Expliquer l’intelligence artificielle à un enfant avec un arbre de décision (la méthode Scratch)

Quand un enfant demande « c’est quoi, l’intelligence artificielle ? », la tentation est de sortir ChatGPT et de le laisser jouer. Mauvaise idée pour commencer : un modèle génératif est fascinant, mais totalement opaque. Impossible d’ouvrir le capot et de montrer pourquoi il répond ceci plutôt que cela. Or comprendre une machine, c’est d’abord pouvoir en suivre le raisonnement.

Il existe une forme d’IA bien plus ancienne et bien plus transparente : l’arbre de décision, aussi appelé arbre décisionnel. C’est un objet que l’on peut dessiner sur une feuille, suivre du doigt, et coder soi-même en une après-midi. Avant d’aller plus loin, il peut être utile de poser les bases avec notre article sur comment fonctionne l’IA : cet article-ci en est le prolongement concret et manipulable.

Qu’est-ce qu’un arbre de décision ?

Le plus simple est de partir d’un jeu que tous les enfants connaissent. Dans « devine l’animal », un joueur pense à un animal ; l’autre pose des questions auxquelles on ne répond que par oui ou par non :

• « Est-ce qu’il a des plumes ? » — non.
• « Est-ce qu’il vit dans l’eau ? » — oui.
• « Est-ce qu’il est très gros ? » — oui.
• « C’est une baleine ! »

Le jeu des 20 questions, ou l’application Akinator qui devine le personnage auquel vous pensez, reposent exactement sur ce principe. Chaque question sépare le monde en deux : d’un côté les « oui », de l’autre les « non ». À force de couper, il ne reste plus qu’une seule réponse possible.

Un arbre de décision, c’est cela, dessiné. On part d’une racine (la première question, tout en haut), et à chaque réponse on descend vers une branche. Au bout d’un chemin, on arrive à une feuille : la réponse finale. Le mot « arbre » vient de ce dessin qui se ramifie — même si, par tradition en informatique, on le dessine racine en haut et feuilles en bas.

En quoi un arbre de décision est-il déjà une intelligence artificielle ?

On imagine souvent que l’IA se résume aux grands modèles récents. En réalité, l’arbre de décision est l’un des plus anciens et des plus utilisés modèles d’apprentissage automatique (machine learning). On le retrouve aujourd’hui encore dans le diagnostic médical d’aide à la décision, l’attribution de crédits ou le tri de courriels.

Sa force tient en un mot : il est interprétable. On peut lire, une par une, les règles qu’il applique : si l’animal a des plumes, alors c’est un oiseau ; si le courriel contient certains mots, alors il part dans les indésirables. Chaque décision est une chaîne de « si… alors » que l’on peut suivre, vérifier et corriger. Rien n’est caché.

C’est précisément là qu’il s’oppose aux grands modèles de langage. Un système comme ChatGPT est une boîte noire : il fonctionne remarquablement, mais personne — pas même ses concepteurs — ne peut pointer la règle exacte qui a produit telle phrase. Cette opacité a des conséquences bien réelles, notamment les erreurs affirmées avec aplomb que nous décrivons dans notre article sur les hallucinations des modèles. Avec un arbre de décision, ce type de surprise est impossible : si l’arbre se trompe, on peut remonter la branche fautive et voir exactement où.

Cette opacité n’est pas une fatalité : c’est même l’un des grands chantiers de la recherche. Chez Anthropic, les équipes d’interprétabilité mécaniste tentent littéralement d’ouvrir la boîte noire — leurs travaux sur les « features » (l’étude Scaling Monosemanticity, 2024, menée sur le modèle Claude) montrent qu’on peut identifier, à l’intérieur du réseau, des concepts que le modèle a appris. C’est un excellent point à faire toucher du doigt à un enfant : l’arbre de décision, lui, est transparent par construction, là où il faut des années de recherche pour commencer à lire ce qui se passe dans un grand modèle.

Pour un enfant, cette différence est une leçon majeure : toutes les IA ne se valent pas en transparence. Certaines expliquent leur raisonnement, d’autres non.

Comment le construire à la main, sans écran ?

Avant tout code, l’arbre se fabrique sur papier. Cette étape est essentielle : elle relève de ce que la chercheuse Jeannette Wing a appelé la pensée informatique — décomposer un problème et le résoudre par étapes logiques, sans ordinateur. Voici un déroulé simple pour classer quelques animaux.

Étape 1 — Choisir ce qu’on veut deviner

Prenez quatre ou cinq animaux familiers : chat, poisson rouge, pigeon, grenouille. L’objectif de l’arbre sera de deviner lequel l’enfant a en tête.

Étape 2 — Trouver de bonnes questions oui/non

Une bonne question coupe le groupe en deux parts à peu près égales. « Est-ce qu’il vole ? » sépare le pigeon des autres. « Est-ce qu’il vit dans l’eau ? » isole le poisson et la grenouille. On note chaque question sur un papier.

Étape 3 — Dessiner l’arbre

On écrit la première question en haut. On trace deux flèches : « oui » à gauche, « non » à droite. Sous chaque flèche, on pose la question suivante, jusqu’à ce qu’il ne reste qu’un seul animal au bout de chaque chemin. C’est fini : l’enfant vient de construire son premier modèle.

Étape 4 — Le tester, puis le casser

On joue : l’enfant suit l’arbre du doigt pour deviner l’animal d’un adulte. Puis on ajoute un intrus — une chauve-souris, par exemple. L’arbre se trompe ? Parfait : c’est l’occasion d’ajouter une branche, et de comprendre qu’un modèle s’améliore avec de nouveaux exemples.

Comment le coder sur Scratch ou ScratchJr ?

Une fois l’arbre dessiné, on peut le faire vivre à l’écran. Scratch est un langage visuel gratuit conçu par l’équipe de Mitchel Resnick au MIT Media Lab, dans la lignée des travaux de Seymour Papert et de son langage Logo. Son principe : on programme en emboîtant des blocs colorés, comme des briques, sans taper une seule ligne de code. Pour les plus jeunes, ScratchJr propose la même idée avec des blocs illustrés, sans texte à lire.

Concrètement, pour transformer notre arbre en petit jeu de devinette sur Scratch, on assemble ces blocs :

• Un lutin (le personnage à l’écran) qui joue le rôle du devineur.
• Le bloc « demander … et attendre » pour poser une question, par exemple « Est-ce qu’il vit dans l’eau ? ».
• Le bloc « si … alors … sinon », qui teste la réponse donnée par le joueur. Si la réponse est « oui », on descend dans une branche ; sinon, dans l’autre.
• D’autres blocs « si… alors » imbriqués à l’intérieur, un par question de l’arbre.
• Le bloc « dire » au bout de chaque chemin, pour que le lutin annonce sa réponse : « C’est une grenouille ! ».

La correspondance est directe et c’est ce qui rend l’exercice si parlant : chaque branche de l’arbre papier devient un bloc « si… alors » à l’écran. L’enfant ne traduit pas une théorie abstraite ; il recopie, brique par brique, le dessin qu’il a déjà compris. Le site code.org propose par ailleurs des activités guidées sur cette même logique de conditions, utiles en complément.

Arbre de décision ou IA générative : quelles différences ?

Mettre les deux approches côte à côte aide l’enfant — et l’adulte — à situer chaque outil.

	Arbre de décision	IA générative (ChatGPT)
Transparence	Totale : chaque règle est lisible	Boîte noire : raisonnement caché
Données nécessaires	Quelques exemples suffisent	Immenses volumes de texte
Ce qu’on peut expliquer	Le chemin exact suivi	Difficilement, voire pas du tout
Type de réponse	Un classement précis, prévisible	Du texte créatif, parfois faux
Fabricable par un enfant	Oui, sur papier puis Scratch	Non
Âge conseillé	Dès 5–6 ans	Plus tard, et accompagné

Aucune des deux approches n’est « meilleure » dans l’absolu : elles répondent à des besoins différents. L’arbre excelle quand il faut trancher des cas nets et pouvoir justifier chaque décision ; le modèle génératif brille pour produire du langage. Comprendre cette complémentarité fait partie des raisons pour lesquelles il est utile de se demander faut-il apprendre l’IA aux enfants dès le plus jeune âge.

Quels usages en tirer avec un enfant ?

Une fois le mécanisme compris, l’arbre de décision se prête à de nombreux petits projets :

• Un quiz de personnalité maison : « quel héros es-tu ? », où chaque question oriente vers un résultat.
• Un chatbot de tri minimal sur Scratch : le lutin demande de quoi il s’agit et range la réponse dans la bonne catégorie.
• Un classificateur du réel : trier des feuilles ramassées dans un parc (bord lisse ou dentelé ? une seule pièce ou plusieurs folioles ?) ou reconnaître des animaux d’une région.

À chaque fois, l’enfant part d’observations concrètes et les transforme en questions. C’est cette allée-et-venue entre le monde et le modèle qui ancre la compréhension.

Quelles sont les limites d’un arbre de décision ?

Un modèle si simple a ses défauts, et les montrer fait partie de la leçon.

Le premier est le sur-apprentissage. Si l’on ajoute une question pour chaque cas particulier, l’arbre devient énorme et finit par « apprendre par cœur » les exemples montrés plutôt que d’en tirer une règle générale. Il reconnaît alors à la perfection ce qu’il a déjà vu, mais se trompe dès qu’un cas nouveau se présente — comme un enfant qui récite une leçon sans l’avoir comprise. La bonne question à se poser reste : « cet arbre saurait-il classer un animal qu’il n’a jamais rencontré ? »

Le second est la rigidité. Un arbre applique ses règles sans nuance : une réponse est oui ou non, sans « ça dépend ». Face à un cas ambigu — un pingouin, oiseau qui ne vole pas mais nage — il peut se coincer si la question n’a pas été prévue. C’est le prix de sa simplicité et de sa transparence.

Quels dangers et quels biais faut-il montrer ?

Voici la notion la plus importante à transmettre, et elle est parfaitement accessible avec un arbre. Un modèle n’invente rien : il reproduit ce qu’on lui a montré. Si les exemples de départ sont biaisés, l’arbre le sera aussi.

L’exemple parle de lui-même. Si l’on construit un arbre « reconnaître un oiseau » en ne montrant que des oiseaux qui volent, l’arbre conclura qu’un oiseau vole toujours — et refusera au pingouin ou à l’autruche le statut d’oiseau. Le modèle n’est pas « méchant » : il est le miroir fidèle des exemples choisis. C’est exactement ainsi que naissent les biais dans les IA bien plus grandes, où les données d’entraînement mal équilibrées produisent des décisions injustes. Faire manipuler ce biais à petite échelle, sur des animaux, vaut mille explications abstraites.

Avec un arbre de décision, corriger un biais est simple : on rajoute des exemples ou on retouche une règle, à la main. Sur les grands modèles, c’est un problème de recherche ouvert. C’est là qu’intervient une approche comme l’« IA constitutionnelle » d’Anthropic (Constitutional AI, 2022) : plutôt que de tout régler à la main, on donne au modèle une « constitution » de principes explicites et on l’entraîne à critiquer et corriger lui-même ses propres réponses au regard de ces principes — une forme d’auto-amélioration encadrée. L’idée est belle à transmettre : là où l’enfant révise à la main les branches de son arbre, les IA modernes apprennent à se relire elles-mêmes selon des règles qu’on leur a fixées.

Quel rôle pour le parent ou l’enseignant ?

L’adulte n’est pas là pour donner les bonnes réponses, mais pour faire verbaliser. Quelques réflexes utiles : demander « pourquoi as-tu choisi cette question ? », « que se passe-t-il si je pense à un animal que tu n’as pas prévu ? », « ton arbre serait-il juste si on ne lui montrait que des chats ? ». Chaque question relie le modèle au réel et transforme un jeu en compréhension.

C’est aussi le moment de replacer l’outil dans un cadre plus large : quand et pourquoi utiliser une IA, ce qu’elle sait et ne sait pas faire. Pour la question du bon moment, notre réseau détaille à partir de quel âge initier un enfant aux outils numériques et à l’IA. Et pour la posture au quotidien, face aux assistants génératifs cette fois, le guide sur la façon d’accompagner son enfant face à l’IA complète utilement cette approche par le code.

L’arbre de décision reste, à nos yeux, la première brique idéale : concret, honnête, réparable. Un enfant qui a construit le sien de A à Z ne verra plus jamais l’intelligence artificielle comme une magie inaccessible, mais comme une suite de choix que l’on peut comprendre — et discuter.

FAQ

À partir de quel âge peut-on expliquer un arbre de décision à un enfant ?
Dès 5 ou 6 ans sur papier, avec le jeu « devine l’animal » : une suite de questions oui/non ne demande ni lecture experte ni écran. Pour la version codée sur ScratchJr, la même tranche convient ; Scratch, plus riche, s’adresse plutôt aux enfants de 8 ans et plus qui commencent à lire des mots à l’écran.

Un arbre de décision est-il vraiment de l’intelligence artificielle ?
Oui. C’est un modèle classique d’apprentissage automatique, utilisé bien avant les grands modèles de langage. Sa particularité est d’être interprétable : on peut lire chaque règle « si… alors… » et comprendre exactement pourquoi il aboutit à telle réponse, ce qui n’est pas le cas d’un système de type boîte noire.

Quelle est la différence entre un arbre de décision et ChatGPT ?
Un arbre de décision suit un petit nombre de règles écrites et lisibles, avec peu d’exemples. Un modèle génératif comme ChatGPT s’appuie sur d’immenses volumes de données et un fonctionnement interne opaque. Le premier est transparent et prévisible ; le second est puissant et créatif, mais difficile à expliquer et sujet aux erreurs présentées avec assurance.

Comment coder un arbre de décision sur Scratch ?
On utilise un lutin qui pose une question avec le bloc « demander … et attendre », puis on teste la réponse avec des blocs « si … alors » imbriqués. Chaque question oui/non correspond à une branche de l’arbre ; au bout de chaque chemin, le lutin annonce sa réponse avec le bloc « dire ».

Qu’est-ce que le sur-apprentissage, expliqué simplement ?
C’est quand un arbre devient si détaillé qu’il « apprend par cœur » les exemples montrés au lieu d’en tirer une règle générale. Il reconnaît alors parfaitement les cas déjà vus mais se trompe sur un cas nouveau, un peu comme un enfant qui récite une leçon sans l’avoir comprise.