Accueil/Anglais /Chapitre 09 · Exercices

Exercices — AI and emotions

Les exercices du dossier, corrigés — et ceux qu'il annonce sans les poser, écrits ici à partir du texte disponible.

📌

Résumé flash

Quatorze exercices : l'appariement des dix mots-clés, huit questions de compréhension avec leurs réponses, un compte rendu de 198 mots découpé paragraphe par paragraphe, un texte à trous sur le vocabulaire de l'IA, et les trois questions d'expression orale avec de quoi y répondre.

01Keywords : l'appariement

1Dix phrases, dix définitions Facile

L'exercice II du dossier. Faites-le d'abord, la correction est en dessous.

énoncé

1.  The university offers an INTERDISCIPLINARY program that combines art and science.
2.  The software uses a complex ALGORITHM to recommend personalized movie choices.
3.  The new app can AUGMENT your language learning experience.
4.  The PROLIFERATION of social media platforms has revolutionized communication.
5.  There are certain INFERENCES we can draw about the origins of language.
6.  The constant surveillance cameras felt INTRUSIVE to some shoppers.
7.  Cutting funding for education has long-term IMPLICATIONS for the country.
8.  A good teacher can PROMPT students to think critically.
9.  Leaders should take ACCOUNTABILITY for their team's successes and failures.
10. If you don't maintain your car, its performance may DETERIORATE.

✅ Correction

Nº	Mot	Lettre	Définition
1	interdisciplinary	d	qui met en jeu plusieurs disciplines
2	algorithm	a	une suite d'étapes qui résout un problème
3	to augment	i	accroître la quantité, la valeur, la taille
4	proliferation	f	une multiplication rapide et étendue
5	inferences	e	ce qu'on déduit indirectement de ce qu'on sait
6	intrusive	b	trop direct, trop visible, au point de gêner
7	implications	j	les effets possibles d'une décision
8	to prompt	g	pousser quelqu'un à agir ; provoquer
9	accountability	c	devoir répondre de ses décisions et les expliquer
10	to deteriorate	h	se dégrader, empirer

Les trois pièges de cet exercice : augment et proliferation disent tous deux une augmentation — mais le premier est transitif et volontaire (on augmente quelque chose), le second constate une multiplication. Et implications n'a rien à voir avec « impliquer quelqu'un » : ce sont des conséquences.

02Les questions de compréhension

⚠️ Ces questions ne sont pas celles du dossier

Le document annonce au point 4 « answer the comprehension questions », mais il s'arrête avant de les poser — il se termine sur l'intertitre « Why the worry ». Les huit questions ci-dessous ont été écrites ici, sur les six paragraphes réellement disponibles.

Elles suivent la forme habituelle de l'épreuve : du repérage d'abord, de l'interprétation ensuite.

2Ce que l'AI Now Institute demande Facile

What exactly does the AI Now Institute ask for — and in which cases?

✅ Correction

A ban on affect recognition technology, but not everywhere: only in decisions that affect people's lives and their access to opportunities, such as hiring decisions and pain assessments.

La restriction compte autant que la demande. Écrire « ils veulent interdire la reconnaissance des émotions » est faux : le rapport vise des usages précis.

3Les deux motifs, et ce qui les distingue Difficile

The report gives two reasons. What are they, and why are they not the same reason?

✅ Correction

The technology is not sufficiently accurate, and it can lead to biased decisions. Being inaccurate means being wrong; being biased means being wrong always in the same direction, and not equally for everyone.

C'est la distinction qui fait la différence entre une bonne et une très bonne copie. On corrige une inexactitude ; un biais, on cesse de s'en servir.

4Deux noms pour une même technologie Facile

Give two names for the same technology, as used in the article.

✅ Correction

Affect recognition technology and emotion recognition technology. The article gives both in its first paragraph.

5Depuis quand, exactement Moyen

Since when has facial expression analysis existed, according to the article? Be careful with the wording.

✅ Correction

Since at least 2003. The phrase at least means it may be older — the article does not say it was invented that year.

Recopier la prudence de l'auteur fait partie de l'exercice. Supprimer at least, c'est affirmer ce que le texte ne dit pas.

6Le machine learning, dans les termes de l'article Facile

What is "machine learning", in the article's own terms?

✅ Correction

A data-centric technique: algorithms that process data to "learn" how to make decisions. It is what made affect recognition more accurate.

7Pourquoi une émotion résiste à la machine Moyen

Why does the article say emotions are difficult for a computer? Give the example it uses.

✅ Correction

Because emotions depend on context. The example: someone who is concentrating may simply look as if they are thinking. Emotions are expressed not only by the face, but by where people are and what they are doing — and these contextual cues are hard to feed into an algorithm.

8Le paradoxe du paragraphe 3 Difficile

Paragraph 3 says something harder is easier. What is it?

✅ Correction

Machines can already do remarkable things with images — stylise a photo like a famous painter, create photo-realistic faces, produce deepfakes. Yet inferring an emotion from a real image remains difficult. Making a convincing fake is easier than reading a real face.

Un paradoxe de ce genre est exactement ce qu'un sujet d'expression personnelle demande de commenter.

9L'usage déjà en place au travail Moyen

How is the technology already used at work, and what may depend on it?

✅ Correction

It evaluates worker productivity, and it is used as early as the interview stage. Analysing footage from interviews, especially for remote job-seekers, is already underway. It may influence raises, promotions or assignments.

03Le compte rendu, modèle commenté

10Écrire le compte rendu, dans les trois bornes Difficile

Le barème de l'épreuve : introduction ⩽ 35 mots, développement 130 à 150, total 180 à 220. Écrivez le vôtre avant d'ouvrir le modèle — c'est le seul exercice de la page dont la correction ne sert à rien si on la lit d'abord.

Le modèle replié tient les trois bornes, et le site les recompte à chaque publication.

✅ Le modèle, et son décompte

compte rendu modèle — 198 mots

This article, adapted from The Conversation and published on 8 January 2020, deals
with affect recognition — the technology that claims to read human emotions from a
face — and asks whether it should be used.

In its annual report, the AI Now Institute calls for a ban on this technology in
decisions that affect people's lives and their access to opportunities, such as hiring
or pain assessment. The researchers give two distinct reasons: the technology is not
sufficiently accurate, and it leads to biased decisions. The article then recalls that
facial expression analysis has existed since at least 2003, and that machine learning
has made affect recognition more precise. The main obstacle, however, is not precision
but context: emotions depend on where people are and what they are doing, and a face
alone does not carry that information. Someone who is concentrating may simply look
thoughtful. Meanwhile, the report shows that the technology is already being applied
to the workforce. Analysing footage from job interviews, especially for remote
candidates, is already underway, and such information may influence raises, promotions
or assignments.

The question raised by the title therefore remains open, but the use does not wait for
the answer.

Partie	Mots	Borne	Ce qu'elle doit contenir
Introduction	34	⩽ 35	nature, source, date, sujet — et rien d'autre
Développement	146	130 – 150	la demande, les deux motifs, l'historique, l'obstacle, l'usage réel
Conclusion	18	—	une phrase qui referme sans rien ajouter de neuf
Total	198	180 – 220

🧰 Ce que fait l'introduction, mot pour mot

This article, adapted from The Conversation — la nature et la source.
published on 8 January 2020 — la date.
deals with affect recognition — le sujet, nommé par son terme technique.
and asks whether it should be used — la question du titre, reprise en discours indirect.

Quatre informations, 34 mots. Tout ce qui s'ajoute ici est pris sur le développement, où se joue la note.

⚠️ Ne jamais écrire « I think » dans un compte rendu

Un compte rendu rapporte. L'avis personnel appartient à la seconde partie de l'épreuve, l'expression personnelle. Les verbes à employer sont ceux du rapport : the article states, the researchers argue, the report shows, the author recalls.

Le modèle ci-dessus n'emploie pas une seule fois la première personne. Vérifiez-le sur le vôtre : c'est la faute la plus facile à éviter.

04Texte à trous

11Dix mots à replacer Moyen

Ils viennent tous du dossier ou du vocabulaire de la section 7 du cours.

gap-fill

accountability · algorithms · augment · biased · contextual
deepfakes · inferences · underway · workforce · assessment

1.  The AI Now Institute called for a ban because the technology is not accurate
    enough and can lead to ............... decisions.
2.  Machine learning uses ............... that process data to "learn" how to decide.
3.  Researchers try to ............... artificial intelligence so that it takes context
    into account.
4.  A face alone is not enough: ............... cues such as place and activity are
    missing.
5.  Computer vision can already create photo-realistic faces and even ............... .
6.  The report mentions hiring decisions and pain ............... as two sensitive uses.
7.  Analysing footage from remote job interviews is already ............... .
8.  AI is being applied to the ............... in order to evaluate productivity.
9.  Computers draw ............... about the emotions and intent of humans.
10. If no one can explain a decision, there is no ............... for it.

✅ Correction

corrigé

1. biased          2. algorithms     3. augment        4. contextual
5. deepfakes       6. assessment     7. underway       8. workforce
9. inferences     10. accountability

Le numéro 10 est le seul qui ne se trouve pas tel quel dans l'article : il relie le vocabulaire de l'exercice II à l'argument du texte. C'est exactement le genre de rapprochement qu'une copie doit faire.

05Speaking : les trois questions

Les trois questions d'ouverture du dossier, et de quoi y répondre en deux minutes chacune. Ce ne sont pas des corrigés — ce sont des points d'appui.

12a) À quoi servirait une IA qui lit les émotions Moyen

If AI systems can understand human emotions, what might these technologies be used for?

🎯 Points d'appui

Usages avancés comme positifs : évaluer la douleur d'un patient qui ne peut pas parler ; détecter la fatigue d'un conducteur ; adapter un apprentissage au découragement d'un élève.
Usages commerciaux : mesurer la réaction à une publicité, à un rayon de magasin, à une interface.
Usages de contrôle : surveillance au travail, à l'école, aux frontières.

Les trois familles valent mieux qu'une liste d'exemples : elles montrent qu'on a classé avant de parler.

13b) L'embauche et l'entretien Moyen

How could AI technology impact the hiring process or job interviews?

🎯 Points d'appui

Ce que l'article établit : l'analyse des enregistrements d'entretien est déjà en service, surtout pour les candidats à distance.
L'argument pour : traiter plus de candidatures, et appliquer à tous la même grille.
L'argument contre : un candidat écarté ne saura pas pourquoi, donc ne pourra pas contester — et le biais s'applique lui aussi à tous.
Le retournement : les candidats apprendront à jouer devant la caméra. On mesurera alors la capacité à simuler une émotion, pas l'émotion.

14c) Les objections éthiques Difficile

What ethical concerns can you imagine, especially in essential areas like employment or healthcare?

🎯 Points d'appui

Accountability : qui s'explique quand la machine se trompe — l'éditeur, l'employeur, personne ?
Le consentement : un candidat peut-il refuser d'être analysé sans perdre le poste ?
Le biais : une erreur systématique frappe toujours les mêmes.
L'asymétrie : l'entreprise voit tout du candidat, le candidat ne voit rien du modèle.

Une phrase pour finir, qui tient tout l'oral : the question is not whether the technology works, but who answers for it when it does not.