Vrai ou faux ?
Chercher les erreurs dans un texte piégé. Vérifier avec d’autres sources.
L'IA écrit avec aplomb… même quand elle invente.
Repérer des erreurs, puis apprendre à vérifier un texte volontairement piégé. Ce jeu ne mesure pas le taux d’erreur d’un modèle.
Une réponse peut sembler convaincante et être fausse. Ces phrases ont été préparées pour le jeu. À toi de vérifier.
« Victor Hugo a publié Les Misérables en 1862. »
« Marie Curie a reçu trois prix Nobel. »
« Au sommet du mont Blanc, l’eau bout à moins de 100 °C. »
« Antoine de Saint-Exupéry a reçu le prix Goncourt pour Le Petit Prince. »
« La Grande Muraille de Chine est visible à l'œil nu depuis la Lune. »
5 cartes — répondre pour vérifier.
Pourquoi elle invente
Un modèle peut produire du texte faux ou sans appui suffisant. Cela arrive aussi avec une recherche web. Le ton assuré et la probabilité des mots ne prouvent rien sur la vérité.
Le réflexe en 3 questions
- D'où ça vient ? — une IA sans sources, c'est une affirmation sans preuve.
- Est-ce plausible ? — confronter à ce qui est déjà su… en se méfiant des idées reçues.
- Peut-on le vérifier ailleurs ? — croiser avec une source fiable indépendante.
Ces trois questions reprennent le processus évaluatif du référentiel esprit critique du CSEN (qualité des preuves, fiabilité des sources, plausibilité) — sources en bas de page.
Côté enseignant. Ce formulaire prépare l'activité. L'élève, lui, reçoit le texte piégé : y débusquer les erreurs, puis les vérifier dans une source fiable.
Prompt assemblé
Température réglée à — les réponses seront très prévisibles, presque identiques à chaque essai.les réponses seront équilibrées entre précision et créativité.les réponses seront plus créatives et variées, avec plus de risque d'erreurs.
Points de vigilance
- •
Comparaison multi-LLM
Pourquoi les réponses sont-elles différentes ?
Ici, on compare des modèles de langage. Ils passent par Albert API, un service de l’État. Le modèle et le service qui l’héberge sont deux choses différentes.
Ils apprennent avant de répondre. L’entraînement ajuste leurs réglages à partir de textes. Ensuite, la consigne et le contexte guident la réponse.
Ils écrivent par morceaux. Ces morceaux s’appellent des tokens. Le modèle leur donne des probabilités. Le plus probable n’est pas forcément vrai.
Ils peuvent se tromper. Une réponse fausse ou sans appui peut sembler très convaincante : c’est une hallucination. Ici, les appels ordinaires ne lancent pas de recherche web ; le module RAG ajoute des documents.
Pourquoi les réponses changent-elles ?
Les données, l’entraînement, la consigne et la température jouent un rôle. Le pays du concepteur ne suffit pas à expliquer une réponse.
Plus de paramètres ne garantit pas plus de justesse. Deux modèles peuvent aussi répéter la même erreur.
Un assistant peut ajouter des outils de recherche à un modèle. Ces outils aident à vérifier, sans garantir une réponse exacte.
✂️ Réponse tronquée (limite de longueur atteinte).
Grille de comparaison — À remplir (pour les élèves)
Remplir cette grille en lisant les réponses de chaque IA ci-dessus. Ce qui est écrit est conservé dans le navigateur et repris dans l'export. Les critères sont alignés sur les 5 compétences du référentiel CSEN (GT8, janvier 2025).
| Question à se poser | Compétence CSEN | |
|---|---|---|
| Le contenu est-il vraisemblable ? | Plausibilité de l'information | |
| Des sources sont-elles citées ? Sont-elles fiables ? | Fiabilité des sources | |
| Le raisonnement est-il logique et bien construit ? | Qualité des arguments | |
| Y a-t-il des preuves ou des exemples à l'appui ? | Qualité des preuves | |
| Ai-je les connaissances pour juger cette réponse ? | Fiabilité du jugement |
Grille de comparaison — Version IA (analyse automatique)
Une IA va analyser les réponses des autres modèles selon les critères du tableau. Attention : cette analyse est elle-même produite par une IA et peut contenir des erreurs !
Points de vigilance
- •
Références
- CSEN — GT8 « Développer l'esprit critique » (2025). Référentiel et grilles pour l'évaluation en classe des compétences de l'esprit critique
- Frau-Meigs, D. (2025). Référentiel de compétences EMI en algo-IA-littératie (AlgoWatch.eu)
- CLEMI (2024). L'intelligence artificielle générative : quelle révolution et quels enjeux pour les médias ?
- Ji, Z. et al. (2023). Survey of Hallucination in Natural Language Generation (ACM Computing Surveys) — pourquoi les modèles de langage produisent des affirmations plausibles mais fausses