Aller au contenu principal

Explorer la présence de l'IA dans notre environnement

Technologie et ingénierieÉducation morale et civiqueIntelligence artificielle et nouvelles technologiesEngagement citoyen, gouvernance et données
ProjetDuréeDifficulté
SteamCity4 heures (1h préparation, 1h marche, 2h débriefing)Variable

Matériel​

  • Aucun matériel spécifique n'est nécessaire
  • Carnets ou appareils numériques pour la prise de notes
  • Smartphones ou appareils photo pour la documentation
Télécharger en PDF
L'odyssée de l'IA

Introduction​

L'intelligence artificielle (IA) est de plus en plus présente en ville et agit sur la vie quotidienne, même quand on ne la remarque pas.

On la trouve dans la gestion du trafic comme dans la sécurité publique, et elle modifie discrètement le fonctionnement des villes. Elle sert notamment à :

  • Améliorer l'efficacité des transports publics
  • Personnaliser les services de la ville grâce à l'analyse des données
  • Gérer l'énergie avec des systèmes intelligents qui contribuent à la durabilité

Pour la repérer, ce protocole propose d'organiser une datawalk (promenade de données).

Pendant une datawalk, les participants parcourent leur environnement pour découvrir et comprendre les sources de données qui les entourent. Cette expérience pratique permet de constater par soi-même comment les capteurs contribuent à la collecte et au traitement des données qui alimentent les systèmes d'IA. Une datawalk ne se limite pas à identifier ces capteurs : elle amène aussi à réfléchir aux conséquences de la collecte de données sur la société.

Au cours de cette activité, les élèves exploreront leur école ou leur ville afin d'identifier les différents capteurs qui contribuent au traitement des données et soutiennent les systèmes d'IA : caméras, microphones, antennes-relais, trottinettes électriques, etc. De retour en classe, ils analyseront si ces appareils collectent des données personnelles, identifieront leurs propriétaires et exploreront comment ces données peuvent être utilisées.

Structure du protocole​

Le protocole se déroule en trois étapes complémentaires :

  • Étape 1 : Phase d'exploration : développement des connaissances de base sur les usages urbains des capteurs. Préparation en classe : les élèves recherchent et identifient des capteurs potentiels en milieu urbain, explorent différents types de capteurs, créent des listes préliminaires et définissent leurs attentes quant aux découvertes possibles lors de la promenade.
  • Étape 2 : Phase d'enquête sur le terrain : mise en pratique des connaissances théoriques. Les élèves explorent activement leur environnement scolaire, leur quartier ou leur ville. Ils documentent et photographient les capteurs précédemment identifiés tout en restant attentifs à la découverte de nouveaux points de collecte de données inattendus.
  • Étape 3 : Phase d'analyse et de réflexion : comprendre la collecte de données urbaines. En classe, les élèves comparent les résultats de terrain aux attentes initiales, répertorient les nouvelles découvertes et examinent les applications d'IA associées à chaque capteur. Ils réfléchissent de manière critique aux conséquences pour la confidentialité, et évaluent l'équilibre entre progrès technologiques et vie privée.
Structure du protocole
Structure du protocole

Glossaire​

  • Capteurs : Appareils qui détectent et réagissent aux signaux physiques de l'environnement, tels que caméras, microphones, capteurs de température ou détecteurs de mouvement. Ces appareils collectent des données pouvant être traitées par des systèmes d'IA.
  • Données : Des informations brutes collectées auprès de diverses sources peuvent être traitées, analysées et utilisées pour prendre des décisions ou fournir des services. Dans les villes intelligentes, ce sont aussi bien des relevés de température que des enregistrements vidéo.
  • Données ouvertes : Données librement accessibles à tous, utilisables et republiées sans restriction. Dans les villes intelligentes, il s'agit souvent de données publiques sur les transports, l'environnement ou les infrastructures urbaines.
  • Données personnelles : Toute information relative à une personne identifiée ou identifiable, telle que des données de localisation, des images faciales ou des habitudes de comportement qui peuvent être collectées par des systèmes de détection urbains.
  • Promenade des données : Une promenade de données est un moyen interactif pour les parties prenantes d'un territoire, y compris les habitants, les chercheurs, les administrateurs de programmes, les responsables du gouvernement local et les prestataires de services, de dialoguer autour des résultats de recherche qui portent sur ce territoire.
  • Service de données : Également appelé « technologie des données », « service intelligent » ou « solution intelligente ». Service dans une ville intelligente où des données (personnelles) sont collectées ou traitées pour fournir un service à (un groupe spécifique d') utilisateurs ou pour améliorer les services existants.
  • Systèmes d'IA : Systèmes informatiques capables d'effectuer des tâches nécessitant généralement l'intelligence humaine, telles que la perception visuelle, la reconnaissance vocale et la prise de décision. En milieu urbain, ces systèmes traitent les données de divers capteurs pour fournir des services ou des informations automatisés.
  • Ville intelligente : Une zone urbaine qui utilise différents types de méthodes et de capteurs électroniques pour collecter des données, qui sont utilisées pour gérer efficacement les équipements, les ressources et les services tout en améliorant la qualité de vie des citoyens.

Étape 1 : Phase d'exploration : développement des connaissances de base sur les usages urbains des capteurs​

Contexte de la séquence​

Les systèmes d'IA urbains peuvent collecter de nombreuses données sur vous, en tant que citoyen, à votre insu. Par exemple, grâce à l'IA, les caméras modernes peuvent reconnaître votre visage ou analyser vos émotions à partir de votre expression faciale. On peut citer comme exemples d'usage la conception d'un « indice de bonheur » comme à Vilnius (https://eurocities.eu/stories/smile-youre-on-camera/), ou la reconnaissance faciale pour limiter le nombre de feuilles de papier toilette distribuées à une personne, comme au Temple du Ciel de Pékin (https://www.youtube.com/watch?v=AuxgoNMqLFU). Cette première étape consiste à identifier les capteurs présents dans votre ville/quartier et les données qu'ils collectent.

Objectifs d'apprentissage​

  • Identifier les capteurs utilisables en ville
  • Comprendre que les systèmes d'IA peuvent traiter des données pour en extraire des informations avancées (par exemple, deviner l'humeur d'une personne à partir de son expression faciale)

Conceptualisation​

Une approche scientifique de l'enquête sur les données urbaines​

Cette première phase d'exploration suit la méthode scientifique : comme les scientifiques qui analysent la littérature existante et formulent des hypothèses avant les expériences, les élèves étudieront de manière systématique les systèmes de collecte de données urbaines avant d'aller sur le terrain.

Identifier les concepts clés​

Les élèves seront initiés à la collecte de données en environnement réel, en mettant l'accent sur la manière dont les données sont collectées grâce à des capteurs intégrés à des objets ou des lieux du quotidien. Ils exploreront les conséquences de la collecte de données par capteurs et de l'intégration de l'IA en milieu urbain.

Pour soutenir cette exploration, les élèves compileront et structureront un corpus documentaire axé sur les capteurs urbains, les applications de l'IA et leurs impacts sociétaux. Ce corpus pourra comprendre des articles scientifiques, des rapports techniques et des études de cas.

Comprendre les capteurs et les sources de données​

Avant la datawalk de l'étape 2, les élèves doivent se familiariser avec les différents types de capteurs (température, lumière, son, mouvement, etc.) et comprendre comment chacun capture les données. Cette préparation les aidera à reconnaître et identifier les appareils lors de leur activité sur le terrain.

Formuler des questions et des hypothèses​

À partir de leurs recherches, les élèves réfléchiront aux questions clés qui guideront leur datawalk :

  • Identifier les capteurs en ville
  • Comprendre les services de données associés
  • Déterminer la propriété de ces technologies
  • Analyser la manière dont les données collectées reflètent les tendances et les comportements urbains

À travers ces questions, ils formuleront des hypothèses sur les types de données qu'ils s'attendent à rencontrer et leurs conséquences possibles sur la vie urbaine.

Investigation par les élèves​

Cette phase d'investigation prépare les élèves à la datawalk. Par des recherches structurées et des discussions, ils acquièrent les connaissances théoriques nécessaires pour identifier et analyser les capteurs urbains sur le terrain, à l'étape 2. En classe, lancez les activités suivantes :

Cartographie des connaissances​

Commencez par explorer les connaissances des élèves sur les capteurs présents dans leur quartier scolaire et susceptibles d'être utilisés par les systèmes d'IA (caméras, poubelles intelligentes, dispositifs de surveillance, etc.).

Vous pouvez aborder plusieurs catégories de dispositifs :

  • Systèmes de surveillance : caméras de surveillance (espaces publics, reconnaissance des plaques d'immatriculation, contrôle d'accès aux bâtiments)
  • Infrastructures de communication : antennes-relais de téléphonie mobile (données de mobilité), réseaux Wi-Fi publics (habitudes d'utilisation)
  • Outils de gestion urbaine : capteurs de stationnement magnétiques, compteurs de trafic, stations météorologiques scientifiques citoyennes
  • Systèmes de mobilité partagée : transports en commun, vélos en libre-service, trottinettes électriques
Notes pour l'enseignant·e

Le Centre de Connaissances, Données et Société en Belgique a conçu un document qui peut servir de point de départ pour identifier des exemples de capteurs intelligents dans les villes : https://web.archive.org/web/20240919051731/https://data-en-maatschappij.ai/uploads/Databronkaarten.pdf (archive.org 2024-09)

Cadre d'analyse des données​

Guidez les élèves pour analyser en détail chaque type de capteur, en tenant compte notamment de :

  • La propriété : qui contrôle ces appareils et leurs données ?
  • Les objectifs et capacités de collecte de données

Par exemple, les caméras modernes permettent la reconnaissance faciale et le suivi d'identité. Les antennes-relais de téléphonie mobile peuvent suivre les déplacements grâce à des identifiants uniques. Elles peuvent ainsi révéler où une personne habite et travaille. De même, les réseaux Wi-Fi publics et les services de mobilité partagée peuvent établir des profils détaillés des déplacements urbains et des lieux de prédilection.

Exploration des ressources​

Prolongez l'enquête en explorant les ressources de données ouvertes spécifiques à votre ville. Une simple recherche sur « données ouvertes votre ville » affichera généralement un catalogue en ligne des ressources disponibles.

Restitution et réflexion​

Par leurs recherches et les discussions en classe, les élèves ont préparé leur enquête sur le terrain : ils ont créé un inventaire détaillé des dispositifs de collecte de données qu'ils s'attendent à trouver, développé un itinéraire de marche couvrant divers environnements urbains et établi des méthodes de documentation claires.

  • Connaissances mobilisées : les élèves ont mis à profit leurs connaissances fondamentales des infrastructures technologiques urbaines (types de capteurs, applications d'IA, méthodes de collecte de données), sur le plan technique comme sur celui de leur intégration en milieu urbain.
  • Réflexion sur la mise en œuvre en classe : grâce à des discussions guidées et à un brainstorming collaboratif, les élèves ont exploré leurs interactions quotidiennes avec les technologies urbaines. Ces échanges ont favorisé l'apprentissage entre pairs et la prise de conscience collective.
  • Résultats d'apprentissage généraux : les élèves ont développé un sens critique de l'observation, appris à identifier et catégoriser différents types de capteurs, et saisi la relation entre les capteurs physiques et les applications de l'IA.

Pour conclure cette étape, demandez aux élèves de formuler des hypothèses sur :

  • La répartition et la densité des capteurs dans différentes zones urbaines (résidentielles, commerciales, éducatives)
  • La corrélation entre les types de capteurs et les fonctions ou services urbains spécifiques
  • Les relations potentielles entre l'emplacement des capteurs et la densité de population ou la répartition des activités

Ces hypothèses préparatoires serviront de point de départ à la phase d'investigation sur le terrain : elles aideront les élèves à aborder la datawalk avec des objectifs clairs et un cadre méthodique de comparaison entre connaissances théoriques et observations concrètes.

Pour guider la discussion de compte rendu, pensez à poser les questions suivantes :

  • Comment vos recherches initiales ont-elles changé votre perception des technologies de détection urbaine ?
  • Qu'est-ce qui vous a le plus surpris dans la variété et les objectifs des différents capteurs ?
  • Comment le placement des capteurs pourrait-il refléter les modèles sociaux ou économiques de votre ville ?
  • Quels défis prévoyez-vous pour identifier et analyser ces capteurs lors de la marche ?
  • Comment les différentes parties prenantes (citoyens, entreprises, gouvernement) pourraient-elles percevoir ces technologies différemment ?

Étape 2 : Phase d'enquête sur le terrain : mise en pratique des connaissances théoriques​

Contexte de la séquence​

Cette étape, qui s'appuie sur les connaissances théoriques acquises à l'étape 1, consiste à organiser la visite guidée des données. Les élèves exploreront l'environnement urbain, observeront et documenteront les capteurs rencontrés en chemin. Ils devront être attentifs à la correspondance des capteurs trouvés avec leurs attentes lors de la phase de préparation. Ils devront également noter les emplacements et les applications d'IA qu'ils soupçonnent d'utiliser.

Objectifs d'apprentissage​

  • Développer des compétences d'observation en identifiant des capteurs placés dans un environnement
  • Apprendre à reconnaître différents types de capteurs (caméras de surveillance, antennes de téléphonie mobile, capteurs environnementaux, objets connectés, etc.)

Conceptualisation​

Planification de l'itinéraire d'enquête​

Les élèves appliqueront leurs connaissances théoriques pour concevoir des itinéraires qui passent par le plus grand nombre possible de types d'environnements urbains et d'emplacements potentiels de capteurs. Cela comprend :

  • Repérer les zones clés où la présence de capteurs est très probable (zones commerciales, pôles de transport, espaces publics)
  • Créer une méthode de documentation systématique pour enregistrer l'emplacement et les caractéristiques des capteurs
  • Définir des protocoles d'observation pour que l'équipe collecte les données de façon cohérente

Établir les paramètres de recherche​

Les paramètres de recherche sont des lignes directrices et des limites spécifiques définies pour une étude afin de garantir une collecte de données cohérente et pertinente. Pour que la datawalk reste une activité de recherche rigoureuse et non une simple promenade, définir une approche structurée :

  • Catégories de capteurs à rechercher : surveillance (caméras de vidéosurveillance), environnement (stations météorologiques), gestion du trafic (feux de circulation intelligents), etc.
  • Format standardisé d'enregistrement : modèles ou formulaires numériques pour documenter les observations et points de données de manière cohérente
  • Questions guides pour interroger l'objectif et l'impact de chaque capteur (par exemple : « Quel type de données ce capteur collecte-t-il ? » ou « Comment cela pourrait-il affecter la confidentialité ? »)

Définition des objectifs d'enquête​

Les objectifs de recherche sont les résultats précis que les chercheurs visent à atteindre. Les élèves définiront des objectifs clairs pour leur travail de terrain :

  • Valider leur compréhension théorique (ce qu'ils ont appris en classe) face aux mises en œuvre réelles (ce qu'ils observent sur le terrain)
  • Documenter les déploiements inattendus : capteurs non couverts dans leurs recherches initiales ou utilisés de manière surprenante
  • Analyser la distribution spatiale des différents types de capteurs dans les zones urbaines (résidentielles, quartiers d'affaires, parcs, etc.)

Investigation par les élèves​

Avant de commencer la datawalk, les élèves doivent être équipés d'outils de documentation appropriés :

  • Carnets ou appareils numériques pour la prise de notes
  • Smartphones ou appareils photo pour la photographie
  • Optionnel : applications de cartographie pour marquer l'emplacement exact des capteurs et créer un enregistrement numérique des découvertes
Notes pour l'enseignant·e

Pour vous inspirer dans l'organisation de votre marche, plusieurs ressources en ligne proposent des informations sur la logistique et les étapes de mise en œuvre d'un atelier de datawalk :

Organisation des groupes. Les élèves doivent travailler en petits groupes collaboratifs : ils couvrent ainsi mieux la zone et discutent de leurs observations sur le moment. Les membres d'un groupe peuvent se relayer à tour de rôle pour observer et documenter, pour que chacun participe.

Documentation systématique. Les élèves doivent développer un système de numérotation simple pour cataloguer chaque capteur rencontré. Dans la mesure du possible, ils devraient prendre des photos sous plusieurs angles et documenter l'environnement et le contexte immédiats. Lorsque la photographie n'est pas réalisable ou autorisée, ils peuvent faire des croquis rapides. L'objectif est de créer un dossier détaillé qui pourra être analysé plus tard en classe.

Pour chaque dispositif de détection rencontré, les élèves doivent répondre aux questions clés suivantes :

  • Où est-il situé ?
  • À qui appartient-il ?
  • Quelles données collecte-t-il ?
  • À quelles fins les données sont-elles utilisées ?
  • Le capteur est-il lié à une application d'IA ? Si oui, de quel type ?

Conduite éthique. Tout au long de la visite, les élèves doivent adopter une conduite professionnelle et éthique :

  • Respecter les limites de propriété privée et les règles de confidentialité
  • Éviter toute interférence avec les capteurs observés
  • Être prêts à expliquer la nature pédagogique de leur activité en cas de questionnement par des habitants ou des autorités

Restitution et réflexion​

Grâce à cette enquête pratique sur le terrain, les élèves ont acquis une expérience concrète de l'identification et de la documentation des technologies de détection urbaine. Leurs observations serviront à l'analyse de l'étape 3.

  • Connaissances mobilisées : les élèves ont démontré leur capacité à identifier et analyser différents capteurs urbains, en appliquant leurs connaissances théoriques sur les systèmes de collecte de données, les applications de l'IA et les infrastructures technologiques urbaines.
  • Réflexion sur la mise en œuvre en classe : la datawalk a offert aux élèves une expérience pratique dans leur environnement urbain, où ils ont pu confronter les concepts théoriques à leur mise en œuvre concrète.
  • Résultats d'apprentissage généraux : les élèves ont développé des compétences d'observation critique, amélioré leur compréhension des systèmes de collecte de données urbaines et acquis une expérience pratique dans l'identification de divers types de capteurs et de leurs applications potentielles en matière d'IA.

Pour faciliter la réflexion sur l'expérience, les enseignants peuvent poser les questions suivantes :

  • Quels défis avez-vous rencontrés lors de la datawalk ? Comment les avez-vous surmontés ?
  • Comment le travail en groupe a-t-il affecté votre capacité à identifier et documenter les capteurs ?
  • Y a-t-il eu des découvertes inattendues qui ont surpris votre équipe ?
  • Dans quelle mesure vous sentiez-vous à l'aise pour documenter les capteurs dans les espaces publics ?
  • Que feriez-vous différemment si vous deviez effectuer une autre datawalk ?
  • Comment la phase de préparation vous a-t-elle aidé pendant la marche ?

L'étape suivante consistera à synthétiser ces résultats et à analyser de manière critique les conséquences de l'IA et des technologies de détection dans leur ville.


Étape 3 : Phase d'analyse et de réflexion : comprendre la collecte de données urbaines​

Contexte de la séquence​

Dans cette dernière étape, les élèves retournent en classe pour analyser leurs résultats, réfléchir à leurs expériences et évaluer de manière critique les conséquences des technologies de détection urbaine.

Objectifs d'apprentissage​

  • Comprendre les données recueillies lors de la datawalk et les comparer aux attentes initiales
  • Envisager les conséquences des technologies de capteurs et des applications d'IA sur leur ville
  • Discuter des problèmes potentiels de confidentialité liés aux technologies de capteurs, aux applications d'IA et à la collecte de données

Conceptualisation​

Les technologies des villes intelligentes améliorent les services urbains grâce à des systèmes sophistiqués de collecte et de traitement de données : gestion du trafic, efficacité énergétique, services publics, etc. Cette collecte massive de données pose pourtant d'importants problèmes de confidentialité, qui dépassent la simple protection des données : la surveillance continue des espaces urbains crée des traces numériques détaillées de la vie des citoyens, ce qui suscite des inquiétudes sur la surveillance et l'autonomie personnelle. Sans protection adéquate, ces données pourraient être vulnérables aux fuites, aux utilisations abusives ou aux accès non autorisés.

L'agrégation de multiples sources de données peut aussi conduire à un profilage détaillé des individus, même lorsque les données individuelles semblent anodines. Les villes doivent équilibrer les avantages des technologies intelligentes avec des mesures robustes de protection de la vie privée : minimisation des données, chiffrement, mécanismes de consentement clairs. Le risque de dérive fonctionnelle (lorsque les données collectées dans un but précis sont ensuite utilisées à d'autres fins) exige une surveillance continue et des cadres de gouvernance stricts.

Impact social​

Les technologies urbaines modifient les comportements et les interactions sociales des habitants. Au-delà de la surveillance, ces systèmes peuvent influencer la façon dont les gens circulent dans l'espace public. L'impact psychologique d'une surveillance constante peut conduire à l'autocensure et à une altération des comportements sociaux. Le déploiement inégal de ces technologies peut aussi aggraver les inégalités sociales existantes et créer des fractures numériques entre populations.

Distribution et accès​

La répartition géographique des technologies reflète les inégalités urbaines existantes, et peut les renforcer. Le déploiement des capteurs suit souvent les schémas de développement économique : certaines zones sont bien équipées, d'autres mal desservies. Cette répartition inégale affecte la qualité des services, mais aussi la représentation des différents groupes d'habitants dans la collecte de données urbaines. Au-delà de l'emplacement physique des capteurs se posent les questions de l'accessibilité des données, de la maîtrise des technologies et de la participation des habitants aux décisions de déploiement.

Considérations environnementales​

L'empreinte environnementale des infrastructures de capteurs s'étend tout au long de leur cycle de vie : matières premières, énergie consommée pendant le fonctionnement, élimination des équipements obsolètes. La densité croissante des réseaux de capteurs soulève des préoccupations quant à la gestion des déchets électroniques et à l'efficacité énergétique. Les villes doivent développer des pratiques durables pour le déploiement, la maintenance et le remplacement des appareils.

Systèmes d'information publique​

La transparence des systèmes de surveillance urbaine est essentielle à la confiance et à la responsabilisation du public. Le caractère souvent invisible des infrastructures de collecte de données complique la sensibilisation et le consentement. Les villes doivent élaborer des cadres de transparence complets :

  • Signalisation claire des dispositifs de collecte
  • Politiques d'accessibilité des données
  • Canaux de rétroaction et de participation citoyenne aux décisions concernant le déploiement des capteurs et l'utilisation des données

Investigation par les élèves​

Organisation, classification et analyse des données​

De retour en classe, créez un inventaire collaboratif au tableau pour organiser les données collectées. Catégorisez les différents types de capteurs (surveillance, environnement, circulation, etc.) et cartographiez leur emplacement.

Examinez chaque capteur et ses résultats en tenant compte des éléments suivants :

  • Mise en œuvre physique et placement dans l'espace urbain
  • Méthodes de collecte de données et applications potentielles de l'IA
  • Impact sur les différents quartiers et groupes d'habitants
  • Paramètres complémentaires : consommation d'énergie des réseaux, durabilité de l'infrastructure, capacités de surveillance environnementale

Menez une discussion ciblée sur les capteurs découverts : analysez leurs fonctions, leur propriété et l'utilisation des données. Comparez les résultats aux prévisions initiales, en notant les tendances ou les découvertes inattendues apparues au cours de la visite.

Synthèse et réflexion​

Examinez l'impact de ces technologies sur la vie quotidienne, notamment en matière de confidentialité et d'éthique. À partir de votre analyse, cherchez ce qui pourrait mieux protéger la vie privée sans perdre les avantages technologiques. Élaborez des idées pour partager vos résultats et sensibiliser les habitants aux risques pour la vie privée et aux défis éthiques liés à la collecte de données urbaines.

Présentation finale​

En petits groupes, les élèves présentent leurs conclusions, idées et réflexions à la classe en se concentrant sur :

  • La répartition dans différentes zones
  • La mise en œuvre technique et l'efficacité
  • L'impact social et les considérations relatives à la vie privée
  • Les améliorations proposées et les stratégies de sensibilisation des habitants

Restitution et réflexion​

Grâce à une analyse détaillée et à des discussions collaboratives, les élèves ont acquis une vue d'ensemble des technologies de détection urbaine et de leurs conséquences. Ils ont catégorisé et analysé leurs observations sur le terrain, examiné les enjeux sociaux et éthiques de ces technologies, et proposé des solutions pour mieux protéger la vie privée et sensibiliser les habitants.

  • Connaissances mobilisées : les élèves ont démontré leurs capacités d'analyse dans le traitement et la comparaison des données collectées, notamment leur compréhension des enjeux éthiques de la technologie, du droit à la vie privée et de l'innovation urbaine.
  • Réflexion sur la mise en œuvre en classe : la phase d'analyse finale a permis aux élèves de synthétiser leurs résultats au moyen de présentations et de discussions constructives. Les discussions de groupe ont favorisé l'apprentissage collaboratif, et les élèves y ont identifié des mesures concrètes de sensibilisation.
  • Résultats d'apprentissage généraux : les élèves ont mieux compris l'impact sociétal de la collecte de données et de l'IA. Ils ont développé des compétences d'évaluation critique et appris à identifier les liens entre la mise en œuvre des technologies et les préoccupations en matière de confidentialité.

Le protocole en trois étapes (préparation, exploration et analyse) peut s'adapter à divers contextes pédagogiques.

Pour approfondir la réflexion critique, envisagez d'ouvrir des discussions supplémentaires :

  • Quel rôle les citoyens devraient-ils jouer dans les décisions concernant la mise en œuvre de nouvelles technologies de détection dans leurs communautés ?
  • Comment garantir un accès équitable aux avantages des technologies des villes intelligentes à travers différents groupes socio-économiques ?
  • Quelles applications futures de l'IA et des technologies de détection pourraient émerger dans les environnements urbains, et quelles considérations éthiques devrions-nous anticiper ?
  • Comment équilibrer l'innovation dans la technologie urbaine avec la préservation de la vie privée et de l'autonomie personnelle ?

Pour aller plus loin​

Les promenades de données du FARI à Bruxelles​

FARI est une organisation qui travaille sur l'intelligence artificielle et le développement urbain. Dans le cadre du datawalking, FARI invite les participants à des visites guidées dans des villes comme Bruxelles, où ils voient comment la collecte de données sert à concevoir des applications de ville intelligente. Ces visites visent à mieux faire comprendre ce qu'est une ville intelligente, ainsi qu'à examiner les occasions et les défis associés à l'utilisation des données pour une vie plus efficace et durable.

Aller plus loin : https://www.fari.brussels/news-and-media-article/calling-for-participations-in-the-data-walk

Projet Spectre et Data Walking​

SPECTRE s'intéresse aux multiples conséquences du développement des villes intelligentes sur la protection de la vie privée, en examinant ces défis sous l'angle du droit, des sciences sociales et de l'économie. L'objectif principal du projet est de développer une méthode collaborative d'analyse d'impact relative à la protection des données (AIPD) pour les villes intelligentes, prenant en compte leurs intérêts socio-économiques. Le projet explore également le potentiel des règles de marchés publics pour intégrer cette nouvelle méthode d'AIPD.

Aller plus loin :

DataWalk ou Walkshop​

Ce projet de promenade de données est né d'un processus pédagogique encourageant les élèves à observer les médiations de données dans l'espace urbain. Inspiré par l'ethnographie flashmob de Laura Forlano et les ateliers de réseautage d'Adam Greenfield, l'« atelier de datawalk » a évolué grâce à des collaborations avec le projet du Museum of Contemporary Commodities (Paula Crutchlow et Ian Cook, Université d'Exeter) et la Furtherfield Gallery de Londres.

Aller plus loin : https://www.datawalking.uk


Cette fiche fait partie du projet SteamCity, financé par le programme Erasmus+. Contenu sous licence CC BY-SA 4.0.