01Ce que contient le dossier
Le document distribué suit la forme classique d'un dossier d'examen : on parle, on
apprend le vocabulaire, on devine, puis on lit.
| Partie | Ce qu'elle demande | Ce qu'elle prépare |
|---|
| Speaking — 3 questions |
à quoi servirait une IA qui comprend les émotions ; son effet sur l'embauche ;
quels problèmes éthiques |
l'oral, et les idées du compte rendu |
| Keywords — 10 phrases, 10 définitions |
apparier chaque mot en gras à sa définition |
le lexique de l'article, à connaître avant de lire |
| Predicting |
lire le titre et les deux premiers paragraphes, deviner la suite |
la lecture rapide, celle qu'on fait en examen |
| Reading — 6 paragraphes numérotés |
lire, puis répondre aux questions de compréhension |
le compte rendu |
⚠️ Le document s'arrête au milieu d'une phrase
L'exemplaire distribué se termine sur l'intertitre « Why the worry » — et rien
après. Le paragraphe 7 manque, et les questions de compréhension annoncées
au point 4 ne figurent nulle part dans le document.
Ce n'est pas un détail : le dossier promet des questions qu'il ne pose pas. Si
l'évaluation porte dessus, il faut la fin du document. En attendant, les questions de la
page d'exercices ont été écrites ici, à partir du texte
réellement disponible.
Vérifiez auprès de la professeure que votre exemplaire n'est pas,
lui aussi, coupé. Un document tronqué se repère au fait qu'il
finit sans point final.
💡 Un conseil du dossier qui vaut pour toute l'épreuve
Le texte porte en tête son propre mode d'emploi : devant un mot inconnu,
continuer à lire et en déduire le sens par ce qui l'entoure.
C'est exactement ce que l'épreuve attend. S'arrêter sur chaque mot coûte le
temps qu'il faudrait au compte rendu — et le sens d'un mot isolé importe rarement, celui
du paragraphe toujours.
02Les dix mots-clés
Les dix mots du dossier, dans l'ordre où il les donne. Les définitions sont
reformulées — l'exercice consiste à les apparier, pas à les recopier.
| Mot | Nature | Sens | Dans l'article |
|---|
| interdisciplinary | adj. |
qui fait travailler ensemble plusieurs disciplines |
l'AI Now Institute est un centre interdisciplinary |
| an algorithm | n. |
une suite d'étapes qui résout un problème — le mot du programmeur |
les algorithmes de vision par ordinateur |
| to augment | v. |
accroître la taille, la valeur ou la quantité de quelque chose |
on cherche à augmenter l'IA pour qu'elle tienne compte du contexte |
| proliferation | n. |
une multiplication rapide et étendue |
(mot de l'exercice, pas de l'article) |
| an inference | n. |
ce qu'on déduit indirectement de ce qu'on sait déjà |
la machine tire des inferences sur l'intention des humains |
| intrusive | adj. |
trop direct, trop visible, au point de gêner |
(mot de l'exercice — la surveillance) |
| implications | n. pl. |
les effets possibles d'une action ou d'une décision |
l'institut étudie les implications sociales de l'IA |
| to prompt | v. |
pousser quelqu'un à agir, provoquer quelque chose |
(mot de l'exercice) |
| accountability | n. |
le fait de répondre de ses décisions, et de devoir les expliquer |
le mot central du débat éthique |
| to deteriorate | v. |
se dégrader, empirer |
(mot de l'exercice) |
⚠️ Quatre de ces mots ne sont pas dans l'article
Proliferation, intrusive, to prompt et
to deteriorate apparaissent dans les phrases d'exemple de l'exercice, pas dans
le texte. C'est volontaire : l'exercice de vocabulaire d'un dossier ne se limite
jamais à l'article.
Conséquence pratique : ne cherchez pas ces mots dans le texte pour
vérifier votre réponse — vous ne les y trouverez pas, et vous perdrez cinq minutes.
💡 accountability ≠ responsibility
Responsibility, c'est la charge qu'on porte avant : ce
dont on a la garde. Accountability, c'est ce qui vient
après : devoir rendre des comptes, expliquer, assumer.
Le français traduit les deux par « responsabilité », et c'est précisément
pour cela que le mot anglais est au programme. Dans un débat sur l'IA, la question
n'est presque jamais « qui en a la charge ? » mais
« qui devra s'expliquer quand elle se trompera ? »
03L'article, paragraphe par paragraphe
Six paragraphes numérotés, trois intertitres. Le plan est celui d'un article de
vulgarisation : une alerte, l'histoire de la technique, l'obstacle, l'usage réel.
| § | Ce qu'il apporte |
|---|
| 1 |
L'alerte. L'AI Now Institute demande l'interdiction de la
reconnaissance des émotions dans les décisions qui touchent « la vie des gens et
leur accès aux opportunités » — embauche, évaluation de la douleur. Deux motifs,
et il faut les deux : pas assez exacte, et
source de décisions biaisées. |
| Outgrowth of facial recognition — ce qui
est né de la reconnaissance faciale |
| 2 |
L'histoire. Les chercheurs travaillent sur ces algorithmes
depuis au moins dix ans. L'analyse des expressions du visage existe depuis
2003 au moins. L'apprentissage automatique — des algorithmes qui traitent des
données pour « apprendre » à décider — a rendu la reconnaissance plus
précise. |
| The challenge of reading emotions — la
difficulté de lire les émotions |
| 3 |
Le paradoxe. Un enfant y arrive très tôt ; une machine, non.
On sait pourtant faire des choses remarquables sur une image — la styliser à la
manière d'un peintre, fabriquer des visages photoréalistes, produire des
deepfakes. Déduire une émotion reste plus dur que fabriquer un
faux. |
| 4 |
L'autre versant. Un chercheur, aujourd'hui chez Microsoft,
rappelle que la technologie a aussi des applications utiles. Le paragraphe est
court — mais il est là, et une copie qui ne retient que l'alerte lit le texte à
moitié. |
| 5 |
L'obstacle. Une émotion dépend du contexte. Quelqu'un qui se
concentre a l'air de penser. Le visage ne suffit pas : une émotion s'exprime
aussi par où l'on est et ce que l'on fait. Ces
indices-là sont difficiles à donner à manger à un algorithme. |
| Reading employee emotions — lire les
émotions des salariés |
| 6 |
L'usage réel. L'IA est déjà appliquée au travail pour évaluer la
productivité, et dès l'entretien d'embauche. L'analyse des enregistrements
d'entretien, surtout pour les candidats à distance, est
déjà en service. Augmentations, promotions, affectations
pourraient s'en trouver influencées. |
💡 Affect recognition et emotion recognition sont le même objet
L'article donne les deux noms dès la première phrase. Affect, en anglais
scientifique, désigne l'émotion telle qu'elle se manifeste à l'extérieur — ce qui se voit
—, par opposition au ressenti intérieur.
Dans une copie, employer les deux une fois chacun montre qu'on a lu le texte
et pas seulement son titre.
05Pourquoi le contexte résiste à la machine
C'est le cœur de l'article, et l'argument le plus réemployable. Il tient en une
observation : le même visage ne veut pas dire la même chose selon la
situation.
schémaun visage immobile, sourcils froncés, regard fixe
│
├── devant un écran de code → concentration
├── devant une facture → contrariété
├── sous un soleil de face → éblouissement
└── en fin de nuit de garde → fatigue
le pixel est le même · la conclusion ne l'est pas
L'article le dit par un seul exemple, et c'est le plus parlant : quelqu'un qui se
concentre peut avoir simplement l'air de réfléchir. Une émotion ne se lit pas seulement
sur le visage — elle tient aussi à l'endroit où l'on est et à ce que l'on fait.
💡 L'argument technique, dans vos mots de CIEL
Un modèle apprend à partir de ce qu'on lui donne. On lui donne des
pixels de visage ; on ne lui donne ni la pièce, ni l'heure, ni la
tâche en cours, ni l'histoire de la personne. Il conclut donc sur une
entrée incomplète — et il conclut quand même, avec un score de
confiance qui a l'air d'une certitude.
C'est le même raisonnement que pour les IA génératives : une sortie
plausible n'est pas une sortie vraie. En tant qu'étudiant de CIEL, vous
pouvez traiter ce point techniquement plutôt que moralement — et c'est
exactement ce qui distingue une bonne copie.
⚠️ « Pas assez exacte » et « biaisée » sont deux reproches différents
Le rapport en fait deux, et une copie qui les confond perd la moitié de l'argument.
- Inexacte — elle se trompe. Le remède serait un meilleur modèle,
plus de données.
- Biaisée — elle se trompe systématiquement dans le même sens,
et pas pour tout le monde pareil. Plus de données du même genre
aggrave le problème au lieu de le résoudre.
C'est pour cela que le rapport demande une interdiction dans
certains usages, et non une amélioration. On n'améliore pas un biais, on cesse de
s'en servir là où il coûte cher.
06L'IA à l'entretien d'embauche
Le dernier paragraphe est celui qui vous concerne le plus directement : vous passerez
des entretiens, et une partie se fera à distance.
| Étape | Ce que l'IA y fait, selon le rapport | Ce qui en dépend |
|---|
| L'entretien |
analyse de l'enregistrement vidéo, surtout pour les candidats à distance |
être retenu, ou non |
| Le travail quotidien | évaluation de la productivité |
le regard porté sur le salarié |
| L'évaluation |
un responsable se fait une idée des émotions de son équipe |
augmentations, promotions, affectations |
💡 Pourquoi l'embauche est l'exemple choisi, et pas un autre
Le rapport vise les décisions qui touchent « la vie des gens et leur accès aux
opportunités ». L'embauche coche les deux : elle est
irréversible pour le candidat écarté, et il ne saura
jamais pourquoi — donc il ne pourra pas contester.
Rapprochez cela de accountability : une décision que personne
ne peut expliquer est une décision dont personne ne répond. C'est la phrase qui relie
le vocabulaire de l'exercice 2 à l'argument de l'article.