L'odyssée de l'IA
| Projet | Durée | Difficulté |
|---|---|---|
| SteamCity | 4 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
Introduction
L'intelligence artificielle (IA) devient une composante à part entière des environnements urbains dans lesquels nous vivons, influençant divers aspects de notre vie quotidienne, même lorsque sa présence n'est pas immédiatement perceptible.
Des systèmes intelligents de gestion du trafic aux mesures de sécurité publique basées sur l'IA, ces technologies transforment subtilement le fonctionnement des villes. L'IA joue notamment un rôle crucial dans :
- Améliorer l'efficacité des transports publics
- Personnaliser les services de la ville grâce à l'analyse des données
- Permettre des systèmes intelligents de gestion de l'énergie qui contribuent aux efforts de durabilité
Pour révéler l'intégration de l'IA dans nos environnements urbains, ce protocole propose d'explorer notre paysage grâce à l'organisation d'une datawalk (promenade de données).
Une datawalk est une activité stimulante et interactive où les participants explorent activement leur environnement pour découvrir et comprendre les différentes 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 souligne également l'importance de comprendre les implications de la collecte de données et son impact sur la société. Cette approche d'apprentissage expérientiel encourage la pensée critique et favorise une meilleure compréhension du rôle de la technologie dans notre quotidien.
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. Cette phase pose les bases d'une enquête de terrain réussie.
- Étape 2 — Phase d'enquête sur le terrain : expérience pratique donnant vie aux 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 implications en matière de confidentialité, et évaluent l'équilibre entre progrès technologiques et vie privée.
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, cela inclut tout, des relevés de température aux 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 modèles de comportement qui peuvent être collectés par des systèmes de détection urbains.
- Promenade des données : Une promenade de données est un moyen interactif pour les parties prenantes de la communauté, y compris les résidents, les chercheurs, les administrateurs de programmes, les responsables du gouvernement local et les prestataires de services, d'engager un dialogue autour des résultats de recherche sur leur communauté.
- 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 actifs, les ressources et les services tout en améliorant la qualité de vie des citoyens.
Ce protocole fait partie du curriculum STEAMCITY. Ce travail est sous licence Creative Commons Attribution-ShareAlike 4.0 International License et a été réalisé avec le soutien de la Commission européenne. Son contenu n'engage que son auteur et la Commission ne peut être tenue responsable de l'usage qui pourrait être fait des informations qu'il contient.
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). Dans ce contexte, cette première étape vise 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 : les élèves approfondiront leurs connaissances de manière systématique avant de mener des recherches sur le terrain. À l'instar des scientifiques qui analysent la littérature existante et formulent des hypothèses avant les expériences, les élèves développeront une compréhension structurée des systèmes de collecte de données urbaines avant leur exploration de 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 implications 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, et fournira un cadre théorique pour comprendre le rôle des capteurs et de l'IA dans les villes.
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 modèles et comportements urbains
À travers ces questions, ils formuleront des hypothèses sur les types de données qu'ils s'attendent à rencontrer et leurs implications potentielles pour la vie urbaine.
Investigation par les élèves
Cette phase d'investigation vise à préparer les élèves à la datawalk en développant leur compréhension théorique. Grâce à des recherches structurées et à des discussions, les élèves développeront le cadre de connaissances nécessaire à l'identification et à l'analyse des capteurs urbains lors de leurs observations pratiques 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.). Cette cartographie initiale permet d'établir une compréhension de base et de susciter l'engagement.
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
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://data-en-maatschappij.ai/uploads/Databronkaarten.pdf
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, révélant potentiellement les emplacements du domicile et du travail. 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, offrant un contexte supplémentaire pour comprendre l'infrastructure locale de collecte de données.
Cette étape aide les élèves à relier les connaissances théoriques aux applications du monde réel dans leur environnement immédiat.
Restitution et réflexion
Grâce à des recherches approfondies et à des discussions en classe, les élèves ont construit une base solide pour 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), couvrant à la fois les aspects techniques et le contexte d'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, favorisant 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.
Concluez cette étape en engageant les élèves dans la génération d'hypothèses concernant :
- 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 les modèles d'activité
Ces hypothèses préparatoires constitueront un point de départ précieux pour 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 : expérience pratique donnant vie aux connaissances théoriques
Contexte de la séquence
S'appuyant sur les connaissances théoriques développées à l'étape 1, cette étape 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 élaborer des itinéraires stratégiques maximisant leur exposition à différents types d'environnements urbains et à des emplacements potentiels de capteurs. Cela comprend :
- L'identification des zones clés présentant une forte probabilité de présence de capteurs (zones commerciales, pôles de transport, espaces publics)
- La création d'une méthode de documentation systématique pour l'enregistrement des emplacements et des caractéristiques des capteurs
- Le développement de protocoles d'observation pour assurer une collecte de données cohérente au sein de l'équipe
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 significative. Pour que la datawalk reste une activité de recherche rigoureuse et non une simple promenade, il est essentiel d'établir 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
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. Cette approche permet une couverture plus efficace de la zone tout en favorisant une discussion en temps réel des observations. Les groupes peuvent mettre en place un système de rotation où différents membres se relaient pour observer et documenter, garantissant que tout le monde reste engagé.
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, des croquis rapides peuvent constituer une alternative intéressante. 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 membres de la communauté 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 constituent désormais une base solide pour une analyse plus approfondie.
- 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 où ils ont pu s'impliquer activement dans leur environnement urbain, comblant le fossé entre concepts théoriques et 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 pour comprendre les implications plus larges de l'IA et des technologies de détection dans leur communauté, passant de l'observation à l'analyse critique.
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 implications des technologies de détection urbaine.
Objectifs d'apprentissage
- Comprendre les données recueillies lors de la datawalk et les comparer aux attentes initiales
- Envisager les implications plus larges des technologies de capteurs et des applications d'IA dans 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. Cependant, cette collecte massive de données pose d'importants problèmes de confidentialité qui vont au-delà de la simple protection des données. La surveillance continue des espaces urbains crée des traces numériques détaillées de la vie des citoyens, suscitant des inquiétudes quant à la surveillance et à l'autonomie personnelle. Sans protection adéquate, ces données pourraient être vulnérables aux fuites, aux utilisations abusives ou aux accès non autorisés.
De plus, l'agrégation de multiples sources de données peut 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
La mise en œuvre des technologies urbaines façonne profondément les comportements et interactions sociales des communautés. Au-delà de la surveillance, ces systèmes peuvent créer des frontières invisibles qui influencent la façon dont les individus naviguent dans les espaces publics. L'impact psychologique d'une surveillance constante peut conduire à l'autocensure et à une altération des comportements sociaux. De plus, le déploiement inégal de ces technologies peut exacerber les inégalités sociales existantes, créant des fractures numériques entre les communautés. Le défi consiste à concilier les avantages de la surveillance urbaine avec la préservation des dynamiques sociales naturelles et de l'autonomie des communautés.
Distribution et accès
La répartition géographique des technologies reflète — et potentiellement renforce — les inégalités urbaines existantes. Le déploiement des capteurs suit souvent les schémas de développement économique, créant des oasis technologiques dans certaines zones tout en laissant d'autres mal desservies. Cette répartition inégale affecte la qualité des services mais aussi la représentation des différentes communautés dans la collecte de données urbaines. Le défi dépasse l'emplacement physique pour inclure les questions d'accessibilité des données, de maîtrise des technologies et d'engagement communautaire dans les 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 différentes communautés et quartiers
- 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. Analysez les enseignements tirés de votre analyse et identifiez les améliorations potentielles susceptibles d'améliorer la protection de la vie privée tout en préservant les avantages technologiques. Élaborez des idées pour partager vos résultats et sensibiliser la communauté 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 :
- Les modèles de distribution 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 de la communauté
Restitution et réflexion
Grâce à une analyse détaillée et à des discussions collaboratives, les élèves ont développé une compréhension globale des technologies de détection urbaine et de leurs implications. Ils ont catégorisé et analysé leurs observations sur le terrain, examiné les implications sociales et éthiques de ces technologies, et proposé des solutions pour améliorer la protection de la vie privée et la sensibilisation de la communauté.
- Connaissances mobilisées : les élèves ont démontré leurs capacités d'analyse dans le traitement et la comparaison des données collectées, notamment leur compréhension des implications 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 ont permis d'identifier des mesures concrètes de sensibilisation.
- Résultats d'apprentissage généraux : les élèves ont acquis une compréhension approfondie de 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.
Ce protocole montre comment l'exploration concrète des technologies de détection urbaine peut efficacement relier connaissances théoriques et compréhension pratique. L'approche en trois étapes — préparation, exploration et analyse — offre un cadre structuré mais flexible, adaptable 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 se concentre sur l'exploration de l'intersection entre 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 découvrent le rôle transformateur de la collecte de données dans l'élaboration d'applications de villes intelligentes. Ces visites visent à approfondir la compréhension de ce qui constitue une ville intelligente, ainsi qu'à examiner les opportunités 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 implications du développement des villes intelligentes en matière de 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 :
- https://spectreproject.be
- https://spectreproject.be/output/downloads-1/spectre-walkshop-report-brussel.pdf
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.