Dodis (Focalisé sur les sources)

Ce parcours vous guide à travers l’ensemble du processus de recherche en utilisant l’exemple de l’histoire diplomatique suisse (Dodis) et du Conseil de l’Europe.

1. Prompt Engineering: Bases de l’interaction avec les LLM.
2. Question de recherche: Développer une question de recherche historique.
3. Recherche de sources: Recherche ciblée de sources primaires.
4. Critique des sources: Appliquer la critique des sources numériques.
5. Écriture: Rédiger et affiner des textes historiques.
6. Citer: Documenter correctement l’utilisation de l’IA.

Parcours B: Sécurité sociale (Focalisé sur la littérature)

Ce parcours se concentre sur la recherche bibliographique et la communication de sujets historiques auprès du public.

1. Prompt Engineering: Bases de l’interaction avec les LLM.
2. Recherche bibliographique: Trouver et évaluer la littérature secondaire.
3. Question de recherche: Formuler une question de recherche. L’exercice utilise l’exemple du Conseil de l’Europe. Transposez chaque étape au thème de la sécurité sociale.
4. Écriture: Rédiger et affiner des textes historiques.
5. Citer: Documenter correctement l’utilisation de l’IA.
6. Public History: Présenter l’histoire à un large public.

Parcours C: Votre propre sujet

Utilisez les méthodes et les modèles pour votre propre projet de recherche.

• Prérequis: Terminez d’abord l’exercice sur le Prompt Engineering.
• Transfert: Utilisez les prompts et les questions de réflexion des autres exercices et appliquez-les à vos propres sources et sujets.

Tous les exercices

À propos de l’auteur

Moritz Mähr (Dr. sc. ETH Zurich) est chercheur associé en humanités numériques à l’Université de Berne et spécialiste des sciences de l’information et des bibliothèques au sein des Research Analytics Services de l’ETH Zurich. Ses travaux articulent histoire numérique, science and technology studies et infrastructures de recherche ouvertes. Ses domaines d’intérêt incluent la critique des sources numériques à l’ère de l’IA, l’histoire de la numérisation dans l’administration publique, les approches de minimal computing en histoire publique, ainsi que la durabilité numérique fondée sur les principes FAIR et CARE.

• E-mail: moritz.maehr@gmail.com
• Site web: https://moritzmaehr.ch/
• ORCID: https://orcid.org/0000-0002-1367-1618
• GitHub: https://github.com/maehr

À propos de ce projet

Littératie critique de l’IA pour les historien·ne·s est une initiative éducative conçue pour doter les historien·ne·s des connaissances et des compétences nécessaires pour s’engager de manière critique avec les technologies d’intelligence artificielle dans leur pratique de recherche. Les cadres et approches présentés ici s’inspirent largement du document de travail Implementing Generative AI in the Historical Studies. (Oberbichler et Petz 2025)

Cadre pédagogique

Le projet repose sur les principes pédagogiques suivants:

1. L’IA comme outil et méthode: Comprendre l’IA non seulement comme un outil technique mais aussi comme une approche méthodologique qui façonne les questions de recherche et les interprétations
2. Critique des sources numériques: Appliquer une évaluation critique rigoureuse aux contenus générés par l’IA, aux jeux de données et aux résultats algorithmiques
3. Conscience éthique: Favoriser une utilisation responsable de l’IA qui prend en compte la vie privée, les biais, la représentation et les dynamiques de pouvoir
4. Transparence et reproductibilité: Promouvoir des pratiques de recherche ouvertes, documentées et réplicables
5. Rigueur disciplinaire: Maintenir les méthodes historiques et la pensée critique tout en intégrant les nouvelles technologies

Chaque exercice comprend

• Des objectifs d’apprentissage clairs
• Des prérequis
• Des activités pratiques
• Des invitations à la réflexion critique
• Des ressources supplémentaires

Principes FAIR et CARE

Ce projet adhère:

• Aux principes FAIR (Findable, Accessible, Interoperable, Reusable) pour les données de recherche et les matériels pédagogiques
• Aux principes CARE (Collective Benefit, Authority to Control, Responsibility, Ethics) pour une gouvernance responsable des données

Contribuer

Nous accueillons les contributions des historien·ne·s, éducateur·rice·s et chercheur·euse·s. Veuillez consulter nos directives de contribution pour plus d’informations.

Licence

• Matériels pédagogiques: CC BY NC SA 4.0
• Code: AGPL 3.0

Contact

Pour toute question ou retour, veuillez ouvrir un issue ou contacter les mainteneurs.

Les références

Luccioni, Sasha, Yacine Jernite, et Emma Strubell. 2024. « Power Hungry Processing: Watts Driving the Cost of AI Deployment? » Proceedings of the 2024 ACM Conference on Fairness, Accountability, and Transparency (FAccT ’24) (New York, NY, USA), juin 3, 85‑99. https://doi.org/10.1145/3630106.3658542.

Oberbichler, Sarah, et Cindarella Petz. 2025. Working Paper: Implementing Generative AI in the Historical Studies. Version 1.0. février 25. https://doi.org/10.5281/zenodo.14924737.

Spirling, Arthur. 2023. « Why Open-Source Generative AI Models Are an Ethical Way Forward for Science ». Nature 616 (7957): 413. https://doi.org/10.1038/d41586-023-01295-4.